OnlyAnalyst by Алексей Гаврилов

Рынок аналитики 2026: Выживут только «архитекторы», а не «операторы ЭВМ»

Друзья, возвращаюсь с новостями. Я открываю набор на менторство на эту весну, начиная с 1 марта.

Но прежде чем мы перейдем к деталям, давайте честно взглянем на то, что происходит в индустрии прямо сейчас.

😓 Почему найти работу стало в 3 раза сложнее?

AI-замещение: Базовый SQL, простые скрипты на Python и чистку данных теперь делают нейросети. Компании больше не нанимают «руки» для рутины — этот пласт вакансий для джунов просто исчезает.

Гипер-конкуренция: На одну вакансию аналитика сейчас прилетает от 200 откликов в первые часы. HR-фильтры стали беспощадными и стали применяться новые AI анализаторы.

Конец эпохи «курсов»: Сертификат об окончании онлайн-школы больше не открывает двери. Работодателю нужен человек, который понимает бизнес-логику, а не просто умеет нажимать кнопки.

В компаниях тренд на удержание текущих сотрудников и регулярные замораживания найма, в угоду уплотнения множества должностей в одном сотруднике.

😇 Почему я могу помочь тебе пройти этот квест? Я не просто теоретик, я практик, который видит изнанку индустрии каждый день в Only Analyst.

За время моей работы в менторстве: 140+ учеников успешно прошли обучение.
100% моих менти вышли на новый уровень дохода, разобрались в вопросе или получили офферы в топовые компании.

Сотни положительных отзывов: ребята отмечают, что я даю «базу», которую не найти в учебниках, и учу думать как Senior-аналитик.

Вот последний, который получил сегодня утром:

Хочу поблагодарить Алексея за подготовку к собеседованиям! В начале моего пути совместно наметили план, а при выходе на рынок на консультациях отработали точечные вопросы и аспекты, необходимые для собеседований. Благодаря занятиям я смогла уверенно себя чувствовать на этапе с кейсами, прошла финальный этап и получила отличный оффер. Очень рекомендую!

А значит нельзя останавливаться и будем двигаться дальше!

🌹 Что мы будем делать этой весной?

Я возьму всего 3 человек на личное ведение. Мы не будем учить синтаксис (для этого есть GPT), мы :

по-настоящему разберемся в python, sql, airflow, superset, метриках, аб-экспериментах и статистике

составим понятный роадмап развития под твои желания и возможности

упакуем любой опыт в грамотное резюме

подготовимся к собеседованию на реальных задачах

Весна — решающий сезон. Либо ты адаптируешься к рынку 2026, либо остаешься за бортом.

📩 Пиши мне в личку @onlyanalyst, чтобы забронировать созвон-знакомство на 15 минут. Разберем твой кейс и поймем, сможем ли мы сделать результат вместе.

Также в связи с новостями всех жду в ВК - https://vk.com/onlyanalyst

🧠 Как исследования учат аналитическому мышлению

В первых трех постах мы разобрали:

зачем аналитикам вообще читать исследования,

как правильно читать результаты, p-value и доверительные интервалы.

Узнали про DiD и визуализации.

В заключительной части поговорим про самое важное: чему исследования реально учат аналитика.

1️⃣ Хороший вопрос важнее сложной модели
В статье Cool People нет: нейросетей, causal frameworks, сложных метрик.

Но есть очень точно сформулированный вопрос:
не «какие черты есть у крутых людей?», а «чем крутые отличаются от просто хороших?»
Это принципиально разный уровень постановки задачи.

Для аналитики это аналог: не «что влияет на retention?», а «что влияет на retention сильнее, чем просто удовлетворённость?»

2️⃣ Исследования учат думать контрфактами

Почти вся логика статьи построена на контрастах:

cool vs not cool
good vs not good
эффект A vs эффект B

Это явное контрфактуальное мышление, а не поиск корреляций.

В продуктовой аналитике это:
не «у этих пользователей больше метрики», а «что было бы, если бы они не были такими?»

3️⃣ Не всё полезное должно быть «приятным»

Исследование не пытается:
сгладить результат, сделать его социально удобным. Это важный навык для аналитика: уметь принять неудобный вывод, если данные устойчивы.

