Продуктовый взгляд | Аналитика данных

Разбор самой нормисной вакансии на продакта Продуктовая аналитика одно из самых простых направлений для вката в айти, если вы умеете хоть капельку думать, то вы вполне можете претендовать на дабл грейдапы и прыжки сразу через грейд при устройстве (тут важно подчеркнуть, что без ЛЛМ, а то всё чаще на рынке с позиции мидлов приходят с высоким самомнением те самые промт-инженеры, которые из себя ничего не представляют на практике, а их скилы - это закрывать кучу эдхоков за короткий промежуток времени). Давайте разберем на примере одной вакансии как можно выучить харды на аналитика за 12 недель. Это вакансия продуктового аналитика с вилкой 400к+ gross + премиии. В отдел маркетинга. Давайте пройдёмся по требованиям: 1. Python

- уверенный Python;

Тут нужны базовые знания питона, на уровне написания классов/декараторов и библиотек для анализа данных (numpy, pandas, scipy и т п). Тут еще важно отметить, что достаточно часто маркетинговые агенства живут в прошлом веке и у них нет нормального сбора данных, аналитики, поэтому для того чтобы на стороне т банка анализирвоать эти результаты, придется писать достаточно много софта для сбора данных, передачи и т п (под такие задачи зачастую не выделяют dwh-шников и бэкендеров, поэтому придется самостоятельно писать такие скрипты, по типу парсеров и т п). В силу существования ЛЛМ, такой навык достаточно просто покрывается и можно закрыть базовыми знаниями и пониманием питона, такое у нас даётся на аналитике старт. 2. SQL

- уверенный SQL;

В тиньке достаточно хорошая БД, приведенная в нормальную форму, поэтому любой запрос по сути сводится к большому количеству джоинов. Поэтому на самих собесах достаточно углубленно не должны спрашивать SQL, то есть максимум могут дать достаточно объёмную задачку с кучей подзапросов/джоинов/с оконками, такое у нас как раз разбирают на стартовом курсе. А если же они потребуют более углубленные знания на оптимизацию запросов, что вполне вероятно учитывая жесткие лимиты по времени и памяти на каждый запрос, то такие вопросы мы отдельно разбираем на наших продвинутых курсах. 3. Матстат и AB-тестирование

- хорошее знание матстата и умение применять его в реальных задачах;

Тут опять же есть два этапа, потребуются, как достаточно базовые знания так и чуть продвинутых. Никто не будет требовать строгих определений и формул, но знание той же трогой базы поможет вам в понимании идей более продвинутых методов. На собеседовании нужно будет знать всё: от классических методов аб-тестирования (базовой терминологии, той что на курсе старт разбирается: pvalue, mde, ошибки 1-го/2-го рода, z/t-критерии и т п ) до более продвинутых методов (методы понижения дисперсии cuped/стратификация - все эти методы разбираются же в продвинутом курсе и не только на уровне теории, а на уровне скиллов применения в кейсах на собеседованиях) 4. ML

- понимание ML хотя бы на уровне базовых принципов;

Все продвинутые методы в аналитике сводятся к применению классического МЛ, те же double ml/cupac, требует умение строить и тюнить классические модели. На самом собесе будут вопросы про построение бустингов и их разновидностей. На курсе про будут разобраны базовые модели, которые потребуются для подведения резов АБ. 5. Эконометрика

causal inference;

Особенно в маркетинге, методы causal inference наиболее актуальны. Тот же матчинг необходим как минимум для тестов которые позволят описывать более подробно поведение каждого пользователя. Или же регрессии 4 c инструментальными переменными. А также самая базовая идея, которая применяется практически во всех тестах - например did(постнормировка). Знания эконометрики необходимы для проектирования фреймворков оценки тестов. Поэтому применение этих методов в кейсе очень сильно оценят, тем более это описывается в вакансии как дополнительный пункт. Все нужные методы затронут на курсе про. Подписаться: @ProdAnalysis

