Level Up в аналитике

🎯 Обновил SQL-блок на new-lvl.pro

SQL проверяют на 89% собесов аналитика — это самый частый технический навык, обгоняет Python (67%) и Excel (54%). На middle и senior 80% задач — оконные функции. Если SQL-секция провалилась, остальные интервью можно не проводить.

Поэтому два новых материала — про SQL.

Статья «Где брать SQL-задачи: 7 тренажёров + честное сравнение»

new-lvl.pro/articles/sql-task-sources/

Описал 7 платформ: Karpov, Practicum, Stepik, sql-ex, zasqlpython, DataLemur, StrataScratch. Без рекламных «ТОП-10», без подвохов в стиле «бесплатно *(*с ограничениями)». Что хорошо, что плохо, кому подойдет. В конце — что есть у нас на sql.new-lvl.pro и где мы пока честно слабее (нет AI-интервьюера, нет учебных траекторий — это в роадмапе).

Главный вывод: идеального тренажера нет. Минимум, который реально покрывает middle: Karpov + 20 free-задач sql.new-lvl.pro + отдельный фокус на оконки.

Карточки «Шпаргалка по оконным функциям SQL»

new-lvl.pro/cards/window-functions-cheatsheet/

18 карточек на одной странице:
ROW_NUMBER, RANK, DENSE_RANK, NTILE, LAG, LEAD, SUM/AVG OVER, ROWS/RANGE BETWEEN.
С синтаксисом, отличиями и типовыми задачами «топ-3 в категории», «накопительная сумма», «дельта к прошлому периоду», «RFM через NTILE(5)». Открыл — вспомнил функцию за минуту.

🎮 Если синтаксис уже знаешь и нужна моторика — sql.new-lvl.pro: 20 бесплатных задач на маркетплейс-датасете. Даже без регистрации, автопроверка по референс-запросу. Можно начать прямо сейчас.

Аналитик в оффлайне vs в IT: разница миров

Переход из оффлайна в IT это не просто смена логотипа на пропуске. Это как если бы ты всю жизнь водил надежный трактор, а потом тебя пересадили в кабину самолета. Вроде и там, и там есть рычаги, но ощущения… специфические.

Многие думают, что аналитик он и в Африке аналитик. Но «оффлайновый» аналитик (из ритейла или производства) и аналитик в BigTech живут в разных измерениях.

Давайте сравним эти миры без снобизма, но с долей иронии.

🛠 Инструменты: Excel vs Python

В оффлайне твой лучший друг, бог и судья — Excel. Все, что нельзя посчитать в сводной таблице, считается магией. Данные часто попадают к тебе через «Выгрузку из 1С» в формате .csv (в лучшем случае) или копипастом из почты. О Python там часто слышали только в контексте террариумов.

В IT SQL — это гигиенический минимум, а Python — твоя правая рука. Ты не ждешь выгрузки от бухгалтерии, ты сам идешь в хранилище и берешь то, что нужно.

📂 Документация: «Спроси Галину» vs Confluence

В оффлайне база знаний часто хранится в голове условной Галины из отдела логистики. Она помнит, почему в марте 2019-го мы считали выручку без НДС, а в апреле — с ним. Инструкций нет, есть только «исторически сложилось».

В IT у тебя есть Confluence. Если ты что-то посчитал и не описал методику, считай, что ты ничего не считал. Все прозрачно, задокументировано и доступно по одной ссылке.

📋 Планирование: «На словах» vs Jira

В ритейле или на заводе задача может прилететь в коридоре: «Слушай, прикинь там по-быстрому остатки на складе». И ты идешь прикидывать. Планирование часто происходит «на глазок» и меняется трижды за день.

В IT есть Jira. Твоя задача — это тикет. У тикета есть описание, дедлайн, вес в стори-поинтах и место в спринте. Если задачи нет в Джире значит, ты отдыхаешь (шучу, конечно, но порядок именно такой).

📊 Визуализация: «Радуга» vs Дизайн-система

В оффлайне график должен быть «красивым». Это значит 15 цветов, объемные гистограммы и легенда на пол-экрана.

В IT — строгий минимализм. Твой дашборд в Tableau или Redash должен отвечать на вопрос бизнеса за 3 секунды. Никакого визуального шума, только данные.

Почему это важно понимать свитчеру?

Когда ты приходишь из производства в IT, тебя может накрыть культурный шок. Тебе будет казаться, что всt слишком сложно, медленно и «забюрократизировано» этими вашими спринтами.

Но есть и хорошая новость: твой опыт работы с «реальным миром», где данные пахнут бензином или продуктами в корзине это твоя суперсила. Ты понимаешь, откуда берутся цифры, в то время как «чистый айтишник» видит только строки в базе.