4️⃣ Устойчивость важнее локального максимума

Авторы много раз проверяют: разные страны, формулировки и подвыборки.

Они не оптимизируют результат под одну конфигурацию, а смотрят, где он сохраняется.

В проде это означает: лучше эффект +3%, который стабилен,
чем +15%, который исчезает при первом же срезе.

5️⃣ Исследование — это диалог с будущим читателем

Важно, как написана статья:
заранее отвечают на возможные возражения, показывают альтернативные объяснения, открывают данные и код.

Это не «докажем свою гипотезу», а «давайте проверим, выдержит ли она критику».

Для аналитика это идеальный пример того, как писать аналитические отчёты, а не просто считать.

🧩 Главный урок всей серии

Читать исследования полезно не ради: темы, терминов или красивых графиков.

А ради мышления: как формулировать вопросы, как сравнивать эффекты, как проверять устойчивость, и как не влюбляться в собственные результаты.

Хорошая аналитика — это не про инструменты. Это про дисциплину мышления, и исследования - это один из лучших способов её прокачать.

Все, друзья. Финал 🤣

📐 Difference-in-Differences и эталонные графики

В прошлых постах мы говорили про вопросы, результаты и мышление. Теперь про механику, которая делает выводы убедительными.

На самом деле, вся статья Cool People — это аккуратно замаскированный difference-in-differences (DiD), даже если авторы не называют его так напрямую.

1️⃣ Где здесь difference-in-difference

Есть две оси сравнения:
Ось 1 — тип оценки
cool
good
Ось 2 — наличие признака
есть (cool / good)
нет (not cool / not good)

Авторы считают:

разницу cool – not cool
разницу good – not good

А потом сравнивают эти две разницы между собой.

Формально:

(cool − not cool) − (good − not good)

➡️ Это классический DiD:
убираем «общую положительность»,
оставляем специфический эффект крутости.

2️⃣ Почему это сильнее обычного сравнения средних
Если бы авторы просто показали, что «у крутых выше экстраверсия», то мы бы не знали: это эффект крутости,
или просто эффект позитивной оценки человека.

3️⃣ Почему их визуализация — эталон

Ключевые графики в статье выглядят просто:

точки = размер эффекта,
линии = 95% доверительные интервалы,
синий = cool vs not cool,
красный = good vs not good.

Но в них есть три важных качества:

1. Видно размер эффекта, а не только факт
Глаз сразу считывает: где эффект большой, где маленький, где перекрываются интервалы. Никаких «таблиц на 3 экрана».

2. Видна логика сравнения
На одном графике сразу оба эффекта, и расстояние между ними. Читателю не нужно «держать в голове» несколько чисел.

3. График отвечает на вопрос статьи
График не декоративный. Он буквально визуализирует гипотезу: «Какие признаки больше про cool, чем про good?»
Это редкое качество, когда визуализация не про данные, а про вопрос.

4️⃣ Что из этого взять в прод-аналитику

Практические уроки:

сравнивайте разницы, а не уровни;
визуализируйте эффекты, а не сырые метрики;
показывайте доверие к оценке, а не только среднее;
делайте график так, чтобы он сам отвечал на главный вопрос.

📌 Если график требует долгого объяснения — он плохой.

📈 Как читать результаты исследований: p-value, доверительные интервалы и здравый смысл

В предыдущем посте мы говорили, зачем аналитикам вообще читать исследования.

А теперь как именно читать раздел Results:

🔢 Что именно проверяли авторы

У них есть 4 типа объектов:

cool
not cool
good
not good

И 15 признаков (черты личности + ценности).

Ключевой вопрос формулируется так:

Отличается ли разница «cool – not cool» сильнее, чем разница «good – not good»?

Они проверяют не просто эффект, а разницу эффектов.

🧠 Основная статистическая идея работы - это interaction effect:

Характеристика × Тип оценки (cool vs good)

Если признак сильно отличает cool от not cool, но слабо отличает good от not good, то он специфически “крутой”, а не просто «хороший».

Для аналитиков это аналог:
не просто uplift, а difference-in-differences. Про это поговорим в следующем посте.

