Аналитик [в процессе] | Мария Кудимова

Свет мой, зеркальце, скажи...

О том, чтобы сделать резюме аналитика данных, я задумалась ещё в прошлом году. К задаче я подошла, как мне теперь кажется, довольно топорно. Мы с ChatGPT просто сели и слегка переписали существующее резюме под мои представления о том, как должно выглядеть резюме аналитика данных.

По всем канонам я попыталась добавить измеримые результаты по каждой должности и приправить их аналитическими инструментами, которые уже успела освоить.

То резюме я отправила в мир целых четыре раза: трижды — напрямую рекрутёрам, которые выходили на меня через ТГ-канал [вот это было время], и один раз — по рефералке. Вы не поверите, но каждый раз происходило примерно ничего. То есть после получения моего резюме со мной просто не продолжали общение.

В тот момент я была сосредоточена на учёбе и даже не пыталась разбирать причины провала. Но сейчас я подхожу к вопросу уже серьёзно, так что приходится включать голову 🤭

Я решила спросить у того же самого ChatGPT, что вообще представляет собой моё резюме сейчас. Вот его честный [как он сам утверждает] ответ:

«Я бы позиционировал ваше резюме не как резюме “начинающего аналитика вообще”, а как резюме сильного доменного аналитика с глубокой экспертизой в закупках, ассортименте, товарных запасах, коммерции и продуктовой аналитике в офлайне/ритейле.

Это подтверждается 13+ годами опыта, управлением ассортиментной матрицей, анализом продаж, маржинальности, складских остатков, запуском новых продуктов, закупочной аналитикой, ABC/XYZ-анализом, а также навыками Excel, SQL, Metabase и Redash».

Теперь мне понятно, почему по рефералке дали ответ «сильно разносторонний опыт» — и это был совсем не комплимент 😅

С нынешним резюме я могу идти в ассортиментные / категорийные аналитики [если такие вообще существуют] или в аналитики закупок. То есть буквально вернуться в те роли, от которых сбежала.

Но чтобы перейти в BI-аналитику или аналитику данных, нужно сместить акцент с доменного коммерческого аналитика на аналитические задачи как самостоятельную функцию.

Один actionable advice [практический совет] был таким: переименовать фокус summary-блока. Не «аналитик с опытом в закупках», а «аналитик данных с сильной бизнес-экспертизой в коммерции, ассортименте и закупках».

В общем, я думала, что сделать резюме с ИИшкой — это что-то из серии «тяп-ляп и готово». Но, похоже, я ошиблась...

💬 Как думаете, фраза «сильно разносторонний опыт» — это вежливое HR-ское «а вы сами определились, куда хотите попасть»?

#аналитик_готовится_к_собесам

Как перестать бояться кейсов с метриками

Вот и настало моё время выйти на тропу войны за место под аналитическим солнцем!

Я читаю многих ребят из сферы аналитики, и практически каждый пишет, что вкатиться сейчас сложнее, чем когда-то. Раньше от джуна требовали только написать код на SQL максимум с одним JOIN’ом. А сейчас гоняют по кейсам с метриками!

И если хороших тренажёров по SQL достаточно, то с метриками дело обстоит гораздо хуже. Ты можешь выучить метрики, но что ответишь интервьюеру на вопрос: «упала метрика, твои действия»?

Илья, лид аналитики в «Додо Пицце» и экс-Яндекс, автор канала «Кусочек пиццы | Аналитика данных», который я читаю с самого основания, подробно разобрал этот классический кейс про упавшую метрику.

Добавьте к этому полезный пост про самостоятельное определение метрики — и часть страхов на собесе как рукой снимет!

А для тех, кто подумывает податься в аналитику, я бы рекомендовала пост «Что и где учить…». Его прелесть в том, что это роадмап, написанный человеком в теме, а не придуманный ИИ на скорую руку.

Рекомендую почитать ещё и это:
— Почему хороших хардов недостаточно для роста в карьере?
— Как статистика доказывает, что важно не сдаваться
— Топ настольных книг по аналитике данных

Если хотите расширять насмотренность в профессии — подписывайтесь.
Полезности там больше, чем сыра на пицце.

💬 Какой вопрос на собесе по аналитике был для вас самым неприятным? Хочу заранее знать, к чему готовиться 🤭

Готовь сани летом, а резюме уже сейчас!

Я заметила, что вам не очень заходят посты про мои конспекты... Ну и правильно. Кому нравятся вечные заучки? Даже Гермиона едва не пострадала из-за того, что «слишком много знала»...

Но конспекты — это отличный способ прокрастинации: я вроде бы и делаю что-то, то есть не сижу сложа руки, но к цели это меня не приближает. Учиться аналитике интересно, но моя главная цель всё-таки — смена профессии.

Поэтому я решила, что пора вытащить голову из конспектов и начать готовиться к выходу в новую профессию: активно готовиться к собеседованиям, лайвкодингу и мудрёным вопросам по SQL.

Цикл поиска работы сейчас довольно длинный — около шести месяцев, если повезёт, поэтому сани будем готовить летом.

Главное, чтобы не случился переход от одних конспектов к другим 🤭

Первым делом займусь подготовкой резюме. А то, как вы помните, оно не обновлялось со времён динозавров.

А потом буду натаскивать себя на собеседования. Правда, я ещё не придумала как, но, надеюсь, времени хватит и подумать, и сделать.

Любые полезные ресурсы для подготовки к собеседованиям, которыми поделитесь в комментариях, приму с благодарностью.

💬 Расскажите, как там сейчас на воле на рынке труда?

#аналитик_готовится_к_собесам

Со всеми нами случается жизнь, и с этим ничего нельзя поделать.

Я часто слышала фразу: «Хочешь насмешить Бога — расскажи ему о своих планах». Мой контент-план для телеграма как раз строится вокруг моих грандиозных планов по изучению огромного количества информации, которая мне, скорее всего, никогда не пригодится, и проектов, в которых я пытаюсь применить то, что изучаю.