Главное вовремя сменить «экселевское» мышление на продуктовое и не бояться, что вместо Галины теперь придется спрашивать документацию.

А какой инструмент из «прошлой жизни» вы до сих пор вспоминаете с теплотой (или содроганием)? Пишите в комментариях! 👇

Level Up в аналитике pinned ««А что я получу?»: Разбираем менторство на молекулы Заметил, что слово «менторство» для многих звучит как модный баззворд. Вроде полезно, а зачем конкретно нужно, непонятно. Давай рассеим этот туман. Если коротко: ментор — это твой персональный чит-код.…»

«А что я получу?»: Разбираем менторство на молекулы

Заметил, что слово «менторство» для многих звучит как модный баззворд. Вроде полезно, а зачем конкретно нужно, непонятно. Давай рассеим этот туман.

Если коротко: ментор — это твой персональный чит-код. Это человек, который уже набил те шишки, которые ты только собираешься получить, и знает короткий путь в обход граблей.

В чем ценность?

• Ментор дает: честную обратную связь, структурный план развития, «взгляд со стороны» на твои ошибки и реальные кейсы из BigTech, которых нет в учебниках.
• Менти получает: уверенность, что он учит именно то что ему нужно, готовность к сложным интервью и сэкономленные месяцы блуждания в темноте.

3 сценария, где нам по пути:

1. Поиск работы (The Job Seeker): Мы готовимся к «бою»: упаковываем твой опыт (даже если он из другой сферы), тренируем STAR-истории, подтягиваем SQL, Python и решаем продуктовые кейсы. Цель — оффер в компанию мечты.

2. Карьерный апгрейд (The Career Builder): Ты уже работаешь, но застрял на уровне Junior или Middle. Мы работаем над «продуктовым мышлением», учимся говорить с бизнесом на одном языке и планируем переход на следующий грейд.

3. Решение рабочих задач (The Problem Solver): У тебя горит реальный проект на работе: не клеится сложный запрос в Trino, не хватает логики для А/Б теста или не знаешь, как выстроить отношения с заказчиком. Мы разбираем задачу «в поле», чтобы ты выдал крутой результат.

Почему это работает у меня?

Я сам прошел путь свитчера: сменил карьеру руководителя и пришел в Авито на позицию Junior-аналитика. Я знаю, как страшно начинать с нуля, и знаю, как сделать так, чтобы прошлый опыт стал преимуществом, а не «шумом» в резюме.

С чего начать?

Самое сложное это понять, подходим ли мы друг другу. Поэтому у меня есть бесплатная встреча-знакомство на 30 минут.

- Мы созвонимся, обсудим твой запрос.
- Я честно скажу, смогу ли помочь.
- Ты поймешь, комфортно ли со мной работать.

Без обязательств. Просто честный разговор о твоих целях и планах на будущее.

Если чувствуешь, что готов апнуться, но не знаешь как, пиши мне в личку. Обсудим!

Что я делаю по вечерам

Днем я аналитик в Авито: A/B-тесты, продуктовые гипотезы, исследования поведения пользователей. Обычная работа продуктового аналитика, ничего магического.

А вечером я открываю другой ноут и продолжаю работать, но уже над своим: new-lvl.pro.

Это бесплатная платформа для аналитиков, которая собирается у меня уже несколько месяцев. Идея простая: когда я сам уходил из ритейла в аналитику, я не мог найти одно место, где собрано все нужное для подготовки. Учебники по SQL - отдельно, задачи - отдельно, теория про A/B - где-то в статьях на Хабре у умных ребят, разборы собесов - на ютубе.

Решил собрать это сам. Все, что мне самому помогло и с чем сейчас сталкиваются мои менти, упаковать в один сайт.

Что уже работает:

🟢 SQL-тренажер — 100 задач (20 бесплатно, 80 в премиуме), реальная PostgreSQL под капотом, автоматическая проверка. Не «вот решение, сравни», а настоящий запуск твоего запроса по датасету.

🗺 Роадмап аналитика — карта от джуна до мидла. Что учить, в каком порядке, на чем сэкономить время.

🟡 Pandas-тренажер — в активной разработке. Хочу сделать его прямо в браузере, без установки.

🟡 A/B-тренажер — следующая итерация. Расчеты MDE, мощности, разбор сценариев.

📚 Статьи и гайды — про дерево метрик, про поиск работы, про конкретные ошибки в A/B. То, что я бы сам хотел прочитать три года назад.

Заходи:

→ new-lvl.ru — главная, все разделы

→ sql.new-lvl.pro — тренажер SQL

Если что-то не работает или не хватает темы, пиши. Это все еще стройка, и она постоянно растет.

