×

Не ищите единорога: как нанять хорошего Data-аналитика или как им стать

Меня зовут Оксана Носенко, я Senior Data Analyst в ZEO Alliance и лектор онлайн-школы robot_dreams. Занимаюсь аналитикой в разных IT-компаниях более 5 лет. Прошла путь от ручной обработки файлов в 10 млн записей в Excel до почти полной автоматизации и оптимизации ad hoc запросов с искоренением всех daily/monthly-задач.

Меня часто просят помочь в поиске хорошего аналитика или проконсультировать в рекрутинге. Компании все быстрее приходят к тому, что аналитика нужна, и хотят найти человека, который с нуля решит все их запросы, а в конце еще и нарисует красивый график.

В статье мы будем говорить и о том, как вести себя компании, если она ищет аналитика, и о том, что делать кандидату, чтобы развиваться в профессии. Я расскажу:

  • что сейчас ищут работодатели, публикуя вакансию Data-аналитика или BI-специалиста;
  • какие ошибки не стоит совершать при поиске кандидата;
  • что надо знать и на что обращать внимание в первую очередь, чтобы быть востребованным аналитиком.

Иллюстрация Алины Самолюк

Что ищут работодатели

С каждым годом спрос на Data-аналитиков в IT-сфере растет, а требования к ним меняются.

Источник: DOU

Еще 5–7 лет назад считалось, что Data-аналитик — это человек, который целый день сидит и заполняет таблички, копирует данные из одного файла в другой, протягивает формулы на пару строчек дальше, сохраняет и отсылает все это менеджерам.

Эти задачи повторялись изо дня в день. Всю свою креативность специалист мог выразить в написании огромной формулы в Excel, которая ускоряла работу. При этом нужно было ждать, пока все это просчитывается. Поэтому на 5–10 минут компьютер лучше было оставить в покое и пойти попить чай.

Сейчас же работодатель хочет, чтобы Data-аналитик сочетал в себе и аналитика, и администратора баз данных, и разработчика, и BI-инженера, и ETL-специалиста, а если повезет, еще и продакт-менеджера.

Набор скилов сместился в сторону хардовых: SQL, BI, Python, R, Java. Кроме этого, у аналитика должен быть опыт работы с разными продуктами, например, Google Analytics, Search Console, Amplitude, Mixpanel, Hotjar, Google Ads, DoubleClick.

Также важны:

  • глубокое понимание построений внутренних хранилищ данных (DWH);
  • опыт в А/B-тестировании и работе с продуктовыми гипотезами;
  • умение читать HTML- и CSS-код;
  • понимание маркетинговых воронок и рекламных кампаний.

Кроме того, плюсом будет опыт в Data Science — построении регрессий, кластеризаций, корреляций и прогнозов.

Казалось бы, это все, но... От аналитика ожидают еще хорошо прокачанных софт скилов. Он часто соединяет бизнес и разработку, поэтому должен быть стрессоустойчивым, бизнес-ориентированным, настойчивым и необидчивым. Ведь большую часть работы занимает общение с разработчиками, администраторами баз данных, инженерами. А они ожидают, что, если ты пришел к ним с задачей, уровень твоих знаний должен быть не ниже Middle Full Stack разработчика.

Не менее важно умение презентовать результаты, делать выводы на основе метрик, давать советы по улучшению бизнеса и проводить глубокие рисерчи, например, конкурентов или рынка.

Работодатели редко ищут начинающего аналитика. Чаще им нужен специалист с 2–3 годами опыта: в компаниях нет тех, кто будет обучать аналитика. Это он должен научить команду, как принимать решения, основанные на данных.

Неудивительно, что сейчас компании столкнулись с нехваткой специалистов, соответствующим всем этим требованиям. Многие стартапы и небольшие компании хотят найти одного человека, который будет вести маркетинговую, продуктовую и web-аналитику, разрабатывать хранилище данных, писать ETL-процессы и внедрять BI-системы. На поиск такого кандидата, готового работать без команды, уходит 5–9 месяцев.

