Как аналитики яичницу жарят
Как гласит один безвкусный научпоп-заголовок, данные правят миром. А кто несёт волю повелителей простым смертным? Аналитики — брахманы бизнеса! Как проложить себе путь в эту касту? Об этом поговорим в пятом выпуске нашего подкаста.
В честь юбилея для этого мы позвали сразу двух гостей — Татьяну Сафрыгину, декана факультета UX-аналитики и Conversion Rate Optimization Analyst в «Лаборатории Касперского», и Евгения Малахова — операционного директора аналитической компании Room42 и куратора факультета веб-аналитики GeekUniversity.
Пятый выпуск подкаста можно послушать на разных платформах:
Краткое содержание
- «Аналитика — это как машину водить, в Need for Speed не научишься».
- Разбираем бизнес-майндсет по косточкам.
- Должен ли аналитик уметь добывать данные?
- Про базовые скилы аналитика.
- Как оценивать вакансии аналитиков. Что значит «любить пользователей»?
- Чек-лист нормальной вакансии аналитика.
- Вопросы аналитикам-джунам на собеседовании. Тестовые задания.
- Ошибки джунов на собеседовании. Важность пет-проектов.
- Работа с фидбэком на курсах и при устройстве на работу.
— Ребята, в последнее время я замечаю, что появляется большое количество аналитических специальностей у нас в GeekBrains. Мы даже сделали отдельный юнит аналитики и продакшена (надеюсь, это не секрет). Я вижу, что есть финансовые, маркетинговые и всякие другие аналитики. Хотелось бы с вашей помощью разобраться во всём этом многообразии. Сам я с этой сферой не связан, и аналитика вызывает у меня благоговение. Расскажите про основные специализации в вашей области.
Татьяна: Основные — продуктовые аналитики, data-аналитики, веб-аналитики и бизнес-аналитики. Это ядро, из которого состоит рынок для IT-компаний. У бизнес-аналитиков есть свои разветвления, например, среди них можно выделить маркетинговых аналитиков. Женя, добавишь кого-нибудь?
Евгений: Разных аналитиков очень много. И здесь хотелось бы сделать ремарку. К счастью или к сожалению, разделение придумали не в GeekBrains и даже не на каком-то другом образовательном проекте. Поэтому классификаций много, в зависимости от рынка и продукта. Есть аналитики финансовые, есть маркетинговые, веб- и мобильные, системные и бизнес-аналитики. Есть дата-аналитики, дата-сайентисты и дата-инженеры, и всех этих людей можно отнести к сфере аналитики. Можно назвать десяток специализаций.
Лучшую классификацию, которую я видел, даёт Google на Google Cloud Platform. У них очень классное разделение. Они показывают команду и говорят: «Это Джеймс. Джеймс — архитектор. Джеймс занимается тем, что планирует облака на основе бизнес-требований, которые есть у компании, выстраивает наборы инструментов и то, как они связаны, какие типы задач будет решать структура». Далее в кадре оказывается другой человек. «Это Эндрю. Он дата-инженер, настраивает конкретные инструменты и оптимизирует их, сводит пайплайны, чтобы данные корректно передавались. А это Саймон, он девопс, оптимизирует хранилище данных и позволяет компании снижать затраты на поддержание инфраструктуры». И так мы доходим до бизнес-аналитика и дата-сайентиста. Каждый человек говорит, чем он занимается, с чего начинается процесс и чем заканчивается. Такая структура мне кажется более-менее логичной в сегодняшней ситуации и нынешних профессиях. Всё это можно отнести к аналитике, потому что само понятие широкое.
Татьяна: Очень часто аналитиками любят называть совсем не тех людей, которые имеют отношение к аналитике. Это одна из серьёзных проблем.
«Аналитика — это как машину водить, в Need for Speed не научишься»
— Вокруг аналитики есть ореол серьёзности, возвышенной непонятности. Даже я этому подвержен, поэтому и решил поговорить с вами. Скажите, как к миру аналитики подступиться новому человеку, как во всём разобраться? Можно какой-нибудь мини-гайд для новичков?
Евгений: Мне кажется, здесь стоит пойти от обратного. Аналитике сложно научиться без практики. Это как водить машину: ты можешь научиться, только если ты постоянно за рулём...
Татьяна: …а не только в Need for Speed.
Евгений: Да, то есть недостаточно играть на симуляторах и просто знать все правила. Если ты не практикуешься, ты не будешь осознавать многие особенности. Точно так же у всех инструментов аналитики, как и у разных марок машин, есть свои нюансы. Например, не поездив на «девятке», ты не узнаешь, что если музыка заедает, то нужно ударить по магнитоле. Это практика, которая нарабатывается.
Специализации, которые выстраивают компании внутри рынка, всегда складываются из бизнес-требований. Из того, какие инструменты готовятся в компании, какие там процессы, какой у компании масштаб, на каких рынках она работает, какие специализации у неё уже есть, а какие ещё нужны. При этом человеку, чтобы понять, куда конкретно он хочет пойти, нужно понимать, что вообще существует. Даже у аналитиков не всегда есть полное понимание рынка. Специализаций много, и человеку в первую очередь нужно научиться базово смотреть на данные и использовать инструменты аналитики. Тогда, пощупав данные, ты сможешь понять, что тебе действительно интересно и подходит.
— Получается, есть какая-то единая основа у всех этих специализаций, которую нужно освоить в любом случае? А потом уже углубляться в отдельные области, да?
Евгений: В целом да. Это моё мнение. Но есть люди, которые сразу понимают, что они, например, хотят стать дата-инженерами. Или дата-сайентистами. И для этого есть прекрасные программы профессий, которые обещают подготовку с нуля до уровня junior data scientist. Это конкретное, очень узкое направление.
При этом многим аналитикам, в том числе джунам, не хватает понимания, что такое вообще анализ, как строится аналитика. Как данные собираются, обрабатываются, какие есть варианты. Чтобы человек мог пойти дальше, зачастую не хватает базы. Мы с Таней это уже как-то обсуждали. Студентам иногда недостаёт не hard skills, а банальной логики, внимательности. А нужно понимать, что аналитик — это человек, который должен быть очень внимательным. Ведь чтобы ответить на бизнес-вопрос и помочь компании, нужно сначала собрать данные, потом их обработать, валидировать, проанализировать, протестировать — и только после этого внедрять. И если на одном из этих этапов ты допустишь ошибку, даже небольшую, то весь процесс умирает. Это очень важно — понимать аналитику с самого начала. А это возможно, только если ты знаешь, как взаимодействуют задачи — твои и коллег.