Начал вести канал в Threads. Там не получится писать лонгриды как в телеге, поэтому будут небольшие заметки. Думаю получится живо и интересно.

Сегодня мы там решаем задачу на логику, присоединяйтесь

https://www.threads.com/@andreitarasenko

Как не паниковать, когда цифры ползут вниз? 📉

Часто спрашивают: «Где научиться строить дерево метрик?». Мой ответ: на реальных «пожарах». Самый лучший способ разобраться, это взять живой пример и разложить его на атомы.

Представьте ситуацию: вы аналитик в маркетплейсе. Главная метрика GMV (оборот) упала на 10% за неделю. Продакт в тревоге, все ждут ответов.

Просто сказать «упало», значит констатировать факт. Наша же задача найти «точку боли». Для этого мы строим дерево.

Уровень 1: Математика бизнеса

GMV = Users \times Orders\_per\_User \times AOV

Смотрим, что просело. Допустим, заказы и чек в норме, а вот пользователи (Users) «отвалились».

Уровень 2: Кто именно ушел?

Users = New + Returning

Видим, что новички приходят как обычно, а вот «старички» (Returning) перестали заходить.

Уровень 3: Почему они не вернулись?

Returning\_Users = DAU \times Retention

Спускаемся глубже, пока не найдем ту самую метрику, которая тянет все дерево вниз. Например, сломался онбординг или пуши не ушли.

Как это дерево выглядит в голове (и в отчете):

GMV (Оборот)
├── Users (Аудитория)
│   ├── New (Новые)
│   │   ├── Traffic (Откуда пришли)
│   │   └── CR (Конверсия в регистрацию)
│   └── Returning (Вернувшиеся)
│       ├── DAU (Активность)
│       └── Retention (Удержание) — 🚩 Кажется, проблема тут!
├── Orders per User (Частота покупок)
└── AOV (Средний чек)
    ├── Items per Order (Штук в заказе)
    └── Avg Price (Средняя цена товара)

Три совета, чтобы дерево не превратилось в джунгли:

1. Арифметика превыше всего. Метрики нижнего уровня при умножении или сложении должны давать верхний. Если «сумма частей не равна целому» — дерево сломано.
2. Не закапывайтесь. 3–4 уровней обычно за глаза. Если идти глубже, вы найдете не метрики, а технические алерты (например, «кнопка не прогрузилась»).
3. Разделяйте зоны влияния. Внешнее (рекламный трафик) это одно. Внутреннее (конверсия в корзину) совсем другое. Так сразу понятно, к кому идти с вопросами: к маркетологам или к разработчикам.

Итог: Без дерева вы просто «сообщаете плохие новости». С деревом вы приходите к команде с готовым диагнозом: «Ребята, у нас упал Retention новичков, давайте проверять, что мы поменяли в первом сценарии использования».

Это и есть аналитика, которая бережет нервы и приносит пользу. 🤝

«Тест не подтвердил гипотезу» этих слов боятся больше, чем технических долгов.

Умение принести плохую новость правильно это отдельный скилл. И он важнее, чем кажется.

Раньше мне казалось, что если тест не дал результата, то это и моя вина тоже. А когда я рассказывал об этом, то как-будто оправдывался. Потом я понял что проблема не во мне и теперь рассказываю о неудачах подругому.

Вот структура, которую я использую:
1. Факт без эмоций
«Тест завершен. Конверсия в группе B не отличается от контроля: +0.3%, p-value = 0.61»
Не «к сожалению» и не «мы облажались». Просто данные.

2. Контекст, что это означает
«Гипотеза о том, что новая фича увеличит конверсию, не подтвердилась»

3. Что это НЕ значит
Здесь важно выйти из режима виноватого.
«Это не значит, что идея плохая, возможно, эффект есть, но меньше, чем мы предполагали»

4. Следующий шаг
«Предлагаю посмотреть на сегменты, в mobile-аудитории есть слабый положительный сигнал. Можем проверить точечно»

Почему это работает:
→ Ты не защищаешься и не извиняешься
→ Переводишь разговор в сторону «что делать»
→ Показываешь, что неудачный тест это тоже ценная информация

Плохой результат, правильно поданный, часто укрепляет доверие больше, чем хороший результат, поданный небрежно.

Самая частая ошибка начинающих аналитиков: они хотят A/B тест на все.

Нет трафика? «Давайте подождем». Нет четкой гипотезы? «Ну посмотрим что будет». Изменение минимально? «Все равно нужна значимость».

В реальности часто бывает что A/B тест это самое неэффективное решение.

