Похоже, что в начале января у меня в группе аналитики откроются сразу две вакансии - аналитика и стажера. Ссылку на описание вакансии пришлю позже, но оно довольно стандартное - SQL / Python / основы математики / вероятности / статистики. Задачи планируются самые разные: оффлайн-метрики на основе краудсорсинга, онлайн-метрики, AB-эксперименты, аналитика сложных процессов обработки, поиск инсайтов в данных, моделирование, ML.
Пример недавней задачи: найти в РФ организации, которые есть на карте, но с большой вероятностью на самом деле уже закрыты.
Особенности вакансий я бы выделил такие:
- Яндекс.Карты - это в малой степени про зарабатывание денег, и в большой степени про качество сервиса и оптимальность его развития. Для меня это большой плюс, а для кого-то может быть минусом
- Стараемся, чтобы было относительно мало рутины, чтобы минимум половину времени аналитик мог уделять своей большой задаче / теме / зоне ответственности
- Стараемся искать хорошие объективные "научные" решения, там где они осмысленны и не слишком дороги в реализации. Чтобы развиваться самим и не чувствовать, что сделал какие-то костыли.
- Относительно неплохой work-life balance - я стараюсь не давать задач с короткими сроками выполнения, считаю стресс в основном вредным, хочу чтобы люди становились экспертами и оставались надолго
- Внимательное чтение этого канала может сильно помочь кандидатам в понимании того, что я обычно хочу на интервью, так что у вас большое преимущество 🙂
Всех с наступающими праздниками!
Пример недавней задачи: найти в РФ организации, которые есть на карте, но с большой вероятностью на самом деле уже закрыты.
Особенности вакансий я бы выделил такие:
- Яндекс.Карты - это в малой степени про зарабатывание денег, и в большой степени про качество сервиса и оптимальность его развития. Для меня это большой плюс, а для кого-то может быть минусом
- Стараемся, чтобы было относительно мало рутины, чтобы минимум половину времени аналитик мог уделять своей большой задаче / теме / зоне ответственности
- Стараемся искать хорошие объективные "научные" решения, там где они осмысленны и не слишком дороги в реализации. Чтобы развиваться самим и не чувствовать, что сделал какие-то костыли.
- Относительно неплохой work-life balance - я стараюсь не давать задач с короткими сроками выполнения, считаю стресс в основном вредным, хочу чтобы люди становились экспертами и оставались надолго
- Внимательное чтение этого канала может сильно помочь кандидатам в понимании того, что я обычно хочу на интервью, так что у вас большое преимущество 🙂
Всех с наступающими праздниками!
❤11🤝1
Пример реальной задачи в нашей группе.
Задача звучит предельно просто - построить метрику доли дублей среди организаций.
Дубль - это, грубо говоря, организация, которая поставлена на карте по ошибке (дублирует истинную организацию, которая возможно расположена где-то рядом или называется немного по-другому), но это совершенно неважно в этой задаче.
Важно только то, что автоматически детектировать дубль нельзя, но для каждой организации можно внимательно посмотреть на карту и в другие источники и сказать, является ли эта организация дублем. Для такой разметки написана инструкция, и по этой инструкции обучены асессоры.
Казалось бы, дальше задача должна решаться тривиально - нужно периодически выдавать асессорам случайную выборку организаций и замерять долю дублей по ней.
Но на практике все оказывается не так просто и даже ведет к довольно нетривиальным методам.
Дело в том, что инструкция по разметке довольно сложна, и асессоры часто ошибаются.
Если перепроверить их разметку экспертами, то они пропускают порядка 30% дублей, но в то же время среди не-дублей около 8% неверно помечают как дубли. Сама по себе истинная доля дублей сильно разнится по странам - положим для определенности ее равной 10%. Итак, выписанные цифры означают, что отдав асессорам 1000 примеров на разметку (среди которых на самом деле 100 дублей), мы получим от асессоров около 140 размеченных дублей (потому что из 100 истинных дублей 30 они упустят, но из 900 не-дублей пометят около 70 как дубли).
А если наши заказчики (разработка Карт) проверят только размеченные 140 дублей, то они обнаружат, что только 70 из них на самом деле являются дублями!
Для заказчиков это будет критичным, так как их целью является снижение уровня дублей. Их претензия будет состоять в том, что доля дублей - не 14% (как показывает метрика), а 7% (как показывает уточненная ими разметка), но в реальности обе эти цифры неверны (ведь наш пример предполагает долю дублей 10%).
Что же делать? Предлагаю желающим пару дней подумать.
Задача звучит предельно просто - построить метрику доли дублей среди организаций.