И все эти планы довольно жёстко привязаны ко времени, которое ребёнок проводит в ясельной группе садика.

Но всё эти планы идут по одному хорошо известному месту, когда ты заболеваешь и целую неделю пытаешься не сдохнуть с температурой.

А потом, как только начинаешь поправляться и тебе уже кажется, что жизнь налаживается, заболевает ребёнок. И тоже с температурой. И вот ты ещё на две недели вылетаешь из привычной жизни и существуешь в режиме «дожить бы до вечера».

Раньше я бы от такого просто бесилась. Любое изменение плана выбивало меня из колеи и заставляло дрожать от злости. Я бы, как человек с выдающимися навыками в жанре «сама себе организовала катастрофу», пыталась усидеть сразу на двух стульях: и ребёнка на ноги поднять, и все запланированные проекты сделать.

И знаете, к чему приводят такие нагрузки? Правильно. К очередной болезни.

Не буду делать вид, что я преисполнилась и познала дзен, но в этот раз решила поступить как взрослый и относительно ответственный человек: немного задвинуть свои проекты, чтобы максимум внимания уделить ребёнку... и сну!

И знаете, мне понравилось это отсутствие FOMO [синдром упущенных возможностей] и постоянного давления в духе «надо саморазвиваться, иначе ты зря существуешь».

Правда, с другой стороны, в какой-то момент начинаешь думать: «А зачем тебе вообще всё это надо?» Тут главное вовремя затормозить, чтобы не свалиться в яму полной прокрастинации и не обустроиться там с пледом.

Во всей этой ситуации есть и хорошая сторона: в один из свободных вечеров я посмотрела нового хищника [«Хищник: Планета смерти»]. Кажется, у меня появился новый фильм из категории guilty pleasure [тайная слабость].

💬 А вы смотрели нового «Хищника»? Сейчас мы хищнику сочувствуем, а помните, как ненавидели его, когда он пытался съесть Арнольда? О времена, о нравы!

#аналитик_тоже_человек

Что я поняла за первые три месяца изучения BI-аналитики

Первые три месяца моего погружения в BI-аналитику показали, что я вообще не представляла, как подступиться к этой теме. Когда я только задумалась о BI, я смотрела программы курсов и просила ChatGPT составить мне учебный план. В итоге получился очень большой, но нежизнеспособный проект.

И вроде бы хочется сказать, что это был epic fail [сокрушительный провал], но нет. Благодаря тому, что я постоянно пересматривала план, пытаясь хоть как-то продвинуться в изучении темы, и параллельно делала проекты с визуализацией, я поняла: отталкиваться нужно от своих реальных потребностей.

И первой такой потребностью оказалось разобраться в том, как собирать и формализовывать требования к отчётности.

Неделю назад я начала разрабатывать свой первый проект по EdTech на базе данных IT Resume [база предоставляется на курсе Simulative], и одним из артефактов проекта должен стать дашборд.

Но чтобы не повторить ошибку, которую я уже однажды совершила, когда не разобралась, что такое executive dashboard [дашборд для руководителя], я решила сначала понять, как к разработке дашборда подходят профессионалы... и снова пошла к ChatGPT за советом.

Принято считать, что типичная постановка задачи на разработку дашборда выглядит так: «Сделайте красивый дашборд по продажам» или «Покажите активность пользователей». Может, это враки, но задачи на разработку отчётов в закупках я получала примерно в такой же форме.

Чтобы говорить с заказчиком на одном языке и не переделывать свою работу пять раз, нужно всего лишь… подготовить BI-requirements document [документ с бизнес-требованиями].

Минимальная рабочая структура такого документа включает:

— общую информацию;
— цель;
— бизнес-контекст;
— сценарии использования;
— состав метрик;
— разрезы и фильтры;
— период и гранулярность;
— частоту обновления;
— источники данных;
— макет и логику отображения;
— доступы;
— критерии приёмки;
— ограничения и допущения;
— открытые вопросы.

«Нужен красивый и удобный дашборд с выручкой, заказами, конверсией и ещё основными метриками» — это не requirements document. Это заготовка для будущего конфликта.

В общем, практика полезная. Надо брать!

Более подробная информация с примерами доступна на GitHub.

💬 А вы фиксируете требования письменно или полагаетесь на джентельменские договорённости?

#аналитик_и_визуализация
#аналитик_изучает_bi

Утром деньги — вечером стулья...

В edtech деньги могут приходить по-разному, в зависимости от модели монетизации. Но ранний приход денег не означает, что сама компания будет прибыльной, потому что cash [наличка] приходит раньше, чем становится ясно, учится ли человек и продлевает ли он подписку. Поэтому в edtech нельзя смотреть на метрики монетизации без метрик использования и удержания.

Есть несколько основных способов, которыми edtech зарабатывает себе на хлеб с маслом.

1. Разовая продажа курса
Пользователь один раз платит за конкретный курс, программу или пакет уроков и получает доступ к этому продукту.

В основном этот тип монетизации встречается в онлайн-школах. Одним из рисков выступает «одноразовость»: пользователь купил курс один раз и больше не возвращается, поэтому бизнесу приходится постоянно искать новых клиентов. Вот так и создается хайп вокруг профессий, чтобы было кому продавать курсы 🤭

2. Подписка
Пользователь регулярно платит за доступ к продукту: ежемесячно, ежеквартально или ежегодно. Пока подписка активна, доступ сохраняется.

Одним из недостатков такой модели является binge-and-churn [пройти курс залпом и слиться]. Я именно так прошла одну программу по Supply Chain Management на Coursera от Rutgers University, чтобы сэкономить. В программе было заявлено пять курсов, рассчитанных на шесть месяцев. Я завязалась в узел, но прошла все за месяц и отменила подписку.

3. Рассрочка
Пользователь покупает дорогую программу, но оплачивает ее частями: по фиксированному графику, через внутреннюю рассрочку или через финансового партнера.