5 ситуаций, когда НЕ стоит запускать тест:

1. Нет минимального трафика
500 пользователей в день + ожидаемый эффект +5% к конверсии = тест займет 6 месяцев. За это время все изменится дважды.

2. Изменение явно лучше или хуже
Убираете сломанную кнопку, это не гипотеза, это починка. Запускайте без теста.

3. Нет ресурса на откат
A/B тест предполагает: если результат плохой откатываемся. Если откатиться нельзя, вы не тестируете вы наблюдаете за катастрофой.

4. Тест нарушает SUTVA
На маркетплейсах и соцсетях пользователи влияют друг на друга. Классический A/B тест может дать красивую значимость, но выводы будут неверные.

5. Решение уже принято
Если продакт пришел с «нам нужен тест, чтобы обосновать решение» это не тест, это театр. Лучше сразу отказаться.

A/B тест это хороший и мощный инструмент. Но молоток не нужен, когда нужен карандаш.

Обновил закрепленный пост. Заглядывайте.

За последнее время многое изменилось: появился сайт new-lvl.pro с полноценной базой знаний, новые статьи, инструменты и карточки. Старый закреп уже не отражал того, что здесь есть.

Что нового в закрепе:

- Ссылки на все материалы сайта: роадмап на 9 блоков, статьи по retention, воронкам, p-value, калькулятор A/B тестов, карточки по метрикам

- Тест «Какой ты аналитик» если ещё не проходили, попробуйте, занимает 3 минуты

- Понятная навигация: что искать на сайте, а что в канале

Если вы подписались недавно и еще не видели сайт начните с роадмапа. Там план подготовки аналитика от SQL до поведенческих интервью с реальными вопросами с собесов.

База активно пополняется, буду закидывать сюда анонсы

Кейс с собеса: «Конверсия упала на 20%. Что будете делать?»

Этот вопрос задают почти на каждом финальном интервью. Звучит просто, но многие кандидаты отвечают неправильно.
Давайте разберем, как НЕ надо и как надо.

Условие
Вы аналитик в маркетплейсе. Утром на дашборде видите: конверсия из корзины в покупку упала с 60% до 45%. Продакт-менеджер пишет: «Что случилось?»
Ваши действия?

Как отвечают плохо
«Надо посмотреть данные, построить дашборд, проверить воронку».
Почему это плохо: это не ответ, а описание работы любого аналитика. Нет структуры, нет приоритетов, нет понимания что проверять первым.
Еще хуже сразу прыгать к решению: «Наверное, кнопка оплаты сломалась, надо чинить». Гипотеза без диагностики это угадайка.

Как отвечают правильно
Структура из 5 шагов:
1. Уточнить. Когда именно упала? Насколько резко? Какие ещё метрики изменились? Если конверсия падала плавно неделю это одна история. Если обрушилась за ночь совсем другая.
2. Декомпозировать. Конверсия = f(трафик, сегмент, платформа, шаг воронки). Что из этого изменилось? Может, упал только один шаг, например, переход от выбора способа оплаты к подтверждению.
3. Сегментировать. По платформе (iOS/Android/web), по гео, по типу пользователя (новые/вернувшиеся), по источнику трафика. Часто оказывается, что проблема не везде.
4. Проверить гипотезы по приоритету. Сначала технические (баг, сломался трекинг, ошибка в платежке). Потом продуктовые (вчера выкатили релиз, изменили UI). Потом внешние (конкурент, сезонность).
5. Рекомендация. Не «надо разбираться дальше», а конкретно: «Первым делом проверю логи платежного шлюза за последние 24 часа и сравню конверсию по платформам».

Почему это важно
Интервьюер проверяет не знание «правильного ответа» его нет. Он смотрит, как вы думаете: есть ли структура, умеете ли приоритизировать, отличаете ли «я знаю» от «я предполагаю».
Этот же подход работает не только на собесе, на самом деле я так разбираю проблемы и в реальной работе.

Подробный разбор воронок, типичных вопросов с собесов и структуры ответов есть в статье у меня на сайте

Сохраняйте, если готовитесь к собесам.

Что я понял за 3 года в Авито после ритейла

Как я уже рассказывал в 2023-м я пришёл в Авито джуном. Мне было 39. До этого я был начальником отдела планирования в «Фамилии», сеть магазинов одежды.
Три года назад я обнулился. Сейчас могу сказать, что понимаю, зачем.

5 вещей, которые оказались совсем не такими, как я ожидал.