Татьяна: Здесь я готова немного поспорить с Женей. Насчёт того, что можно пойти учиться — и вот ты junior data scientist. В индустрии очень много споров о том, кто такие дата-сайентисты. На самом деле дата-сайенс — это про комплексные навыки, которые состоят и из хард-скилов, знания SQL-диалектов, Python, R, хорошей визуализации данных. И при этом у дата-сайентиста должен быть развит деловой образ мышления, business mindset. Такого джуна тяжело подготовить, но на других позициях аналитиков всё попроще с комплексными скилами, которые относятся к дата-процессингу, и немного легче начать с business mindset.
Вообще я считаю, что, если не говорить про скилы, к аналитике можно подступиться через business mindset. Если ты мыслишь «бизнесово», если тебе интересно играть на этой стороне, если ты хочешь принести бизнесу выручку и относишься к работе как к собственному делу, то тебе будет легко войти в аналитику. Для меня аналитик — это основа любого бизнеса. Но к сожалению, на рынке во многих компаниях сейчас уделяют аналитике очень мало внимания. Чтобы войти в неё, вне зависимости от специализации, нужно понимать, есть ли у тебя business mindset и желание погрузиться в бизнес, развить его и принести пользу. Я имею в виду — в виде выручки, финансовых показателей. Если у человека есть такая потребность в самореализации, то ему будет просто войти в аналитику. Дальше уже стоит говорить про обучаемость, логику — это уже практика. Об этом Женя сказал.
Схема эффективного майндсета. Источник: chuckbartok.com
— То есть для начала нужно выбрать область, которая тебе интересна и в которой ты чувствуешь свой business mindset, а потом уже переходить к каким-то техническим скилам.
Татьяна: Да, конечно. Нужно найти область, в которой тебе интересно развиваться, а выбор очень большой. От него может быть лёгкий аналитический паралич. На чём остановиться? Я, например, раньше думала, что ниша такси самая классная, и очень хотела работать на агрегатора такси. Поработала и поняла, что сильно ошибалась, мне интересно другое: пользователи, построение user-friendly бизнеса.
Так я пробовала свой business mindset в различных направлениях и понимала, куда двигаться, какая должна быть карьерная траектория. Все так делают: выбирают и пробуют. Чтобы стать джуном, ты сначала пробуешь то, что приходится по душе, а потом можешь осознать, что выбор был навязан какими-то IT-клише. Так ты и понимаешь, что тебе ближе, в чём хочется развиваться.
Разбираем бизнес-майндсет по косточкам
— Пока мы не ушли далеко, можешь объяснить, что значит business mindset? На каком-то неосязаемом уровне это примерно понятно — но, я думаю, не всем.
Татьяна: Это про развитие бизнеса: насколько твой бизнес и бренд узнаваемы, насколько он масштабируем и какая у него операционная выручка. Если ты всегда думаешь исключительно об этих показателях, то это и есть business mindset. Да, это не твой бизнес, ты наёмный сотрудник, но ты думаешь про это. Планировать развитие бизнеса, стратегически правильно выстраивать работу не только внутри своего подразделения, но и при взаимодействии с другими департаментами, добиваться общих результатов. Это business mindset в моём понимании. Женя, ты что скажешь?
Евгений: Давайте сначала разберёмся с понятием бизнеса. Бизнес — это, если верить Википедии, самостоятельная, осуществляемая на свой риск деятельность, направленная на систематическое получение прибыли. Начнём с этого куска. Как видим, главное слово в определении бизнеса — «прибыль». Деньги в бизнесе — это всё. То, что создано не с целью заработка, не является бизнесом. Это может быть некоммерческая организация, образовательная, но не бизнес. Отсюда складывается и business mindset: человеку нужно думать о деньгах, о том, откуда они берутся и как их добыть больше.
Можно сказать, что это немного алчно и зачастую мы не думаем про счастье пользователей. Но вопрос не в том, чтобы думать, как больше заработать с точки зрения количества, а с позиции аналитика понимать, как дружат счастье пользователей, отзывы, которые они пишут, и деньги, которые они приносят. И связаны ли вообще. Как соотносится то, как пользователь видит наш продукт, и то, сколько он потом за него платит. Аналитику нужно постоянно думать о деньгах, потому что эти специалисты — люди достаточно дорогие, и бизнесу, чтобы что-то платить за аналитику, нужно иметь деньги.
При этом аналитики обычно подключаются в тот момент, когда бизнес не может расти стандартными путями и остаётся буквально пара процентов. Но эта пара процентов в масштабе — очень большая сумма, которая может окупить всю работу аналитика. Ему, чтобы сделать что-то полезное, нужны данные. Если в бизнесе нет данных, то аналитик, скорее всего, не поможет.
Чтобы помочь системе вырасти на один, два, три, даже на десять процентов, требуется понимание того, как она работает. А оно формируется только с опорой на знание о том, на что система направлена. Этот вектор — получение денег. И здесь нужно понимать, как строится бизнес-модель, как деньги зарабатываются, как пользователи платят, за что, как это сопряжено с другими метриками, которые есть в компании, с ресурсами и продуктами. Это и есть business mindset: понимание, откуда в бизнесе берутся деньги и как они коррелируют с конкретной работой человека.
Татьяна: На курсе преподавать начинает Женя, а мой курс по UX-аналитике идёт где-то четвёртым. Студенты после его занятий приходят и говорят: «А вот Женя нам сказал, что нужны деньги». Приходится объяснять, что нужно быть user-friendly, адвокатами пользователя. «Нет, сначала нужны деньги!». Потом созваниваемся в Женей, я прошу его не учить студентов быть такими алчными.
Евгений: Важно понимать, как работает наш мозг. Мы очень любим обманывать себя, придумывать, что деньги можно заработать, просто вложившись в какую-нибудь пирамиду. Или понять что-то, посмотрев один раз. Но чаще всего так не работает. И это касается business mindset — он не говорит о том, что деньги превыше всего и мы не должны смотреть на что-то другое. Он про то, как понять, откуда они берутся. То есть влияет ли то, что пользователь к нам приходит, на деньги.
Заработок бизнеса зависит не только от того, сколько сейчас нам заплатил пользователь, но и от того, как часто он платит, как много, зовёт ли друзей. Показатели, которые влияют на возвращаемость и частоту покупок, зачастую складываются из понятия user-friendly. Зачастую на этих двух направлениях можно заработать больше, чем на единоразовой покупке. В любой банковской системе стоимость привлечения клиента раза в три-четыре выше, чем пользователь платит единовременно, открывая карту. Срок окупаемости одного пользователя может быть около года. Именно поэтому банки очень щепетильно относятся к службам поддержки и стараются делать интерфейс максимально user-friendly. Среди банков много примеров качественного UX-дизайна. У них много информации, которую надо хорошо структурировать. Это позволяет не терять пользователей и окупать их в бизнес-модели. В этом и проблема: надо понимать, что стоит за деньгами. Какая структура получения денег, как они приходят. Это всё сложнее, чем просто что-то продавать.