Я пользовалась подобным способом при оплате некоторых программ на Stepik через различные сервисы, например, Долями. Мне кажется, что нет edtech-компаний, которые используют только рассрочку, но почти каждая компания может применять ее к своим продуктам.

4. B2B-лицензия
Компания продает доступ не отдельному ученику, а организации: бизнесу, университету, школе, государственному заказчику. Обычно это продажа лицензий, мест или доступа на определенный срок.

Насколько я поняла по материалам сайта, Eduson раньше использовал именно эту модель. У них заявлено очень много корпоративных клиентов. Но потом компания вышла на более широкий рынок и стала предлагать обучение непосредственно учащимся.

5. Marketplace fee
Платформа сводит между собой преподавателей или авторов контента и учащихся, а сама зарабатывает на комиссии с транзакции, подписки или иной формы сделки.

Ярким примером этой модели является всеми любимый нами Stepik.

6. Freemium
Пользователь получает базовую версию продукта бесплатно, а платит за расширенные функции, отсутствие рекламы, лучший пользовательский опыт или доступ к премиальным возможностям.

Ну, тут бесспорно первым на ум приходит Duolingo. Как же забыть ту самую сову, которая постоянно угрожает то тебе, то твоим родственникам?! А помните, еще приложение Lingualeo было [или есть]?

Основным риском здесь выступают слишком напористая реклама и постоянные призывы купить. Это очень заметно во freemium-играх, где тебе показывают рекламу каждые пять секунд. Это больше бесит, чем способствует продаже.

7. Upsell
Продажа пользователю более дорогого или более ценного уровня продукта после того, как он уже вошел в экосистему.

Недавно у одной из онлайн-школ был розыгрыш «крути колесо — испытай удачу». Обожаю такой интерактив. И мне выпала средняя скидка — 45%.

Менеджер школы предложила upsell [допродажу] к курсу, который я уже прохожу, и деньги, вроде бы, получались небольшие. Но я знала, что скидка могла быть больше, а следовательно, заплатить я могла еще меньше. Поэтому upsell не случился.

💬 А вы «играете» в Duolingo? Делитесь своей streak [серией] в комментариях.

#аналитик_собирает_пазл
#edtech

ИИ меня мне всех заменит!

Продолжаем говорить о моей самой любимой теме: проектах для портфолио.

С ребятами из Maven Analytics и их песочницей проектов я вас уже знакомила. А недавно они презентовали надстройку к ChatGPT, которая поможет сделать проект для портфолио или проверить ваше портфолио на соответствие лучшим практикам.

Перед началом работы надстройку “Portfolio Power_Up by Maven Analytics” надо найти в GPT. В видео они показали, как это сделать.

На выбор предлагают четыре способа работы с ней:
— только начинаю, проектов нет;
— помоги выбрать следующий проект;
— сделай ревью одного проекта;
— сделай ревью всего моего портфолио.

Изначально варианты написаны на английском языке, но после того, как вы выберете подходящий вам вариант, достаточно написать в чат, что хотите перейти на русский язык, и никаких проблем.

Первым делом вам будет предложено ответить на несколько вопросов о роли, индустрии, инструментах, своих интересах и времени, которым вы располагаете, чтобы подобрать подходящий проект.

Так как я сейчас занимаюсь изучением EdTech-домена, то и проект попросила подобрать мне с этим упором. Мне было предложено пять проектов с описанием:

— бизнес-кейса;
— почему этот проект мне подходит;
— что я буду анализировать;
— что этот проект покажет / докажет;
— какие секции дашборда я могу сделать [потому что я прямо указала, что визуализация в этом проекте обязательно должна быть].

Далее он сам выбрал из предложенных проектов три наиболее подходящих и предложил более подробное описание того, что я смогу сделать в рамках проекта.

А потом просто порекомендовал мне лучший, по его мнению, проект, который наиболее полно соответствует заявленным мною ограничениям. И буквально расписал по часам, что я должна сделать. Я вот только думаю, что с моей любовью к деталям я вместо 10 часов потрачу на проект все 20!

Он даже был настолько добр, что предложил структуру названия проекта. З — забота!

А потом я попросила его найти мне датасет, наиболее подходящий для предложенного проекта, и построить concrete plan [конкретный план] воплощения проекта в жизнь.

Теперь, имея на руках готовый датасет OULAD и план проекта, мне остаётся только взять себя в руки и не уйти в дебри анализа!

Как обычно, всю подноготную проекта я веду на страничке GitHub и надеюсь, что к концу месяца проект будет готов для оценки через тот же самый инструмент Maven.

Мне кажется, что это идеальный инструмент для новичков и первых проектов. Буквально за руку проведут!

💬 ИИ где-то облегчает нам путь в айти, а где-то уже забирает нашу работу.Что думаете?

#аналитик_слушает_советы

Трейлер сезона: осваиваем EdTech

Моя любовь к курсам просто обязана была привести меня к изучению домена EdTech [Education Technology]. Несмотря на то, что прямого опыта работы в этой сфере у меня нет, зато есть огромный опыт прохождения различных курсов на разных платформах. Приступим!

EdTech — это пересечение образования и технологий: компании создают цифровые продукты, которые обучают или помогают обучаться.

Основное отличие EdTech-индустрии от E-com состоит в том, что продукт и результат разделены во времени. Пользователь купил курс сегодня, а ценность получит через 3–6 месяцев или не получит вовсе.

От SaaS [Software as a Service] EdTech отличается тем, что цель пользователя не в том, чтобы «пользоваться софтом», а в том, чтобы изменить своё состояние: выучить язык, сдать экзамен, получить профессию или просто получить сертификат, чтобы закрыть compliance-требование.

У этой сферы есть несколько ключевых особенностей:

Высокий churn [отток пользователей] и низкий completion rate [из тех, кто начал, сколько завершили]. Средний completion rate для индустрии составляет 5–15%. Главная задача аналитика — понять, какой сегмент доходит до конца и почему.