Выходим на новый уровень с линейкой 1️⃣1️⃣1️⃣ Товарищи, если база уже есть, то следующий шаг — углубиться в специализацию, закрыть пробелы, освоить новые инструменты и стать сильнее как специалист. Для этого мы запускаем ПРО — углублённые карьерные курсы для тех, кто хочет качать карьеру и заработок! Для записи и вопросов — пишите менеджеру 📎Курсы ПРО подойдут тем, кто: — уже знает основы и хочет глубже разобраться в своей специализации — хочет перейти с junior на middle и расти дальше — готовится к собеседованиям на более сильные позиции — хочет сменить роль и добрать недостающие навыки — уже на старте имеет сильную базу и хочет целиться выше стажёрских и junior-позиций ➡️Действует гарантия: прошел курс, выполнил все рекомендации, но не получил оффер — вернем деньги ➡️Курс длится 6 недель: теория, практика, домашние задания и пет-проект. Всё это время рядом преподаватель и куратор. Открываем сразу 5 направлений: ➡️Аналитика ПРО

Продвинутый SQL, A/B-тесты, эконометрика, Causal Inference и ML.

➡️ML ПРО

Вывод модели в прод, MLOps, рекомендательные системы, ранжирование, uplift и динамическое преобразование.

➡️Backend ПРО

Многопоточка, System Desgin, Микросервисы, базы данных, кеширование, мониторинг и распределённые системы.

➡️Алгоритмы ПРО

Продвинутые алгоритмы и задачи для сложных технических интервью в hft фонды, faang+, для олимпиад и контестов.

➡️ИИ-агенты ПРО

Будем разбираться не просто в LLM. Вы научитесь проектировать полноценные агентные системы и за курс соберём 5 собственных AI-агентов и пройдём весь путь от архитектуры и инструментов до работы с RAG, multi-agent системами, MCP, evals и деплоем.

В программу всех курсов войдет: 🔵закрытый банк вопросов с интервью топовых бигтехов 🔵разбор ближайшей стажировки в Т-банк и Яндекс 🔵mock-собеседования с обратной связью 🔵рефералка в бигтех после защиты пет-проекта 🔵карьерная стратегия: резюме, поиск вакансий, подготовка к HR секциям 💰Бонус для всех записавшихся до 23.08 — курс про поиск валютной удалёнки и работы за рубежом в подарок

Как понять, что у вас достаточно знаний, чтобы идти работать в бигтех? У студентов технических направлений имеется такой стереотип, что вот "подтяну алгоритмы, сделаю пет-проектик, заботаю SQL и тогда начну откликаться в компании". Проходит полгода, проходит год, но готовности всё ещё нет. Потому что внезапно оказывается, что надо знать еще очень много разных вещей. И момент "теперь я точно готов к работе" постепенно смещается. На самом деле, этого ощущения, что вы полностью готовы, может и не появиться. Особенно когда смотришь на вакансии бигтехов и сравниваешь себя с людьми, которые уже долгое время работают в этой индустрии. Но от младших позиций не ожидают каких-то супер-пупер знаний. Так когда уже можно пробовать? Хороший знак, если вы уже: 1) уверенно пишете на каком-то языке, не задумываясь о синтаксисе 2) имеете понимание основных алгоритмов и структур данных (с ними мы как раз помогаем разобраться почти с нуля на нашем курсе по алгоритмам) 3) умеете решать относительно примитивные задачи без пошаговых подсказок 4) умеете хорошо гуглить (да-да, это очень важный навык, которым обладают далеко не все) 5) можете открыть свой проект и пояснить, почему вы выбрали ту или иную логику или подход 6) знаете основные вещи в своем направлении (для аналитики - это теорвер, матстат, алгоритмы и SQL) Если большая часть этого про вас, то без зазрения совести можете подаваться на стажировки и джуновские вакансии. Не после того, как пройдете очередной курс, не после того, как посмотрите еще несколько лекций, потому что думаете, что чего-то не хватает, а здесь и сейчас. И здесь есть важный поинт:

готовность работать != готовность проходить собеседования.

