Що потрібно знати для першої роботи аналітиком. Мій досвід джуніора в продуктовій компанії

💡 Усі статті, обговорення, новини про продукти — в одному місці. Приєднуйтесь до Product спільноти!

Усім привіт! Мене звати Роман Панасюк. Майже рік я працюю дата-аналітиком сервісу онлайн-знайомств у IT-компанії Quarks. Це моя перша робота — нещодавно я здобув ступінь бакалавра за спеціальністю «Прикладна математика» в Київському національному університеті імені Тараса Шевченка. Ще під час навчання я зрозумів, що хотів би розвиватися у сфері, де зможу максимально ефективно застосувати свою математичну базу. Я переглянув декілька десятків вакансій та зрозумів, що така сфера — це аналітика.

У статті хочу поділитися власним, досить свіжим, поглядом на роботу фахівця рівня джуніор у продуктовій ІТ-команді. Розповім про те, чому аналітикам постійно потрібно приймати рішення (навіть якщо ти джун), які навички потрібні, та на які перспективи можна розраховувати далі. Стаття буде цікава тим, хто розглядає аналітику як майбутню професію, та фахівцям, які уже розпочали свій шлях у цій галузі, але не в продуктовій команді. Сподіваюся, що мій досвід буде корисним для інших пошукачів із математичним бекграундом, і вони побачать ще один шлях для застосування своїх знань в ІТ.

Чим займається продуктовий аналітик

Мені сподобалося визначення, яке я побачив в одній із лекцій тижня аналітики в Genesis. Це фахівець, що розкладає великий масив даних на складники, щоби знайти відповіді на питання, які хвилюють бізнес. Відповідно до визначення, можна сформулювати головне завдання фахівця — знайти відповіді на питання в межах його домену. Ось приклади таких питань:

• «Скільки ми заробили за останній тиждень?»
• «Чому користувачі стали менш активними?»
• «Як нова фіча вплинула на користувачів нашого продукту?»
• «Як покращити застосунок?»

У продуктовому департаменті компанії є декілька команд, які відповідають за різні напрями: платформи у вебі, застосунки на iOS та Android тощо. Моя команда займається внутрішніми механіками, які користувач не бачить, але відчуває на собі під час користування продуктом і у вебі, і в застосунку. Наприклад, ми займаємося системою, яка «вирішує», які люди показуються користувачу, активностями, які підштовхують юзерів до початку діалогу, розділом, де можна шукати користувачів за заданими параметрами.

Щоб знайти відповіді на поставлені запитання, я генерую ідеї для A/B-тестів, оцінюю результати та приймаю рішення, чи впроваджувати зміни в продукті. Іноді вирішити просто: ключові метрики покращилися, користувачі стали активнішими, а прибуток зріс. Але буває так, що тест дає неоднозначний результат, і тоді потрібно зважувати всі «за» і «проти», продумувати наслідки тих чи інших змін. Наприклад, тест загалом вдалий, але ви розумієте, що в перспективі зміна буде дуже навантажувати технічну архітектуру.

Якщо підсумувати, то аналітик впливає на те, як буде працювати частина продукту, за яку відповідає його команда. Саме можливість бути безпосередньо дотичним до створення продукту й мати вплив на те, яким він вийде у підсумку, найбільше привабила мене в професії.

Які хард-скіли потрібні для початку

В аналітику не вийде увійти лише з університетськими знаннями. Ринок праці досить вимогливий, тому багато чого я вивчав самостійно — шукав освітні матеріали та підтягував ту чи іншу навичку. З мого досвіду, для першої роботи у сфері IT вам знадобиться декілька пунктів.

Математична база. Особливо статистика, аналіз даних та основи лінійної алгебри. Ці дисципліни слугують інструментами в процесі аналізу та суттєво допомагають приймати рішення. Особливу увагу варто звернути на такі розділи:

• Теорія ймовірностей, а саме поняття стохастичного експерименту, поняття вірогідності, основні функції розподілу.
• Основні поняття статистики: кількісні та якісні змінні, генеральна сукупність та вибірка, основні описові статистики (медіана, середнє, дисперсія та інші), поняття статистичного експерименту, статистичної значущості та статистичної потужності.
• Основні поняття лінійної алгебри: матриці та операції з ними.