Дубль - это, грубо говоря, организация, которая поставлена на карте по ошибке (дублирует истинную организацию, которая возможно расположена где-то рядом или называется немного по-другому), но это совершенно неважно в этой задаче.
Важно только то, что автоматически детектировать дубль нельзя, но для каждой организации можно внимательно посмотреть на карту и в другие источники и сказать, является ли эта организация дублем. Для такой разметки написана инструкция, и по этой инструкции обучены асессоры.
Казалось бы, дальше задача должна решаться тривиально - нужно периодически выдавать асессорам случайную выборку организаций и замерять долю дублей по ней.
Но на практике все оказывается не так просто и даже ведет к довольно нетривиальным методам.
Дело в том, что инструкция по разметке довольно сложна, и асессоры часто ошибаются.
Если перепроверить их разметку экспертами, то они пропускают порядка 30% дублей, но в то же время среди не-дублей около 8% неверно помечают как дубли. Сама по себе истинная доля дублей сильно разнится по странам - положим для определенности ее равной 10%. Итак, выписанные цифры означают, что отдав асессорам 1000 примеров на разметку (среди которых на самом деле 100 дублей), мы получим от асессоров около 140 размеченных дублей (потому что из 100 истинных дублей 30 они упустят, но из 900 не-дублей пометят около 70 как дубли).
А если наши заказчики (разработка Карт) проверят только размеченные 140 дублей, то они обнаружат, что только 70 из них на самом деле являются дублями!
Для заказчиков это будет критичным, так как их целью является снижение уровня дублей. Их претензия будет состоять в том, что доля дублей - не 14% (как показывает метрика), а 7% (как показывает уточненная ими разметка), но в реальности обе эти цифры неверны (ведь наш пример предполагает долю дублей 10%).
Что же делать? Предлагаю желающим пару дней подумать.
❤3🤔2🔥1
Если вы немного подумали про задачу, то наверное поняли, что снизить ошибку разметки асессоров можно за счет перекрытия - размечать каждый пример не одним, а тремя разными асессорами.
Насколько хорошо это сработает? Подсчет должен занять у вас примерно 3 строчки и 3 минуты. Именно для подобных задач мы хотим, чтобы кандидаты умели в базовую теорию вероятностей (такой подсчет - нормальная задача для собеседования).
Но на этом все только начинается.
Следующая идея - если у нас есть совсем точные оценки экспертов, и они позволяют нам оценить ошибки асессоров, то мы можем простой формулой перекалибровать среднее от асессоров в истинное среднее.
Следующая идея - если мы используем перекрытие и/или экспертные оценки, то мы на самом деле видим плохих асессоров, ошибки которых особенно высокие. Вероятно, их оценки стоит совсем исключить из подсчета метрики?
Но как выбрать правильные пороги для детекции плохих? Вводить лишние параметры в метрику обычно нежелательно.
Если продолжить эту идею, то может быть следует учитывать оценки более точных асессоров с более высоким весом в метрике? Здесь опять возникает соблазн ввести какие-то веса, но все это может дать метрику, которую будет сложно обосновать и объяснить даже коллегам-аналитикам, не говоря уже о заказчиках.
С точки зрения статистики тут есть универсальный и красивый выход:
- задать реалистичную модель с понятными параметрами
- по данным получить оценки максимального правдоподобия для всех параметров (метод МНП)
- подставив в модель эти оцененные значения, получить значение метрики
И вот, оказывается, что для нашей задачи такое было сделано еще в 1978 году. Математики Dawid и Skene предложили модель врачебного консилиума, где каждый пациент оценивается несколькими врачами, а у каждого врача есть определенные фиксированные (но неизвестные нам) вероятности поставить диагноз i вместо диагноза j (из N возможных диагнозов). То есть, хотя эта модель создавалась для медицины, она оказалась напрямую применимой для задач краудсорсинга (появившегося только через 20 лет после той статьи). Под капотом модель использует ЕМ-алгоритм - стандартный инструмент для МНП. В результате запуска алгоритма мы получаем как оценки вероятностей ошибок отдельных врачей, так и наилучшие диагнозы для каждого пациента, и в итоге - искомое значение нашей метрики
Это классный пример того как для казалось бы простой задачи приходится применить глубокую науку.
Насколько хорошо это сработает? Подсчет должен занять у вас примерно 3 строчки и 3 минуты. Именно для подобных задач мы хотим, чтобы кандидаты умели в базовую теорию вероятностей (такой подсчет - нормальная задача для собеседования).
Но на этом все только начинается.
Следующая идея - если у нас есть совсем точные оценки экспертов, и они позволяют нам оценить ошибки асессоров, то мы можем простой формулой перекалибровать среднее от асессоров в истинное среднее.