Должен ли аналитик уметь добывать данные?
— Получается, чтобы делать какую-то аналитику, нужны данные. Понятно, что в крупных банках это всё поставлено на поток и есть с чем работать. Предположим, ты приходишь как молодой аналитик в компанию, а там не выстроены процессы получения данных. Ты должен уметь налаживать эту систему с самого начала? Добывать данные?
Евгений: Я бы поспорил о крупных банках — как человек, который с ними сталкивался изнутри. Есть две проблемы. Первая — на уровне любой крупной компании, она понятная: предприниматель знает, что ему нужно учитывать свои доходы и расходы, у которых есть внутренняя структура. Но когда бизнес масштабируется и у тебя работают не три человека, а 50 000, и источников данных не пять, а сотни тысяч, то всё становится намного сложнее структурировать. Даже крупному банку. Чем больше корабль, тем медленнее он поворачивается.
Переходя к твоему вопросу: должен ли человек уметь собирать и структурировать данные. Здесь многое зависит от специалиста. Одним больше нравится работать в стартапах, а другим — в корпорациях. И это два типа людей с абсолютно разными требованиями к аналитике. Чем крупнее компания, тем больше становятся задачи — поэтому у нас появляются градации по типу Google. Там у тебя есть девопс, который отвечает только за то, чтобы все базы правильно работали и создавались резервные копии. А когда ты в маленьком стартапе, то не можешь позволить себе отдельного человека, который будет заниматься исключительно этим, да и в целом у тебя только одна база. Поэтому в стартапе нужно быть таким универсальным человеком, который может в небольшом масштабе и собрать данные, и обработать, и проанализировать, и дальше что-то сделать с результатом анализа. Это тоже важная часть, которую стоит сразу узнавать джуниорам: анализ ради анализа — это плохой анализ. Анализ проводится ради того, чтобы дальше с его результатами что-то сделать. Именно в этом польза аналитики.
Татьяна: Если приходишь в компанию и тебе говорят, что надо выстроить информационную архитектуру и базы данных, потому что в компании ничего нет, и только потом что-то анализировать — ты попал. Если ты аналитик без знания дата-инжиниринга, если не умеешь правильно строить хранилища, не в курсе, сколько это стоит, — ты попал. Так в основном говорят в стартапах. В компаниях посерьёзнее, в среднем сегменте бизнеса такого не услышишь. Я сама с этим сталкивалась.
Здесь нужно понимать, насколько дата-инжиниринг серьёзная и дорогая вещь. Нанять кого-то, даже удалённо, чтобы настроить хранилище данных и поставить всю систему на поток, чтобы можно было писать запросы, — стоит очень много денег. Это нужно донести бизнесу, который тебя нанял. Если ты не умеешь аргументировать и отстаивать свою позицию, не можешь убедить бизнес вложиться в такую серьёзную вещь, как построение хранилища данных, то у тебя, скорее всего, ничего не получится. Будешь анализировать аккаунт Google Analytics и Яндекс.Метрики.
Евгений: Мне нравится аналогия со строительством: построение системы аналитики и возведение домов. Один человек, даже очень рукастый, может построить сарай, в котором будут храниться лопаты и вёдра. Если соберутся трое, то они смогут поставить курятник. А чтобы построить дворец или аквапарк, понадобится куча людей: несколько архитекторов, много инженеров, будет отдельная бригада, которая будет класть бетон, специалисты для расчёта энергонагрузки системы, водоснабжения и так далее.
Чем крупнее система, тем больше требуется людей разных специальностей. Поэтому у стартапов или совсем небольших проектов вроде интернет-магазина структура немного похожа на сарай: у нас есть Google Analytics и сайт, нужно их подружить. И это может сделать один человек с базовыми знаниями. Но если он приходит в большой или средний бизнес и ему говорят то же самое… Это выглядит так, как если бы вы пришли на стройку, а вам сказали, что нужно построить девятиэтажный дом. Даже очень крутой архитектор в одиночку с этим не справится.
Татьяна: Он только его нарисует и спроектирует.
— Это как раз к вопросу об архитекторах. Этим занимаются архитекторы хранилищ?
Евгений: Да, и есть архитекторы не только хранилищ, но и систем аналитики. Такая система в компании может быть очень большой и состоять не только из облаков, хранилищ. Там может быть множество ресурсов и инструментов, которые должны складываться в архитектуру.
Возьмём для примера какой-нибудь парк развлечений. С внешней стороны мы видим только горки — но они разные по виду, к ним нужно разное электричество, вода, система охраны, логистика, чтобы всё можно было привозить и увозить, чтобы поток людей двигался правильно. Это всё немного больше, чем просто проектирование базы данных. Хотя и его нельзя назвать простой задачей.
— И этим всем занимаются дата-инженеры? Созданием этих систем?
Евгений: Да. Дата-инженеры — это те люди, которые своими руками реализуют архитектуру. Которые знают, как строится база данных и как одну БД подружить с другой, как туда положить данные, как они должны обрабатываться.
— То есть дата-инженер добывает данные, а аналитик потом с ними работает?
Евгений: Верхнеуровнево дата-инженер тоже является аналитиком.
— Ну чтобы понять, что добывать, ему тоже нужно врубаться в тему?
Татьяна: Я бы сказала, что ему нужно сверхврубаться. Это такой бог аналитиков.
Евгений: Да, дата-инженерами люди становятся потом. Базово они приходят в аналитику и начинают анализировать данные на уровне БД, а потом переходят к дата-инжинирингу. Не от обратного идёт.
Татьяна: Я знаю много примеров, когда ребята были дата-аналитиками или дата-сайентистами, и в итоге они пришли в дата-инжиниринг.
— То есть он объединяет компетенции по аналитике и хард-скилы по части IT?
Евгений: В целом да, так и есть. У дата-инженера больше хард-скилов. Вернёмся к простым аналогиям. Например, у тебя есть отель. И ты как дата-аналитик знаешь, как у тебя живут гости, сколько нужно номеров, нужен ли ресторан, сколько раз нужно проводить уборку в номерах, как сделать эффективную структуру, которая будет зарабатывать деньги.
Если мы спускаемся на уровень ниже, то возникает вопрос, а как это всё построить? Как это сделать технически? Сколько должно быть этажей, сколько нужно материалов. Чтобы собрать структуру «отель», нужно начать со здания. Дата-инженер обладает хард-скилами в IT, навыками анализа и пониманием архитектуры, структуры системы.