Все це, а також бази даних, аналіз даних та інші фундаментальні математичні дисципліни я опанував в університеті. Тоді у мене сформувалося чітке відчуття того, що після вивчення настільки абстрактних дисциплін, мені вдасться розібратися будь з чим у майбутньому.

Водночас я не можу сказати, що математична база — це обов’язково. Набагато важливіше вміти приймати рішення та аналітично мислити.

SQL. Ця мова запитів — основний інструмент для «спілкування» з базою даних. З її допомогою аналітик «дістає» потрібну інформацію, на основі якої він буде робити висновки для продуктової команди. Джуну достатньо розібратися, як з допомогою SQL створюються та модифікуються таблиці (DDL) або їхній вміст (DML), а також як здійснювати базові запити, щоб витягнути необхідні для аналізу дані (DQL). Крім цього, варто розібратися у відмінностях між різними типами баз даних.

Візуалізація. Щоби бачити, як різні метрики «поводяться» в динаміці, інтерпретувати та сприймати зміни, аналітики користуються інструментами Tableau та Power BI. Вони схожі в можливостях візуалізації. Однак Power BI є частиною інфраструктури від Microsoft, тому його зручно використовувати разом з іншими продуктами цієї компанії.

Натомість Tableau підтримується усіма платформами, тому фахівці, що працюють на iOS, на Windows і на Linux, можуть вільно обмінюватися файлами одне з одним.

За час навчання корисно потестувати обидва інструменти, а далі варто обрати один та глибше попрацювати саме з ним. Крім того, варто розібратися, які види візуалізацій будуть доречними в тих чи інших випадках.

Лінійний графік добре підходить для зображення змін в динаміці

Коробковий графік (box plot) підходить для зображення співвідношень різних величин

Графік із замальованою площею використовують для метрик в динаміці, коли треба розглянути певний розріз (наприклад, тип активності)

Для такої візуалізації можна використати й box plot

Коробковий графік з «вусиками» — це більш інформативна візуалізація. Краї «коробки» відповідають нижньому та верхньому квартилю, лінія посередині — медіані, а «вуса» зверху та знизу простягаються на довжину, що дорівнює 1,5 міжквартальних розмаха. Точки, які не входять в цей діапазон, позначаються окремо. Така візуалізація допомагає зрозуміти, як саме розподілена величина; її можна використовувати для порівнянь.

Мова програмування Python або R. Як правило, на посаді ви будете використовувати одну мову. Яку саме — роботодавці зазначають в описі вакансії. Тому вчити обидві необов’язково, але ознайомитися з базовими принципами кожної не завадить. Сьогодні більш поширеною та універсальною мовою є Python, тож для неї можна знайти набагато більше освітніх матеріалів та прикладних статей, ніж для R.

Розуміння базових метрик. Ось перелік тих, з якими варто ознайомитися, з яким продуктом ви б не працювали:

• ARPU (Average revenue per user) — середній дохід від одного користувача за фіксований часовий інтервал.
• ARPPU (Average revenue per paying user) — середній виторг на одного користувача, що придбав платну підписку.
• ROI (Return on Investment) — коефіцієнт рентабельності інвестицій.
• LTV (Lifetime Value) — прибуток, який приносить користувач за весь час роботи з ним.
• CPC (Cost per click) — ціна за клік на оголошення на сторонній платформі.
• CPM (Cost per mille) — ціна за тисячу показів на певному ресурсі.

Крім цього, потрібно розібратися у відмінностях між абсолютними та відносними метриками, а з часом — яка сукупність метрик повніше відповідає на певне питання. Залежно від специфіки конкретного продукту, аналітик може зіштовхуватися і з іншими метриками. Я найчастіше працюю з кількістю лайків та повідомлень на одного користувача.

Вміння проводити A/B-тести. Це основний інструмент перевірки гіпотез. Тому варто розібратися, як його проводити та які підходи будуть ефективно діяти саме для ваших бізнес-завдань.

Англійська мова. На старті вистачить рівня B1. Щоб розвиватися, потрібно читати профільні туторіали, статті, дивитися навчальні відео та слухати подкасти, а все це зазвичай англійською мовою. Усною англійською спеціалісти-джуни в продуктових компаніях послуговуються не так часто (якщо це не англомовна команда) — здебільшого вона потрібна менеджерам або сеньйорам, які більше спілкуються з партнерами.