Следующая идея - если мы используем перекрытие и/или экспертные оценки, то мы на самом деле видим плохих асессоров, ошибки которых особенно высокие. Вероятно, их оценки стоит совсем исключить из подсчета метрики?
Но как выбрать правильные пороги для детекции плохих? Вводить лишние параметры в метрику обычно нежелательно.
Если продолжить эту идею, то может быть следует учитывать оценки более точных асессоров с более высоким весом в метрике? Здесь опять возникает соблазн ввести какие-то веса, но все это может дать метрику, которую будет сложно обосновать и объяснить даже коллегам-аналитикам, не говоря уже о заказчиках.
С точки зрения статистики тут есть универсальный и красивый выход:
- задать реалистичную модель с понятными параметрами
- по данным получить оценки максимального правдоподобия для всех параметров (метод МНП)
- подставив в модель эти оцененные значения, получить значение метрики
И вот, оказывается, что для нашей задачи такое было сделано еще в 1978 году. Математики Dawid и Skene предложили модель врачебного консилиума, где каждый пациент оценивается несколькими врачами, а у каждого врача есть определенные фиксированные (но неизвестные нам) вероятности поставить диагноз i вместо диагноза j (из N возможных диагнозов). То есть, хотя эта модель создавалась для медицины, она оказалась напрямую применимой для задач краудсорсинга (появившегося только через 20 лет после той статьи). Под капотом модель использует ЕМ-алгоритм - стандартный инструмент для МНП. В результате запуска алгоритма мы получаем как оценки вероятностей ошибок отдельных врачей, так и наилучшие диагнозы для каждого пациента, и в итоге - искомое значение нашей метрики
Это классный пример того как для казалось бы простой задачи приходится применить глубокую науку.
❤6🔥1
Итак, мы пока что более-менее определились с вакансией стажера-аналитика - описание по ссылке.
Если вы захотите подать именно на нее - то есть смысл прислать резюме мне в личку и явно сообщить о своем желании. Если по резюме вы подходите, я перешлю его рекрутеру, которая занимается именно этой вакансией, и затем она с вами свяжется и все расскажет.
Если вы захотите подать именно на нее - то есть смысл прислать резюме мне в личку и явно сообщить о своем желании. Если по резюме вы подходите, я перешлю его рекрутеру, которая занимается именно этой вакансией, и затем она с вами свяжется и все расскажет.
Яндекс Диск
Вакансия Стажер-Аналитик.docx
Посмотреть и скачать с Яндекс Диска
❤6
Мне уже написали пара человек, но лучше прочтите описание вакансии и подтвердите мне еще раз, что хотите на нее податься.
❤3
Сейчас в Яндексе такая система: вакансии для стажеров не выкладываются на сайте.
Процесс устроен наоборот - есть лендинг для стажеров-аналитиков - https://yandex.ru/yaintern/analytics
Там вы читаете описание профессии, задач, процесса найма в целом, и затем при желании подаете заявку. Дальше рекрутеры смотрят под какие открытые стажерские вакансии вы можете подойти, и что-то вам предлагают.
Все идут по более-менее стандартному процессу отбора, нужно пройти пару секций. Но затем количество финалов ограничено - если вы получаете что-то вроде 4-5 No Hire, то процесс по идее останавливается, и в следующий раз можно пробовать только через полгода.
Я конечно не могу раскрывать прям подробно темы и задачи собеседований, но на разумные вопросы в личке постараюсь ответить заинтересованным.
Процесс устроен наоборот - есть лендинг для стажеров-аналитиков - https://yandex.ru/yaintern/analytics
Там вы читаете описание профессии, задач, процесса найма в целом, и затем при желании подаете заявку. Дальше рекрутеры смотрят под какие открытые стажерские вакансии вы можете подойти, и что-то вам предлагают.
Все идут по более-менее стандартному процессу отбора, нужно пройти пару секций. Но затем количество финалов ограничено - если вы получаете что-то вроде 4-5 No Hire, то процесс по идее останавливается, и в следующий раз можно пробовать только через полгода.
Я конечно не могу раскрывать прям подробно темы и задачи собеседований, но на разумные вопросы в личке постараюсь ответить заинтересованным.
Аналитика ― стажировка в Яндексе
Прогнозируйте события на основе данных, занимайтесь их сбором и интерпретацией. Формируйте гипотезы и работайте над решением реальных бизнес-задач
❤2
Извините, но сейчас мы очень сильно предпочитаем кандидатов, которые в Москве (или готовы без проблем в нее перебраться и жить). Это не означает, что нужно все время быть в офисе, но 2-3 дня в неделю - надо и полезно.