— Я правильно понимаю, что наши рассуждения движутся в сторону дата-сайентистов в чистом виде?
Евгений: Не обязательно. Всё зависит от того, куда ты нас поведёшь. Дата-сайентист — это суперхоливарная тема, описывающая всё одним понятием.
Татьяна: Действительно, я сама не люблю об этом рассуждать, стараюсь оставаться в стороне. Но мы сейчас озвучили свою боль — и понимаем, что главный человек, наверное, это дата-инженер.
Евгений: Не обязательно главный, но это человек, без которого не будет ничего. Без архитектора можно построить, но не то. Но если будет только архитектор, то мы вообще ничего не построим.
Про базовые скилы аналитика
— Получается, нужно думать не только о том, в какой области у тебя есть business mindset, но и насколько глубоко ты готов погрузиться в аналитику, интересен ли тебе инжиниринг или только сама аналитика? Или это какая-то естественная вещь? Сначала ты становишься аналитиком в определённой области, потом дата-инженером в ней и затем уходишь куда-то в стратосферу по своей крутости?
Евгений: Недавно в одном подкасте услышал рассуждение на тему аналитических скилов. Там была мысль о том, что навык аналитики станет в целом базовым, независимо от специализации. Аналитик может быть в маркетинге, может быть в финансах, но все эти направления требуют умения работать с данными. То есть будет база, которая распространится на многие профессии, не только на аналитику.
Татьяна: Да, многие уже об этом задумались. Люди, работающие на менеджерских позициях, не связанных с аналитикой, в том числе продакт-менеджеры, изучают SQL, математическую статистику, активно погружаются в то, что делают аналитики. Им нужно аналитическое мышление и базовые хард-скилы.
Я согласна, что в будущем этого разделения не будет, потому что аналитика — это стратегическое мышление. А оно подкрепляется только хардовыми скилами. Многие уже начали идти по этому пути, чтобы стать универсальными солдатами с точки зрения аналитических навыков. Я думаю, что это классно, но не у всех получается. Многие, кто находится на менеджерских или смежных с аналитикой позициях, слабы в критическом мышлении, в логике, хотя стараются освоить SQL, Python, ещё что-то. Мне кажется, что база, которая должна быть, — это критическое и сильное стратегическое мышление. Только с такой базой есть смысл изучать конкретные инструменты.
Евгений: Абсолютно согласен с Таней. Если представить профессиональный рост человека, который хочет развиваться в аналитике, то это будет выглядеть как пирамида. В начале ты усваиваешь, как вообще работают данные, что такое логическое и критическое мышление, стратегия, какие есть инструменты, а далее уже углубляешься. Нельзя начать от обратного, это просто странно. Но на многих курсах так преподают, и люди пытаются так учиться. Им кажется, что аналитика такая сложная, что нужно сначала выучить Python, а потом уже разбираться, что с ним делать. Это выглядит странно.
Приведу очередную аналогию. Это как научиться ездить только на «Жигулях». И если тебя сажают в другую машину, ты говоришь, что умеешь только на «Жигулях» рулить. Хотя очевидно, что лучше научить человека водить в принципе — чтобы, если он потом сядет за руль грузовика, тоже смог понять, как на такой машине поехать. А у нас зачастую всё работает наоборот: работодатели требуют конкретные инструменты. Но важно понимать, как эти инструменты работают изнутри.
Например, в визуализации данных компания использует только Tableau. И человек, который учит Power BI, посмотрит в вакансию, увидит Tableau — и всё, до свидания. Но на самом деле, если человек умеет работать с BI-системой, понимает, как строятся визуализации, откуда они берутся, как рассчитываются данные, как их можно агрегировать — то ему не столь важно, что будет с точки зрения интерфейса. Интерфейс и функции можно выучить за пару дней.
Пример диаграммы мультиканального трафика в Tableau
Татьяна: Да, я абсолютно согласна. За пару дней можно выучить Tableau, YouTube-туториал вам в помощь. Дальше всё зависит от того, насколько вы вообще понимаете, как визуализировать данные. Всегда ставьте себя на место бизнеса. Если вы открываете свой отчёт и думаете: «Ё-моё, что это такое, что за непонятные диаграммы», — закрывайте отчёт и идите его переделывать.
Когда я говорю «бизнес», имею в виду и ваших коллег, которые открывают этот отчёт и пользуются им. Нужно, чтобы они за 30 секунд могли понять, что вообще в этом отчёте происходит. Это про хорошую насмотренность. Если ты работал с Power BI и понимаешь, как правильно представить данные на диаграмме, то дальше у тебя не будет проблем. Основная твоя задача — уделить два дня просмотру туториалов по Tableau.
— То есть изначально у тебя должен быть business mindset в какой-то сфере, должны быть базовые знания, о которых мы сейчас говорим (о том, как в принципе что работает и какие данные для чего можно извлечь), — и только потом ты начинаешь осваивать инструменты, которые нужны для работы?
Татьяна: Именно так.
Как оценивать вакансии аналитиков. Что значит «любить пользователей»?
— Давайте поговорим о более приземлённых вещах. Как мы выяснили, не все компании представляют, какой им требуется аналитик и что от него нужно. Просто ищут человека, который с помощью данных компании заработает ей миллионы, универсального специалиста. Расскажите, как к этому подходить, стоит ли в принципе за это браться? Как выявлять такие вакансии, на которых тебя попросят чёрт знает о чём и ты не будешь знать, куда бежать?
Евгений: Здесь всё относительно просто. Нужна адекватность и понимание того, что у тебя просят. Но случается когнитивный диссонанс. Мы все любим выглядеть лучше в глазах работодателей. Кандидаты на собеседовании могут называть вещи, с которыми они не встречались или работали очень поверхностно. В каждой вакансии аналитика есть требование — высокий уровень владения Excel. Но все понимают это по-разному: есть люди, которые считают, что если они умеют пользоваться формулами и делать сводные таблицы, то у них высший уровень в Excel, круче не бывает.
Когда появляется вакансия, нужно в первую очередь посмотреть на требования и обязанности. Если вы добрались до личного интервью и уже общаетесь с представителями компании, подробно расспросите, что от вас хотят. Это поможет понять, справитесь ли вы, если некому будет вам помочь. Представляете ли вы, как конкретно будете это делать?
Мне кажется, что зачастую проблема в том, что люди хотят устроиться на крутую работу, где обещают супермасштабные задачи. И вписываются в это, не понимая, что их на самом деле ждёт. Нужно оставаться честными с собой и понимать, действительно ли можете решить задачу.
Татьяна: Я во всех вакансиях вижу, плохо или хорошо описаны требования. Как это распознать: хорошо описанные требования в вакансии — это те, где чётко прописаны обязанности. По сути, это твои функции, на которые ты подписываешься, заключая трудовой договор.
