Охотники за головами: где мы потеряли лайфкодинг и почему важен матстат

Привет! На связи Настя Аносова, старший аналитик в Товарах.

Сегодня хочу обсудить одну из самых дискуссионных тем — процесс отбора на позицию data-аналитика (продуктового / бизнесового / маркетингового) — нужное подчеркнуть. И описать свой взгляд на особенности отбора в Авито.

Сразу начну с вопроса, которым задавалась сама ещё два года назад, когда проходила этапы отбора ↓

❔ Почему в Авито нет секции лайфкодинга для аналитиков данных? — Ответ на него оказался совсем близко — в этом нет необходимости =)

Нет нужды убеждаться в реалтайме, что кандидат умеет руками писать сортировку пузырьком, искать самую длинную последовательность одинаковых символов в строке и мастерски жонглировать оконными функциями (пишите в комментариях, какие классические примеры я пропустила).

Это удлиняет путь от попадания в воронку до оффера, расходует время кандидатов и интервьюеров и при этом качественно не влияет на результат. Почему же я так считаю?

🤔 Во-первых, слабо верится, что человек, имеющий хоть сколько-то опыта в аналитике, совсем ноль в SQL и Python.

🤔 Во-вторых, в процессе технической секции по точечным вопросам несложно убедиться, знает ли кандидат базу, которая нужна для стандартных задач. И для этого не нужен отдельный этап.

Всё, что свыше, навёрстываемо: даже если навыков вдруг окажется локально недостаточно, их можно оперативно прокачать. У всех нас есть гугл, документация и, храни его боги аналитики, stackoverflow.

Приоритетнее кодинга — образ мышления и его структурность, бизнесовое и продуктовое видение, способность работать с информацией. И именно в пользу валидации этих пунктов стоит перераспределять время с проверки умений написания кода.

❔ Зачем тогда мне знать, от чего зависит MDE и как посчитать t-статистику? Ведь это всё тоже гуглится и считается кучами вариантов функций из десятков библиотек. А вот это уже другое =)

🤓Любая статистика бессмысленна без правильной интерпретации. Несмотря на то что многие подобные расчёты можно выполнить одной строкой кода, и у нас даже есть собственная A/B-платформа, облегчающая эту работу.

🤓 Не зная основ здесь, вы рискуете принять ошибочные решения и, как следствие, навредить бизнесу. Более того, статистика учит нас мыслить критически и задавать правильные вопросы. А это ключевые навыки для аналитика.

Подводя итог — цель процесса найма аналитика в том, чтобы найти не просто «руки», а «головы», которые могут не только собрать данные, но и объяснить, что они значат и как их можно использовать для развития бизнеса.

А как вы считаете, что важнее для аналитика:
✍️ - знание инструментов
🤓 - понимание теории
⚡️ - способность мыслить аналитически

Ставьте реакции и делитесь своим мнением в комментариях!

#НастяАн