📏 Почему здесь важны доверительные интервалы

Авторы почти везде показывают 95% confidence intervals, а не только p-value.

Что это даёт:

Видно насколько большой эффект, а не просто, что он есть.

Можно визуально сравнивать эффекты между признаками;

Легко заметить, где эффекты стабильны, а где «на грани».

Например:

Экстравертность: большой интервал, далеко от нуля, следовательно: сильный, устойчивый эффект

«способность» (capable): интервал почти одинаков для cool и good, то есть нет почти различий.

Это гораздо информативнее, чем просто «p < 0.05».

Да, почти везде p < 0.001.
Но это ожидаемо при большом N, аккуратном дизайне и валидированных шкалах.

Важно не что p маленький, а:
что сравнивают, насколько различаются эффекты, повторяется ли результат в других срезах.

🌍 Проверка устойчивости (robustness checks)

Авторы проверяют:
WEIRD vs non-WEIRD страны
уровень развития страны
отдельные страны
возраст, пол, образование
альтернативные формулировки вопросов

И везде смотрят не просто значимость, а:
меняется ли направление эффекта,
меняется ли относительный порядок признаков.

Это ровно то, что мы хотим видеть аналитике:
эффект не ломается при разумных изменениях допущений.

🧩 Главный результат

Есть 6 признаков, которые:
стабильно отличают cool от not cool, и делают это сильнее, чем отличают good от not good:

экстраверсия, гедонизм, власть, авантюрность, открытость, автономия.

И это почти не зависит от страны, не разваливается при изменениях, имеет внятные размеры эффектов.

🎯 Почему это хороший пример для аналитиков

Это исследование показывает:
как не закапываться в p-value,
как использовать доверительные интервалы для интерпретации,
как проверять устойчивость выводов,
и как аккуратно сравнивать эффекты, а не просто искать «значимо / незначимо».

В следующем посте поговорим про значимость визуализации и DiD.

📊 Как быть крутым?

🧑‍🔬 Иногда кажется, что академические исследования это «не про аналитику»: много текста, странные шкалы, термины, нет влияния на деньги. Но на самом деле исследования - это концентрированный опыт того, как аккуратно работать с данными.

😎 Хорошим примером является статья Cool People (Journal of Experimental Psychology, 2025), где авторы изучают, чем «крутые» люди отличаются от просто «хороших», на данных из 13 стран и ~6 000 респондентов.
Важно здесь не столько слово cool, сколько подход.

Само исследование добавлю в комментариях к посту.

🧠 Коротко о терминах, которые есть в исследовании.

Большая пятёрка личностных черт

Самая популярная модель описания личности.

Extraversion — общительность, энергия
Openness — открытость новому, любопытство
Conscientiousness — организованность, ответственность
Agreeableness — дружелюбие, мягкость
Neuroticism (часто инвертируют в Calm) — эмоциональная стабильность

Это «базовые фичи личности», которые работают во многих культурах.

Ценности Шварца

Модель, которая описывает что для человека важно, а не какой он по характеру. Примеры ценностей:

Autonomy — независимость
Hedonism — удовольствие от жизни
Power — влияние, статус
Security — стабильность и безопасность
Tradition / Conformity — следование правилам и нормам

Удобно тем, что эти ценности валидированы для разных стран и культур.

WEIRD страны

Аббревиатура: Western, Educated, Industrialized, Rich, Democratic.

Обычно это США, Западная Европа, Австралия.

В исследованиях важно проверять результат на «эффект человечества» или «эффект западных студентов».

Mixed-effects (иерархические) модели

Модели, которые учитывают:
индивидуальные ответы людей,
и группировку (страна, регион, школа, команда).

🔍 Почему это важно аналитикам

Исследования учат думать о данных до сбора, а не после.

Здесь сначала чёткий вопрос, потом дизайн, потом анализ. Не наоборот.

Показывают, как отделять “специфический эффект” от общего шума

Авторы сравнивают не просто «крутых», а:

cool vs not cool
good vs not good

Формируют культуру воспроизводимости
Preregistration, открытые данные, код. К этому аналитике тоже стоит стремиться.

