Коммуналка аналитиков

Всем привет! Это Денис Булгаков — acting team lead в команде Доставки и Маша Новикова — acting team lead в команде опыта профессиональных продавцов.

Собрали карточки с рассказом о нашем опыте наставничества стажёров 🚀

Менторам хотим пожелать сил и удачи, а будущим стажёрам — не бояться пробовать свои силы.

Помните, что у менторов тоже есть страхи — ведь если стажировка пойдёт не по плану, первым делом спрос будет с наставников!

➡️ О том, как выглядит стажировка глазами стажёров, читайте в посте Юли и Саши в канале Avito Data Tech

#Новик #ДенисБулгаков

5 вопросов, чтобы собрать требования к дашборду (и не пришлось повторно идти к заказчику на следующий день)

It’s Wednesday, my dudes! Всем привет, сегодня с вами Маша, старший BI-разработчик вертикали Товары. Давайте поговорим, как собрать требования к дашборду, чтобы потом не оказаться в ситуации: «У нас была какая-то тактика, и мы её придерживались». Для этого я предлагаю задать заказчику 5 основных вопросов.

1️⃣ Зачем?
Какова цель? На какие вопросы должен отвечать дашборд? На этом этапе иногда можно понять, нужен ли вообще дашборд, или есть другие инструменты (в том числе уже существующие дашборды), которые могут решить нужную задачу.

2️⃣ Что?
Какие пожелания по метрикам и разрезам? Разрезы нужны в фильтрах или должны быть выведены на графики? Иногда ожидается, что вы поможете подобрать нужные метрики, а иногда у заказчика есть конкретный список метрик, которые ему нужны.

И здесь же опциональный вопрос: Откуда?
Особый случай, если ваш заказчик тоже аналитик — иногда он может дать пожелания или советы по источнику данных для отчёта (заказчик-аналитик — это золото 💗).

3️⃣ Как?
Как дашборд будет использоваться? Кто, как, где будет смотреть дашборд? Какие сценарии работы? Как часто он должен обновляться?

4️⃣ Какой?
Каким визуально должен быть дашборд? Как он должен выглядеть? Иногда у заказчика может быть конкретное пожелание по визуалу или референс. Если так случилось, что референс есть — это не значит, что нужно идти строго по нему. Можно и нужно предлагать свой вариант — вдруг он окажется удобнее)

5️⃣ Когда?
Какие желаемые сроки? Совпадают ли ожидания заказчика с нашими возможностями? Возможно, стоит сделать MVP и постепенно дорабатывать его, а не делать сразу всё.


И самый главный вопрос:
Вы ведь знаете мем про жабу и среду?
🥰— конечно, знаю
🙈— не знаю, пошёл гуглить

#МашаАн

В Авито мы живём по канонам OKR: каждый квартал ставим цели, замеряем результаты... Ну вы поняли. Недавно закончился Q1 2025 и сейчас самое время для рефлексии.

Настоящие OKR оставим на другой раз, а сегодня — поделюсь своими неформальными «ачивками» квартала.

🎯 Objective: «Быть на высоте» 🎯

☑ Зайти в квартал «с ноги»
Вспомнить свои обязанности и имена коллег после новогодних праздников

☑ Новаторски починить дашборд, просто заменив ссылку
Смотрите скрин про это в комментариях к посту

☑ Выработать и соблюдать SLA по скорости ответов в чатах
Срочность = количество тегов + количество «!» + «плиз»

☑ Раскрыть несколько дел о багах в данных
Кажется, это к команде Х — посмотрите, плиз?

☑ Повысить well-being своих коллег
Делиться мемами и забавными ситуациями

☑ Докопаться до сути задачи
Спасибо за терпение к моим «я походу жёстко туплю, но...»

☑ Заработаться и забыть про начало встречи («ой, сорри, бегу!»)

☑ Быть готовой ко всему
Регулярно использовать реакцию с Гарольдом 😬

☑ Дать мутной задаче настояться
...чтобы она решилась сама

☑ Укрепить чувства благодарности и любви к своим коллегам (бесценно!)

Думаю, OKR можно считать закрытым на 100%! 😅
Конечно, это всё шутки, но мне приятно вспоминать подобные мелочи, ведь они наполняют рабочую жизнь и делают её живее ✨

А какие неформальные OKR закрыли вы в прошлом квартале? Пишите в комментариях! 👇

#ЮляГол

Образование аналитика

Всем привет! На связи с очередным лонгридом (краткость не моя сестра) Настя Аносова, старший аналитик в Товарах. Сегодня хочу затронуть тему высшего образования для аналитика.

В нашей сфере можно встретить кого угодно: физиков, экономистов, социологов, и даже филологов. Многие из них — классные специалисты, из чего следует логичный вопрос: зачем тогда тратить 4–6 лет на универ, если можно быстро освоить нужные инструменты и начать работать?