Бывает, что обязанности не сформулированы отчётливо. Недавно я смотрела, какие есть вакансии, что в них пишут. И у UX-исследователя в обязанностях написано «любить пользователей». Что значит «любить пользователей»? Ты подписываешь трудовой договор — какие функции входят в «любить пользователей»? Для аналитиков зачастую пишут вообще всё, что есть на рынке: Python, R, Airflow, понимание UX, Figma, прототипирование… Мои любимые аббревиатуры — CGM, Jobs to be Done и прочее. Ребята, вы реально этим пользуетесь, серьёзно? Кто пользуется Jobs to be Done?! Главное — написать. Есть такие позиции, в которых просто собраны все самые модные аббревиатуры. В какой-то классной статье продакт-менеджер прочитал про Jobs to be Done — и отдаёт такую вакансию в HR. Размещайте, будем искать.
Когда я смотрю такие вакансии — недоумеваю. Сразу понятно, что это плохая вакансия в компании, где люди сами не понимают, чего хотят. Там нет конкретного направления, которое ты будешь анализировать, нет чётких обязанностей. Вакансии, требования в которых сформулированы обтекаемо, вроде «любить пользователя» и «давать инсайты бизнесу» — это плохие вакансии.
Евгений: Сегодня утром нашёл такую фразу в вакансии: «любить работать с текстами и делать их красивыми».
Татьяна: Ещё поделюсь описанием вакансии: «знание UX и понимание UI». Что такое «понимание UI»? Как можно понимать UI? UI — это User Interface. Это для дизайнеров, для креативных людей, у которых хорошо развито эстетическое чувство, вкус. А позиция называется «продакт-менеджер со знанием UX/UI». Что, о чём, какого человека хотят нанять — вообще не ясно. И соискатели тоже этого не поймут. Насколько далёк от продакт-менеджмента user interface, видимо, не все понимают.
Евгений: Бывает, что человек, который отвечает за это направление в бизнесе, начинает учиться. И узнаёт, например, что есть аналитика — она может помочь компании вырасти. А ещё есть люди, которые могут решить все задачи. И этот специалист, не являясь аналитиком, не может собрать адекватные требования к вакансии. Это большая проблема.
Зачастую, когда в компании хотят впервые нанять аналитика, не тратятся на консультанта, который поможет сформулировать требования и описать задачу для будущего сотрудника. Тогда и получаются вакансии из разряда тех, о которых говорила Таня. Вспомнил ещё один смешной пример: в вакансии было написано, что от аналитика требуется настраивать рекламные кампании.
— Мне тоже кажется, что эта сфера не совсем понятна компаниям. Как с этим работать? Если у нас перед глазами вакансия, где вместо толкового описания обязанностей — список инструментов и общие фразы. К этому можно как-то подступиться или лучше забить?
Татьяна: Я очень радикальна. Я советую пропустить такую вакансию.
Евгений: Есть один инструмент, который сохранит вам кучу времени: погуглите. Видите вакансию, а в ней — какой-нибудь Jobs to be Done, гуглите, что это, и закрываете вакансию. То же самое с A/B-тестами. Прогуглите список инструментов, которые заявлены в требованиях, и поймёте, подходит вам это или нет.
Фундамент подхода Jobs to be Done в одной картинке
Татьяна: HR этого делать не будут. Им в каком виде вакансию передали, так они её и опубликуют. Часто HR говорят, что вообще в этом не разбираются, для них главное — отсмотреть резюме. Я советую не тратить время на интервью и тестовые задания на такие вакансии. Смотрите узконаправленные описания позиции аналитика. Обратите внимание на формулировки: кто-то пишет «бизнес-аналитик», другие — «дата-аналитик», а третьи — «аналитик данных». В общем, нужно на это всё взглянуть, подумать, чем вы хотите заниматься и в какой компании работать. Возможно, это будет компания с известным брендом на IT-рынке. Или наоборот, вы захотите работать в маленькой фирме.
Евгений: Это вопрос к бизнесу, к его установкам. Я часто встречаю компании, у которых внутри нет человека, который будет отвечать за аналитику. И они делятся опытом: разместили вакансию, нашли аналитика, он полгода просидел, что-то считал, делал отчёты. Они не поняли, зачем всё это, и решили, что им больше аналитик не нужен. При этом я понимаю, что если бизнес не может сформировать требования, то он, скорее всего, быстро разочаруется.
Нанимая человека, который не понимает, что конкретно он должен сделать и дать компании, бизнес не принесёт пользы ни себе, ни сотруднику, потому что тот ничему не научится. Совет для аналитиков — пролистывать такие вакансии и трезво оценивать, можете ли вы сделать то, что вас просят. Совет бизнесу — погуглить хорошие описания вакансий, а в крайнем случае — нанять консультанта, который поможет сформировать требования к вашему будущему аналитику.
Татьяна: Я согласна с Женей и ещё хочу добавить: перестаньте читать на vc.ru статьи про чудо-людей, которые запустили в космос ракету под названием «дата-анализ», про методики, которые люди вычитали в книжках и ни разу не применили. Будем честными: кто-то заказал книги на Amazon, прочитал и расписал содержание в Facebook. Опубликовал статью на vc.ru, сделал хороший селф-бренд — и всё. Потом вы свои мысли несёте в массы, в компанию, другим продактам.
Это особенно касается продакт-менеджеров, которые работают в кросс-функциональных командах и отвечают за то, чтобы нанять хороших аналитиков. При чтении таких материалов не забывайте о критическом мышлении. У вас должно быть понимание рынка: какие бывают аналитики, какими скилами они обладают, какие есть курсы и обучающие программы, которые помогут закрыть недостающие навыки у вашего потенциального сотрудника, насколько вы готовы потратить на это время и деньги. Если вы не понимаете рынок аналитиков, вам ничего не поможет.
Чек-лист вакансии аналитика, на которую нужно откликаться
— Подведём итог. Какие вакансии можно считать нормальными, чтобы откликаться? Или пойдём от противного — что должно вас напугать?
Евгений: Первый важный маркер — это чёткий список обязанностей. Второй — понимание задач. Когда прочтёте список обязанностей, вы должны чётко знать, чем будете заниматься. Если вы не поняли этого, лучше не откликайтесь на вакансию. Если нравится компания или область, можете откликнуться, но первый вопрос, который вы должны задать на интервью — чем именно вы будете заниматься. Это самое важное.