🧩 Итог

Читать исследования полезно не потому, что они «заумные», а потому что они показывают как задавать правильные вопросы и аккуратно работать с данными.

Даже если тема кажется далёкой, то методы почти всегда применимы.

🎬 Всю эту неделю будет выходить серия статей про подходы к исследованиям, инструменты, методологии и визуализации.

Очень жду от Вас обратной связи и комментариев.

В следующем посте разберем как правильно читать результаты.

@onlyanalyst

🕵️ Как я сократил время в телефоне в два раза с помощью ИИ-агентов

Работая над bootcamp по n8n и параллельно изучая кучу материалов про ИИ-агентов, я всё чаще ловил себя на вопросе:
а реально ли это работает?

Нужны ли вообще эти агенты, или это очередная модная технология — большой и красивый колосс на глиняных ногах?

Чтобы не рассуждать в теории, я решил начать с практической задачи и сократить главный бич XXI века: думскроллинг.

Да, можно просто «перестать сидеть в телефоне». Но практика показывает: суровая реальность требует быть в курсе происходящего: новостей, контекста, событий, чтобы принимать адекватные рашения для себя и семьи.

В итоге получается замкнутый круг:
бесконечные новости, мемы, статьи, комментарии.

И львиная доля времени уходит не на осмысление, а на поиск. Что сейчас важно, что интересно, что «нельзя пропустить».

И тут у меня возникла мысль:
а что, если доверить этот процесс ИИ-агенту?

Я так и сделал.

Я написал небольшого ИИ-агента, который каждый день ровно в 10 утра присылает мне сводку:
ключевые новости,
важные обсуждения,
мемы (да, без них никуда),
и самое главное — выводы: как всё это влияет лично на меня.

В итоге вместо нескольких часов хаотичного скроллинга:
10–15 минут в день на осознанное потребление информации.

Как мой кейс с ИИ-агентом совпал с лучшими практиками

Начал с конкретной боли, а не с технологии — сократить думскроллинг.

Одна задача → один агент — сбор и анализ новостей, без «всё и сразу».

Встроил в рутину — фиксированное время и один канал доставки.

ИИ помогает, но не думает за меня — финальные выводы читаю и оцениваю сам.

Есть измеримый результат — 10–15 минут вместо нескольких часов в день.

Итеративный подход — после первого успеха появились новые сценарии.

Но, как говорится, «местные власти останавливаться на этом не собираются».
После первого успешного эксперимента в голове появилось ещё с десяток сценариев, которые хочется автоматизировать.

Какие бы свои сценарии вы хотели бы автоматизировать? Пишите в комментариях.

🥰 Если хотите быть в курсе всех трендов, то этот пост для Вас.

🍄 Весь январь собирал тренды по анализу данных и AI, а ребята из MIT сделали это раньше и лучше :) Ссылка на оригинал ниже, а потом моя интерпретация.

⛓️‍💥 https://sloanreview.mit.edu/article/five-trends-in-ai-and-data-science-for-2026

⛺️ Базовые тренды:

• AI‑пузырь сдуется, экономике станет больнее, явная аналогия с доткомами из нулевых (олды плмнят).

Для нас это не риск, так как технология все равно займет (и уже заняла) свои ниши.

• “AI factories” компаний: вместо разрозненных экспериментов с AI будут собирать комбинации платформ, методов, данных и переиспользуемых алгоритмов, чтобы быстрее строить AI‑системы. Как примеры приводятся AI factory BBVA и OmniAI у JPMorgan Chase.

Тут очевидно, что скоро будет буквально вакансия аналитик AI. Так что готовимся.

• GenAI как оргресурс, а не личный инструмент: индивидуальные кейсы (письма/презентации/таблички) дают “incremental” и часто неизмеримую пользу, поэтому фокус сместится на enterprise‑инициативы (supply chain, R&D, продажи), где ценность выше, но внедрение сложнее.

Понятно, что сейчас использование AI у люда ограничивается режимом чата, что недостаточно для получения большей ценности для компаний. Так что ждем внедрений во все процессы.

• Кто управляет AI — спор усилится: растет доля компаний с Chief AI Officer (39%), но нет консенсуса по подчинению; параллельно в опросе 70% респондентов считают роль CDO успешной и устоявшейся.