Вы можете хорошо уметь писать код, но завалить алгоритмическую секцию. Вы можете хорошо знать ML, но повалиться на примитивных вопросах по статистике. Это не всегда значит, что рано идти на работу. Скорее всего, вам нужно отдельно научиться проходить собеседования. А как же тогда вообще готовиться к собеседованиям? 1) Вам необходимо определиться с направлением и посмотреть вакансии и требования к ним 2) Начните решать задачи именно в формате собеседований (писать код без компиляции, задачи на вероятность и статистику решать без всяких подсказок нейронок и уметь это рассказывать так, чтобы даже человек, который вообще ничего не понимает в этом, понял ваше объяснение) 3) Подготовьте рассказ о себе и о своих пет-проектах. (Тут необходимо будет уметь отвечать на все вопросы по проектам из разряда: "Зачем вообще этот проект?", "Какие технологии использовались?", "Почему выбирали какой-то конкретный подход?", "С какими проблемами сталкивались при работе над проектом?") 4) Причешите резюме Поэтому самое лучшее решение в этой ситуации - начать откликаться. Пройдите первые несколько собеседований и посмотрите на результаты. Если вас вообще не зовут даже на собеседования, то, скорее всего, дело в резюме и пет-проектах. С этим мы как раз помогаем на нашем курсе по аналитике. Если вы по результатам собеседований получаете оффер, то вопрос "Достаточно ли я готов?" окончательно закрыт :) Проходите собеседования, ведь на старте они будут для вас одной из самых главных точек роста, которые помогут выявить ваши слабые места. Подписаться: @ProdAnalysis

В какой момент аналитик становится мидлом? После двух лет работы? После первой самостоятельно запущенной A/B-шки? Или когда впервые сказал продакту, что его гипотезу вообще не нужно тестировать? Очевидно, что грейд — это не только количество лет в резюме. В какой-то момент от аналитика начинают ждать уже не просто умения написать SQL, построить дашборд или корректно провести эксперимент, а гораздо большей самостоятельности и понимания продукта. Что именно меняется при переходе от junior к middle и какие навыки нужно докачивать — разбираемся вместе с Никитой, продуктовым аналитиком Авито и автором канала «Дата аналитикс». Так вот, по опыту Никиты, хорошей технической базы недостаточно. Можно отлично знать SQL и Python, но не понимать, какую метрику выбрать для конкретного продукта. Можно знать формулы A/B-тестов, но растеряться, когда одна метрика выросла, а другая упала. Можно собрать хороший дашборд, но не суметь объяснить команде, какое решение из него следует.

Чем выше грейд, тем больше от аналитика ждут продуктового мышления, самостоятельности и способности влиять на решения, а не просто выполнять поставленные задачи.

Этот рост хорошо видно и по самому Никите. Недавно он стал преподавателем совместной магистратуры Авито × Высшая школа бизнеса НИУ ВШЭ, где ведёт модуль по продуктовым метрикам. Такой карьерный апдейт хорошо показывает, что с ростом грейда всё больше ценятся не только технические навыки, но и глубина экспертизы, продуктовое мышление и способность видеть задачу шире.

А как понять, чего не хватает именно тебе до следующего грейда?

Один из самых рабочих способов — смотреть на реальные требования рынка и реальные собеседования. Никита как раз регулярно делится в в своем закрепе опытом интервью в IT-компаниях: рассказывает, какие вопросы задают, какие кейсы приходится решать, чего ждут от кандидатов и на каких моментах можно завалиться. Так становится гораздо понятнее, что реально проверяют на следующем грейде и какие навыки стоит прокачивать в первую очередь. А когда пробелы найдены, следующий шаг — их закрыть. Именно для этого мы запупскаем Аналитику ПРО — курс для тех, у кого база уже есть, но хочется выйти на следующий уровень: углубиться в SQL, эксперименты, эконометрику, Causal Inference и ML, а заодно подготовиться к более сложным собеседованиям и карьерному росту. Потому что следующий грейд начинается не тогда, когда в резюме прибавился ещё один год опыта, а когда ты начинаешь решать задачи следующего уровня 🔥

