Навигация по каналу здесь.
Приветики, меня зовут Петр, и я продуктовый аналитик. В этой сфере я работаю уже 10 лет. Работал в доменах ecom, adult, гемблинг и беттинг 💅
Тут поговорим про особенности этих рынков, про аналитические приколдесы типа разметки событий и продуктовых исследованиях, затронем машин-лёрнинг и тему экспериментов.
Для новичков в сфере может быть интересно про офисную и удалённую рабочую жизнь — все эти канбаны и скрамы и кто должен менять воду в кулере, если вы называете себя бирюзовой компанией.
Разбавим это всё дело лайфстайлом, всратыми мемасами и полезными фреймворками для популярных задач.
Enjoy!
Навигация:
📌 — пост
📦 — подборка постов или материалов
🔗 — ссылка на мою внешнюю статью
ОБЩЕЕ ДЛЯ НОВИЧКОВ В IT
📌 Взаимодействия внутри команды
📌 Созвоны, какие они бывают
📌 Испытательный срок
ПРО ПРОДУКТОВУЮ АНАЛИТИКУ
📌 Специализации аналитиков
📌 Откуда удобно заходить в ПА
📌 Типы продуктовых задач
📌 Необходимые навыки ПА
📌 Грейды в аналитике
📌 Отличие джунов от сеньоров
🔗 План по самообразованию в продуктовой аналитике
📌 Перспективы развития из ПА
📌 Нейросети заменят аналитиков?
📌 Идеи и гипотезы
📌 Data Driven vs Data Informed
📌 Нужно ли шарить в ML
📌 Аналитическая система с единорогами и пони
📌 BI в аналитике
КАРЬЕРА
🔗 Шаблон резюме
📌 BigTech или стартап?
📌 За деньги — да? Этичность сфер
📌 Беттинг, гэмблинг, порно, ч1 и часть 2
📌 Аналитические кейсы на собесах, часть 1 и часть 2
📌 Что делать со “срочными” задачами?
📌 Сомнительные рабочие практики
📌 Аналитический департамента. Кто?
КУЛСТОРИ
📌 Как я "вкатился"
📦 Мои любимые книги
📦 Книги не про аналитику (но это не точно)
📌 Про Макса, менеджера из аналитики
📌 Про худший онбординг
📌 Про лучший онбординг
📌 Про странный опыт АБ-тестов
ИНСТРУМЕНТЫ И МЕТОДЫ АНАЛИЗА
📌 Что значит “знать SQL”?
🔗 Памятка для начинающих изучать SQL
📌 Про SQL в обучении и в жизни
📌 Python или R?
📌 R или Python, подробнее
📦 Разбираемся с АБ тестами
📌 Как запускают тесты
🔗 Руководство по проведению продуктовых исследований
🔗 Разметка событий
📌 Популярные инструменты, БД
📌 Про DataLore и DataSpell
📌 Обнаружение аномалий
📌 Алгоритм цепей Маркова
📌 Когортный анализ
📌 Задача предсказания UX
🔗 Базовый анализ продуктовых фичей
📌 График плотности для оценки распределения
📌 UX-артефакты в продуктовой аналитике
📌 Перестановочный тест
📌 Алгоритм решения аналитических задач
ТЕОРИЯ
📌 Про Adoption Rate
📌 Retention Rate
📌 Несмещённая дисперсия, степени свободы и почему же n-1
📌 Корреляция и причинно-следственная связь
📌 Про группировки пользователей
🔗 Популярные виды распределений
Теги:
#инструменты
#сниппеты
#funfact
#ABtest
#собесы
#дайджест
#кулстори
Приветики, меня зовут Петр, и я продуктовый аналитик. В этой сфере я работаю уже 10 лет. Работал в доменах ecom, adult, гемблинг и беттинг 💅
Тут поговорим про особенности этих рынков, про аналитические приколдесы типа разметки событий и продуктовых исследованиях, затронем машин-лёрнинг и тему экспериментов.
