Раньше, да и сейчас многие аналитики на работе — интерфейс к базе данных. Это работает буквально как с вайб-кодингом: на естественном языке формируется не всегда четкий запрос и от
Некоторые собирают популярные запросы в готовые скрипты или даже в дашборды и могут потратить часть времени на более сложные задачи.
====ЕСЛИ ВЫ СЕЙЧАС ЗДЕСЬ ВАС ЛЕГКО ЗАМЕНИТЬ====
Сейчас с этими задачами часто справляются сеточки, очень скоро они будут справляться супер легко и даже если это через 2 года, вряд ли вы хотите потом искать новую работу без ценных навыков.
Давайте смотреть что там дальше
Собственно более сложной задачей считается не только выгрузить данные, но и ответить на вопрос: о чем нам они говорят? Причем это может быть простой вывод: растем, падаем, а может быть глубже: у нас есть проблемы в X, я связываю это с Y. Совсем круто если вы можете дойти до всех последних трех букв английского алфавита и выдать что-то в духе. У нас падает X, я связываю это с Y, предлагаю делать Z потому что Ы. (ну четвертая буква она со звездочкой). Вот эти все Claim–Evidence–Recommendation, Problem–Evidence–Proposal, а буква Ы это уже прям совсем хорошо.
То есть дальнейший рост идет на интерпретацию данных, иногда даже проактивное копание в них и поиск точек роста и узких мест, тем самым это растит бизнес.
Но тут загвоздка: если ИИ может копошиться в данных и ему можно передать бизнес-контекст, то зачем тогда сотрудник выше? Если, конечно, он не использует ИИ как рычаг и не находит больше и полезного и не тащит это до результата с командой.
То есть делаем вывод
====ЕСЛИ ВЫ СЕЙЧАС ЗДЕСЬ И НЕ ИСПОЛЬЗУЕТЕ ИИ ВАС СРЕДНЕСКОРО МОЖНО ЗАМЕНИТЬ====
Например я на работе уже построил первую версию ИИ-аналитика, который мне по утрам к кофе говорит что нашел в метриках, причем он просто нереальное количество слайсов пересверяет и реально может заметить то, что сейчас пока только начинает быть проблемой.
Давайте подумаем что дальше может развить наш лирический герой, чтобы стать лучше?
Чаще всего вершиной навыков аналитика становится пересечение с DS: ты начинаешь обучать простые модельки и ты начинаешь проводить эксперименты.
В модельках много инженерки и часто у аналитика главное преимущество в том, что он:
1. Может лучше подготовить данные
2. Лучше подобрать фичи (но современные фиче сторы тут могут подпортить малину и злой МЛ инженер просто кинет все что есть и там уже будет урезаться, что плохо, но сложно будет доказать, что он не прав)
3. Может отлично выбрать что мы оптимизируем с пользой для бизнеса
Так-так-так. Вот таких ребят сейчас ИИ не заменит. Слишком большой контекст + слишком у малой доли компаний есть рельсы по которым можно без людей гонять эксперименты, а значит хлеб тут есть.
И хлеба тут много, ведь делать фичи можно быстрее, а тестить быстрее их можно только если вы шарите как это устроить.
Но и скорость не поможет тем, кто тестирует плохие идеи или тестирует с ошибками.
Получается вот кор-навык, который является одновременно сложными хардами: матстат + линал, а также имеет сложное бизнес приложение: дизайн и интерпретация эксперимента легкая, только если сильная культура, и то не всегда это так.
Выходит, чтобы остаться на рынке с топ навыками надо:
1. Развивать ИИ-грамотность, на эту тему я обещал вам вебинар (если ты дочитал до сюда и все еще его ждешь, дай мне огня 🔥)
2. Ботать эксперименты и МЛ рядом, для этого у нас 15 июня стартуем крышесносный курс в который вложен весь путь создания DS профессии и высших грейдов в аналитике: https://exp-hub.lovable.app/course
Получается все мы с вами можем заботать, заходите на активности и давайте радостно смотреть в будущее)