Борьба ужа и жабы, лично я за отсутствие еще одно C{вставь букву}O, если конечно не выберут меня :)

А теперь о важном:

🕵️ Agentic AI

❌ Почему “перехайплено”

• Авторы отмечают, что агенты стали “самым хайповым трендом” со времен GenAI и ожидают, что в 2026 они окажутся в “Gartner trough of disillusionment” (т.е. фазе разочарования после завышенных ожиданий).

• Главная проблема: агенты пока “не готовы для прайм‑тайма” в бизнесе, потому что эксперименты исследователей и вендоров (в тексте упомянуты Anthropic и Carnegie Mellon) показывают слишком много ошибок для процессов, где на кону большие деньги.

• Дополнительные стоп‑факторы: риски кибербезопасности (особенно prompt injection) и склонность агентов быть “deceptive” (обманчивыми) и “misaligned” (несовпадающими) с человеческими целями и ценностями.

📈 Почему все же станет ценным

• Авторы считают, что в ближайшие годы большую часть проблем можно “сгладить” и что примерно через пять лет агенты смогут обрабатывать большинство транзакций во многих крупных бизнес‑процессах.

• При этом их оценка оптимистичнее прогноза Андрея Карпати (в статье упомянута оценка 10 лет).

🏃 Что делать компаниям уже сейчас

• Начинать думать, как агенты могут дать новые способы работы, и строить trusted agents, которые можно переиспользовать по всей организации.

• Пилотировать межорганизационные сценарии и параллельно развивать внутренние компетенции тестирования агентов, комбинируя generative, analytical и deterministic AI.

• Держать в голове, что успешный agentic AI, по формулировке авторов, потребует “всех инструментов из AI toolbox”, то есть не только LLM, но и контроль, проверки, правила и инженерную дисциплину вокруг.

🏃‍♂️ Так что еще раз убеждаюсь, что буткемп по n8n, на который уже идет запись, создан как никогда вовремя ;) А n8n будет основной платформой для AI агентов, которой будут пользоваться в компаниях по всему миру.

За подробностями всех жду в личку.

🍅 Как все успевать: метод Помодоро

Знакомая ситуация: начало рабочего дня, разбираешь почту, и вот уже 3 часа прошло, головная боль накрывает волной, а ты вместо работы смотрел тиктоки.

Именно поэтому метод Помодоро стал must-have для меня лично.

🪆 Суть метода

25 минут фокусной работы → 5 минут перерыв → повторить. После 4 циклов — длинный перерыв на 15-30 минут.

Исследования показывают, что такой подход увеличивает продуктивность на 25% по сравнению с обычным режимом работы.

☀️ Вот как выглядел мой день 1 января по методу Помодоро:

• Reading — для чтения
• Pomodoro — для разных проектов
• Working — для работы
• Writing — написание текстов

Все 4 помидора закрыты

✅ Благодаря таким коротким спринтам можно делать в 3-4 раза больше за то же время, и мой опыт это подтверждает. Плюс блокируются все приложения на телефоне, чтобы даже коллеги не отвлекали :)

🧑‍🚒 Почему это работает

• Точная оценка времени: Записывая “помидоры” на каждую задачу, вы начинаете понимать реальные временные затраты на обработку данных, построение дашбордов или написание SQL-запросов

• Сбор данных о себе: Количество завершенных помидоров становится метрикой вашей продуктивности. Можно анализировать паттерны и оптимизировать рабочие процессы

• Защита от выгорания: Регулярные перерывы помогают не застревать на часы в одной забаче и избегать усталости к концу дня.

Важный факт: исследования показывают, что после отвлечения нужно 23 минуты, чтобы вернуться к фокусу.

Поэтому структурированные интервалы — это не прихоть, а научно обоснованный подход к глубокой работе.

Пробовали Помодоро? Делитесь в комментах, сколько “помидоров” уходит на ваши типовые задачи 👇

📚 Бонус: книжный клуб

Заметили блок Reading в моем расписании? Это не случайно. В декабре я запустил книжный клуб для аналитиков данных — читаем и обсуждаем книги по data science, статистике и визуализации.