Почему аналитикам сейчас нужно знать больше, чем SQL и A/B-тесты Классическая история: вкатун выучил SQL, построил пару дашбордов в Jupyter, и пошёл по собесам. На первом же интервью его спрашивают: "Расскажите про ваш опыт в Causal Inference. Как вы оцениваете каузальный эффект? Проводили гео-тесты? А как выстроите пайплайн для автоматического отчёта?" Ноутбуки и дашборды уже никого не впечатляют. Рынок перенасыщен вкатунами, а базовые задачи аналитика закрывает LLM. Чтобы конкурировать, нужно знать больше. Посмотрим на реальные вакансии: DA-аналитик, Т-Банк: классический ML, Causal Inference, АБ-тесты. Ad-hoc аналитик, X5: эконометрика, Causal Inference, АБ-тесты, ML, SQL. Аналитик-разработчик, Яндекс: продвинутый SQL, большие проекты на Python, АБ-тесты. И таких вакансий сотни. Заметьте, это не сеньорские позиции. Это обычный продакшн-аналитик джун, мидл-уровень. Аналитик, который умеет не просто строить графики, а оценивать причинно-следственные связи, понимает эконометрику и может написать код для пайплайна обходит десять "чистых" аналитиков на одном собеседовании. По свежим обзорам рынка, вилка продуктового аналитика в России 250–450 тысяч. И попадают в неё именно те, кто дружит с ML и инженерией. Поэтому мы тщательно проработали эти моменты в новом курсе Аналитика ПРО. Кому зайдет курс: — Джунам и стажёрам, которые хотят перейти от дашбордов к полноценному продакшну и расширить выбор вакансий. — Аналитикам, которых на работе просят "оценить эффект от фичи", а как это сделать правильно, никто не объяснил. — Тем, кто метит в Middle и выше. Без Causal Inference, ML и продвинутых АБ-тестов грейд не поднимут, какие бы красивые отчёты вы ни делали. За 6 недель разбираемся в теме так, чтобы на собесе вы отвечали уверенно: — Продвинутые АБ-тесты: CUPED, стратификация, гео-тесты, матчинг, последовательное тестирование. — Causal Inference (каузальный вывод): регрессионный анализ, эконометрические подходы - то, что сейчас спрашивают на каждом собеседовании. — Классический ML для аналитиков: как внедрять модели в пайплайны и интерпретировать результаты. На выходе вы не просто понимаете теорию, а готовы применять эти навыки в работе. И закрываете 80% требований из вакансий на рынке, которые раньше казались недосягаемыми. ➡️ Записаться

Щёлкать собесы в бигтехи или работать в международке? Можно успеть попробовать и то, и другое! Сегодня мы хотим познакомить вас с Аней Аналитессой-разработчицей: она знает не понаслышке и о том, как проходят отборы в топовые компании на рынке РФ, и о том, как найти работу за границей. За 6+ лет опыта она сама поработала в 📱, 🏦, 💙, 😎, а также провела десятки технических собеседований аналитиков-разработчиков и несколько отборов студентов в ШАД и ААА. ➡️ Разборы задач и тем с реальных собесов😎 Разбор задачки про интервал движения поездов Популярная Leetcode Medium из бигтехов Основы О-оценки сложности для собесов Факты про А/В тесты, которые лучше понять, чем заучить ➡️ Аналитика ситуации на рынке в эпоху ИИ🤖 Разбор рекламы в метро про зарплаты 290к у выпускников Про романтизацию продуктовой аналитики Как меняется работа аналитика с приходом ИИ ➡️ Про поиск удалённой и международной работы🌎 Можно ли уехать за границу, оставшись работать на РФ? Простые первые шаги к поиску удалённой работы Вещи, которые мешают найти тебе международную работу Нам нравится Анин канал за то, что там есть и нотка оптимизма — например, посты о том, почему айти ещё не В С Ё вопреки заголовкам, и почему не стоит бояться увольнения 👍 ➡️ @analytess 😺

У России три пути: 18+, ***** и IT И кажется, у нас случился переход между карьерными треками… Нам неважно, какой у человека бэкграунд и чем он занимался раньше. Важно, куда он хочет прийти и что готов для этого делать. Наша студентка, Алина, решила кардинально сменить сферу, пришла на «СТАРТ» и теперь готовится к своей новой цели — получить оффер в Яндекс. Можно следить за успехами и учиться вместе с Алиной. На наши курсы старт, идут финальные 4 часа скидки. ➡️ Записаться