Что делать, чтобы найти специалиста

Не ищите единорога. Люди, обладающие всеми этими навыками, сейчас уже задействованы на интересных проектах, руководят командами или стоят очень дорого.

Попытайтесь выделить ключевые характеристики для кандидата. Определитесь, что бы вы хотели внедрить или наладить в первую очередь, и отталкивайтесь от этого. Помните, что найти человека, который работал со всеми вашими инструментами, может быть сложно. Ориентируйтесь на навыки. Если у человека есть опыт в MySQL, но нет в Google BigQuery, это не страшно. Адаптация минимальна, а выбор кандидатов больше.

Не бойтесь потратить время на общение с большим количеством кандидатов. Помните, что вам нужен активный представитель бизнеса. Аналитик в личном общении покажет, готов ли он быть частью продукта, сражаться за него и развивать, или предпочитает роль исполнителя.

Я часто сталкивалась с тем, что работодатель нанимал сотрудника по hard skills и тестовым, а потом оказывалось, что специалист может только выполнять поставленные задачи. Лучше простить кандидату нехватку технических навыков, но сконцентрироваться на его пытливости, инициативности и открытости. Навыки работы с Tag Manager и Google Analytics можно подтянуть за месяц, а мотивацию найти сложнее.

Сотрудник может написать запрос для решения задачи машинально. Но на то, чтобы проверить результат, ему не хватит мотивации. Я сталкивалась с ситуациями, доходящими до смешного. Например, аналитики говорят о текущих продажах, а в результатах указан 2049 год. Или специалисты сообщают, что за день компания заработала $300 млн.

Во избежание такого я в своих командах при решении важных вопросов практикую cross-check — коллеги проверяют задачи друг друга. Со стороны бывает проще заметить ошибку.

Как составить тестовое задание

Задание не нужно основывать на узких местах вашей аналитики — новому человеку тяжело понять, что вы в тестовом датасете в 100001 строке спрятали китайскую кодировку, которая в итоге портит весь анализ.

Давайте общие задания, нацеленные на проверку логики (спрашивайте мнение, просите дать совет или сделать выводы) и хард скилов. В моей практике был случай, когда одна из компаний жаловалась, что кандидаты плохо выполняют тестовое. Оказалось, что работодатели ошиблись в описании базы данных, и даже самый гениальный аналитик не мог решить задание так, как требовалось.

Смотрите не на файл с тестовым, а на человека в целом. Однажды компания прислала мне тестовое задание, состоящее из 20 задач, на выполнение которых надо было потратить не меньше 15 часов. При этом тестовое не соответствовало описанию вакансии — набор требующихся инструментов был разным. Я сказала, что готова потратить на тестовое не более 3 часов и было бы хорошо, чтобы оно совпадало с описанием вакансии. Рекрутер ответил, что менеджер готов оставить мне любое из 20 заданий со свободным выбором инструмента.

Поэтому работодателям я советую не вкладывать в тестовое все задачи из бэклога, а соискателям — не тратить на это неделю отпуска. Ищите компромиссы.

Не забывайте спрашивать кандидата о его планах. В моей практике был случай, когда кандидат идеально подходил на одну из ролей и ему уже собирались выслать офер. Но на вопрос о планах специалист ответил: «Через полгода я бы хотел уйти в продуктовые менеджеры. Слышал, что у вас в компании можно перейти с одной позиции на другую».

Важно знать, что человеку интересно, в каком направлении он хочет развиваться и совпадают ли эти планы с вашими. Нет ничего плохого в том, чтобы дать кандидату перейти в продакт-менеджеры. Но если вы уже потратили полгода на его поиски, а потом потратите еще три месяца на обучение, и в следующем квартале он попросится в продакты, то решите, готовы ли вы начать поиск сначала.

Далее я расскажу, что делать тем, кто хочет построить карьеру Data Analyst’а: какие инструменты освоить, какую документацию вести и как общаться с бизнесом.

С чего начать, если решили стать аналитиком данных

Не пугайтесь перечня скилов выше. Начать стоит с выбора направления (web, product, marketing). Когда меня спрашивают, что выучить, чтобы стать аналитиком, я задаю встречный вопрос — каким именно аналитиком? Для каждого из направлений список инструментов разный.