Магия метода: всего один помодоро (25 минут) в день на чтение — и через месяц вы прочитаете целую книгу. Без перегрузки, с полным пониманием материала.

Что читаем в январе?

Лучшую книгу по статистике для аналитиков данных. Это ваш шанс:
• Закрыть все пробелы в статистике
• Разобрать сложные темы в группе единомышленников
• Применить знания на практике через обсуждения

Исследования показывают, что структурированное чтение короткими интервалами улучшает усвоение материала на 40%.

Поэтому формат Pomodoro + книжный клуб = идеальная комбинация для обучения.

Готовы присоединиться? Ставьте 📚 в комментариях, и я добавлю вас в клуб! (условия участия в посте по ссылке).

Дорогие, друзья!

Поздравляю Вас с Новым 2026 годом!

Этот год был непростым…

Статистикой нужно делиться каждый год, даже если она не нравится. Зато это будет мощным сигналом для работы над ошибками и движением вперед.

Что интересно, но показатели в нашем чате выросли многократно. Значит сообщество единомышленников сформировано и им есть чем поделиться. Это не может не радовать.

Для меня лично этот год стал самым сложным за долгое время. Сложным со знаком плюс, ведь только через трудности мы растем.

Но есть ли предел?

Да, и это я ощутил на себе. Поэтому в Новом году желаю всем немного замедлиться, посмотреть по сторонам и насладиться моментом, а не переживаниями о будущем или погоне за прошлым.

И также напомню, что скоро будет отчет по книжному клубу, где мы уже выбираем книгу на январю, плюс январский буткемп по n8n уже совсем рядом :) Так что замедляемся, но несильно.

Друзья, привет! Нужна ваша помощь 🙌

Канал живёт с 1 апреля 2023 года, и в следующем году я хочу сделать ребрендинг и переосмыслить проект — сделать его ещё полезнее и честнее про реальную жизнь аналитика.

Только за этот год провели коллаборации с университетами и конференцией «Матемаркетинг», запуск нового формата обучения, сецпроекты с Хабром и запустили книжный клуб.

Но останавливаться на этом я не собираюсь 🙂

Очень прошу пройти короткий опрос по ссылке:

👉 https://forms.yandex.ru/u/6949528bd046884c1136938d/

Он поможет лучше понять, кто вы, чем живёте и что действительно важно именно вам — чтобы в новом сезоне OnlyAnalyst вырос вместе с вами.

Если вы готовы на более подробное интервью после опроса — буду отдельно благодарен, это сильно влияет на то, каким будет проект дальше.

В ответ со своей стороны сделаю серию постов про типичные ошибки в соцопросах и исследованиях аудитории — с примерами и разборами на живых кейсах.
​

👉 https://forms.yandex.ru/u/6949528bd046884c1136938d/

Почему проекты из курсов не работают

Я часто вижу в резюме выпускников курсов длинный список однотипных проектов: с красивыми цифрами и модными технологиями.
По задумке автора они должны заменить рабочий опыт, поэтому их выносят в раздел «Опыт».

На практике такие проекты почти всегда вызывают у HR одно и то же: лёгкое раздражение и снисходительный вздох.

Почему так происходит? Разберём по порядку.

1. «Наташ, они все одинаковые»

Проекты из курсов:
1. не меняются годами
2. повторяются от ученика к ученику
3. есть в 90% резюме на рынке

В итоге они не дают конкурентного преимущества. Если проект есть у всех, то его как будто нет ни у кого.

2. В учебной задаче нет реальной неопределённости

Обычно в курсовом проекте:
1. уже известна проблема
2. есть шаблон решения
3. понятен «правильный» результат

Это тренирует навыки, но не мышление аналитика.
В реальной работе вам почти никогда не говорят:
«Вот задача, вот данные, вот как правильно».

3. Нет влияния заказчика
Максимум, что есть в курсах:
1. формальное ревью
2. комментарии «по форме», а не по смыслу

Нет:

1. изменений требований
2. правок в последний момент
3. ответственности за вывод

От реальной работы там только дедлайны, и то случайно. И они выполняют совсем другую роль.

