dev.ua продолжает цикл материалов о профессиях в ИТ и диджитале. Сегодня своим опытом и обзором делится Роман Панасюк, дата-аналитик продуктовой IT-компании Quarks.
dev.ua продолжает цикл материалов о профессиях в ИТ и диджитале. Сегодня своим опытом и обзором делится Роман Панасюк, дата-аналитик продуктовой IT-компании Quarks.
Что делает Дата-аналитик? Дата-аналитик — это специалист, который разлагает данные на составляющие, чтобы найти ответы на волнующие бизнес-вопросы. Можно сказать, что аналитик отличается от других людей тем, что он способен найти в данных больше информации и подсказок, чем это могут сделать другие специалисты. На какие вопросы аналитики ищут ответы:
Эти вопросы общие, однако каждый аналитик отвечает на вопросы в рамках зоны ответственности его команды.
Кроме того, чтобы отвечать на вопросы, data analyst генерирует гипотезы относительно улучшения продукта и тестирует их с помощью А/В-тестов, которые затем оценивает и принимает финальное решение по этому изменению. Иногда принимать решения довольно просто — доходы выросли, пользователи счастливы, но иногда бывает так, что результаты неоднозначны, или помимо показателей пользователей нужно учитывать нагрузку на техническую инфраструктуру, поэтому принятие решения превращается в настоящее искусство.
В аналитику не получится войти только с университетскими знаниями. Рынок труда достаточно требователен, поэтому многое я изучал самостоятельно — искал образовательные материалы и подтягивал тот или иной навык. По моему опыту, для первой работы в сфере IT вам понадобится несколько пунктов.
Математическая база. Особенно статистика, анализ данных и основы линейной алгебры. Эти дисциплины являются инструментами в процессе анализа и существенно помогают принимать решения. Особое внимание следует обратить на следующие разделы:
Все это, а также базы данных, анализ данных и другие фундаментальные математические дисциплины я овладел университетом. Тогда у меня сформировалось четкое ощущение того, что после изучения столь абстрактных дисциплин, мне удастся разобраться с чем-либо в будущем.
В то же время я не могу сказать, что математическая база — это не обязательно. Гораздо важнее уметь принимать решения и аналитически мыслить.
SQL. Этот язык запросов — основной инструмент для общения с базой данных. С ее помощью data analyst «достает» нужную информацию, на основе которой он будет делать выводы для продуктовой команды. Джун достаточно разобраться, как с помощью SQL создаются и модифицируются таблицы (DDL) или их содержимое (DML), а также как осуществлять базовые запросы, чтобы извлечь необходимые для анализа данные (DQL). Кроме этого, следует разобраться в различиях между разными типами баз данных.
Визуализация. Чтобы видеть, как разные метрики ведут себя в динамике, интерпретировать и воспринимать изменения, аналитики пользуются инструментами Tableau и Power BI. Они схожи в возможностях визуализации. Однако Power BI является частью инфраструктуры от Microsoft, поэтому удобно использовать его вместе с другими продуктами этой компании. Tableau поддерживается всеми платформами, поэтому специалисты, работающие на iOS, на Windows и на Linux, могут свободно обмениваться файлами друг с другом. Также следует изучить основные виды визуализаций доступные в этих инструментах, и разобраться, больше подходящих к тем или иным случаям.
Язык программирования Python или R. Как правило, в должности вы будете использовать один язык. Какую именно работодатели отмечают в описании вакансии. Поэтому учить обе необязательно, но ознакомиться с базовыми принципами каждой не помешает. Сегодня более распространенным и универсальным языком является Python, поэтому для него можно найти гораздо больше образовательных материалов и прикладных статей, чем для R.
Понимание базовых метрик. Вот список тех, с которыми стоит ознакомиться, с каким продуктом вы бы не работали:
Кроме этого, нужно разобраться в различиях между абсолютными и относительными метриками, а со временем — какая совокупность метрик более полно отвечает на определенный вопрос. В зависимости от специфики конкретного продукта, аналитик может сталкиваться и с другими метриками. Я чаще работаю с количеством лайков и сообщений на одного пользователя.
Умение проводить A/B-тесты. Это основополагающий инструмент проверки гипотез. Поэтому следует разобраться, как его проводить и какие подходы будут эффективно действовать именно для ваших бизнес-задач.
Английский язык. На старте хватит уровня B1. Чтобы развиваться, нужно читать профильные туториалы, статьи, смотреть видео и слушать подкасты, а все это обычно на английском языке. Устным английским специалисты-джуны в продуктовых компаниях пользуются не так часто (если это не англоязычная команда) — в большинстве своем она нужна менеджерам или сеньорам, которые больше общаются с партнерами.
Дополнительно. В требованиях к вакансиям часто встречается пункт «Владение Excel». Обычно его используют компании так называемой традиционной экономики — и для визуализаций, и для демонстрации определенной аналитики, и просто для хранения определенных данных. По моему опыту, в продуктовой команде Excel нужен не очень часто, но понимание базовых принципов работы точно не помешает.
Также нелишне хотя бы частично разобраться в Data Science — какие модели машинного обучения существуют, в каких ситуациях используются, какая математика стоит за ними. Попытайтесь решить несколько задач с помощью машинного обучения. Вряд ли вы будете каждый день пользоваться этими знаниями, но хорошо иметь их в арсенале как дополнительный инструмент, который может понадобиться.
Умение общаться с людьми и работа в команде. Продуктовые аналитики регулярно взаимодействуют с другими командами, например, с аналитиками других проектов, разработчиками, retention-командой и т. д. Им частенько приходится разъяснять и согласовывать свои идеи и предложения, выяснять, как работает та или другая часть продукта, решать противоречивые моменты. Если возникают последние — мы используем цели на период и решаем, что в приоритете.
Организованность и внимание к мелочам. Аналитик часто первым узнает, что что-то пошло не так (если это не касается чисто технических деталей). Для этого он формирует привычку регулярно просматривать основные показатели и лишний раз задавать себе вопрос: «Почему так?».
Чем больше работаешь, тем больше появляется мелких и не очень задач, о которых нужно помнить только тебе. Поэтому мой менеджер дал мне простой совет — записывай все, важное и не очень.
Для этого есть множество программ вроде Trello и Todoist. Я пользуюсь обычным приложением-блокнотом: в одной заметке прописываю список задач, в других — сырые идеи и гипотезы. Так ничего не теряется и не забывается.
Тайм-менеджмент. Еще одним аспектом является тайм-менеджмент, ведь даже джуниор-аналитик сталкивается с легкими, на первый взгляд, задачами, которые отнимают много времени. Если такие задачи скапливаются, это приводит к дополнительным проблемам. Поэтому я планирую задачу в Google Calendar и выделяю отдельные временные слоты под конкретные, особенно под регулярные, задачи. Да не забываю о событии и трекаю время для каждой задачи.
Способность принимать решение. В некоторых ситуациях нет однозначно правильного пути, но даже тогда нужно брать на себя ответственность и за решение, и за его последствия. На первый взгляд, кажется, что это очень тяжело — морально и эмоционально, но на положительный результат работает вся команда, а ошибки — это нормально, если быстро их находить и исправлять.