Вам точно стоит изучить SQL и одну из популярных BI-систем (например, Tableau). Это поможет пройти собеседование и выполнить тестовое на Junior-позицию. Подробнее о SQL для аналитиков, в частности о работе с Tableau, расскажу на своем курсе в онлайн-школе robot_dreams.

Как расти в профессии

Следите за развитием продукта: аналитика должна быть своевременной, она сильно зависит от любых изменений. Вы не должны поднимать крик на весь офис, когда видите, что какой-то из каналов дистрибуции умер. Вы должны быть в курсе, что его намеренно отключили и включили альтернативный.

Также я прошу аналитиков узнавать не только техническое задание от менеджера, но и бизнес-цель задачи. Часто задачу решить проще, если понятна ее цель.

Вот 5 правил, которым я советую следовать:

1. Будьте в курсе всех новостей о продукте/маркетинге/сайте (в зависимости от вашего направления), а также следите за всеми апдейтами компании. Участвуйте во всех встречах, проходящих в формате all hands, не пропускайте митинги, на которые вас приглашают, а при необходимости — сами организовывайте такие встречи. Если в вашей компании есть дайджест новостей, просматривайте его, если нет — попросите добавить вас в тематические каналы, где команды или департаменты обмениваются новостями. Старайтесь следить за roadmap продукта или за задачами в спринтах девелопмента.

2. Ведите документацию. Я не раз сталкивалась с тем, что никто в компании не знает точно, где хранится информация, какие данные собираются, а какие — нет. Ведите описание баз данных, если этого не сделали разработчики, документируйте отчеты и сохраняйте самые главные запросы и анализы. Я рекомендую делать это в корпоративной Wiki (например, Confluence). Так любой желающий сможет узнать, как была получена та или иная витрина данных и как подсчитали каждый из KPI.

3. Участвуйте в развитии аналитической инфраструктуры. Не ждите, что вам сделают идеальную песочницу с доступом ко всем источникам данных, в которой вы сможете проводить анализы и собирать аналитику. Добивайтесь этого. Ставьте задачи по сбору недостающих данных, написанию ETL-процессов, построению DWH- или аналитических реплик, пытайтесь получить доступ ко всем необходимым данным. Чем больше информации структурировано, тем проще и качественнее вы сможете работать. В новом проекте я всегда начинаю с анализа существующей инфраструктуры. Качественную аналитику нельзя построить на двух таблицах и трех Excel-файлах. Вы не должны гадать.

4. Будьте бизнес-ориентированы. Не выполняйте задачу ради задачи, делайте ее, чтобы помочь продукту. Активно взаимодействуйте с менеджерами. Если анализ сложный, потратьте полчаса, но объясните его заказчику. Неверно понятый анализ принесет гораздо больше вреда, чем не сделанный вообще. Интересуйтесь, чего со стороны данных не хватает вашим коллегам при принятии решений, старайтесь внедрять data-driven подход в команде или компании. Будьте здравым смыслом: когда все отмечают нереальный успех A/B-теста с ростом конверсии на 3000%, сообщите, что прошло полчаса и делать выводы на основании 1–3 покупок не стоит.

5. Делитесь аналитикой. Расскажите бизнесу о ваших находках, поделитесь догадками, вместе обсудите, что можно сделать на основании вашего рисерча. Если вы опубликовали новую витрину данных, это не значит, что все сразу начнут ею пользоваться. Покажите ее возможности, расскажите, где можно применить эту аналитику и какие инсайды вы уже нашли, глядя на этот срез.

На один из проектов я подключилась в самом начале внедрения аналитики, когда не было ничего, кроме продуктовой базы.