Честно говоря, при устройстве на работу в разных компаниях про диплом у меня спросили примерно 0 раз. Но я на репрезентативность не претендую, может, не там искала. Однако и по опыту коллег и друзей из сферы ситуация выглядит похоже (ошибка выжившего?).

Аргументов, дискредитирующих образование, подобрать можно много, вот самые частые из них:

👩‍💻 Пока универ перепишет программу, технологии уйдут далеко вперёд (в моей альма-матер, например, нас учили кодить на R)

📚 Часто в универе слишком много теории, крайне мало практики и объяснения полезности этой теории в реальной жизни (пока не начала работать аналитиком, понятия не имела, насколько может быть полезна статистика. Хотя в универе этому был посвящён целый год)

⌛ 4–6 лет обучения — это огромный срок, за который можно освоить все необходимые навыки, построить стартап, превратить его в единорога и продать Илону Маску…

Несмотря на это, я считаю, что классическое универское образование всё равно полезно (про отсрочку чур не шутить). Но оно не столько про знания, сколько про формирование широкого кругозора, дисциплину и нетворкинг.

Университет — это среда. Почему выпускники из топовых универов страны в среднем зарабатывают больше (давайте не будем челленджить статистику) и часто занимают более успешные позиции? Их учат какой-то другой математике? Другой экономике? По большей части — нет. Просто успех человека во многом формирует окружение.

И если рядом с тобой много замотивированных классных ребят (а таковые и оказываются в топовых университетах), то ты с высокой вероятностью станешь одним из них.

Из других важных навыков — университет учит учиться, делать неидеально, но приемлемо и в срок. А ещё сомневаться, проверять информацию и делать обоснованные выводы. Также развивает умение общаться с людьми, презентовать свои идеи и работать в команде.

Да и на стажировках нередко обращают внимание на ВУЗ, и часто отдают предпочтения интернам из топовых универов. Так что для старта карьеры — точно важная конкурентная плюшка.

Резюмируя — высшее образование не гарантирует успех (в аналитике или где бы то ни было). Можно ли без него быть классным специалистом? Определённо. Но, справедливости ради, я не знаю ни одного коллегу, который бы не имел вышки =)

P.S. Давайте проведем перекличку в реакциях к этому посту. Ставьте⚡, если считаете, что высшее образование было для вас полезно, и 🐳 , если нет. Проверим гипотезу)

#НастяАн

Привет! Я Женя, старший аналитик в монетизации.

В Авито работает много моих друзей. Часть из них сначала стали коллегами, а потом друзьями, а часть — сначала друзьями, потом коллегами. И рассказать я хочу про вторых.

Во многих компаниях есть рефералки: вы рекомендуете человека, он проходит собеседование и (если мэтч случился) устраивается на работу. Так уже шесть моих друзей стали моими коллегами!

Приглашая человека по рефералке, я обещаю другу, что компания точно того стоит, и я правда очень рекомендую её. Отправляя рефералку компании, гарантирую, что я как Женя Мурзаева, действительно ручаюсь за этого человека.

♥️ И как же я люблю осознавать, что работаю в компании, которую рекомендую всей душой, и что мои друзья — те люди, которых могу рекомендовать с огромной гордостью. Кстати, один из этих друзей — также автор этого канала.

С Артёмом Минаковым мы работали в параллельных командах другой компании. Я была пользователем инхаус инструмента, за который отвечал Артём, и всегда восхищалась его желанию помочь, докопаться до ответа, структурировать подходы.

Наши с ним пути разошлись, но ненадолго: встреча на конференции, рассказ об Авито, рекомендация, собеседования, оффер в команду монетизации…
И вот мы с Артёмом снова собираемся с утра на кофе, только уже в офисе Авито!

А вы используете реферальную программу в компании?

P.S. Если у вас в компании нет рефералки, а крутые друзья есть — рекомендуйте их к нам. Вы получите денежный бонус после выхода человека на работу -> порекомендовать друга. А если вы ищете, кто порекомендует вас, то пишите мне (@jane_mur) или любому автору канала :)

#ЖеняМур

Привет! Меня зовут Артём Минаков, я аналитик в монетизации. Вы когда-нибудь мечтали стать лучшей версией себя? Моложе, красивее…

Сегодня хочу поговорить о том, в чём может заключаться развитие аналитика кроме хард-скиллов: SQL, Python, AB и ML.

Я выделил три навыка, которые были или являются моими точками роста.

1️⃣Продуктовое мышление

Я начинал карьеру со стажировки в консалтинге, где мы делали проекты по внедрению BI. Оттуда я вышел с пониманием того, что моя работа заключается в конкретных задачах, например, сделать дашборд или обработать и преобразовать данные.

