Аналитик отвечает — Кирилл Шмидт, Senior Product Analyst в Wrike

Мне кажется, что сейчас наиболее популярная отрасль — это маркетинговая продуктовая аналитика. И даже может быть, продуктовая аналитика, которая реже встречается в компаниях. Финансовая аналитика очень старая, в ней много людей, которые работают традиционно, можно встретить даже тех, у кого десятки лет опыта. Маркетинг тоже довольно давно развивается, но он младше, чем финансовая аналитика. Продуктовая аналитика становится все более востребована в контексте разработки IT-продуктов. Эта тема также начинает мигрировать и в оффлайн — появляются концепции продуктового менеджмента и в оффлайн продуктах. Именно поэтому мне кажется, что это наиболее горячая область. Хотя, в конечном итоге, в каждой из этих областей вы сможете найти хорошее место с хорошим доходом, если вы профессионал.

Здесь нужно определиться с тем, чего вы хотите достичь. Аналитики не слишком общительные люди и существует не очень много сообществ аналитиков данных, но это не мешает им строить карьеру. Если вы хотите чем-то поделиться с миром, тогда, конечно, стоит всем этим заниматься. И когда вы становитесь открытым человеком, строите свой личный бренд, вам становится легче заводить знакомых, вас лучше знают и вам проще находить работу и какие-то возможности. Если есть такая цель, тогда вперед! Но если просто хотите найти работу, то резюме с результатами прошлой работы будет достаточно. Скажем так, это полезно, но не обязательно.

Стоит посмотреть, какие вещи требуют больше всего труда и в каких замешано большее количество людей, чтобы понять, можно ли их заменить на какие-то автоматические вещи, например, через ETL процессы. И затраты на автоматизацию должны быть покрыты за счет уменьшения ручного труда, чтобы эти люди были либо совсем высвобождены, либо занимались бы какими-то другими вещами. Берем процесс, смотрим насколько он трудозатратен, насколько он нервирует людей и сколько ошибок в нем делают, ранжируем по этим критериям все основные процессы, которые происходят в компании. Обычно, когда проделываешь такую работу, становится понятно, что можно сделать и что сделать важнее.

Здесь вопрос состоит в том, к чему больше тянет. В компаниях, где меньше порядка, человек получает больше менеджерского опыта. Ему необходимо собирать разных инженеров, чтобы понять, что стоит сделать, нужно быстро реагировать и много чего держать в уме. Это прикольный опыт, особенно если вы целитесь в менеджмент и вам интересна широта знаний. Но, в таких компаниях, как правило, не хватает времени на глубину знаний. Если вы хотите делать сложные задачи, применять какие-то интересные методы, то лучше идти в компанию с выстроенными процессами. Поэтому все зависит от того, в каком направлении вы хотите развиваться. И там, и там есть способ построить карьеру и уровень доходов сопоставим.

Не думаю, что есть какие-то особые правила. Если вы не имеете опыта, то в резюме у вас чистый лист. В таком случае, нужно поступать как junior: искать места, где вас приняли бы на работу, когда у вас мало опыта или его совсем нет. При этом, если вы, как QA, разбираетесь в вещах связанными со структурой базы данных, можете писать SQL запросы, то у вас уже есть определенная база при входе в аналитику. Тем, кто вас нанимает, будет сразу понятно на какие задачи вас можно бросить и не требовать от вас аналитических навыков, получая сразу пользу, постепенно добрасывая задачи, где вы бы развивали свои аналитические навыки.

Первое, что оценят в любом резюме — описание реальных задач, которые вы решали. Не грустную историю, в которой были какие-то непонятные процессы, которые постоянно валились на вас, а вы это дело беспробудно считали, непонятно зачем. Лучше всего упоминать конкретные достижения, придуманные метрики, решенные задачи, когда при помощи аналитики и вашего труда в бизнесе решились проблемы. Это, в первую очередь, говорит о том, что вам можно поручить задачу и вы сможете найти решение. Для работодателя самым важным является понимание того, что от вас будет прок как от аналитика.

Помимо этого, также будет плюсом, если вы укажете навыки, связанные с техническими вещами: SQL, BI-системы, ARL Python (зависит от компании, так как далеко не во всех компаниях это требуется).

Наверное, это хороший набор для начала карьеры. Но, чтобы быть аналитиком, этого явно недостаточно. Вам нужно будет добирать необходимые знания. Зная SQL и Python, вы можете уйти в специализацию data engineering, где вы будете больше заниматься подготовкой трансформации данных. Это тоже очень востребованная профессия, очень важная для аналитиков, так как аналитики не могут работать с неподготовленными данными. Здесь вам статистика и матанализ и не понадобятся. Возможно, что это будет даже более интересная область для вас. Но, если вам все же интересна предметная область по бизнесу, интересно залезть в статистику, тогда эти навыки нужно получать на работе, интересоваться этой темой и понимать, как вы можете применить эти методы в работе.