Мотивация — главная переменная. Пользователь может бросить продукт не потому, что он плохой, а потому, что у него упала мотивация. Это делает поведенческие данные особенно ценными.

Жёсткая сезонность. Январь и сентябрь — пики, лето — провал. Сравнивать метрики без учёта сезонности — обрекать себя на неправильные выводы.

Образовательный результат vs бизнес-результат. Это уникальный для EdTech конфликт. Платформа может быть финансово успешной, продавая курсы, которые никто не проходит до конца.

Аналитик всегда должен держать в голове эти четыре слоя:
— коммерческий слой: лиды, продажи, оплаты, возвраты, подписки;
— продуктовый слой: онбординг, навигация, уроки, домашки, уведомления, привычка;
— образовательный слой: прогресс, завершение, качество контента, успеваемость, преподаватели;
— операционный слой: расписание, группа, куратор, поддержка, CRM [Customer Relationship Management], нагрузка преподавателей, SLA [Service Level Agreement] по ответам.

Типичные точки роста:
— повысить регулярность;
— убрать сложные или демотивирующие куски контента;
— улучшить feedback loop [механизм обратной связи] от преподавателя/автопроверки.

Типичные проблемы:
— высокий разрыв между оплатой и фактическим обучением;
— «мёртвые» покупки на мотивации;
— длинный цикл получения результата.

Игроки на рынке EdTech:
— Россия: Яндекс Практикум, Skyeng/Skysmart/Skypro, Фоксфорд, Учи.ру, Simulative, Stepik, GetCourse и др.
— Мир: Coursera, Udemy Business, edX, Duolingo, Canvas, Blackboard, Khan Academy и др.

Более подробную информацию можно посмотреть на GitHub.

💬 Согласны ли вы с мыслью, что в EdTech пользователь покупает не курс, а надежду на изменение своей жизни?

#аналитик_собирает_пазл
#edtech

Успешный успех или провальный провал?

Многие говорят, что хорошо бы подводить итоги не раз в год, а гораздо чаще и фиксировать свои достижения. Это пригодится и на работе, и в личной жизни.

Три месяца с начала года пролетели очень быстро. Пора сделать передышку, оглянуться назад и понять, что этот «семестр» был успешным провалом!
Let me explain [дайте объяснить]!

В этом семестре я планировала изучить e-com и сделать три проекта для портфолио.

По итогу к e-com я не приступила из-за своей ошибки в планировании, а проект получился только один, и тот стыдно показывать.

Зато с продвижением в BI-аналитике получилось получше. Самыми главными событиями я считаю интервью с Алисой и Машей — действующими BI-аналитиками, которые поделились своим опытом в сфере и дали интересные рекомендации нам, новичкам!

Накопала рекомендаций о том, как собирать портфолио. Осталось только самой себе эти советы дать!
READY-фреймворк
структура README-файла

И, по классике, не осталась я в это время и без курсов:
Metabase
Pandas

То, что этот семестр получился провальным, было сказано не всерьёз. Ошибки были, есть и будут. На них надо учиться, а не ругать себя.

Выводы сделаны, планы намечены.
Погнали покорять следующую вершину!

💬 Делитесь своими достижениями за первую четверть года!
И помните: никакое достижение не является маленьким, если это важное для вас достижение!

Чёрт ногу сломит да шею свернёт

Продолжаем копаться в источниках данных в рамках рубрики «где мои данные, чувак?». Первые варианты — [Kaggle] и [UCI Repository].

Сегодня сделаем шаг к более реальным данным: государственные порталы.

Государственные порталы открытых данных — это централизованные платформы, где органы власти публикуют данные для свободного использования в различных сферах (экономика, транспорт, здравоохранение и др.).

Например:
Портал РФ
Портал США
Портал ЕС

Есть разные типы порталов:
— национальные — макроуровень (экономика, население, расходы)
— наднациональные — сопоставимые данные между странами (торговля, миграция, энергетика)
— региональные / городские — операционные данные (транспорт, преступность, ЖКХ)

Чем для нас, аналитиков, эти данные могут быть полезны:
— работа с «грязными» данными: пропуски, дубли, несогласованные форматы
— навык понимания данных: что означает метрика, откуда берётся, каковы её ограничения
— навык постановки вопросов: аналитическую задачу ставишь себе сам
— работа с временными рядами

Примеры проектов на данных государственных порталов:

«Демография и экономика»
Данные:
— население по регионам
— уровень безработицы
— доходы
Задача:
— выявить регионы с ухудшающейся экономикой
— найти корреляции
Результат:
— дашборд
— аналитическая записка

«Транспорт»
Данные:
— поездки на городском транспорте
— загруженность
Задача:
— выявить пики нагрузки
— определить узкие места
Результат:
— анализ временных рядов
— рекомендации по оптимизации

«Экология»
Данные:
— выбросы CO₂
— качество воздуха
Задача:
— анализ трендов загрязнения
— сравнение стран / регионов
Результат:
— аналитический отчёт
— визуализация

Согласно данным из интернетов, в России реальная ценность не в одном общем портале, а в распределённой системе, и на региональном уровне данные часто лучше, чем на федеральном. Поэтому рекомендуют использовать Росстат, региональные порталы и отраслевые ведомства.

Я делала EDA-проект с сопровождением по данным о деревьях Нью-Йорка. Сам датасет очень объёмный и хорошо описанный, но было скучновато. Я даже дошла до уровня: «ну зачем мы будем смотреть эту одну строку, просто удали и всё, окей?»

Оказывается, мне сложно анализировать данные, если для меня они не имеют смысла. Даже в рамках тренировки.

💬 А у вас как? Смогли бы просто проанализировать ради смеха данные падений метеоритов на Землю?

#аналитик_ищет_данные
#где_мои_данные_чувак

Похоже, я старею...