Для новичков в сфере может быть интересно про офисную и удалённую рабочую жизнь — все эти канбаны и скрамы и кто должен менять воду в кулере, если вы называете себя бирюзовой компанией.
Разбавим это всё дело лайфстайлом, всратыми мемасами и полезными фреймворками для популярных задач.
Enjoy!
Навигация:
📌 — пост
📦 — подборка постов или материалов
🔗 — ссылка на мою внешнюю статью
ОБЩЕЕ ДЛЯ НОВИЧКОВ В IT
📌 Взаимодействия внутри команды
📌 Созвоны, какие они бывают
📌 Испытательный срок
ПРО ПРОДУКТОВУЮ АНАЛИТИКУ
📌 Специализации аналитиков
📌 Откуда удобно заходить в ПА
📌 Типы продуктовых задач
📌 Необходимые навыки ПА
📌 Грейды в аналитике
📌 Отличие джунов от сеньоров
🔗 План по самообразованию в продуктовой аналитике
📌 Перспективы развития из ПА
📌 Нейросети заменят аналитиков?
📌 Идеи и гипотезы
📌 Data Driven vs Data Informed
📌 Нужно ли шарить в ML
📌 Аналитическая система с единорогами и пони
📌 BI в аналитике
КАРЬЕРА
🔗 Шаблон резюме
📌 BigTech или стартап?
📌 За деньги — да? Этичность сфер
📌 Беттинг, гэмблинг, порно, ч1 и часть 2
📌 Аналитические кейсы на собесах, часть 1 и часть 2
📌 Что делать со “срочными” задачами?
📌 Сомнительные рабочие практики
📌 Аналитический департамента. Кто?
КУЛСТОРИ
📌 Как я "вкатился"
📦 Мои любимые книги
📦 Книги не про аналитику (но это не точно)
📌 Про Макса, менеджера из аналитики
📌 Про худший онбординг
📌 Про лучший онбординг
📌 Про странный опыт АБ-тестов
ИНСТРУМЕНТЫ И МЕТОДЫ АНАЛИЗА
📌 Что значит “знать SQL”?
🔗 Памятка для начинающих изучать SQL
📌 Про SQL в обучении и в жизни
📌 Python или R?
📌 R или Python, подробнее
📦 Разбираемся с АБ тестами
📌 Как запускают тесты
🔗 Руководство по проведению продуктовых исследований
🔗 Разметка событий
📌 Популярные инструменты, БД
📌 Про DataLore и DataSpell
📌 Обнаружение аномалий
📌 Алгоритм цепей Маркова
📌 Когортный анализ
📌 Задача предсказания UX
🔗 Базовый анализ продуктовых фичей
📌 График плотности для оценки распределения
📌 UX-артефакты в продуктовой аналитике
📌 Перестановочный тест
📌 Алгоритм решения аналитических задач
ТЕОРИЯ
📌 Про Adoption Rate
📌 Retention Rate
📌 Несмещённая дисперсия, степени свободы и почему же n-1
📌 Корреляция и причинно-следственная связь
📌 Про группировки пользователей
🔗 Популярные виды распределений
Теги:
#инструменты
#сниппеты
#funfact
#ABtest
#собесы
#дайджест
#кулстори
🔥12❤4👍4
А гоу сразу для всех прибывших определимся. Кто победит?
Anonymous Poll
77%
Python
7%
R
16%
Excell111
📌 Отличие джунов от сеньоров
В номинации "Первый пост" в моём личном рейтинге выиграла эта тема.
Если закинуть голосовалку, подозреваю, что многие ответят “хард-скиллы”. Но тут я не соглашусь. Аналитик это не фронт, у которого каждую неделю выкатывается новый фреймворк. За последние лет 100 принципы анализа данных не то чтобы супер сильно шагнули вперёд. Основных хардовых вещей в профессии тоже не много — достань данные, обработай и проанализируй. Языков в распоряжении аж целых полтора: Python или R и SQL (да, я его в полу-язык записал). Да и то, часто используется меньшая часть возможностей языков. Базовая математика? Да, конечно, но это скорее порог входа, всем нужна в равной степени.
