Учебные проекты для портфолио — это плохо (и вот почему)

Почти каждый курс по аналитике продаётся через один и тот же аргумент:
«В конце у вас будут проекты для портфолио».

Звучит логично. Но есть нюанс.

Christine Jiang — бывший директор по данным, нанимающий менеджер и автор программы Analytics Accelerator — считает, что учебные проекты не стоит включать в портфолио. И я решила разобрать её аргументацию, потому что она показалась мне логичной.

По мнению Кристин, портфолио — это не про инструменты.
Это не «смотрите, я знаю SQL, Python и Power BI».
Это ответ на вопрос: готов ли человек к реальной работе аналитика.

Поэтому она делит проекты на два типа:

1. Learning projects (учебные)
2. Showing projects (демонстрационные)

Почему учебные проекты — слабое место

Учебные проекты, по мнению Кристин, почти всегда:
🟠 заточены на отработку инструментов, а не на решение бизнес-задач
🟠 используют либо слишком «стерильные», либо слишком учебные датасеты
🟠 не имеют чёткого вопроса и структуры
🟠 фокусируются на том, чем ты пользовался, а не зачем

В глазах нанимающего такой проект читается как:
человек всё ещё учится и пока не готов к продакшену.

Жёстко? Да.
Правда? Тоже да.

Что тогда считается хорошим проектом

Showing projects — это попытка имитировать реальную работу аналитика.

Они показывают:
🟠 доменную экспертизу
🟠 структурное мышление
🟠 умение говорить с бизнесом, а не только с данными

Идеальный источник данных — реальный мир:
стажировки, волонтёрство, рабочие задачи.
Но Кристин честно признаёт, что это сложно, и даже записала отдельное видео о том, где брать данные, если у тебя нет коммерческого опыта.

READY-фреймворк для проектов в портфолио

Чтобы проект выглядел как «боевой», Кристин предлагает использовать фреймворк READY:

R — Representative data
Данные должны быть похожи на рабочие:
грязные, большие, с бизнес-метриками.
Не Kaggle на 3k строк, а условные GoogleAnalytics-данные на 100k+ записей.

E — Exec-driven questions
Не «посмотрим, что есть в данных»,
а конкретные бизнес-вопросы.
Например: как перераспределить маркетинговый бюджет по регионам?

A — Analytical frameworks
Чёткая структура анализа:
очистка → EDA → инсайты → визуализация,
а не набор разрозненных запросов.

D — Data best practices
Чистый SQL, комментарии, читаемость, понимание,
зачем ты используешь CTE, а не «потому что можешь».

Y — Your insights & impact
Не просто «продажи выросли на 12%», а:
за счёт каких сегментов
что с этим делать
какое решение ты рекомендуешь бизнесу

Свою логику Кристин подробно показывает в серии видео Portfolio Playbook, где шаг за шагом проходит весь путь анализа.

В следующем посте серии #аналитик_слушает_советы разберём, как она рекомендует оформлять README проекта, чтобы он соответствовал её представлениям о прекрасном.

💬 А теперь вопрос к вам:
как вы относитесь к учебным проектам из курсов?
Это чисто «тренировка» или их всё-таки можно дотянуть до демонстрационных?

#аналитик_слушает_советы