Этот материал вместе с GoPractice написал Женя Козлов. Он восемь лет руководил аналитикой: три с половиной года строил функцию аналитики в «Яндекс.Маркете», затем 4,5 года — в «Яндекс.Такси». Повествование в материале ведется от лица автора.

Подписывайтесь на телеграм-канал Жени «Секрет лапшичного супа».

За 8 лет в аналитике я проинтервьюировал и нанял сотни людей — я хорошо представляю, как устроен рынок аналитиков.

Ключевое знание об аналитиках данных — этого рынка практически нет. В 2019 году я нанял в свою команду 34 аналитика, из которых 23 (68%) — это стажеры и джуниоры. Мы были бы рады нанимать более зрелых ребят, но их просто нет, поэтому приходится нанимать людей с потенциалом и растить.

Для сравнения, в команду дата-инженеров мы наняли 23% джунов (5 человек из 22) — здесь рынок есть. Эта дисциплина развита в банках, телекомах, ритейле — а значит, на рынке больше готовых специалистов.

Эта статья преследует две цели:

Первая — поделиться с рынком терминами, в которых мы в «Яндексе» думаем об уровнях аналитиков. Это позволит уменьшить энтропию на рынке, где сегодня за вакансией и резюме аналитика может скрываться произвольный набор ожиданий и навыков: от проектного менеджмента и системного анализа до автоматизации рутинных операций бизнеса. Приставки же младший, старший, ведущий вообще не несут никакой информации.

Вторая — дать понятный план для роста и развития в роли аналитика данных. В «Яндекс.Такси» мы вынуждены выстраивать конвейер для роста сотрудников, так как иначе мы просто не будем справляться. Сама формализация уровней аналитиков является следствием этого подхода. Но не все работают в больших компаниях, не у всех рядом есть сильный наставник или ментор. Эта статья призвана помочь таким людям взглянуть на свои точки роста и поработать над ними.

Обратите внимание: материал написан в ноябре 2020 года.

Что подразумевает роль аналитика данных

Аналитик данных — это человек, который помогает команде:

  • Принимать решения более объективно, основываясь на фактах и данных (в противовес мнению, интуиции и опыту);
  • Искать точки роста продукта и бизнеса.

Работа аналитика подразумевает работу с данными через использование SQL, Python и других языков программирования, создание дашбордов, автоматизацию процессов. Но это лишь инструменты для достижения двух целей, описанных выше. Если человек занимается только этим, то его не стоит относить к аналитикам. Возможно, он дата-инженер, разработчик автоматизаций, но это совсем другие роли с другими требованиями.

Аналитик концентрируется на изучении данных, структурировании сложных систем, осмыслении процессов, чтобы приносить пользу бизнесу. Продукт аналитика — это ответы на заданные и незаданные вопросы, создание мыслительных моделей и фреймворков, и выведенные из них рекомендации, которые приводят к росту показателей бизнеса.

Способ достижения этого в большинстве случаев — работа с данными, но не обязательно. Аналитика помогает принимать решения, приводит к действиям в продукте и бизнесе. В ряде случаев можно принять решение и без анализа данных: просто хорошо формализовать все возможные ситуации и вилки решений, а далее — откинуть большую часть вариантов, опираясь на то, что уже известно команде.

Чтобы глубже разобраться в том, как создаются, развиваются и масштабируются продукты, пройдите обучение в GoPractice.

→ Программа «Профессия: продакт-менеджер» поможет вам перейти в продакт-менеджмент из смежной роли или индустрии.

→ В «Симуляторе управления продуктом на основе данных» вы научитесь принимать решения с помощью данных и исследований при создании продукта.

→ В «Симуляторе управления ростом продукта» найдете пути управляемого роста и масштабирования продукта.

→ В «Симуляторе SQL для продуктовой аналитики» поймете, как применять SQL для решения продуктовых и маркетинговых задач.

→ В мини-симуляторе «Генеративный AI для продакт-менеджеров» вы научитесь применять генеративный AI для создания продуктов, решив практический бизнес-кейс.

→ В «Симуляторе управления ML/AI-проектами» научитесь применять технологии машинного обучения с пользой для бизнеса.

→ Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом. Вы определите свои сильные стороны и слепые зоны, получите план профессионального развития.

→ Еще больше ценных материалов и инсайтов — в телеграм-канале GoPractice.

Базовые навыки аналитика данных

Для того, чтобы эффективно справляться с описанными задачами, аналитику нужно:

  • Иметь отличную математическую базу. За аналитиком не хочется перепроверять выкладки и формулы;
  • Понимать базовую теорию вероятности и математическую статистику. Нужно уметь проверять гипотезы, понимать ошибки разного рода, зависимость и независимость испытаний и так далее;
  • Иметь математическую культуру. Если аналитик использует метод или алгоритм, он должен знать область его применимости;
  • Обладать критическим мышлением. Реже, чем другие люди, попадаться в ловушки когнитивных искажений;
  • Обладать продуктовым мышлением. Уметь оцифровывать пользовательский опыт в метриках, а также видеть за метриками пользователей, пытающихся решить определенную задачу;
  • Обладать бизнесовым мышлением. Уметь оцифровывать бизнес-процессы компании и изменения рынка, связывать это воедино с продуктом и пользователями;
  • Быть технарём. Аналитик не обязан программировать как разработчик (эффективно, отказоустойчиво и масштабируемо), но у него не должно быть технических блокеров для того, чтобы решать задачи бизнеса: изучить документацию, сходить в какую-то новую БД и вытащить нужные данные, написать парсер, воспользоваться каким-то API для автоматизации и так далее.

Важное свойство хорошего аналитика — объективность по отношению к самому себе. Аналитик должен контролировать собственное желание казаться лучше, чем он есть. Даже самые сильные аналитики ошибаются. Это нормально, без ошибок невозможно развитие. Очень важно уметь отслеживать свои ошибки и быстро доносить их до команды, особенно если это может изменить принятое ранее решение. Сокрытие ошибок — флаг профнепригодности аналитика.

В «Яндекс.Такси» аналитики закреплены за какими-то командами, но мы не придаём большого значения предметной области: маркетинг, продукт или операционка — требования к уровню мышления, описанные выше, позволяют переключаться с одного на другое (разумеется, требуется время на погружение).

Саммари уровней аналитиков: от стажера до суперзвезд и супербоссов

Используйте таблицу с осторожностью! В «Яндексе» понимание грейдов приходит в результате калибровок в процессе перформанс-ревью. Это процесс, когда тимлиды аналитиков отстаивают оценки своих подопечных, опираясь на их результаты за полгода. По опыту, нужно пройти как минимум пару ревью, чтобы понять требования настолько, чтобы уметь их транслировать. Это часть культуры, она впитывается не мгновенно.