На мой взгляд, ключевым отличием является подход к выполнению задач. Я часто встречаю ребят, которые при получении таски идут её делать. Но мы-то знаем кто эти таски ставил. Продакты, которых, я, конечно, люблю, но они не всегда умеют донести суть задачи.
Вот это вот докапывание до сути и есть ключевое отличие опытных аналитиков от не. Зачем вообще мы это делаем? Что мы хотим получить? Как мы будем это использовать? Целесообразна ли затрата ресурсов аналитики ради прогнозируемого профита?
Да, звучит как база, но я за свою карьеру встречал всего 2 человека с таким основательным подходом.
Не надо бояться ставить эстимейты в 5 раз выше того, что разыграл покер, закладывайте время на докапывание до сути, и вы удивитесь, насколько сильно изменится начальная таска.
В номинации "Первый пост" в моём личном рейтинге выиграла эта тема.
Если закинуть голосовалку, подозреваю, что многие ответят “хард-скиллы”. Но тут я не соглашусь. Аналитик это не фронт, у которого каждую неделю выкатывается новый фреймворк. За последние лет 100 принципы анализа данных не то чтобы супер сильно шагнули вперёд. Основных хардовых вещей в профессии тоже не много — достань данные, обработай и проанализируй. Языков в распоряжении аж целых полтора: Python или R и SQL (да, я его в полу-язык записал). Да и то, часто используется меньшая часть возможностей языков. Базовая математика? Да, конечно, но это скорее порог входа, всем нужна в равной степени.
На мой взгляд, ключевым отличием является подход к выполнению задач. Я часто встречаю ребят, которые при получении таски идут её делать. Но мы-то знаем кто эти таски ставил. Продакты, которых, я, конечно, люблю, но они не всегда умеют донести суть задачи.
Вот это вот докапывание до сути и есть ключевое отличие опытных аналитиков от не. Зачем вообще мы это делаем? Что мы хотим получить? Как мы будем это использовать? Целесообразна ли затрата ресурсов аналитики ради прогнозируемого профита?
Да, звучит как база, но я за свою карьеру встречал всего 2 человека с таким основательным подходом.
Не надо бояться ставить эстимейты в 5 раз выше того, что разыграл покер, закладывайте время на докапывание до сути, и вы удивитесь, насколько сильно изменится начальная таска.
👍17❤6
📌 Специализации аналитиков
У новичков в теме может возникнуть вопрос — а чем вообще занимается продуктовый аналитик? Когда-нибудь я распишу подробно наиболее частые типы задач продуктовой аналитики, а сейчас просто попробуем сравнить его с другими популярными направлениями.
▶️ Итак, продуктовый аналитик — чел, который работает внутри продукта в составе команды разработки или развития. В основном, в тесной связке с продактом и дизайнером, занимается улучшением приложения или сайта. Исследует, как себя чувствует продукт и его юзеры, проводит эксперименты, работает с метриками и тд.
▶️ Маркетинговый аналитик — в моей практике бизнес часто называет его веб-аналитиком, что, в целом, не критично, они похожи — занимается в основном анализом трафика на ранних этапах, плюс-минус до этапа реги, т.е. всё то, что происходит в твоей аппке перед тем как попасть в ведение продуктового аналитика. Срачи между маркетингом и продуктом по поводу плохого конверта — обязательная часть успешного стартапа.
▶️ Дата-аналитик — классический офисный чел, которого ты представляешь при слове аналитик. Таблички какие-то перебирает, какие-то когорты строит, выгрузки делает, иногда пилит дашборды. Как по мне так это такой универсальный юнит без специализации.