Как выглядит реальность

На работе:

1. каждая задача уникальна
2. условия оценки размыты
3. критерии успеха меняются
4. заказчик влияет на решение
5. приходится работать в неопределённости

И именно это и называют коммерческим опытом.

В чём отличие bootcamp-подхода

В bootcamp мы сознательно воспроизводим рабочую среду:

1. У каждого участника не «проект в вакууме», а инструмент, который можно развивать дальше
2. Задания сложные и растущие, а не «на галочку»
3. Требования меняются по ходу работы

Есть правки, фидбек и ответственность за вывод
Это не имитация обучения.
Это симуляция работы и именно поэтому такой опыт считывается рынком.

Друзья, всем привет!

Очень много вопросов было про bootcamp по n8n и подумал, что лучше 1 раз показать, чем 100 раз рассказывать.

Ключевой плюс — визуальный интерфейс без необходимости писать код, полная видимость логов и возможность быстро масштабировать решения.

Low-code/no-code автоматизация — это новый навык в тренде: к 2026 году 75% новых корпоративных приложений будут создаваться через такие платформы, спрос на automation engineers растёт со средней зарплатой $70–90K даже для новичков, а организации планируют увеличить инвестиции в AI на 74%.

Для карьеры это работает как мощный инструмент: создав реальный workflow (например, автоматизацию еженедельной отчётности с анализом через LLM и рассылкой результатов), вы получаете живой пример для портфолио с конкретными метриками экономии времени и денег, что убеждает работодателей лучше, чем описание навыков на резюме.

Это позволяет одновременно развивать более технические компетенции (в сторону AI/ML engineer ролей, где 45% всех новых найме в 2025), предлагать freelance услуги по автоматизации и демонстрировать понимание end-to-end аналитики и ETL процессов, делая вас конкурентоспособнее на рынке труда.

​ Ссылки на источники: раз, два

Вижу много сообщений в личку - завтра обязательно всем отвечу!

По общим вопросам - можно в комментарии.

P.S. Записывал немного уставшим (все-таки в отпуске как-никак), поэтому можете слушать на х2 :D

🎉 На январских праздниках — буст не только для отдыха, но и для скиллов!

Запускаю новый bootcamp по n8n no-code/low-code платформе для AI автоматизации аналитики и бизнес-процессов.

📊 Что может n8n?

— автоматизировать сбор данных из API, Google Sheets, CRM и SQL-баз;
— запускать регулярные отчёты и уведомления без кода;
— связывать аналитику, продукты и маркетинг в единую систему;

🛠 На буткемпе мы сами развернём self-hosted n8n на сервере, сделаем первые сценарии под реальные аналитические задачи и научимся подключать SQL, Telegram и Python.

🚀 Идеально для аналитиков, продактов и тех, кто хочет автоматизировать рутину и быстрее доставлять инсайты.

📅 Старт — в январские праздники.

💬 Детали и регистрация — строго по предварительной записи! @onlyanalyst

Ребята, привет!

У меня начался отпуск, поэтому астрологи объявили 2 недели постов на канале.

Начнем с Карьерного Феста от Хабра. Мое выступление про переход в новую область можете посмотреть по ссылке. К сожалению, отдельного видео нет, поэтому нужно перемотать на 3 часа и 3 минуты ровно.

Помимо выступления я активно отвечал на вопросы участников и даже сделал небольшую аналитику. Кто был самым активным участником легко понять по графику выше :)

А также с помощью LLM проанализировал основные советы от других экспертов. И вот что получилось:

Основные рекомендации по улучшению резюме от карьерных консультантов, HR-экспертов и меня лично:

1. Сфокусируйтесь на достижениях, а не на обязанностях (Формулы STAR/CAR/XYZ)
Это самая частая и критически важная рекомендация. Вместо списка обязанностей используйте формулу Действие → Результат → Метрика.

* Было: «Занимался разработкой новых функций».
* Стало: «Разработал и внедрил механизм кэширования API, что сократило время ответа сервера на 30% и снизило нагрузку на базу данных на 40%».

Частые формулы:
* STAR (Situation, Task, Action, Result): Ситуация, Задача, Действие, Результат.
* CAR (Challenge, Action, Result): Проблема, Действие, Результат.
* XYZ: «Использовал X (технологию/метод) для Y (задачи), что привело к Z (результату с цифрой)».

