И снова на диване.
💬 Когда я перешла из дата-аналитики, где занималась в основном ETL-процессами, в продуктовую аналитику, оказалось, что 90% рабочих задач можно решать с помощью SQL. Будни продуктового аналитика — это быстрые проверки гипотез, расчёт метрик, сегментация пользователей или построение дашбордов с помощью SQL-запросов.
Причём базовый SQL достаточен для большинства задач. И да, джойны, группировки, CTE и оконные функции - тоже базовый инструмент) Их можно освоить за пару дней. Всё по принципу Парето: 20% усилий дают 80% результата.
Что касается Python, то он незаменим для задач, выходящих за рамки стандартных запросов: прогнозная аналитика, обработка текстовых данных, сложная статистика или автоматизация ETL-процессов. Однако такие сценарии редко становятся ежедневной рутиной продуктового аналитика. Это больше про чистую дата-аналитику, ML или дата-инженерию. Тем не менее, продуктовому аналитику тоже неплохо бы это уметь - особенно если хочется расти как специалист. Но для начала хватит и базового Python.
Отмечу другое - в продукте суперважно продуктовое мышление. Ты должен понимать метрики: что стоит за ARPPU, LTV, MAU или Retention и когда рост этих метрик помогает бизнесу, а когда нет.
💡 Какова мораль? Если хочешь перейти именно в продуктовую аналитику, то прокачай SQL и понимание метрик продукта.
#карьера_на_диване