Старайтесь не концентрироваться на инструменте, но соберите информацию о нём. Например, есть множество инструментов визуализации или хранения баз данных. Все они работают примерно по одному принципу. Если вы знаете один инструмент, освоить другой — не проблема. Соответственно, если вы увидите в требованиях работу с другой базой данных, соберите о ней информацию и смело откликайтесь на вакансию, детали объясните на интервью. При этом вам придётся, как уже сказала Таня, два дня посидеть за туториалами на YouTube.
— Предположим, что с вакансией всё хорошо и счастливый аналитик идёт на собеседование. Что его там ждёт, к чему готовиться?
Татьяна: «Счастливый аналитик» — это хорошая формулировка, но мне кажется, что аналитик должен страдать…
Евгений: Соглашусь с Таней, но немного перефразирую: начинающий аналитик должен страдать. Человеку, который действительно хочет войти в индустрию, многого достичь и сделать это быстро, страдать придётся: он должен осваивать инструменты, типы проектов и задач, многому учиться на практике, набивать шишки. Лично мне не кажется, что учиться многому тяжело, но все люди разные, и изучать большой объём информации и часто ошибаться иногда бывает сложно. Недавно я услышал классную идею, что ценность аналитика для бизнеса в том, чтобы набить максимальное количество ошибок за минимальное количество денег.
Татьяна: Во фразу «Аналитик должен страдать» я вкладываю сложность задачи, когда ты должен придумать выход, проанализировать то, что нужно, и зачастую это бывает не так просто. Бизнес формулирует требования, а тебе, возможно, нужно декомпозировать их, и ты должен думать, сделать много попыток, подходов к анализу. Самый счастливый аналитик — тот, который «страдает» именно от поиска решений, подходов и декомпозиции. Тогда аналитику интересно работать, потому что это про логику, стратегию, business mindset.
Евгений: Соглашусь. Аналитики — это люди, которым нравится решать задачи. Если бы сфера была простой и понятной и можно было следовать алгоритму, её быстро автоматизировали бы или научили обезьяну этим операциям. Мы до этого говорили о пирамиде: сначала человеку нужно получить максимум знаний о процессе, аналитике, бизнесе, инструментах и задачах, ведь многие вопросы зачастую не сформулированы или оформлены так, что нет понятного ответа. И аналитик должен придумать, как такую задачу решить. Это очень интересная работа. И если вы любите сложные задачи, получаете кайф от процесса, того, что это было сложно, долго, но вы победили, аналитика — для вас.
Вопросы аналитикам-джунам на собеседовании. Тестовые задания
Татьяна: Итак, счастливый аналитик после длительного страдания идёт на первое собеседование, и тут ему задают вопросы. Женя, что ты спрашиваешь у джунов?
Евгений: Есть любимый вопрос, который я задаю абсолютно всем. У человека, который хочет стать аналитиком, я всегда спрашиваю, как он жарит яичницу.
Наверное, нет в мире человека, который бы не представлял процесс приготовления яичницы. Но при этом я ни разу не слышал двух одинаковых ответов. Были похожие, но одинаковых не было ни разу. При этом ты можешь понять, насколько человек структурно мыслит. Когда провожу собеседования, я всегда задаю много открытых вопросов, чтобы понять, кто этот человек и как он мыслит. Это намного важнее, чем конкретный инструмент. На базе простого вопроса, за которым не стоят инструменты, можно понять, насколько структурно человек подходит к любому процессу. И это, мне кажется, тот навык, который должен быть у аналитика.
Татьяна: И когда они говорят: «Первое, …», ты кайфуешь, потому что человек начал перечислять по пунктам :)
Евгений: Хорошо, когда люди задаются вопросами типа «Какую яичницу я хочу приготовить?», «Есть ли у меня продукты?», «Если нет продуктов, куда я иду?».
— Я бы запорол это собеседование, потому что начал бы с того, как разбиваю яйца, чтобы скорлупа не попала в сковородку…
Татьяна: Значит, тебе к дизайнерам! Я согласна с Женей в том, что нужно задавать максимально открытые и развёрнутые вопросы, какими бы глупыми они ни казались. Если Женя спросит меня на собеседовании, как жарить яичницу, я на него странно посмотрю. Но вопросы задают не просто так, не потому, что проверяют на стрессоустойчивость. Такие собеседования у меня тоже были, но это отдельный разговор. Так что да, нужно задавать открытые вопросы и смотреть, как человек мыслит. Это очень важно, ведь в дальнейшем он будет рассуждать на встречах в командах, давать нестандартные решения, в том числе тебе.
Всем нам кажется, что мы знаем, как лучше всего поступить и какие для этого есть ресурсы. Но всегда хочется иметь «вторую голову», с другим углом обзора, которая, возможно, подскажет, как по-другому подойти к решению вопроса. И именно открытые вопросы на интервью позволяют понять, насколько этот человек тебе подходит как аналитик, мыслитель с business mindset. Плохие вопросы — «кем вы видите себя через пять лет», «как вы хотите развиваться». Я считаю, что аналитик не должен проходить собеседование с HR. Да простят меня все HR, которые прочитают это.
— Мне кажется, такие вопросы уже никому не задают.
Татьяна: Поговорим про провальные собеседования. Я сторонник того, чтобы сначала дать тестовое задание и только после этого приглашать человека на собеседование. Раньше я была против такого подхода, потому что кандидат тратит время на выполнение тестового, а потом непонятно, что будет. Но здесь есть обратная сторона. Если тебе дают тестовое задание в самом начале, когда ты ещё не пришёл на первое интервью, ты поймёшь, насколько серьёзно компания подходит к задачам. Бывают тестовые задания, которые вызывают недоумение. Как можно нанимать аналитика и даже руководителя отдела аналитики и давать ему задания со сложностью на уровне детского сада? Если задание — какая-то ерунда, дальше время тратить не стоит. Я считаю, что это хороший показатель.
Если кандидат видит, что тестовое задание интересное, демонстрирует будущие задачи, а значит, компания постаралась при подготовке, он делает его с душой, готов общаться дальше. Он хочет выполнить тестовое максимально хорошо, чтобы попасть на интервью. Многие коллеги говорят, что это ерунда и они не хотят тратить время. Но на это нужно взглянуть под другим углом: тестовое задание даёт представление, насколько серьёзно компания относится к позиции аналитика и стоит ли на неё тратить время. Мне кажется, что именно так к этому стоит относиться. Меньше разговоров. С аналитиком в принципе нужно разговаривать только о предметной области, конкретных задачах и проблемах бизнеса. Женя, ты думаешь по-другому? Сначала нужно провести интервью, чтобы понять, что за человек перед тобой и стоит ли давать ему тестовое задание?
Евгений: На мой взгляд, всё немного сложнее. Я всегда смотрю на позицию: чем «хардовее» человек, тем больше к нему требований. То же самое и про тестовое задание: я смотрю на то, насколько понятно из резюме, что человек с ним справится. Если есть сомнения, проще в начале дать тестовое задание.