2. Адаптируйте и кастомизируйте резюме под каждую вакансию
Не используйте одно универсальное резюме для всех откликов.

* Внимательно читайте вакансию: Выделите ключевые слова и требования.
* Меняйте акценты: Под конкретную вакансию выделяйте наиболее релевантные проекты и навыки. Для позиции Team Lead делайте акцент на управленческих достижениях, для Senior Developer — на технической глубине.
* Пишите сопроводительные письма: Коротко (2-3 абзаца) объясните, почему вы идеально подходите именно для этой компании и вакансии.

3. Улучшите структуру и читаемость
Резюме должно быть легко «сканировать» глазами.

* Четкие разделы: Контакты, Summary, Опыт работы (с достижениями), Навыки, Образование, Проекты/Портфолио.
* Сгруппируйте навыки: Разделите их на логические блоки (например, «Языки программирования», «Фреймворки», «Базы данных», «Инструменты»). Уберите субъективные оценки уровня («уверенный», «начальный»).
* Используйте маркеры и короткие абзацы: Сплошной «полотно» текста никто не будет читать.
* ATS-дружественный формат: Избегайте сложных таблиц, колонок и графиков. Используйте стандартные шрифты. Многие компании используют системы автоматического парсинга (Applicant Tracking System), которые плохо читают креативные форматы.

4. Добавьте цифры и метрики везде, где это возможно
Цифры — это язык бизнеса. Они делают ваши достижения конкретными и убедительными.

* Эффективность: «увеличил скорость на 30%», «сократил время обработки на 50%».
* Финансы: «сэкономил бюджет в $100K», «повысил конверсию на 15%».
* Масштаб: «управлял командой из 10 человек», «запустил продукт для 1 млн пользователей».
* Качество: «снизил количество ошибок на 70%», «достиг 99.9% uptime».

Дополнительные советы:

Укажите ссылки на портфолио (GitHub, Behance), LinkedIn.
* Добавьте профессиональное фото.
* Будьте готовы объяснить периоды безработицы или частую смену jobs. Лучше кратко объяснить это в разделе «О себе» или в сопроводительном письме, чем оставлять вопросы без ответа.
* Покажите свое резюме 2-3 людям: коллеге (оценит точность), другу из индустрии (проверит понятность), рекрутеру (оценит рыночность).

Итог: Главный тренд — превратить резюме из сухого списка должностей в убедительное «коммерческое предложение», которое четко отвечает на вопрос работодателя: «Какую конкретную пользу и измеримый результат вы принесете моей компании?».

Было бы Вам интересно узнать как делать такую аналитику и работать с данными чатов в телеграмм? Если да, то пишите в комментариях!

Всем привет (еще раз)

Начинаю запись на декабрьский книжный клуб!

Первая книга — «Корпоративное озеро больших данных» Алекс Горелик.

https://bombora.ru/book/91097/

Следующие книги книжного клуба в основном выбирать буду я, но буду прислушиваться к мнению активных участников.

Ниже краткое саммари и плюсы, чтобы понять почему я выбрал именно эту книгу.

Краткое саммари:
Книга объясняет, как компании могут эффективно организовывать, управлять и использовать корпоративные озёра данных. Автор разбирает архитектуру, принципы управления качеством, подходы к метаданным и роли команд в экосистеме данных. Основной акцент — не на технологиях, а на процессах, ответственности и культуре, которые делают озеро данных реальным инструментом принятия решений, а не хаотичным складом файлов.

3 плюса книги:

1. Чёткое и практичное объяснение архитектуры озёр данных без лишней техничности.
2. Хорошие примеры реальных рабочих процессов и ролей.
3. Фокус на управлении данными и качестве — то, что действительно важно в корпоративной среде.

3 плюса книжного клуба:

1. Возможность разбирать сложные темы вместе и получать разные точки зрения.
2. Лёгкий способ дисциплинировать чтение и не откладывать книгу.
3. Возможность задать вопросы, обсудить кейсы и применимость идей к реальной работе.

Запись через личные сообщения — @onlyanalyst.