1. Твой прошлый опыт это суперсила, и ловушка одновременно
Я думал, что 15+ лет в аналитике это фора. В первый месяц понял: нет. В офлайне я был человеком, который дает точные цифры. В IT от тебя ждут не цифр а влияния на решения.
Мне пришлось разучиться быть «исполнителем, который делает хорошие отчеты» и научиться быть тем, кто говорит продакту: «Подожди, давай сначала проверим гипотезу».
При этом опыт из ритейла неожиданно помогает. Я понимаю бизнес-логику, unit-экономику, сезонность. Многие ребята из IT этого не чувствуют интуитивно.

2. Никто не будет давать тебе ТЗ
В «Фамилии» у меня были понятные задачи: посчитай план, собери бюджет, подготовь данные к совещанию. Есть вход, есть выход.
В Авито мне в первую неделю сказали: «Вот твой продукт. Разберись, что с ним не так». И все. Никакого ТЗ. Никаких «посчитай вот это».
Сначала это пугает. Потом понимаешь что в этом и есть кайф. Ты не обслуживаешь чужие запросы, а сам находишь проблемы и предлагаешь решения. Но к этому надо быть готовым.

3. Возраст это проблема только у тебя в голове
Мне было 39, когда я пришел джуном. В команде были ребята на 15 лет младше. Я ждал неловкости, но ее не было. Вообще.
В IT реально всем все равно, сколько тебе лет. Важно, как ты думаешь, как общаешься и что приносишь в команду. Единственный человек, которого смущал мой возраст это я сам. И с этим пришлось работать отдельно.

4. Скорость важнее идеальности
В офлайне я привык делать аналитику «на века»: тщательно, с перепроверкой, с красивым оформлением. Отчет шел к директору, ошибка недопустима.
В IT продукт меняется быстрее, чем ты допишешь идеальный отчет. Здесь нормально сказать: «У меня есть гипотеза, данные показывают вот это, точность ±10%, но направление понятно давайте действовать». А потом уточнять.
Это был самый сложный сдвиг в голове. Я учился ему полгода.

5. Обнуление это не потеря, а инвестиция
Уйти с позиции начальника отдела на джуна это больно. Не финансово (хотя и это тоже), а для самооценки. Ты был тем, к кому приходили за советом. А теперь ты тот, кто спрашивает «а как у вас тут принято?».
Но вот что я понял за три года: это не откат назад, а разбег. Все, что ты знал никуда не делось. Оно просто начинает работать по-другому, в новом контексте. И в какой-то момент ты понимаешь, что твоя нынешняя позиция сильнее прежней потому что ты видишь оба мира.

Если вы сейчас думаете о переходе, дерзайте. Я через это прошел. Не скажу, что было легко, но оно того стоило.

Вчера вечером посмотрел трейлер нового сериала по Гарри Поттеру.
Про сериал уже давно знал и даже ждал, но без особого энтузиазма. Ровно до этого трейлера.

Есть что-то странное в том, как знакомые персонажи и места за несколько секунд переносят тебя обратно. Не в конкретный момент, а в целое ощущение. Когда ты читаешь книгу под одеялом с фонариком. Когда ждешь следующую часть как будто это важнейшее событие года. Читаешь кривой пиратский перевод, но для тебя он самый правильный. Когда мир за окном немного менее реальный, чем тот, который в книге.
Мне как будто снова 17 лет и я жду когда же уже выйдет последняя книга и новая часть фильма.

Я давно заметил одну вещь в себе.

Когда жизнь насыщенная и разная - работа, учеба, книга, новый сериал, настолки - все это не отвлекает друг от друга, а наоборот, одно питает другое.

Я лучше думаю на работе, когда есть что-то живое за ее пределами. Лучше отдыхаю, когда работа не ощущается как тюрьма. Один режим существования, даже очень продуктивный, постепенно сужает что-то внутри.

Гарри Поттер в этом смысле для меня, это не ностальгия ради ностальгии. Это напоминание, что есть часть тебя, которая умеет радоваться трейлеру как ребенок и ее стоит беречь.

Сериал выйдет не скоро. Но трейлер я, кажется, ещё пересмотрю.
А вы смотрели? Зацепило или нет?

Как я генерирую гипотезы для AБ тестов с помощью AI

Есть момент в работе аналитика, который я раньше не любил.
Когда продакт на встрече говорит: _«Нам нужно поднять конверсию на странице объявления. Какие гипотезы будем тестировать?»_ и смотрит на тебя.
В целом это не сложно, просто некомфортно Ты сидишь и пытаешься выдавить из себя идеи на месте, пока все ждут.
Теперь я к таким встречам прихожу подготовленным. И помогает мне в этом AI.

Вот как это работает на практике.