Мой майндсет кардинально поменялся, когда я впервые стал частью продуктовой команды. Там я осознал, что моя главная задача заключается именно в улучшении продукта, в донесении ценности для пользователей. Начал предлагать и питчить свои идеи, брать больше ответственности за принятие решений и приоритизацию аналитических задач, стараясь стать правой рукой продакта.

Ролевой моделью для меня являются коллеги, которые готовы подстраиваться и действовать в интересах продукта: сегодня они тащат модель в прод или делают нетривиальный дизайн теста, а через месяц заменяют заболевшего менеджера, рассказывая про успехи команды на дэмо. Бесконечно восхищаюсь такими ребятами вокруг себя❤️

2️⃣ Управление ожиданиями

На мой взгляд, это один из ключевых навыков, влияющих на отношения с продактом и стейкхолдерами. Однако, в этом навыке я далёк от идеала — склонен переоценивать себя, брать больше, чем могу успеть.

Поделюсь некоторыми советами, которые помогают выстраивать доверительные рабочие отношения и снижают количество лишнего стресса:

🚀 Договариваться о целях, майлстоунах и ожиданиях от результата на старте

🚀 Закладывать в оценки времени выполнения задач немного на непредвиденные обстоятельства. Искать баланс между амбициями выполнить всё asap и минимальным риском.

🚀 Не бояться сообщать, что сроки сдвигаются. Подсвечивать, даже если появляется такой риск.

Расскажите о ваших способах прокачивать этот навык в комментариях, мне будет интересно ознакомиться

3️⃣Борьба с перфекционизмом

Простая мысль, о которой я обычно забываю, погружаясь с головой в очередную задачу: иногда хорошее решение лучше идеального, особенно если его можно быстро внедрить и проверить.

Скорость принятия решений критична для бизнеса. Присущая мне (и многим аналитикам) дотошность и стремление всё довести «до ума» частенько идёт вразрез с желанием бизнеса получить всё как можно быстрее.

Это не значит, что нужно халтурить и делать только минимально необходимое 😀
Полезно понимать, когда скорость важнее глубокой проработки, и идеальным будет именно good enough решение.

Напишите, что помогло вам побороть синдром отличника, потому что я с ним сталкиваюсь даже во время написания этого поста…

Откликаются ли вам перечисленные пункты?

🔥— если замечали за собой хотя бы одну из перечисленных зон
🐳 — если вы когда-нибудь мечтали стать лучшей версией себя

#ТёмаМинаков

Всем привет! На связи Рома Клочко, аналитик в Доставке 📦

Обучение ML-модели и оптимизация её метрик — это очень ресурсоёмко, увлекательно и благородно.

Но гораздо больше вызовов ждут нас на проде, когда по загадочным причинам качество модели значительно отличается от того, что мы видели на обучении. В невыгодную для нас сторону, конечно же 🙂

Хочу рассказать, с какими вызовами я столкнулся, когда доводил до прода ML-модели, и какие ошибки возникали там, где, как казалось, их быть не может.

🧠 Секреты успешного внедрения модели на прод:
1. У модели на проде актуальные значения фичей.
2. На проде фичи считаются абсолютно так же, как при обучении.
3. Алгоритм перевода предсказаний модели в принятие решения должен быть таким же, как при оценке качества при обучении.

✍️ Давайте приведу примеры ошибок, которые я допускал в каждом из этих пунктов.

1️⃣ При тестировании мы не смогли обнаружить, что в сервис попадает неактуальная версия витрины с фичами для модели.

Проблема возникала по двум причинам: во-первых, при тестировании мы проверили, что данные попадают в сервис, но не проверили, что они в точности соответствуют тем, что ожидаются. Тут табличка и там табличка, разве недостаточно? Оказалось, нет.

Во-вторых, при тестировании мы использовали витрину не такой структуры, как на проде, и это сделало ошибку менее очевидной.

2️⃣ Мы внедряли одну модель и заметили, что её качество значительно хуже, чем мы ожидали. Мы не залогировали каждое срабатывание, поэтому найти причину низкого качества было тяжело, и на это ушло несколько дней.

В итоге мы увидели, что при обучении модели некоторые фичи считались, подглядывая в будущее: учитывались данные, которые ещё не должны были доехать в DWH к моменту расчёта.

Мы пересчитали фичи и переобучили модель, но если бы на этапе тестирования залогировали все события, гораздо быстрее узнали бы, что фичи считаются некорректно.

3️⃣ Мы тестировали одну из моделей на проде и обнаружили аномальное поведение продуктовых метрик. Убедились, что фичи на сервисе актуальные, а модель выдаёт то же предсказание, что и в офлайне. Казалось, что происходит какая-то магия.

Анализ показал, что произошла мискоммуникация с разработкой, и положительный класс модели был воспринят на проде как отрицательный.