Дайджест вакансий для аналитиков 💵 Многие не знают, где искать вакансии, поэтому мы сделали это за вас. Наша первая подборка вакансий для аналитиков! Здесь собраны актуальные вакансии на стажера/джуна в Озон, ВТБ, Т-Банк и тд. 📌 АНАЛИТИКА → ВТБ — Стажёр в «Цифровые помощники» → Альфа-Банк — Стажёр в департамент продаж и развития малого и микробизнеса → Альфа-Банк — Стажёр в отдел разработки дебетовых продуктов → Ozon — Стажёр-аналитик в коммерцию → Ozon — Младший аналитик данных → Ozon — Стажёр продуктовый аналитик, Производство Fulfillment → МТС — Стажёр Data Analyst Geo → Т-Банк - Младший продуктовый аналитик → Магнит — Стажер-продуктовый аналитик (направление данных и метрик) Перед откликом внимательно читайте требования и делайте так, чтобы ваш стек и опыт максимально подходил вакансии. А если есть трудности с резюме, пониманием, как устроен отбор, то ждем вас на курсе аналитика СТАРТ (на них кст идет распродажа) - скоро как раз будут семинары про резюме, софты, поиск работы 🤑 Подписаться: @ProdAnalysis

Осенний найм уже на старте! Осенью запускаются стажировки, открываются вакансии и поэтому август — лучшее время для подготовки: понять, что спрашивают на отборах, оценить свой уровень и закрыть пробелы до начала учебы! Поэтому не упусти финальную распродажу курсов «СТАРТ» — любой курс всего за 6 490 ₽ ➡Аналитика ➡Алгоритмы ➡Backend ➡Machine Learning Почему сейчас лучшее время присоединиться:

✔️Гибкий старт: все лекции по техническим темам уже выложены и доступны — проходите в своём темпе, а куратор остается на связи и проверит дз и проекты.

✔️Карьерный блок: онлайн-семинарам по софтам. Напишете резюме, которое пройдет скрининг, даже если нет опыта, отработаете самопрезенатицию, пройдёте mock-собеседование с обратной связью.

✔️Закрытый банк вопросов с реальных интервью Яндекса, Т-Банка, Ozon, WB, Авито и других топ-компаний.

✔️Разбор текущего отбора на стажировок Яндекса.

✔️ Реферальная рекомендация в бигтех после успешной защиты пет-проекта.

Выгодное комбо: ➡️Алгоритмы + любой курс всего за 9 990 ₽⬅️ Берите Backend, ML или Аналитику и параллельно ботайте алгоритмы — они встречаются везде, без хороших алгосов не пройти отбор в хорошую компанию. 🔊 Распродажа только 8-9 августа. Подробную программу смотрите на сайте 📌Для вопросов и записи на курс напишите менеджеру

Как проходят собеседования у продакт-менеджеров? Недавно админ этого канала, который пишет про аналитику, спросил у меня, второго админа, который пишет про продакт менеджмент:

«А что вообще спрашивают у продактов на собеседованиях? У аналитиков всё понятно: sql, алгосы, кейсы. А у вас что? У вас спросят про доверительные интервалы? API? Вы кодите или нет?»

➡️Короткий ответ: у продактов спрашивают всё понемногу! Но обычно от нас не требуют на собеседовании написать SQL-запрос, рассчитать доверительный интервал вручную или спроектировать API. Хотя всё зависит от конкретной вакансии и команды. Где-то ищут технического продакта, который хорошо понимает разработку, архитектуру и может сам написать код. Где-то — продакта с сильной аналитикой, который самостоятельно считает экономику, проектирует A/B-тесты и анализирует результаты, потому что отдельного аналитика в команде нет. Но чаще всего на собеседовании проверяют именно продуктовое мышление: — как ты находишь проблемы и формулируешь гипотезы — как проводишь исследования и работаешь с данными — как выбираешь метрики и строишь их дерево — как приоритизируешь задачи — понимаешь ли юнит-экономику — как оцениваешь влияние решений на пользователей и бизнес — как работаешь с разработкой, аналитиками и стейкхолдерами — умеешь ли принимать решения в условиях неопределённости При этом совсем без аналитики и технических знаний не обойтись. Продакт работает на стыке бизнеса, пользователей, данных и разработки, поэтому должен понимать жизненный цикл продукта, принципы A/B-тестирования, базовую экономику и то, как в целом устроена разработка. Сам процесс найма обычно выглядит так: 1️⃣ Интервью с HR Обсуждаете опыт, мотивацию, причины смены работы, зарплатные ожидания и формат работы. Здесь скорее проверяют общий мэтч с вакансией и компанией. 2️⃣ Интервью с лидом продукта Продакт-лид глубже разбирает твой опыт: за какую часть продукта ты отвечал, какие метрики двигал, как находил гипотезы, запускал эксперименты и работал с командой. Могут дать продуктовый кейс. Например: «У нас падает конверсия в заказ. Как будешь разбираться?» Или: «Как увеличить количество платных подписчиков в два раза?» Здесь важен не единственно правильный ответ, а ход мыслей: какие вопросы ты задашь, какие данные запросишь, как сформулируешь гипотезы и по каким метрикам оценишь результат. 3️⃣ Техническая секция Она есть не везде и сильно зависит от команды. На встречу могут прийти аналитик, проджект или технический лидер. Аналитик спросит про метрики, дизайн A/B-теста, статистическую значимость и экономику запуска. Проджект или техлид — про постановку задач, зависимости, работу с разработкой, риски и то, что ты будешь делать, если ресурсов не хватает, а запуск нужен через две недели. 4️⃣ Интервью с CPO Снова обсуждают опыт и дают кейсы, но обычно смотрят уже шире: как ты принимаешь стратегические решения, понимаешь бизнес, работаешь с неопределённостью и конфликтующими интересами. Получается, что собеседование продакта — это не экзамен по одной конкретной дисциплине. Скорее, проверка того, умеешь ли ты собрать вместе данные, исследования, экономику, разработку и интересы бизнеса, а затем принять решение и довести его до результата 😊 Подписаться: @ProdAnalysis