На прошлой неделе мой ноутбук так «возмутился» предстоящими замедлениями Telegram, что решил уйти на покой. Хотя, возможно, дочь этому тоже поспособствовала 🤭

В любом случае я на целую неделю осталась без рабочего инструмента и решила, что это знак: пора устроить себе отпуск. Кто же знал, что он так затянется?

Вот уже вторую неделю я не могу войти в прежнюю рабочую колею: не хочу проходить курсы, не хочу делать проекты. Всё, что я хочу, — это читать знакомые книги, смотреть знакомые фильмы и вовремя ложиться спать...

За две недели я успела переслушать «Граф Аверин. Колдун Российской империи» (уже в десятый раз), «Воспоминания о прошлом Земли» Лю Цысиня и приступила к ежегодному переслушиванию серии о Гарри Поттере.

Из фильмов доверилась только «классике» — «Люди в чёрном».

Недавно мне попалось видео на YouTube о психологии людей, которые пересматривают сериалы и фильмы по многу раз.

Мы делаем это не просто так. Одна из причин — поиск безопасного места в непредсказуемом мире.

Эффект психологической безопасности через предсказуемость: когда реальность становится слишком хаотичной, мозг начинает искать среду, где он точно знает правила, где понимает, что будет дальше, и где нет неожиданного удара.

Думаю, сейчас это именно та причина, по которой я не хочу двигаться в сторону новых книг и фильмов. Во-первых, это новый мир, который нужно исследовать. Во-вторых, вдруг мне не понравится? Видимо, с возрастом я сильнее разочаровываюсь в неправильном выборе.

Дам себе ещё одну неделю, чтобы погрустить и отдохнуть, а потом вернусь в учебную струю. Негоже сдаваться на последнем километре 😎

💬 Если у вас есть рекомендации книг и фильмов, которые вы бы сами с удовольствием пересмотрели, пишите в комментариях. А то я пойду пересматривать старые советские фильмы!

#аналитик_тоже_человек

Просчиталась [опять], но где?!

Мне кажется, что та вымышленная компания, вымышленный датасет которой я анализирую, отмывает вымышленные деньги! Иначе как объяснить, что товаров мы продали на 30 млн, а заплатили нам 23 млн?

Но начнём по порядку.

Промахнувшись один раз с датасетом для визуализаций, я решила ответственнее подойти к выбору и, по рекомендации одной из нейросетей, взяла в работу этот датасет:
Ecommerce Order & Supply Chain Dataset

К тому же в нём содержатся данные по поставкам, что, как вы помните, является моей стихией.

Я подошла со всей ответственностью к знакомству с этим датасетом. И получила инфаркт жопки. Я не просто провела EDA [разведочный анализ данных] — я настолько углубилась в данные, что сравнила всё со всем.

Первый флэшбек с работы накрыл меня, когда я изучала даты заказов [создан — согласован — отправлен — доставлен]. Заказ ещё не согласовали, а его уже доставили. И действительно, а почему бы и да!

Второй флэшбек накрыл меня, когда я начала смотреть деньги. Это же как надо было продавать, чтобы клиент платил нам меньше, чем стоит товар? И это ещё не решён вопрос, включена ли доставка в стоимость...

Хотя ситуация «продавать дешевле, чтобы влезть к клиенту» не выдумка. В первой компании, где я работала после универа, закупки были в зоне ответственности продажников. И они совершенно не гнушались продавать в минус, лишь бы зайти к клиенту. Устав терять деньги, компания создала отдел закупок, в котором я и начала свою карьеру.

До сих пор безмерно благодарна своей первой руководительнице за привитую рабочую дисциплину и любовь к цифрам.

Мне интересно, это я такая невезучая? Почему мне попадаются такие странные датасеты? А ведь у этого на Kaggle бронзовая медалька... Кажется, я что-то упускаю...

В любом случае всё это безумие с EDA сохраняю у себя на GitHub.

А ещё хорошо было бы продумать критерии, которые позволяли бы чётко понять, что пора остановиться, а не «копать отсюда и до обеда».

💬 У вас есть такие критерии?

#портфолио_аналитика

Попытка засчитана!

Помните пост в котором я жаловалась, что ничегошеньки не успеваю: времени мало, а нагрузка получилась большой?

Благодаря вашим комментариям под тем постом я через пару дней поняла, где продолбалась!

Дело в том, что при разработке планов для каждого проекта я давала ИИ следующий контекст:
«У меня есть два свободных часа в день...».

Искин [кажется, я фантастики перечитала] выдавал хороший план, рассчитанный строго на два часа в день… для каждого из четырёх проектов!
Ну и у кого в этой ситуации оказалось больше интеллекта?

Неудивительно, что всё пошло прахом уже к концу первого месяца. Да и проект по EDA [exploratory data analysis] занимает больше времени, чем мне хотелось бы. Об этом проекте расскажу в пятницу.

Но, разобравшись с этой ошибкой, я решила допустить новую и влезла в analysis paralysis [паралич анализа].

Раньше я пользовалась только одной нейронкой, чтобы генерить планы по захвату мира. Она ведь оплаченная, значит должна работать хорошо.

Но, благодаря Ане, мои горизонты в использовании нейронок настолько расширились, что теперь я использую четыре, и каждая генерит хорошие планы.
И вот теперь главный вопрос: кому верить? Не было печали…

В общем, я решила себя понять, простить и начать проект по изучению доменов сначала.

У меня на канале посты идут циклично, и на каждый домен выделено три месяца. Со следующего месяца начинаем [не опять, а снова] изучать e-commerce.

И, надеюсь, в этот раз всё получится так, как надо 😉

💬 А вам какие истории интереснее читать: про успех или про факап получение опыта?

#аналитик_тоже_человек

Redash: ближе к российским реалиям

Продолжаем разбор инструментов визуализации.
Первым инструментом был Metabase, почитать можно [тут] и [тут].

Почему именно он?