Вместе с командой разработки и администраторами баз данных мы:

  • создали отдельные реплики для аналитики, чтобы не грузить продуктовые серверы;
  • разобрались, что уже хранится в базе, какая информация актуальная, а какая не обновляется с 2000 года;
  • перенесли в реплику только нужную статистику продукта, которая синхронизируется в real time;
  • начали записывать недостающие логи или данные, которые раньше терялись;
  • создали несколько ETL-процессов, которые позволили наладить связь с 10 дополнительными источниками;
  • запустили BI-систему с доступами для всех сотрудников в проекте;
  • настроили daily/weekly-письма. Теперь все были в курсе основных метрик по проекту;
  • создали alerts для контроля синхронизации данных;
  • начали проводить регулярные (один раз в два месяца) аналитические митапы, чтобы команда видела результаты работы.

Через полгода мы получили аналитику, автоматизированную на 90%. Сейчас мы не тратим время BI-специалистов на подготовку ежемесячных отчетов и постоянные ad hoc задачи. Аналитика проекта направлена на поиск NSM (North Star Metric), построение пирамид метрик, улучшение воронок и активное развитие продукта. Доступная и гибкая аналитика позволяет делать выводы в короткие сроки.

Несмотря на сложность профессии, я считаю, что работать Data-аналитиком крайне интересно. Задачи всегда разнообразны, а вы — термометр продукта: говорите, где горячо, а где холодно. Многие менеджеры не представляют свою работу без постоянных созвонов с аналитической командой.

Если не уверены, нужен ли вам специалист по работе с данными, не сомневайтесь — нужен. Если у вас пытливый ум, вы хотите быть в курсе происходящего, любите оптимизировать процессы и искать логичные решения — подумайте о позиции Data-аналитика.

Подведем итоги

Тем, кто ищет Data-аналитика, стоит:

  • заранее определять ключевые компетенции идеального кандидата;
  • проверять с помощью тестового задания hard skills и логику;
  • обсуждать с кандидатом его планы;
  • выбирать тех, кто хочет развивать бизнес.

Тем, кто хочет развиваться на позиции Data-аналитика, нужно:

  1. До поиска работы:
    • выбрать направление (например, web или маркетинг);
    • освоить SQL и одну из BI-систем.
  2. После трудоустройства:
    • следить за развитием продукта и думать, как ему помочь;
    • вести документацию;
    • развивать аналитическую инфраструктуру;
    • рассказывать бизнесу о результатах аналитики.

Все про українське ІТ в телеграмі — підписуйтеся на канал DOU

👍ПодобаєтьсяСподобалось7
До обраногоВ обраному8
LinkedIn

Схожі статті




20 коментарів

Підписатись на коментаріВідписатись від коментарів Коментарі можуть залишати тільки користувачі з підтвердженими акаунтами.

Документация данных — это отдельная боль. Надеюсь, где-то есть компании, которые уделяют этому достаточно внимания, но в основном нет. Что очень странно. Я пришла к тому же выводу, что в статье, и документирую данные сама (с коллегами-аналитиками).

Спасибо за интересную статью. Мне кажется, пытливость и фокус на успехе бизнеса — это вообще самое главное качество дата-аналитика. Остальное можно выучить, а это, наверное, идет от самого человека. И в то же время, совсем не уверена, что компании при рекрутменте уделяют достаточно внимания этим характеристикам.

Oksana поздравляю с новым местом работы :)))
я сначала подумал что iDeals поставил в девеломент план статьи на ДОУ (на прошлой неделе была статья от VP of Engineering), а потом заметил что ты уже в другой компании :)))

Спасибо, Макс :) Да, эта статья уже с моего личного бэклога ;)

может тут есть дата-аналитик на 10 минут поболтать ? есть знакомая, пытается вайци, посмотрела кучу видео\статей и в большинстве ожидаемо вода в вопросе чем занимаются реальные люди на работе. Хочется подвердить подозрения перед тем как идти на рынок.

Пишут на питоне перегонку данных из разных источников в CSV а потом загоняют в Apache Spark. Применяется в основном для маркетинговых исследований. В общем все банально и злободневно на самом деле.

Вот как раз этим дата аналитики и не занимаются. Если говорить о задачах дата аналитиков, то это помощь в создании и мониторинге KPI, настройка и автоматизация алертов и периодических отчетов, дата майнинг и поиск инсайтов и тд.