Допустим, задача: повысить количество контактов между покупателем и продавцом на странице объявления.
Я открываю ChatGPT или Claude и пишу примерно такой промпт:

«Ты — опытный продуктовый аналитик в классифайде. Наша цель — увеличить количество обращений покупателей к продавцам со страницы объявления. Сейчас на странице есть кнопка "Написать" и кнопка "Позвонить". Конверсия в контакт — 4%. Придумай 10 гипотез для A/Б теста. Для каждой укажи: что меняем, почему это должно сработать, и какой метрикой измеряем результат».

Ключевые элементы промпта — это контекст продукта, текущее состояние, цифра которую хотим улучшить, и четкий формат ответа.

Что получаю в ответ.

AI выдаёт список из 10 гипотез. Часть из них очевидная добавить социальное доказательство рядом с кнопкой, изменить текст с «Написать» на «Узнать цену». Такое я бы и сам придумал.

Но среди десяти всегда оказывается две-три идеи, до которых я бы не дошёл сам или дошел бы не сразу. Например: показывать среднее время ответа продавца рядом с кнопкой. Или убирать кнопку «Позвонить» для категорий, где звонки конвертируют хуже переписки, чтобы не распылять внимание.

Это и есть ценность. Не замена мышлению, а расширение поля вариантов.

Дальше начинается моя работа.

Из десяти я оставляю три-четыре. Фильтрую по нескольким критериям: насколько гипотеза реалистична технически, можем ли мы набрать достаточно трафика для статзначимого результата, и, главное, есть ли у нас реальное основание думать, что это проблема пользователя, а не наше предположение.
Последнее ИИ не знает. Он не сидел на пользовательских интервью, не видел записи сессий, не знает, что прошлый тест с кнопками уже проводился полгода назад и дал ноль.
Это контекст, который живет в голове у команды. И именно поэтому финальный выбор всегда за человеком.

Главный сдвиг, который я заметил.

Раньше на брейншторм с продактом я приходил с блокнотом и открытым сердцем.
Теперь прихожу с предварительным списком гипотез, уже отфильтрованных и с готовыми формулировками метрик. Встреча становится короче и конкретнее — мы не генерируем идеи с нуля, а выбираем из уже подготовленного материала.
Продакты это замечают. И ценят.

AI не придумает за вас продуктовое мышление. Но он отлично справляется с черновой генерацией чтобы вы тратили энергию на выбор и обоснование, а не на то, чтобы выдавить из себя идеи в тишине переговорки.

Когда джун становится мидлом это видно не по навыкам

Один джун-аналитик получил задачу: посмотреть, почему упала конверсия на одном из шагов воронки.
Он сделал всё правильно. Разбил по сегментам, проверил гипотезы, оформил красиво. Пришёл с ответом: «На шаге 3 конверсия упала на 8% в мобильном трафике».
Хороший анализ. Но его руководитель задал один вопрос: «А почему именно этот шаг? Ты смотрел, что происходит до и после?»
Джун не смотрел. Он ответил на вопрос, который ему дали. Не на вопрос, который нужно было задать.

Граница между джуном и мидлом не в том, насколько хорошо ты считаешь.

Джун решает задачу, которую ему поставили. Мидл сначала думает, правильная ли это задача.
Это кажется мелочью. Но именно здесь всё меняется.

Джун спрашивает: «как это посчитать?» Мидл спрашивает: «зачем мы это считаем, и что изменится, если ответ окажется таким или другим?»

Джун приносит результат. Мидл приносит результат и говорит, что с ним делать.
Джун ждет следующую задачу. Мидл замечает соседнюю проблему и приходит с ней сам.

Тот аналитик из истории в итоге вырос в мидла. Но не тогда, когда научился новым инструментам. А тогда, когда перестал воспринимать задачу как инструкцию и начал воспринимать её как отправную точку.

Если вы сейчас джун, вот один вопрос, который стоит задавать себе перед каждой задачей:

Что на самом деле хочет узнать человек, который это попросил?

5 промптов, которые экономят мне часы каждую неделю

Я трачу на рутину заметно меньше времени, чем год назад. Не потому что задач стало меньше. А потому что часть работы я научился делегировать AI.
Вот пять промптов, которые реально экономят мне часы. Сохраняйте и адаптируйте под свой контекст.

Промпт 1. Подготовить инсайт для презентации

Это моя самая частая задача. Данные есть, вывод понятен, но нужно упаковать так, чтобы продакт или стейкхолдер понял с первого слайда.

_«Ты — продуктовый аналитик. Вот данные и вывод: [вставляю текст]. Упакуй это в структуру для презентации: одно ключевое наблюдение, почему это важно для продукта, и одна рекомендация. Язык простой, без аналитического жаргона. Объём — не больше половины страницы»._

Раньше я мог потратить час на то, чтобы сформулировать одну мысль так, чтобы она звучала убедительно. Теперь десять минут.