Наверняка все, кто хочет попасть в аналитику, знают, что SQL — один из базовых кирпичиков аналитических навыков. Про Excel вам такое скажут не всегда, но поверьте, его знать тоже надо! И многие аналитики рекомендуют бесплатный курс по SQL от Karpov.Courses

Я тоже его проходила, и мне он очень понравился.

Именно на этом курсе я впервые столкнулась с Redash: мы писали запросы и делали визуализации «не отходя от кассы».

С инструментом достаточно легко разобраться. Я не стала искать дополнительные материалы, чтобы сначала познакомиться с Redash, а уже потом проходить курс по SQL. Но такие ресурсы, конечно, есть:

Stepik: Основы работы в Redash [бесплатно]

Этот курс я не проходила, потому что считаю, что использовать политизированные данные в обучающем курсе немного неуместно. Если вас это не смущает, можете посмотреть. У курса есть и другие минусы, в основном связанные с подачей материала. Но абсолютное большинство студентов считают его хорошим стартом.

YouTube: Getting Started with Redash

Компания Redash разместила плейлист, где рассказывает, как работать с инструментом [на английском]. Там объясняют, как подключаться к базе, как писать SQL-запросы и как строить дашборды. В целом — необходимый минимум для старта.

Освоить Redash несложно, но SQL знать обязательно. Здесь нет никакого drag-and-drop [перетаскивания] элементов. С одной стороны, вы точно понимаете, что и как агрегируется. С другой — порог входа становится выше.

Визуализаций достаточно. Графики функциональные, но минималистичные: продвинутой стилизации нет. Зато они удобны для ad-hoc [ситуативного] анализа.

И если про Metabase часто говорят лишь то, что она «используется как первая BI-система», то Redash реально применяется в российских компаниях. Например, в Авито.

В следующий раз посмотрим на дашборды, которые мне удалось собрать, подробнее сравним их с Metabase и разберёмся, почему одни аналитики любят Redash, а другие — нет.

💬 А вы знакомы с Redash?

#аналитик_и_визуализация
#аналитик_изучает_bi
#инструменты_визуализации

Хаос, голые коленки и мечта о кнопке "сделать хорошо"

На недавней встрече английского клуба мы обсуждали роль аналитики в компании. Девчонки скептически отнеслись к тому, что аналитика может делаться «на коленке».

Я уверена, что многие из вас встречали термин «data-driven компания» — это компания, которая принимает решения исключительно на основе данных, проверяемых фактов, метрик и экспериментов на всех уровнях.

Но компании такими «не рождаются», они такими становятся, проходя определённые этапы зрелости работы с данными.

Этап 1: Хаос (кстати, смотрели сериал «Каос»?)
«Данные? Какие данные? Ты данные брал? Я нет!»

Решения принимаются на основе опыта и интуиции. Отчёты делаются в Excel — причём руками. Каждый отдел (а то и каждый человек) считает по-своему: что-то учитывая, что-то опуская.

Отсюда — ошибки, споры о цифрах, упущенные возможности и клиенты.

Пример из жизни: у нас часто были проблемы с данными по браку от поставщиков. Отдел учёта заполнял таблицы по своей логике, упуская важные детали. Менеджеры по закупкам постоянно их «теребили», требуя дополнить данные. Всё собиралось вручную через переписку по почте.

Этап 2: Оперативный
Появляются первые «серьёзные» инструменты визуализации и работы с данными. Формируются регулярные отчёты и KPI.
Создаются базовые дашборды, которые обновляются ежедневно. Заинтересованные лица наконец видят факты в реальном времени.

Фокус на вопросе «Что произошло?». Рутина автоматизируется, Excel по почте отправляют реже (но это не точно!)

Этап 3: Диагностический
Начинается настоящая аналитика. Фокус смещается с мониторинга на исследование: «Почему?»

Аналитик раскрывается во всей красе: ad-hoc анализ, когорты, сегментация, драйверы метрик, узкие места, точки роста.

Пример: вырос отток клиентов. Выяснили — реклама работает как надо, а логистика не успевает: доставка в регионы занимает 10–12 дней против 1–2 дней в столице.

Этап 4: Предиктивный
На этом этапе происходит магия: данные смотрят в будущее. Используются модели машинного обучения, прогноз метрик, сценарии «что если» и проводятся регулярные эксперименты.

Этап 5: Data-driven
А этот этап что-то из области фантастики: данные диктуют действия. Self-service аналитика — сотрудники сами строят отчёты и дашборды.

Пример: маркетолог видит в дашборде, что стоимость привлечения клиента выросла на 20%. Не бежит к аналитикам, а сам фильтрует по каналам, смотрит конверсию, меняет креативы и метрика нормализуется.

Думаю, что на этом этапе сотрудникам нужны аналитическое мышление и навыки, чтобы докапываться до истины самостоятельно.

Как это часто бывает, нет компании, застрявшей на одном этапе: отделы денег (продажи, финансы) обычно впереди, остальные отстают. Но, судя по новостям, ИИ внедряют все!

💬 Я работала в компании, где перешли от хаоса к оперативному этапу. А до какой ступеньки добралась ваша организация?

#аналитик_и_визуализация
#аналитик_изучает_bi

Где взять проекты с сопровождением?

Продолжаем искать аналитические бриллианты на просторах интернета! Сегодня поговорим про Maven Analytics — онлайн-платформу для обучения аналитике данных.

Эта платформа может быть нам полезна в двух направлениях.

Первое — guided projects [проекты с сопровождением]

Когда начинающий аналитик задумывается, как выделиться на фоне таких же джунов, он думает о проекте для портфолио. Ну или ему на курсе сказали, что он должен думать о проекте для портфолио.

Но, как показывает практика, с первого раза, да и со второго тоже, сложно понять, чего от тебя ждут в этих проектах. Можно попросить нейронку составить план и расписать шаги выполнения, но тогда есть риск, как у меня, сделать дашборд, даже не познакомившись с данными.

Выход есть: перед тем как клепать свой шедевр на данных из Kaggle, стоит сделать один-два проекта под присмотром «старшего товарища».