Последний шанс поступить на магистратуру от Авито и ВШБ ВШЭ! Программа «Управление продуктом в ИТ-бизнесе» создана Авито совместно с Высшей школой бизнеса НИУ ВШЭ для тех, кто хочет развиваться в продуктовой роли и работать с цифровыми продуктами на уровне крупной технологической компании. Что даёт программа: — преподаватели-эксперты из Авито и НИУ ВШЭ; — работа с реальными продуктами и бизнес-кейсами; — продуктовая аналитика, исследования пользователей, стратегия развития продукта и юнит-экономика; — возможность попасть на стажировку в Авито уже во время обучения. А ещё 25 из 45 мест на программе — с грантом на обучение от Авито. Дедлайн — 8 августа, поторопитесь! Подать заявку

C какими айтишницами стоит строить отношения, а какие - ред флаг? В новом ролике разобрал все бигтехи по фактам: Яндекс, ВК, Т-банк, Озон, Сбер. Смотрим! Смотрим! И не говорите потом, что не предупреждал! https://www.youtube.com/shorts/d_lUVE5oo7A

бот

Кто такой продакт-менеджер и зачем он нужен команде Если вы вдруг задавались вопросами: кто такой продакт и почему его задачи нельзя просто разделить между аналитиками и разработчиками? То в этом посте объясню про профессию продакта и его взаимодействие с аналитиками Мое определение:

Продакт-менеджер отвечает за то, какой продукт создает команда, какую ценность от несет, для кого и ради какого результата.