Вы удобряете навозом ? — Нет мы удобряем органическим удобрением в базисе содержащим гумус крупного рогатого скота с высоким содержанием нитратов и фосфатов :)

Пусть напишет мне, постараюсь помочь :) linkedin — nosenko-oksana

а, реклама курсів, зрозуміло

Стаття занадто на перекладну схожа. Виглядає далеко від Українських реалій.

Развитие каждого с направлений зависит напрямую от специалистов, которые им занимаются. Я согласна, что во многих компаниях аналитика еще осталась на уровне excel и гугл таблиц. Но все примеры и советы с моего личного опыта, а значит некоторые компании уже активно внедряют data-driven подход и в Украине.

Excel и гугл таблицы в сочетании с python или другим языком программирования могут стать частью хорошей аналитической системы, особенно если нет возможности создать свой аналитический портал с 0

Зачем здесь data analysts?!

Вместе с командой разработки и администраторами баз данных мы:
создали отдельные реплики для аналитики, чтобы не грузить продуктовые серверы;
разобрались, что уже хранится в базе, какая информация актуальная, а какая не обновляется с 2000 года;
перенесли в реплику только нужную статистику продукта, которая синхронизируется в real time;
начали записывать недостающие логи или данные, которые раньше терялись;
создали несколько ETL-процессов, которые позволили наладить связь с 10 дополнительными источниками;
запустили BI-систему с доступами для всех сотрудников в проекте;
настроили daily/weekly-письма. Теперь все были в курсе основных метрик по проекту;
создали alerts для контроля синхронизации данных;
начали проводить регулярные (один раз в два месяца) аналитические митапы, чтобы команда видела результаты работы.

data analysts это недоученный BI/Data engineer
До дейта сциентиста недотягивает, инженером не стал. Графики рисовать и трещать на митингах — это да.
Ничего личного, вижу их «деятельность» ежедневно

Значит Вам не приходилось работать с хорошим data аналитиком) Ведь большую половину с цитируемых Вами процессов делал именно этот специалист.

Возможно,
те которых мы нанимаем не хорошие. Но они всегда были такими.
А возможно Вам не доводилось работать с хорошими специалистами в Data Field чтобы не смешивать в кучу то чего DataAnalysts не должен делать по определению

Хороший видос на тему терминоголии и разницы между всеми вот этими BI/Data Engineer/Scientist: www.youtube.com/watch?v=xC-c7E5PK0Y (с 6 минуты особенно интересно, но весь видос в целом неплохой)

Дата аналитик это совсем другое чем дата инженер, хотя зачастую дата аналитиков путают с data scientist. В 90% случае дата аналитик не занимается постройкой ETL процессов, интеграцией различных источников в 1 базу данных и тд, но в зависимости от размера компании может и таким заняться. А вот дата майнинг, проведение A/B тестов и экспериментов, поиск инсайтов и операционной деятельности это вот задачи для аналитиков. Классический data scientist больше занимается тем, что разрабатывает новые методы/модели/алгоритмы. Короче, не надо путать профессии.

Спасибо, просветил. А то за два десятка опыта и не знал , путал и пребывал в неведении.
Сарказм если что.
Вот если не писатель, то потрудись обьяснить
Где в указанном тексте, применительно К указанному тобой есть релевантная информация?

Вместе с командой разработки и администраторами баз данных мы:
создали отдельные реплики для аналитики, чтобы не грузить продуктовые серверы;
разобрались, что уже хранится в базе, какая информация актуальная, а какая не обновляется с 2000 года;
перенесли в реплику только нужную статистику продукта, которая синхронизируется в real time;
начали записывать недостающие логи или данные, которые раньше терялись;
создали несколько ETL-процессов, которые позволили наладить связь с 10 дополнительными источниками;
запустили BI-систему с доступами для всех сотрудников в проекте;
но в зависимости от размера компании может и таким заняться

Занимается-незанимается, аналитик-не аналитик.
Смысл такой статьи околонулеаой.

Как на счет статьи по спецам дата инжинирингу? Где взять, на что смотреть?

Підписатись на коментарі