В том, что ты сказала, есть важный момент: процесс найма не односторонний. Не только работодатель решает, кого взять в компанию — вы тоже выбираете, где хотите работать, это очень важно понимать. Тестовое задание помогает оценить, насколько люди внутри понимают ваши задачи и как они подготовились.
Мы делаем немного по-другому: используем тестовое задание, когда возникают сомнения. Я убеждён, что ни одно тестовое не покажет, как на самом деле будет работать человек, как он подходит к техническим задачам. Это не аксиома, но если есть сомнения и нужно проверить конкретный навык, можно дать человеку точно такую же задачу, как те, что он будет решать.
Ошибки джунов на собеседовании. Важность пет-проектов
Татьяна: Расскажу, как делать не стоит. В этом нет ни капли сексизма, я рассказываю как есть и с чем я сталкивалась на опыте. Девушки, которые хотят зайти в аналитику, иногда поступают так: если бойфренд или муж работает в IT, они просят его сделать тестовое задание (особенно часто по Python).
Но это очень легко обнаружить. Она выполняет тестовое, ты видишь, что задание на Python сделано нереально круто, зовёшь её на интервью. Ты не задаёшь дополнительных вопросов, чтобы понять, как человек мыслит, просто уточняешь пару функций Python из тестового задания, и она впервые о них слышит. Всё, можно даже не начинать разговор про бизнес, mindset, другие вещи. Это фейл, так не стоит делать.
У этой девушки могут быть другие классные стороны, например, она хорошо разбирается в веб-аналитике или работала дата-аналитиком, но знает только R, а у нас нужно писать на Python.
Евгений: Хороший тест, особенно для джуниоров: нужно понимать, что выбросы работают в обе стороны. Если человек сделает что-то слишком хорошо и это не соответствует его уровню — это тоже плохо.
— «Вы для нас overqualified».
Татьяна: Мне, кстати, один раз так сказали, я в шоке была.
— Мне кажется, так говорят, когда не хотят платить столько, сколько ты хочешь получать.
Евгений: Не согласен. Я сам так говорил на интервью несколько раз, понимая, что человеку будет скучно. Мы искали человека под конкретную задачу, а соискатель суперперспективный — знал всё что нужно и был слишком амбициозным.
Татьяна: Спустя время я поговорила с человеком, который сказал, что я overqualified. Он тоже сказал, что мне было бы скучно и у меня больше амбиций, чем у того аналитика, которого хотели видеть на этом месте. Компания не хотела рисковать.
Если говорят, что ты overqualified, это скорее хорошо — тебе нужно подумать над амбициями, хорошо оценить свои скилы. Это значит, что ты занижаешь планку ожиданий от компании. Если ты overqualified для среднего бизнеса, значит, спокойно можешь идти в большую компанию. Если у аналитика возникает синдром самозванца (он хоть раз был у каждого) — это тоже про критическое мышление, нужно объективно оценивать себя. Аналитик — как адвокат, который может даже CEO сказать, что компания движется не туда, нужно остановиться. «Вот риски, вот объективная реальность».
Евгений: Можно спорить с любым человеком, но с цифрами спорить не получится. А аналитик — человек, который обладает цифрами.
— Я думаю, что сверхквалифицированность для читателей не особенно актуальна, а проблема «парень сделал тестовое, а я не знаю, что сказать» гораздо более злободневна. Расскажем об ошибках на собеседовании у начинающих аналитиков.
Евгений: Врать — это ошибка. Быть честным — это очень простой навык. Важно понимать: когда вы приходите на стартовую позицию, люди понимают, что вы джун. Странно от вас требовать идеальное владение Python. Поэтому не указывайте в списке инструментов при составлении резюме то, что вы трогали один раз, но хорошо этим не владеете. На собеседовании захотят узнать про ваш опыт и попросят рассказать, что вы сделали, с помощью каких инструментов. Это первый пункт, который я бы добавлял в чек-лист. Это то, с чем я очень часто сталкиваюсь. Люди с опытом, откликающиеся на вакансию аналитика, стараются приписать себе то, что делали разово, как регулярное выполнение задач.
У нас был очень классный человек на собеседовании, который говорил, что он сделал в компании исследование на основе статистического анализа, вывел результаты в систему визуализации и презентовал. Потом оказалось, что его часть работы — подготовка презентации и графиков, то есть не он проводил исследование. Часто люди, желая «продать» себя работодателю, записывают всё, что они хоть раз пробовали сделать, в то, что они всегда делали. Важно понимать: вас об этом всегда спросят. Лучше наоборот: не добавлять что-то в резюме, но сказать на собеседовании, что сталкивались с инструментом, но не считаете, что хорошо им пользуетесь. Люди, которые вас нанимают, так или иначе понимают ваш уровень.
Ещё очень важный пункт для всех джуниор-аналитиков (он же лайфхак и частая ошибка) — пет-проекты. Мы уже говорили, что в аналитике очень много практики. Первое, что я спрашиваю у джуниоров, которые прошли курс, — на каких проектах они работали и какие инструменты использовали. Если человек решал задачи только в рамках курса, для меня это не очень хороший знак. Сейчас, в 2020 году, когда есть интернет, открытые датасеты, тестовые платформы, сделать простой проект, презентацию, визуализировать что-то — не так сложно. Это выделит вас на фоне остальных кандидатов.
— Это интересная тема. Я хорошо представляю пет-проекты для программистов, а для аналитиков — уже не очень. Как это делается? Берутся открытые датасеты или как? Таня, расскажи об этом, пожалуйста.
Татьяна: Когда я собеседую дата-сайентистов, я всегда уточняю, есть ли у них аккаунт на Kaggle. Если он есть, уже неплохо. Это, конечно, всё шутки. В начале нашего разговора Женя упоминал интервью Алексея Никушина. В нём он говорит, что в первую очередь нужно смотреть на то, что вы делали и что есть в вашем портфолио.
Женя правильно говорит, что нужно сделать хоть что-нибудь. Вот вы прошли курс. Не нужно потом в портфолио добавлять эти многострадальные лепестки ириса на Python. Важно то, что у вас в нём уже есть и что вы сами попробовали сделать после прохождения курса. И вообще не нужно оперировать курсами. У меня есть сертификат по Data Science от университета Джонса Хопкинса: он просто лежит, на него вообще никто никогда не смотрел. Я пять лет назад на Coursera купила курс, прошла и всё, мне он ни разу не пригодился в карьере.
Курсы — это хорошо. По ним мы понимаем, что у вас есть представление, как всё работает, с чего начинается. Видим, что вы человек, который хочет учиться. А аналитик постоянно учится. Вот я выучила пять диалектов SQL.