Промпт 2. Объяснить метрику стейкхолдеру

Когда нужно объяснить retention rate или p-value человеку, который последний раз слышал слово «статистика» в университете.

_«Объясни [название метрики] простыми словами, как будто говоришь с менеджером без технического фона. Используй аналогию из повседневной жизни. Одна-две фразы, без формул»._

Особенно спасает на встречах, когда нужно быстро подготовить объяснение для конкретного человека, а не писать абзац из учебника.

Промпт 3. Написать гипотезу для A/Б теста

Когда продакт говорит: «Нам нужно поднять конверсию на странице объявления. Какие гипотезы будем тестировать?» и смотрит на тебя. В таких ситуациях я использую следующий промпт:

_«Мы хотим улучшить [метрику] на [экране или этапе]. Сформулируй гипотезу для A/Б теста в формате: если мы сделаем [изменение], то [метрика] вырастет, потому что [механика влияния]. Предложи три варианта»._

Тут важно нагенерить именно несколько вариантов, чтобы было из чего выбрать.

Промпт 4. Найти слабые места в анализе

Один из самых полезных промптов, о котором мало кто думает. Прежде чем идти с результатами к команде, прошу AI сыграть скептика.

_«Вот мой анализ и выводы: [вставляю текст]. Сыграй роль критически настроенного коллеги. Найди три слабых места: где я мог ошибиться в интерпретации, какие альтернативные объяснения не рассмотрел, и какие данные стоило бы проверить дополнительно»._

Несколько раз это спасало меня от неловких вопросов на встречах. Лучше узнать о дырах заранее.

Промпт 5. Подготовить письмо с результатами

Когда нужно отправить итоги анализа команде или руководству, коротко, по делу, без простыни текста.

_«Вот результаты анализа: [текст]. Напиши короткое письмо для команды. Структура: что изучали и зачем, ключевой вывод, что рекомендуем делать дальше. Три абзаца максимум. Тон рабочий, без канцелярита»._

Казалось бы, написать письмо дело пяти минут. Но когда таких писем пять в неделю, это уже полчаса. А если ещё и думаешь, как сформулировать неудобный результат и того больше.

Важная оговорка, которую я всегда держу в голове.

AI не знает вашего продукта, вашей команды и вашего контекста. Все, что он генерирует это черновик. Финальная версия всегда проходит через вашу голову.

Но хороший черновик за тридцать секунд это уже другой разговор о продуктивности.

Как я научился говорить "нет" задачам, которые не имеют смысла

Первые полгода в Авито я делал все, что просили.
Не потому что был безотказным. А потому что боялся. Я был новым, пришел из ритейла, вокруг люди с опытом в IT, кто я такой, чтобы спорить с постановкой задачи?
Однажды мне прилетела задача посчитать, как изменилось поведение пользователей после обновления интерфейса. Я сел писать запросы. Провозился два дня. Принес результат.
Продакт посмотрел и сказал: «Круто. А что нам с этим делать?»

Я не знал. Он тоже.

Именно тогда я понял: я потратил два дня на задачу, у которой не было ответа на вопрос «зачем».

С тех пор у меня появилось правило, прежде чем брать задачу в работу, я задаю три вопроса.

1. Какое решение будет принято на основе этих данных?

Это главный вопрос. Если заказчик затрудняется ответить значит задача сырая. Данные ради данных не нужны никому. Аналитика нужна там, где есть развилка: сделать так или иначе, запустить или остановить, приоритизировать это или то.

2. Что изменится, если результат окажется неожиданным?

Иногда выясняется, что решение уже принято и данные нужны только для подтверждения. Это не анализ, это иллюстрация. Я могу сделать такую работу, но хочу понимать, что делаю именно ее.

3. Почему это важно сейчас?

Не чтобы поспорить, а чтобы понять приоритет. Если срочно, значит есть контекст, который мне нужно знать. Если не очень срочно, возможно, стоит сначала обсудить гипотезу, прежде чем тратить время на расчёты.

Поначалу эти вопросы давались мне неловко. Казалось, что я отказываюсь от работы или ставлю под сомнение компетентность человека. Потом я заметил обратное. Продакты начали приходить ко мне с более проработанными запросами. Потому что знали: я спрошу. И лучше подготовиться заранее, чем мяться на месте.

«Нет» в нашей работе редко звучит как «нет». Чаще это звучит как вопрос.
Не «я не буду это делать», а «помоги мне понять, какое решение мы пытаемся принять».

Разница небольшая. Эффект — огромный.