Мой личный опыт такой: меня позвали работать аналитиком, потому что я задавал слишком много вопросов внутри компании. Я работал в компании и донимал отдел аналитики разного рода вопросами по клиентской базе, по поводу того, что с ними происходит и как это работает, и однажды они сделали мне предложение, чтобы я у них поработал. Таким образом я и попал в аналитику. Довольно странно и случайно.

А если бы я целенаправленно искал работу в аналитике сейчас, то я бы поступил путем «в лоб». Нужно написать резюме и искать компании, которые принимают людей с небольшим опыта или стажеров, чтобы получить этот опыт. Есть определенное количество компаний, которые готовы вам чуть поменьше заплатить, зато вы сможете набраться опыта, который сможете использовать в своем дальнейшем резюме. Это основной способ старта. Если вы будете искать смежные вакансии, то это может стать слишком окольным путем. В итоге, вы поработаете в нескольких местах и все равно вам придется объяснять работодателю, каким образом все эти окольные пути имеют отношение к вакансии, на которую вы пытаетесь попасть. Скорее всего, вы не выиграете, потеряв время на смежную работу.

Быть ментором — это свойство характера. Человеку должно нравиться рассказывать что-то, делиться знаниями и в какой-то степени удовлетворять чувство собственного достоинства и собственной важности через обучение других. Это мотив для хорошего ментора, чтобы он был заинтересован в людях, с которыми он работает. Такое менторство дает способы самореализоваться. То, что твои знания живут в других людях, что ты развиваешь других людей, что ты можешь внести какое-то изменение в сообщество аналитиков, тем самым распространяя свои подходы и методы в этом сообществе. А еще, менторство — это один из этапов к менеджменту. Если человек хочет управлять другими людьми, то лидерство во многом состоит в том, чтобы развивать людей, с которыми ты работаешь. Это то, ради чего полезно быть ментором. Если человек хочет просто решать задачи и ему неинтересно учить других людей, его абсолютно не беспокоит, что его коллеги не умеют что-то делать, у него не появляется такого зуда, чтобы их этому научить, он считает, что есть его полянка, на которой ему нужно работать, то лучше использовать этого человека по прямому назначению, чтобы он работал на этой полянке и был эффективен, грузить его более сложными задачами. А в качестве ментора взять кого-то другого.

В Wrike работа построена так, что у нас есть продуктовые команды, в которых есть продуктовый менеджер и, обычно, к нему назначен продуктовый аналитик, который вместе с ним разбирается, что происходит с продуктом, и они вместе пытаются понять, какие нужны метрики, как их применить, как понять наличие успеха. Аналитик выясняет, какие нужны данные и как это все посчитать.

Наш инструментарий — это Tableau, ARL Python и SQL запросы. Мы собираем достаточно много данных о клиентском поведении, агрегируем данные по маркетингу, по финансам, и все это у нас находится в централизованном хранилище данных. Это наш основной инструментарий. Если вспоминать про наведение порядка, то у нас значительная часть базового порядка уже наведена и нам нужно глубже копать в самих продуктах, понимать, что в них происходит.

Мне кажется, что нельзя смешать эти три направления. Это как взять человека, который и фронтендер, и бэкендер, и знает 20 языков, одновременно пишет все требования и управляет проектами. Ничего хорошего из этого не выйдет, никакой специализации и глубины ни в одном из направлений не будет. Соответственно, лучше не смешивать эти направления.

Дата-аналитики используют методы из бизнес аналитики и дата сайенса, но специализируются немного на других вопросах. Как и дата сайентисты, им нужно понимать определенные методы из бизнес и дата аналитики, чтобы эффективно выполнять свою работу. Если компания не может нанять всех трех специалистов, вопрос такой: «Зачем она хочет нанимать тех или иных специалистов?». Эти специалисты решают определенный круг задач.

Бизнес аналитики формализируют то, что мы хотим сделать, чтобы разработчикам было понятно, что им нужно делать, чтобы требования были в нормальном виде, с которыми согласен бизнес-заказчик и которые понимают разработчики. Если компания специализируется на разработке софта, то им нужен либо отдельный человек на должности бизнес аналитика, либо это будет находиться в компетенции продакт-менеджера. Если компания хочет анализировать данные, которые у нее есть, принимать решения на основании этих данных, тогда им нужны аналитики данных. А если компания хочет заниматься машинным обучением, если у нее есть предметная область для этого, есть какие-то задачи, которые можно решить при помощи ML, тогда ей нужно нанимать дата сайентиста или брать их на аутсорс.

Когда вы дата сайентисту даете задачи дата аналитика, он начинает грустить, так как обнаружит, что машинным обучением он почти не занимается. И просто сумасшествие ко многим задачам аналитиков данных пытаться прикручивать машинное обучение. Соответственно, бизнес аналитик может попросту не уметь работать с данными, это не его направление. Поэтому такая практика не имеет смысла.