Модель буквально работала в обратную сторону: хорошие события отсеивала, а нежелательные оставляла. Если честно, более комичную ситуацию я не могу себе представить.

💡 Вывод таков: тестировать нужно настолько душно, насколько позволяют ресурсы. Каждое непроверенное звено может обернуться срочной задачей, которая внесёт коррективы в ваши выстроенные процессы планирования спринта.

Всем желаю не только пресижна и рекола, но и их воспроизведения в реальности!

#РомаК

Приглашаем на митап про A/B-тесты и наш инструмент Trisigma

Мы в Авито проводим по 4 000+ A/B-тестов в год: это позволяет проверять много гипотез и значительно растить ключевые показатели. Но эти результаты зависят не только от количества тестов, а ещё и от их качества.

Чтобы эффективно и быстро проводить эксперименты, мы создали собственную A/B-шницу — Trisigma. Сейчас она доступна для всех продуктовых команд.

Если интересно больше узнать о том, как устроен этот инструмент и как мы проводим тесты, приходите на наш митап. Расскажем, как всё работает, а после встречи обязательно понетворкаем.

📅 Когда
16 апреля. Собираемся с 18:15, начнём в 19:00, будем на встрече до 22:00 с перерывом на кофе.

📍 Где
— офис Авито в Москве на Лесной, 7
— или онлайн: трансляция будет на YouTube и в VK

✅ Как присоединиться
Регистрируйтесь на таймпаде — это можно сделать уже сейчас.

Привет! Я Георгий Фандеев, и я менеджер аналитики.

Когда я пришел в Авито, использование Python было де-факто стандартом среди аналитиков компании.
Мне, выросшему на R, это было странно и непривычно. К счастью, за эти годы мне удалось донести преимущества R до своих команд и сделать его основным языком. А со следующего полугодия мы начнем популяризацию R уже в рамках всего Авито.

Почему R, а не python?

👉 Python разработан почти 35 лет назад. Многие ли из вас знакомы с языком Ада? Нет? То-то же, а ведь ему всего 45. Да, пока ещё Python на волне успеха, но, опыт говорит, что ему осталось недолго.

👉 R, в отличие от питона, изначально создавался для анализа данных. Вы можете стать гуру R, оставаясь аналитиком, а не превращаясь в разработчика.

👉 R в среднем быстрее питона. Да, в некоторых ML-задачах это не так, но разве это проблема? Пока обучается модель, аналитик может делать дашборд или витрину.

👉 Элитарность. Специалистов по R мало и ценятся они высоко. Кроме того, менеджер, подчиненные которого используют только R, может быть спокоен, — его ребятам будет сложнее уйти в другую компанию.

Как происходил переход?

1️⃣ Первым делом я провел серию воркшопов и рассказал о достоинствах R.

2️⃣ Затем я стал поощрять использование R на добровольных началах. Переход на R стал одним из поводов выдать повышенную премию.

3️⃣ Ещё через год я ввел запрет на Python в своих командах (за некоторыми исключениями). Если мне приносили код на питоне, я отправлял переписывать на R. Жёстко? Да, но зато сработало!

Эксперимент оказался удачным:

✅ Задачи выполняются в среднем на 42% быстрее.

✅ Число технических ошибок в скриптах снизилось на 14%.

✅ Мои команды стали сплочённее: изучение R вынудило ребят больше общаться между собой и спрашивать советы друг у друга.


Как итог — со следующего полугодия в матрицу компетенций аналитиков уже всего Авито будет добавлено знание R (пока наряду c Python).
Надеюсь, наш опыт вдохновит и вас на R-переход! Поверьте, оно того стоит!

#ГеоргийФ

Всем привет! На связи Лада Селиванова и Дима Кротов.

Как и многие аналитики, на своём пути мы не раз ловили мысли: «Какой у меня уровень?», «Точно ли я уже мидл или всё ещё джун?» — привет, синдром самозванца 😅

А вы задумывались об этом?

🔎 Мы уверены, рефлексия — это не самокопание, а важный скилл для роста. Собрали вопросы, которые помогут разобраться, на какой ступени аналитики вы находитесь сейчас и понять, что уже умеете и делаете, а какие навыки ещё стоит подтянуть.

✍️ Читайте вопросы в карточках, выбирайте один вариант ответа и записывайте его себе в заметки или на листок. В конце нужно будет собрать все ответы и посчитать сумму баллов.

Разброс такой:
а) — 1 балл
б) — 2 балла
в) — 3 балла

❗Дисклеймер: полученные результаты теста являются фановыми. За более точной оценкой уровня идите в матрицу компетенций своей компании или на собеседование 😎

🤓 Проходите тест и делитесь своими грейдами в комментариях.

#Дима_Кр
#Лада