▶️ BI-аналитики — узкоспециализированные ребята, занимаются разработкой и поддержкой вашей BI-инфраструктуры, собирают витрины данных, строят дашборды и настраивают репорты. Я лично очень люблю когда в команде есть BI-йщики, иначе их задачи валятся на меня, а мне BI не так интересен.
▶️ Дата сайентисты — больше математики, чем классические аналитики. Занимаются разработкой моделей Deep- и Machine Learning'а для автоматизации, прогнозирования, классификаций и тд. Очень полезны бизнесу на поздних этапах развития аналитического направления. Хотя если у вас бизнес строится на какой нибудь персонализации, то это первый необходимый юнит.
▶️ Есть ещё всякие бизнес- и финансовые-аналитики (типичные представители менеджмента или команды рисков), системные аналитики (это вообще ребята из разработки, к классическому анализу отношение имеют крайне посредственное), ux-аналитики (с упором в качественные исследования) и много более специализированных.
Тут я расписал плюс-минус популярные позиции, которые я встречал.
Надеюсь, теперь стало немножко понятнее из чего состоит весь этот аналитический зоопарк.
У новичков в теме может возникнуть вопрос — а чем вообще занимается продуктовый аналитик? Когда-нибудь я распишу подробно наиболее частые типы задач продуктовой аналитики, а сейчас просто попробуем сравнить его с другими популярными направлениями.
▶️ Итак, продуктовый аналитик — чел, который работает внутри продукта в составе команды разработки или развития. В основном, в тесной связке с продактом и дизайнером, занимается улучшением приложения или сайта. Исследует, как себя чувствует продукт и его юзеры, проводит эксперименты, работает с метриками и тд.
▶️ Маркетинговый аналитик — в моей практике бизнес часто называет его веб-аналитиком, что, в целом, не критично, они похожи — занимается в основном анализом трафика на ранних этапах, плюс-минус до этапа реги, т.е. всё то, что происходит в твоей аппке перед тем как попасть в ведение продуктового аналитика. Срачи между маркетингом и продуктом по поводу плохого конверта — обязательная часть успешного стартапа.
▶️ Дата-аналитик — классический офисный чел, которого ты представляешь при слове аналитик. Таблички какие-то перебирает, какие-то когорты строит, выгрузки делает, иногда пилит дашборды. Как по мне так это такой универсальный юнит без специализации.
▶️ BI-аналитики — узкоспециализированные ребята, занимаются разработкой и поддержкой вашей BI-инфраструктуры, собирают витрины данных, строят дашборды и настраивают репорты. Я лично очень люблю когда в команде есть BI-йщики, иначе их задачи валятся на меня, а мне BI не так интересен.
▶️ Дата сайентисты — больше математики, чем классические аналитики. Занимаются разработкой моделей Deep- и Machine Learning'а для автоматизации, прогнозирования, классификаций и тд. Очень полезны бизнесу на поздних этапах развития аналитического направления. Хотя если у вас бизнес строится на какой нибудь персонализации, то это первый необходимый юнит.
▶️ Есть ещё всякие бизнес- и финансовые-аналитики (типичные представители менеджмента или команды рисков), системные аналитики (это вообще ребята из разработки, к классическому анализу отношение имеют крайне посредственное), ux-аналитики (с упором в качественные исследования) и много более специализированных.
Тут я расписал плюс-минус популярные позиции, которые я встречал.
Надеюсь, теперь стало немножко понятнее из чего состоит весь этот аналитический зоопарк.
👍25❤1
📌 Типы продуктовых задач
Давай разовьём тему задач. Что конкретно делает продуктовый аналитик?
Основные цели твоей работы мы уже уловили:
▶️ Понимать пульс продукта и реагировать на его изменения;
▶️ Улучшать, то что работает плохо;
▶️ Зарабатывать компании больше золота;
В контексте этих целей у тебя есть несколько базовых типов задач, каждую из которых можно решать несколькими методами.