Мои друзья, которые нанимали аналитиков, поделились историей. Они собеседовали девушку на позицию junior data scientist и спросили её про портфолио и проекты. Она выгрузила все звонки своего парня и построила модель, которая предсказывает, во сколько он ей позвонит. Они, конечно, очень веселились. Когда ты девушка и идёшь в аналитику, ты знаешь, что столкнёшься с сексизмом (он есть, пусть и с разницей от компании к компании), но придумываешь такую задачу и делаешь её, это очень круто!
Этой девушке сделали оффер, но я уже не помню, приняла она его или нет. Это история про аналитику, нестандартный подход к задаче, даже с юмором. Те, кто нанимают, видят: у соискателя всё в порядке с самоиронией, это командный игрок. Тут нужно не просто найти на Kaggle датасеты и что-то с ними сделать — это нестандартная задача. Девушка придумала, как эти данные выгрузить, — вряд ли она заказывала выгрузку у мобильного оператора и потом делала чистку данных. Наверняка она их вручную собирала.
Ещё непонятно, за какой период нужно сделать выгрузку, чтобы хорошо обучить модель. Когда ты понимаешь, что это простое задание, но думаешь, как к нему нужно подойти и насколько это может быть сложно, ты в итоге приходишь к выводу, что это крутой человек. И это не требует супернавыков. Вот ты прошёл курс по Data Science на Stepik, всё потрогал и решил, что хочешь сделать вот так. Если приходит такой аналитик, мы можем не успеть дать ему тестовое задание: он сам покажет портфолио, и мы поймём, что хотим с ним работать.
Евгений: Согласен, это очень выделяет человека. А просто курсы и их упоминание не играют роли.
Татьяна: Я больше скажу, даже университет не играет роли.
Евгений: Только если ты Гарвард не окончил.
Татьяна: Про Гарвард я тебе потом отдельно расскажу. Университет играет ещё меньшую роль — мы все знаем, как учат в российских вузах, даже физтех физтеху рознь. Насколько разные ребята выходят из топовых технических вузов — вы даже не представляете.
Если коротко, советуем только что выпустившимся бакалаврам или людям, которые решили сменить профессию и прийти в аналитику, вот что. Первое — не врать на собеседовании, второе — сделать собственное предложение компании, в которую вы хотите, до того как получите тестовое задание. Это выделит вас на фоне других кандидатов. Возможно, вы не суперточно построили модель, но вы выдвинули предложение, прежде чем получить тестовое задание. Женя, какие ещё есть лайфхаки?
Работа с фидбэком на курсах и при устройстве на работу
Евгений: Есть очень классный пример, на основе которого я бы дал лайфхак: собирать фидбэк и следовать ему. У нас был человек, который пришёл с курсов, я не хотел брать его на интервью, но уговорили. После собеседования я отказал, но дал фидбэк, что ему нужно подтянуть. Человек вернулся через две недели, сказал, что учёл обратную связь, попросил тестовое задание, прекрасно его выполнил — и мы позвали его ещё раз. Было видно, что эти две недели он работал, учился целыми днями и старался. Мы в итоге его взяли.
Вот он собрал фидбэк и проработал его. И это очень важно не только на этапе собеседования. Когда вы проходите курсы, важно, какую обратную связь вам дают менторы, кураторы, преподаватели. Очень много людей не следуют этому совету, а ведь мы даём фидбэк не просто так.
Татьяна: Мне кажется, что мы с Женей — преподаватели, которые очень много времени тратят на развёрнутый фидбэк. Одно дело — как мы оцениваем домашние задания на GeekBrains. Мы хотим, чтобы человек развивался и действительно услышал нас. Мы никого никогда не обижаем. Наоборот, мы всегда думаем, как сформулировать обратную связь так, чтобы дать правильное направление, в котором человеку предстоит поработать. Фидбэк — это очень важная часть. Мне один раз он тоже очень пригодился. В одной компании я дошла до финального этапа отбора, разговаривала с вице-президентами, и выбор был между мной и ещё одним кандидатом.
Мне отказали и дали фидбэк, что мне не то чтобы не хватает критического мышления, а я «очень мало разнесла компанию». Когда я делала тестовое задание, я пыталась соблюсти баланс между полным разносом и положительными пунктами. Как я поняла, кандидат, который тоже претендовал на должность, разнёс их намного больше.
Вице-президент ожидал, что я разнесу их по полной программе, а я это сделала не до конца. Посоветовал поработать над уверенностью и критическим мышлением. Этот фидбэк мне очень пригодился: я проработала свои слабые стороны, ведь очень часто профессиональное коррелирует с личным: комплексами, неуверенностью. Такие вещи нужно проработать, ведь это в том числе про эмоциональный интеллект и позиционирование внутри компании и команды.
— У нас получился неплохой чек-лист, хоть и не очень длинный, но весьма обстоятельный.
Евгений: Хочу добавить ещё один пункт. Вспомнил классную вещь, которая мне в своё время помогла. Как мы говорили, для проверки кандидата очень важны открытые вопросы, к которым сложно подготовиться. Не получится ничего зазубрить, проверяют именно логику, мышление, видение проблемы и взгляд на неё с разных сторон.
Но кое-что для подготовки сделать можно. Есть такая хорошая книжка для продактов — Cracking the PM Interview. Книга написана по примерам собеседований Apple, Amazon, Google и других подобных компаний. Плюс в том, что в ней рассматриваются задачи и примеры решений. Например, задача формата «сколько самолётов пролетает над Польшей в неделю». Понятно, что ни один человек этого не знает. Но эта книга учит связывать данные, которые у тебя есть, с тем, чего ты не знаешь. Где находится Польша, какой там возможный пассажиропоток в Европу, летают сейчас самолёты или нет. И ты понимаешь, как развивать логику. В своё время это помогло мне разобраться, как решать логические задачи, как можно от одной цифры прийти к другой, как они связаны, как найти ответ.
Полное название книги — Cracking the PM Interview: How to Land a Product Manager Job in Technology
Татьяна: Да, мне такие же вопросы задавали. Они очень классные, проверяют, как ты рассуждаешь.
Евгений: Таких задач миллионы и их очень любят в больших компаниях. В книге подробно описаны сами вопросы и даны пути решения, можно потренироваться перед собеседованием.
Подписывайтесь на обновления подкаста по ссылкам в начале статьи! Новые интересные выпуски уже в пути!
Освоить востребованную профессию в Data Science можно всего за полтора года на курсах GeekBrains. После учёбы вы сможете работать по специальностям Data Scientist, Data Analyst, Machine Learning, Engineer Computer Vision-специалист или NLP-специалист.