А вы сталкивались с задачами, смысл которых был непонятен? Как справлялись? Делали или спрашивали?

«Мне уже поздно»: почему 35+ в IT — это не баг, а фича

Если тебе 35+, это не значит, что нужно забыть о смене карьеры. Наоборот, это значит, что у тебя в руках есть карты, которых нет у 20-летних.

Когда речь заходит о переходе в IT, в голове рисуется пугающая картинка: первый рабочий день, ты подключаешься к дейлику, а там сидят ребята, которые выглядят как школьники на каникулах. Только они синьоры и лиды, а ты «старый джун», который вчера гуглил, как правильно делать группировку в Python.

Это как раз про меня. Мне было 39, когда я пришел в Авито на позицию Junior-аналитика. Мне казалось, что я безнадежно отстал, а мой прошлый опыт руководителя только мешает учить синтаксис SQL.

Но это чувство исчезло после первой же серьезной бизнес-задачи.

В чем тут подвох

BigTech это не олимпиада по спортивному программированию. Это огромный, сложный бизнес. И лучшая команда здесь это симбиоз.

- Молодые коллеги дают скорость, невероятную гибкость в новых технологиях и ту самую дерзость: «А давайте перепишем все с нуля за ночь?». У них нет страха ошибок, и это круто драйвит инновации.
- Твой опыт дает контекст и заземление. Ты уже знаешь, что за каждой цифрой стоят живые люди, клиенты, склады и логистика. Ты видел, как рушатся «идеальные» планы, и умеешь сохранять спокойствие, когда метрики летят в красную зону.

Там, где молодой синьор предложит технически изящное, но оторванное от реальности решение, ты скажешь: «Ребят, это круто, но как это поможет нам заработать в следующем квартале?». И именно этот вопрос часто спасает продукт.

Мы не конкуренты, мы части одного пазла. Зрелость и эмоциональный интеллект это твой дефицитный актив. Ты умеешь договариваться, гасить конфликты и видеть бизнес-цель за горой кода. Молодость дает искру, а опыт помогает этой искре не сжечь бюджет, а зажечь двигатель.

Вывод: Не пытайся казаться 20-летним. Твоя сила в том, что ты взрослый человек, который научился новым инструментам. В хорошей команде твой жизненный бэкграунд оценят выше, чем знание всех библиотек Python наизусть.

Аналитика «здорового человека» vs «курильщика»: Как не стать заложником бесконечных правок в дашбордах

«Добавь ещё один фильтр», «поменяй синий на более сочный», «а можно выгрузить это же, но в Excel?». Если ваше утро начинается с таких правок, поздравляю: вы попали в ловушку «аналитика-сервиса».

В этой ловушке вы не влияете на продукт. Вы просто дорогой и очень умный «рисовальщик графиков». Это и есть аналитика «курильщика». Кажется, что вы приносите пользу, но на самом деле вы просто обслуживаете чужую тревожность или любопытство, которое не ведет к действиям.

В чем здесь сдвиг мышления?

Главное отличие продуктового партнера от исполнителя в умении задавать неудобные вопросы до того, как открыть ноутбук.

- Исполнитель берет задачу в работу сразу. Его цель чтобы заказчик был доволен и отстал.
- Партнер сначала выясняет истинную цель заказчика.

Когда к вам приходят за очередным «очень важным дашбордом», попробуйте задать простой вопрос: «Что мы сделаем, если эта цифра завтра упадет на 20%?».

Если ответ: «Ну, будем знать», — это пустая работа. Если ответ: «Мы отключим этот канал трафика и перераспределим бюджет», — это аналитика «здорового человека».

Как говорить «нет», чтобы вас не уволили, а начали уважать?

1. Возвращайте к цели. «Я могу потратить два дня на этот фильтр, но как он поможет нам принять решение по редизайну корзины?».

2. Предлагайте альтернативу. «Вместо сложного дашборда, который мы будем долго поддерживать, давай я сделаю разовый отчет. Если увидим там аномалию то соберем полноценный инструмент».

3. Подсвечивайте упущенную выгоду. «Если я сейчас возьмусь за правки шрифтов, я не успею доделать расчет сегментации, который может принести нам +5% к выручке. Что сейчас важнее?».


Вывод: Ваша ценность не в количестве созданных графиков, а в количестве принятых на их основе решений. Научившись вежливо, но твердо отсекать «информационный шум», вы освобождаете время для задач, которые действительно растят продукт и ваш грейд.

Крутая палка - это всегда хорошо, но если нужен чуть более серьёзный подарок, то заходите за кольчугой в Мангазею!

Пополнили запас мужских браслетов ⚔

(Простите, мой дурацкий юмор иногда неудержим)