Позже детально разберём каждый тип, но в общем виде это выглядит следующим образом:
1️⃣ Продуктовые исследования (в народе рисёрчи). Наверное, самая частая задача. Обычно нужно разобраться что происходит с какой-то фичей, нужна ли она, можем ли как-то её улучшить. Или, например, как юзеры себя повели в какой-то период времени — когда мы увеличили закупку, или в какую-то знаковую дату для продукта. Рисёрчи это основной источник гипотез на тестирование.
2️⃣ Актуализация разметки. Разметка — твой главный друг и товарищ. То, как собираются данные, какие есть события и какие у них свойства, во многом определяют сколько боли будет в твоей работе. В теории задача не частая, в основном нужно допиливать разметку под новые фичи. На практике — у всех разметка кривая, нужно всё корректировать под себя. Но по важности — одна из топовых задач. Осложняет дело ещё и тот факт, что кроме тебя это никому не нужно.
3️⃣ АБ-тесты. Самая спорная история со времен изобретения экспериментов. Я не встречал 2 компании с одинаковыми процессами в тестах. В основном расхождения на этапе расчётов. В 80% компаний, где я работал, мне приходилось выкидывать все наработки компании и писать новую документацию. Но как по мне, эксперименты — самая интересная часть работы. Про АБ мы будем говорить ещё много.
4️⃣ Юнит-экономика. Чтобы что-то улучшать, надо понимать зачем. Любой эксперимент или рисёрч всегда проводится в контексте метрик, на которые мы опираемся. Разбираться в метриках и проектировать их систему под твой продукт — задача твоя и продакта.
5️⃣ BI. Последние года 3 я почти не занимался задачами BI, чему я очень рад. Одно дело строить небольшие дашборды в Redash или SS, подкрепляющие твои рисёрчи, совсем другое писать на каком-нибудь DAX’е архитектуру для Power BI. Многие недооценивают уровень происходящей там жести, а я очень уважаю хороших BI-щиков, они крутые. Но часто это входит в пулл продуктовых задач.
6️⃣ Ad-hoc. К эд-хокам относится прочая мелочевка для поддержки команды, выгрузки, срезы, статистика чего-нибудь.
Давай разовьём тему задач. Что конкретно делает продуктовый аналитик?
Основные цели твоей работы мы уже уловили:
▶️ Понимать пульс продукта и реагировать на его изменения;
▶️ Улучшать, то что работает плохо;
▶️ Зарабатывать компании больше золота;
В контексте этих целей у тебя есть несколько базовых типов задач, каждую из которых можно решать несколькими методами.
Позже детально разберём каждый тип, но в общем виде это выглядит следующим образом:
1️⃣ Продуктовые исследования (в народе рисёрчи). Наверное, самая частая задача. Обычно нужно разобраться что происходит с какой-то фичей, нужна ли она, можем ли как-то её улучшить. Или, например, как юзеры себя повели в какой-то период времени — когда мы увеличили закупку, или в какую-то знаковую дату для продукта. Рисёрчи это основной источник гипотез на тестирование.
2️⃣ Актуализация разметки. Разметка — твой главный друг и товарищ. То, как собираются данные, какие есть события и какие у них свойства, во многом определяют сколько боли будет в твоей работе. В теории задача не частая, в основном нужно допиливать разметку под новые фичи. На практике — у всех разметка кривая, нужно всё корректировать под себя. Но по важности — одна из топовых задач. Осложняет дело ещё и тот факт, что кроме тебя это никому не нужно.
3️⃣ АБ-тесты. Самая спорная история со времен изобретения экспериментов. Я не встречал 2 компании с одинаковыми процессами в тестах. В основном расхождения на этапе расчётов. В 80% компаний, где я работал, мне приходилось выкидывать все наработки компании и писать новую документацию. Но как по мне, эксперименты — самая интересная часть работы. Про АБ мы будем говорить ещё много.
4️⃣ Юнит-экономика. Чтобы что-то улучшать, надо понимать зачем. Любой эксперимент или рисёрч всегда проводится в контексте метрик, на которые мы опираемся. Разбираться в метриках и проектировать их систему под твой продукт — задача твоя и продакта.