Допустим, бизнес хочет увеличить количество заказов. Вариантов много: изменить онбординг, запустить программу лояльности, упростить оплату или добавить новую механику рекомендаций. Продакт должен понять: ➡️где находится основная проблема ➡️какую аудиторию и потребность стоит выбрать ➡️какое решение даст наибольший эффект ➡️что запускать сейчас, а что отложить ➡️по каким метрикам оценивать результат После этого он собирает команду вокруг общей цели и ведёт задачу от идеи до запуска и оценки результатов. Как продакт работает с аналитиками 1️⃣ С продуктовым аналитиком Вместе изучают поведение пользователей, строят воронки, ищут точки роста и проверяют гипотезы. Продакт формулирует проблему и принимает решение, что делать дальше. Продуктовый аналитик помогает подтвердить решение данными: рассчитывает метрики, проектирует A/B-тест и оценивает эффект после запуска. Например: продакт предполагает, что пользователи не завершают заказ из-за сложной оплаты. Аналитик проверяет воронку и выясняет, на каком именно шаге они уходят и в каких сегментах проблема сильнее. 2️⃣ С бизнес-аналитиком Продакт определяет, какую пользовательскую или бизнес-проблему нужно решить. Бизнес-аналитик подробно разбирает процессы, правила и требования. Например, продакт решает запустить оплату заказа бонусами. Бизнес-аналитик описывает, кто может списывать бонусы, в каком количестве, при каких условиях и как это повлияет на существующие процессы. 3️⃣ С системным аналитиком Когда понятно, что именно нужно запустить, системный аналитик переводит бизнес-логику на язык систем: описывает взаимодействие сервисов, интеграции, API, данные и возможные ограничения. Продакт отвечает за ожидаемый результат и приоритет задачи, а системный аналитик за то, чтобы решение было корректно спроектировано с технической точки зрения. Получается простая связка: 🔵продакт определяет, зачем и что делаем 🔵продуктовый аналитик помогает понять, что происходит в продукте и сработало ли решение 🔵бизнес-аналитик описывает, как должна работать бизнес-логика 🔵системный аналитик определяет, как это реализовать на уровне систем В разных компаниях границы ролей могут отличаться. Где-то часть аналитической работы берёт на себя продакт, а где-то один аналитик совмещает сразу несколько направлений. Вот как устроено в компаниях: 1) В Яндексе зачастую продакт работает с аналитиком-разработчиком (и системный анализ понимает и разработать может) 2) В Т-Банке в core продукте (кредиты, карты, инвестиции) есть бизнес-аналитики (их кстати называют технологами), но в нефинансовых сервисах технологов уже нет 3) В Х5 продакт работает с бизнес и системными аналитиками В общем, ответственность продакта остаётся одной: выбрать правильную проблему, направить команду на её решение и отвечать не за количество запущенных фич, а за результат для пользователей и бизнеса… деньги деньги деньги 💰

Разбор контеста на стажировку в Яндекс за подписку! Чтобы получить разбор: ➡️Подпишитесь на нас в запрещенной странице тут ➡️Поставьте «+» в комментариях под последней каруселью тут ➡️После этого бот пришлёт вам материал в директ Внутри будет разбор контеста и заданий, которые помогут подготовиться к отбору в Яндекс

Как продакту и аналитику понимать друг друга Ох, товарищи, тема щепетильная. Говорят даже: если продакт и аналитик не ругаются, то продукт не строится 👍 В целом да, но только если это конструктивный спор. Но иногда бывает срач из разряда: ты дебил, нет - ты! К сожалению, не всегда продакт хорошо разбирается в данных, а аналитик в бизнесе, продукте и клиенте. Но сильный результат появляется, когда оба погружаются в работу друг друга. Что важно знать продакту: 1. Как устроены A/B-тесты: от формулировки гипотезы и выбора метрик до анализа результатов. Это поможет быстрее ставить задачи и не запускать эксперименты, которые невозможно нормально оценить. Кстати, пайплайном A/B-теста мы уже делились в канале. Он для собесов, но в целом подойдет, чтобы разобраться в тестах 2. Дерево метрик продукта. Нужно понимать, на какую метрику работает команда, какие показатели на неё влияют и какие прокси можно использовать. Не всегда North Star Metric можно быстро сдвинуть. Иногда эффект нужно оценивать через более чувствительные показатели. 3. Юнит-экономику и основные цифры продукта: конверсии, средний чек, частоту, retention, CAC, доходы и расходы. Необязательно помнить всё, но нужно понимать порядок значений и текущие бенчмарки. Что важно аналитику: 1. Не просто считать, а задавать вопросы. Какую гипотезу проверяем? Какое решение примем по результатам? Почему смотрим именно на эту метрику? 2. Не приносить только таблицы и графики. В анализе должны быть выводы, ограничения и рекомендации: что произошло, почему и что с этим делать. 3. Уметь объяснять результаты простым языком. Заказчиком может быть не только продакт, но и маркетолог, операционный менеджер или руководитель, который не разбирается в аналитике. 4. Знать аудиторию продукта. Изучать исследования, смотреть интервью с пользователями, читать обращения и понимать, какие задачи решает продукт. На рынке сейчас ценятся специалисты, которые и бизнес, и дата дривен. Поэтому каждому надо погружаться в разные зоны, чтобы быть востребованным 💸 Подписаться: @ProdAnalysis

Товарищи, мы думаем расширить экспертизу канала и добавить рубрику «Продуктовый менеджмент» Рынок требует от кандидатов не просто знание хардов, а также понимание, что ты вообще делаешь и зачем это нужно бизнесу Поэтому данной рубрикой хотим больше вводить вас в бизнесовую часть, развивать насмотренность, уметь находить общий язык с менеджерами К тому же, переход из аналитика в PM – это база, и если у вас есть связка «аналитика» + «бизнес майндест» + «менеджмент», то вам будет проще расти по карьерной лестнице