Maven как раз предлагает датасеты под разные инструменты с описанием проекта, его целей и задач каждого этапа анализа. Сделаешь пару таких проектов — и становится понятнее, как подступиться к первому самостоятельному.

Второе — песочница

Вопрос, где брать данные для тренировки, стоит остро. Все твердят: «Не Kaggle единым», но альтернативы либо не называют, либо их приходится искать самостоятельно.

Одним из вариантов может быть песочница Maven: там собраны датасеты по разным сферам — путешествия, развлечения, финансы, здоровье и т.д. Они отличаются не только тематикой, но и объёмом. Можно выбрать тот, который ближе, и начать тренировочный проект.

И даже здесь вам дают направление для анализа, но план придётся продумать самостоятельно.

А ещё у них есть интересная серия видео — Data Drill Showdown [сравнительный анализ данных].

Инструкторы платформы решают один и тот же вопрос на скорость, но разными инструментами. Очень залипательно выходит!

Единственный минус — всё на английском языке.

В следующий раз расскажу про инструмент от Maven, который помогает делать проекты для портфолио с ChatGPT.

💬 Если бы вы делали проект, то выбрали бы тот, который представляет сферу, куда метите, или лучше отображает ваш прошлый опыт работы?

Мне, например, оказалось легче работать с данными, которые включают в себя данные по закупкам.

#аналитик_слушает_советы

А может быть, ну его, эти ваши дашборды?

Перед тем как полностью переписать свою карьеру, карьерные консультанты советуют побольше узнать о типичном рабочем дне человека, который уже работает в этой профессии.

Но я не встречала никого, кто пошёл бы расспрашивать незнакомых людей о том, «кому на Руси жить хорошо?».

Хорошо, что в сегодняшних реалиях можно послушать подкаст или почитать интервью и узнать, что же на самом деле представляет собой ваша будущая работа.

Сегодня мы продолжаем снимать розовые очки, и поможет мне в этом Маша Аничкова — тимлид команды BI-аналитиков в Авито и автор канала «Пирожки и бары | про BI»
---
1) Как ты пришла в BI и с чего начинался путь?

В этом плане меня жизнь немного помотала 🙂
Я была стажером в HR, затем младшим финансовым аудитором в Big4, затем финансовым аналитиком в строительной компании.

По курсам я изучила SQL, PowerBI, базовый Python и перешла в коммерческую аналитику в Ozon - опыт в аудите и знание бизнес-метрик мне пригодились на отборе.

В Ozon я уже много работала с витринами данных и с дашбордами, поэтому это было во многом похоже на работу BI-аналитика. И только придя в Авито я стала уже полноценным биайщиком 🥰

2) Какие навыки оказались реально важными в работе, а какие переоценены?

Реально важны - сильный SQL, умение делать дашборды (скорее с точки зрения понимания структуры, метрик и т.п.).

Переоцененным считаю требования к знанию конкретной BI-системы - если есть опыт, то переключиться с одной BI-системы на другую можно довольно быстро (кроме редких исключений).
К счастью, многие работодатели это понимают🙂

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?

У нас своя BI-система на базе Redash - наши разработчики уже добавили много классных фичей, но иногда всплывают мелочи, которые бесят.

Например, если на графике включить группировку по году, и при этом стоит фильтр на текущий год, то есть остаётся только одно значение - то на графике не будет одной точки с этим значением, он будет пустой. Мне иногда жалуются пользователи, думая что дашборд сломался 😢 Поэтому я завела фичареквест нашим разработчикам и жду, когда они это поправят 💔
Плюсы - гибкость и возможность доработать всё, что нужно.

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?

Он не старается сделать крутой дашборд, он в первую очередь вникает, какую задачу/проблему бизнеса нужно решить. Иногда для этого не нужен сверхсложный дашборд, в котором будет всё.
Иногда для этого вообще не нужен дашборд 🙂

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?

Первое - очень круто прокачать SQL (включая оптимизацию запросов и виды баз данных), базовый Python, научиться делать дашборды - благо это всё можно освоить на курсах.
Требования к джунам растут, и сейчас критично важно иметь сильную базу.

Второе (желательно) - получить практический опыт дашбордов, чтобы научиться правильно работать со структурой дашборда, собирать требования и тп. Это можно сделать также на некоторых курсах, или например на пет-проектах + найти ментора хотя бы на 1-2 встречи и обсудить с ним свои проекты.

---
Маша, большое спасибо, что поделилась своим опытом!

💬 Как вы относитесь к менторству? Был ли у вас опыт в этом деле?

#аналитик_берёт_интервью

Три в ряд или морковка на ферме?

В комментариях ко вчерашнему посту мы поднимали тему о том, что в офис не хочется ездить, потому что дорога занимает чертову уйму времени, которое очень сложно потратить продуктивно.

Вы когда-нибудь обращали внимание на то, что люди смотрят, уткнувшись в свои телефоны в транспорте? Мне бы хотелось сказать, что они там книги читают, не возить же с собой «кирпичи». И именно это «повсеместно люди читают» было одним из сильных впечатлений от Москвы, когда я в первый раз сюда приехала в командировку. Правда было это лет десять назад 🤭

Но сейчас я замечаю, что многие люди сидят в играх. И, на мой взгляд, самая популярная игра это «три-в-ряд». Да будь я проклята, если скажу, что сама не залипаю в ней! Правда у меня одно условие - такое нельзя ставить на телефон, поэтому я за компьютером мужа балуюсь, когда он уходит на тренировку.

Ведь так здорово просто бездумно потыкать эти шарики, да получить легкий дофамин. И знаете кто виноват в моей зависимости? Аналитики! Игровые аналитики!

В этом году я взялась изучать домены, в которых мне было бы интересно попробовать свои силы. Так вот книга Василия Сабирова «Игра в цифры. Как аналитика позволяет видеоиграм жить лучше» это отличный старт для изучения игровой индустрии. 