5️⃣ BI. Последние года 3 я почти не занимался задачами BI, чему я очень рад. Одно дело строить небольшие дашборды в Redash или SS, подкрепляющие твои рисёрчи, совсем другое писать на каком-нибудь DAX’е архитектуру для Power BI. Многие недооценивают уровень происходящей там жести, а я очень уважаю хороших BI-щиков, они крутые. Но часто это входит в пулл продуктовых задач.
6️⃣ Ad-hoc. К эд-хокам относится прочая мелочевка для поддержки команды, выгрузки, срезы, статистика чего-нибудь.
👍13❤3
📌 Нужно ли шарить в ML
Спойлер — рекомендуется.
ML (Machine Learning) исторически считается прерогативой дата-сатанистов. И в целом, оно так и есть. Но ML ML’ю рознь.
В контексте продуктовых исследований часто недостаточно собрать просто статистику (эта стадия, кстати, называется EDA — exploratory data analysis, разведка). Чтобы понимать закономерности и зависимости, иногда приходится нырять в алгоритмы.
Да, не весь спектр ML тебе понадобится, но есть прям очень полезные штуки, которые хорошо бы уметь, а именно классификация, кластеризация и предикты.
▶️ Классификация — очень мощная штука, нужна для сортировки всего и вся: раскидать юзеров по сегментам, определить товары в группы, присвоить сегменты странам. Да что только не придумаешь.
▶️ Кластеризация похожа по своей сути, но работает от обратного, вычислить какие популярные сегменты (кластеры) вырисовываются в твоих данных.
▶️ Предиктивные модели часто помогают держать руку на пульсе. Но с ними тоже не всё так однозначно, часто прогнозы могут сильно косячить, поэтому не увлекайся.
О разных алгоритмах ML в контексте задач мы тоже как-нибудь поговорим.
p.s. Картинку не какую хотели, а какую заслужили, предоставил мой кореш DALL-E
Спойлер — рекомендуется.
ML (Machine Learning) исторически считается прерогативой дата-сатанистов. И в целом, оно так и есть. Но ML ML’ю рознь.
В контексте продуктовых исследований часто недостаточно собрать просто статистику (эта стадия, кстати, называется EDA — exploratory data analysis, разведка). Чтобы понимать закономерности и зависимости, иногда приходится нырять в алгоритмы.
Да, не весь спектр ML тебе понадобится, но есть прям очень полезные штуки, которые хорошо бы уметь, а именно классификация, кластеризация и предикты.
▶️ Классификация — очень мощная штука, нужна для сортировки всего и вся: раскидать юзеров по сегментам, определить товары в группы, присвоить сегменты странам. Да что только не придумаешь.
▶️ Кластеризация похожа по своей сути, но работает от обратного, вычислить какие популярные сегменты (кластеры) вырисовываются в твоих данных.
▶️ Предиктивные модели часто помогают держать руку на пульсе. Но с ними тоже не всё так однозначно, часто прогнозы могут сильно косячить, поэтому не увлекайся.
О разных алгоритмах ML в контексте задач мы тоже как-нибудь поговорим.
p.s. Картинку не какую хотели, а какую заслужили, предоставил мой кореш DALL-E
👍12
📌 Необходимые навыки
Какие знания и навыки необходимы продуктовому аналитику в большей степени?
Когда я только учился профессии, у меня голова взрывалась от объёмов поглощаемых знаний. Чего там только нет, и всё надо уметь.
Стартер пак, must have для любого специалиста:
▶️ Статистика. Без понимания статистики никуда. Меры тенденции, распределения, критерии, ЦПТ, p-value — всё это ежедневно фигурирует в работе.
▶️ SQL. Основа основ, без знания языка будет очень сложно получить данные для анализа, построить отчёт, работать с ad-hoc задачами. В работе используется даже чаще статистики, сложно вспомнить хотя бы один день, когда я не лез в базу.