Как не перегореть продуктовому аналитику в 2026 году? (Часть 1) Здравствуйте, товарищи! Сегодня разберём важнейший навык продуктового аналитика - способность не перегореть из-за ночных запросов руководителя, сломанных дашбордов и просьб бизнеса: "Посчитай мне быстренько такие-то циферки". В нынешнее время аналитику уже недостаточно знать SQL, уметь дизайнить A/B-тесты и строить различные графики. Ко всему этому добавляются понимание продукта, общение с менеджерами, валидация данных, автоматизация различных рутинных задач и проверка того, не придумала ли нейронка что-то несуществующее. Если пытаться делать всё это одновременно, то можно достаточно быстро перегореть. Поговорим о том, как можно этого избежать в нынешнее время. Основная проблема выгорания в том, что аналитик может сделать кучу задач за день: написать нужные запросы, построить графики, обсудить запуск какого-то теста, провести пост-анализ прошедшей маркетинговой кампании, но в итоге останется ощущение, что он просто перекладывал данные из одной таблички в другую. И вот советы, которые помогут этого избежать. 1. Не пытаться анализировать вообще всё Тут основная проблема в том, что аналитик хочет разобраться в каждом вопросе максимально глубоко. Менеджер может прийти с вопросом, почему какая-то метрика упала на 2%, а аналитик уже соберёт данные за последние несколько лет, построит кучу графиков, проверит сезонность и ещё много всего, хотя достаточно будет просто проверить несколько базовых вещей и сказать, что изменение находится в пределах обычного шума. Перед началом решения какой-либо задачи нужно определить: 1. какое решение будут принимать по результатам анализа; 2. насколько точный ответ нужно дать; 3. сколько времени стоит закладывать на выполнение этой задачи. Если после выполнения анализа какие-то очень важные выводы делать не собираются, то, возможно, не стоит проводить суперглубокий анализ и тратить на это кучу времени. 2. Разделять важные исследования и ad hoc-задачи Есть исследования, от результатов которых будет зависеть запуск каких-то кампаний, перераспределение бюджетов или ещё что-то достаточно важное. В таких задачах действительно нужно внимательно смотреть данные и проверять различные методологии. А есть вопросы из разряда: "Сколько человек вчера нажали на такой-то баннер?". Такие задачи не надо превращать в глубинные исследования и тратить на это кучу времени. Наверное, лучший совет, который тут можно дать, - обсуждать с заказчиком, какой именно уровень анализа ему нужен. Иначе может произойти так, что человек будет ожидать ответ к обеду этого же дня, а вы принесёте ему результат через неделю. 3. Избавляться от бесконечных ad hoc-запросов Каждую неделю вас могут просить писать почти идентичные запросы из разряда: "Собери мне выборку для такого-то теста с такими-то отсечками по пользователям". Тут проблема не в количестве работы, а в самом процессе. В такой ситуации нужно постараться автоматизировать процессы, чтобы они занимали минимальное количество времени. Тут основные советы: 1. автоматизировать шаблоны для сбора выборок или выполнения каких-то запросов, если это возможно. 2. сохранять информацию о том, какие метрики достаточно часто повторяются, как они считаются и из каких витрин в основном берётся информация. 3. сохранять результаты исследований, которые вы проводили сам. 4. хранить типовые ошибки, которые обычно встречаются при обработке различных данных в вашей зоне ответственности. 4. Использовать нейронки, но не становиться их рабами Мы уже писали гайд как не стать ИИ макакой, но опишем здесь кратко, а недавно наши преподаватели даже проводили дебаты про ИИ. Eсли вслепую брать ответы нейронки, то времени станет только меньше, потому что надо будет искать, почему запрос считает не тех пользователей или почему используется не тот статистический тест. Поэтому следуем такому пайплайну. 1. сначала самостоятельно формулируем задачу и то, какой результат ожидаем; 2. потом отдаём нейронке конкретный кусок работы; 3. проверяем код, логику и данные; 4. только после этого используем результат. Подписаться: @ProdAnalysis