Эта книга дает отличное представление об этом домене и понятно рассказывает, как именно применение аналитических инструментов помогает оптимизировать игровой процесс на всех его этапах.

В книге описаны не только важные для игры метрики, воронки конверсий и механики монетизации, но и «типичный» рабочий день игрового аналитика.

Эта книга отличное пособие не только для начинающего игрового аналитика, но и для аналитика вообще, потому что показывается взаимосвязь явлений и метрик. Становится понятно зачем мы эти метрики считаем и как они отражаются на реальном мире. 

Я бы рекомендовала прочитать эту книгу, хотя бы для того, чтобы знать, как нас сажают на игровой  крючок 😎

💬 А какое у вас guilty pleasure [тайное удовольствие]?

#книги_и_мысли

Hogwarts для аналитика данных?

Продолжаем разбирать источники, где можно получить датасеты без регистрации и смс. Сегодня посмотрим на один из наименее рекомендуемых — UCI Repository

UCI Machine Learning Repository — это крупная коллекция датасетов для обучения и исследования алгоритмов машинного обучения, поддерживаемая Университетом Калифорнии в Ирвайне.

У этого источника есть несомненные плюсы:
— большая коллекция классических датасетов (самым первым идёт Iris Dataset);
— представлены разнообразные домены: медицина, биология, социология, физика и др.

Но количество минусов, на мой взгляд, перевешивает (с точки зрения аналитика данных):
— это не «боевые данные»: многие датасеты маленькие (сотни — тысячи строк) и не похожи на реальные;
— данные уже «вылизаны» и подготовлены для загрузки в модели;
— часть датасетов очень старая (90-е / 2000-е годы) и не соответствует современным реалиям.

Хотя из таких датасетов можно слепить что-то пригодное для тренировки, если добавить в них шум, пропуски, лаги по загрузке и другой мусор, на который только способна ваша фантазия.

И это идеальная задача для любимых чат-ботов:
— выбираем домен, в котором хотим практиковаться;
— уточняем у ИИ, какие обычно бывают проблемы с данными в этом домене / области;
— просим ИИ составить план «ухудшения» данных — и вперёд, к генерации.

Но есть одна загвоздка: при малой насмотренности можно сгенерировать ерунду вместе с ИИшкой.

Я бы на данном этапе просто игнорировала этот источник данных. Мне кажется, он не для новичков, особенно если вы хотите «реальные данные» пощупать. Этот репозиторий больше подходит для академических задач. Поэтому предлагаю оставить его ML-щикам.

💬 Колитесь, кто работал с датасетами «Ирис» или «Титаник»?

#аналитик_ищет_данные
#где_мои_данные_чувак

Pandas для анализа данных (обзор курса)
Stepik | аналитика | платный
[ссылка на курс]

Продолжаем расчищать авгиевы конюшни купленных впрок курсов. Сегодня на очереди третий пройденный мною курс по Pandas. Я устроила себе буткэмп по EDA, и мне показалось логичным пройти дополнительный курс и получить корочку. Как говорится, без бумажки — ты букашка!

Первый пройденный курс мне не очень понравился, второй, наоборот, очень понравился, но он короткий. А вот этот вызывает у меня смешанные чувства, и я расскажу почему.

Для кого этот курс

Этот курс рассчитан примерно на 35 часов прохождения. За это время можно выучить многое.

Но абсолютным новичкам он вряд ли подойдёт. Попадаются задачи, где потребуются навыки в Python. Мне немного не хватило знаний, пришлось прибегать к помощи чат-бота 😅

Что внутри курса

Курс состоит из видеолекций. В каждом уроке присутствует достаточное количество задач на отработку теории. Часто приходится вспоминать пройденный материал.

В этом курсе нет конспектов, поэтому приходилось создавать их самой. С одной стороны, это здорово. Говорят, что составление конспектов положительно влияет на запоминание информации.

С другой стороны, записи получаются немного хаотичными. Наверное, было бы лучше сначала полностью посмотреть весь урок, понять его структуру, а потом уже делать конспект.

Чего не хватило

Первое, чего мне не хватило, — это представленных в виде конспекта (или комментария) датафреймов или серий, которые разбираются на уроке в видео.

Позиция автора такова: в реальном мире вам никто ничего не будет предоставлять, поэтому сами делайте себе конспекты, сами создавайте датафреймы для практики и вообще пошли вы к чёрту!

В общем, я поняла, как набегают 35 часов практики — переписывание датафреймов с экрана довольно ресурсозатратное занятие.

Второе — мне не понравилось, как автор отвечает на комментарии. С одной стороны, спасибо, что он вообще присутствует на курсе.

Но ответы в духе «Где у меня такое сказано?» и «Мне в голову не приходит хороший пример, чтобы было понятно, в чём суть функции concat и когда её стоит применять» не добавляют ему очков.

Есть задачи, где не совсем понятно, в каком виде нужно предоставить вывод или какую функцию использовать. Приходится играть в угадайку: «А что хотел сказать автор?» 🤨

Итог

Я впервые оказалась в ситуации, когда подошла к курсу, уже имея практический опыт работы. С одной стороны, я понимаю, как то, что рассказывает автор, применяется в жизни, потому что уже сделала несколько guided projects по EDA. С другой стороны, часть курса показалась мне пока чисто теоретической.

Стала бы я рекомендовать этот курс? Честно, не знаю. Задач на отработку много, но манера общения автора меня останавливает.

На YouTube-канале автора курса, где выложены лекции курса, можно найти промокод на скидку, если вам будет интересно.

Моя субъективная оценка (критерии тут)

Полезность: 4/5
Практика: 4/5
Подача: 3/5

А теперь у меня к вам пара вопросов:

💬 Хватит ли знаний, полученных при выполнении проекта «под диктовку», для реальной работы или обязательно нужно пройти целый курс?

💬 Стали бы вы до конца проходить курс, если вам не нравится манера общения автора? При этом, к самому материалу претензий практически нет.

#курсес_ресурсес