▶️ Python/R. Скриптовый язык нужен как минимум для собесов. На практике я встречал аналитиков, которые не владели языком, но умудрялись решать задачи с помощью таблиц. Но хорошим аналитиком без скриптового языка стать нельзя. Он нужен для очистки и обработка данных, построения моделей и расчётов экспериментов. Любой анализ, сложнее EDA быстрее и проще реализовать через скриптовый язык.
▶️ Аналитическое мышление. Навык, который хорошо развивается с опытом. Понимание причинно-следственных связей, умение отследить и понимать логику происходящего.
И штуки чуть менее базовые, но не менее важные:
▶️ Юнит-экономика. Нужно разбираться в метриках, все аналитические артефакты на них завязаны. Существует целый список базовых метрик, которые исторически сформировались (типа CR, Retention, Aquisition, ARPU, LTV и тд.), но от продукта к продукту никто не запрещает придумывать свои. Когда я начинал, я был уверен что это высечено в граните и пытался их зазубрить 😅
▶️ Визуализация. Важно знать основной набор графиков и понимать какой из них лучше показывает то, что ты хочешь показать. Полезно уметь строить правильные графики, что это значит обсудим когда будем подробно рассматривать BI.
▶️ АБ-тесты. 90% работы над тестом базируются на статистике, но свои нюансы, конечно, там есть.
▶️ Data mining. Умение получать идеи изничего потока сырых данных. Реализуется через SQL + Python/R.
Какие знания и навыки необходимы продуктовому аналитику в большей степени?
Когда я только учился профессии, у меня голова взрывалась от объёмов поглощаемых знаний. Чего там только нет, и всё надо уметь.
Стартер пак, must have для любого специалиста:
▶️ Статистика. Без понимания статистики никуда. Меры тенденции, распределения, критерии, ЦПТ, p-value — всё это ежедневно фигурирует в работе.
▶️ SQL. Основа основ, без знания языка будет очень сложно получить данные для анализа, построить отчёт, работать с ad-hoc задачами. В работе используется даже чаще статистики, сложно вспомнить хотя бы один день, когда я не лез в базу.
▶️ Python/R. Скриптовый язык нужен как минимум для собесов. На практике я встречал аналитиков, которые не владели языком, но умудрялись решать задачи с помощью таблиц. Но хорошим аналитиком без скриптового языка стать нельзя. Он нужен для очистки и обработка данных, построения моделей и расчётов экспериментов. Любой анализ, сложнее EDA быстрее и проще реализовать через скриптовый язык.
▶️ Аналитическое мышление. Навык, который хорошо развивается с опытом. Понимание причинно-следственных связей, умение отследить и понимать логику происходящего.
И штуки чуть менее базовые, но не менее важные:
▶️ Юнит-экономика. Нужно разбираться в метриках, все аналитические артефакты на них завязаны. Существует целый список базовых метрик, которые исторически сформировались (типа CR, Retention, Aquisition, ARPU, LTV и тд.), но от продукта к продукту никто не запрещает придумывать свои. Когда я начинал, я был уверен что это высечено в граните и пытался их зазубрить 😅
▶️ Визуализация. Важно знать основной набор графиков и понимать какой из них лучше показывает то, что ты хочешь показать. Полезно уметь строить правильные графики, что это значит обсудим когда будем подробно рассматривать BI.
▶️ АБ-тесты. 90% работы над тестом базируются на статистике, но свои нюансы, конечно, там есть.
▶️ Data mining. Умение получать идеи из
👍12
This media is not supported in your browser
VIEW IN TELEGRAM
Я уже пару раз упомянул EDA (exploratory data analysis), обзорный анализ данных на твоей выгрузке. И если ты используешь в работе язык R, поделюсь инструментом, который я часто использую для EDA.
Постараюсь не забывать помечать такие рекомендации тегом #инструменты
Постараюсь не забывать помечать такие рекомендации тегом #инструменты
👍3