Додатково. У вимогах до вакансій часто трапляється пункт «Володіння Excel». Зазвичай його використовують компанії так званої традиційної економіки — і для візуалізацій, і для демонстрації певної аналітики, і просто для зберігання певних даних. На моєму досвіді, у продуктовій команді Excel потрібен не дуже часто, але розуміння базових принципів роботи точно не завадить.

Також не зайве хоча б частково розібратися у Data Science — які моделі машинного навчання існують, у яких ситуаціях використовуються, яка математика за ними стоїть. Спробуйте вирішити декілька задач за допомогою машинного навчання. Навряд чи ви будете щодня користуватися цими знаннями, але добре мати їх в арсеналі як додатковий інструмент, який може знадобитися.

На які софт-скіли звертають увагу

Вміння спілкуватися з людьми й робота в команді. Продуктові аналітики регулярно взаємодіють з іншими командами — наприклад, з аналітиками інших проєктів, розробниками, retention-командою тощо. Їм часто доводиться пояснювати та узгоджувати свої ідеї та пропозиції, з’ясовувати, як працює та чи інша частина продукту, вирішувати суперечливі моменти. Якщо виникають останні — ми послуговуємося цілями на період і вирішуємо, що в пріоритеті.

Організованість та увага до дрібниць. Аналітик часто першим дізнається, що щось пішло не так (якщо це не стосується суто технічних деталей). Для цього він формує звичку регулярно продивлятися основні показники та зайвий раз запитувати себе: «Чому так?».

Чим більше працюєш, тим більше з’являється дрібних і не дуже завдань, про які треба пам’ятати лише тобі. Тому мій менеджер дав мені просту пораду — записуй все, важливе і не дуже. Для цього є безліч програм на кшталт Trello й Todoist. Особисто я користуюся звичайним застосунком-блокнотом: в одній нотатці прописую список задач, в інших — сирі ідеї та гіпотези. Так нічого не губиться і не забувається.

Тайм-менеджмент. Ще одним аспектом є тайм-менеджмент, адже навіть джуніор-аналітик стикається з легкими, на перший погляд, завданнями, які забирають багато часу. Якщо такі задачі накопичуються, це призводить до додаткових проблем. Тому я планую завдання у Google Calendar та виділяю окремі часові слоти під конкретні, а особливо під регулярні, завдання. Так не забуваю про подію і трекаю час для кожної задачі.

Здатність ухвалювати рішення. У деяких ситуаціях немає однозначно правильного шляху, але навіть тоді потрібно брати на себе відповідальність — і за рішення, і за його наслідки. На перший погляд здається, що це дуже важко — морально та емоційно, але на позитивний результат працює вся команда, а помилки — це нормально, якщо швидко їх знаходити та виправляти.

Можливості росту

Є три вектори для розвитку аналітика в продуктовій компанії:

Класичний шлях «джуніор-мідл-сеньйор»

У міру збільшення досвіду фахівець стає більш автономним, бере на себе більше відповідальності та глибше розуміє продукт. Хороший аналітик рівня сеньйор може повністю організувати весь аналітичний процес. Грубо кажучи, він здатний витягнути з бази будь-яку інформацію, візуалізувати її за допомогою Tableau чи PowerBI та аргументувати запропоновані зміни.

Розвиток до менеджера команди

За бажання, досвідчений аналітик може рухатися в бік менеджменту: налагоджувати бізнес-процеси, впливати на ефективність команди, наймати та менторити інших фахівців тощо. Навіть якщо така перспектива здається дуже віддаленою, покращити необхідні навички вийде навіть без команди. Наприклад, оптимізувати час на завдання у власній зоні відповідальності.

Зміна сфери

Тут можна або просто перейти в іншу сферу й залишитися аналітиком, або повністю змінити свій профіль. Для цього не обов’язково заново проходити весь шлях від «нуля до одиниці». Люди з аналітичним бекграундом порівняно легко перекваліфіковуються в дата-інженерів, застосовують мови програмування в розробці та придумують ідеї для покращення на посадах продакт-менеджерів.

Загалом, у продуктовій компанії навички аналітика знадобляться у багатьох доменах: маркетинг, сапорт, розробка тощо. Адже завдяки роботі ти розумієш більшість процесів у командах, відстежуєш взаємозв’язки та знаєш, як саме можеш впливати на продукт.