Кстати, иногородним стажерам предоставляется бесплатное проживание (комната в яндексовом хостеле). А при переходе в штат - помощь с релокацией и арендой квартиры в Москве.
Кстати, иногородним стажерам предоставляется бесплатное проживание (комната в яндексовом хостеле). А при переходе в штат - помощь с релокацией и арендой квартиры в Москве.
❤4
Сегодня появилась на сайте Яндекса наша вакансия Аналитика-разработчика - https://yandex.ru/jobs/vacancies/analitik-kachestva-v-karti-28902
Буду благодарен, если перешлете эту ссылку в какие-то еще релевантные чаты, где могут быть заинтересованные аналитики
Буду благодарен, если перешлете эту ссылку в какие-то еще релевантные чаты, где могут быть заинтересованные аналитики
yandex.ru
Вакансия «Аналитик качества в Карты» в Яндексе — работа в компании Яндекс для IT-специалистов
Работа в компании Яндекс для специалиста «Аналитик качества в Карты» с уровнем квалификации от «Специалист» до «Старший» — Высокая заработная плата и социальные гарантии в IT-компании России
❤1
Забавно видеть, что большинство кандидатов сейчас упоминают в резюме знание ML (Machine Learning) / DL (Deep Learning), ну или как минимум DS (Data Science).
Опишу, как это часто воспринимается со стороны нанимающего тимлида.
ML, конечно, стал казаться гораздо более модным и мейнстримным в последние годы - может показаться стыдным ничего не знать на эту тему. Но я бы не сказал, что появилось сильно больше вакансий, где нужно серьезное знание ML.
Почему так? Ну, глубокое знание ML нужно только в тех командах, которые именно сами разрабатывают новые ML-инструменты. Но прорыв последних лет состоял как раз в том, что уже обученные ChatGPT/LLM довольно универсальны и может приносить пользу даже тем, кто совсем не знает как они работают внутри. Только единицы команд сами занимаются переобучением LLM - в них работают очень опытные люди, но их буквально только десятки даже в крупной компании типа Яндекса. Если хочется попасть в такую команду - нужно глубоко изучать ML/DL хотя бы пару лет и быть готовым пройти серьезное собеседование об этом. В силу модности и перспективности этой темы конкуренция в эти команды очень высокая.
Чтобы просто применить ChatGPT или GBM/CatBoost - знание ML не нужно. Это всего лишь использование инструментов, оно не требует глубокого понимания подкапотных механизмов. Потребность в применении готовых инструментов ML возникает в десятки и сотни раз чаще, чем в разработке нового ML. От каждого разработчика сейчас ожидается, что в случае необходимости он сможет "прогнать" какой-то массив данных через API ChatGPT или что-то подобное - это не очень квалифицированная работа, упоминать это умение в резюме не требуется.
Если говорить об аналитике, то да, потребность в применении ML иногда возникает (не очень часто, примеры я приведу позже). Но для аналитики чаще полезны не "черные ящики" типа LLM, а интерпретируемые модели - например, такие как линейная или логистическая регрессия. Такие модели дают не только прогнозы и оценки, но и коэффициенты, которые важны для анализа.
Если вы идете в аналитику и пишете про знание ML - убедитесь, что хорошо понимаете линейную регрессию. Это на самом деле довольно сложный и глубокий инструмент. Для его применения нужно осознавать в каких предположениях он работает верно, как проверить эти предположения, как диагностировать что применение было валидным, как интерпретировать результаты. Необходимо не только прочесть теорию, но и поработать с реальными данными.
Если вы целитесь в аналитику и не изучили линейную регрессию - лучше про знание ML в резюме не писать (кроме случаев, когда вы идете в мелкую компанию, в которой еще нет ML-специалистов, и они действительно под знанием ML подразумевают способность запустить готовые LLM).
Опишу, как это часто воспринимается со стороны нанимающего тимлида.
ML, конечно, стал казаться гораздо более модным и мейнстримным в последние годы - может показаться стыдным ничего не знать на эту тему. Но я бы не сказал, что появилось сильно больше вакансий, где нужно серьезное знание ML.
Почему так? Ну, глубокое знание ML нужно только в тех командах, которые именно сами разрабатывают новые ML-инструменты. Но прорыв последних лет состоял как раз в том, что уже обученные ChatGPT/LLM довольно универсальны и может приносить пользу даже тем, кто совсем не знает как они работают внутри. Только единицы команд сами занимаются переобучением LLM - в них работают очень опытные люди, но их буквально только десятки даже в крупной компании типа Яндекса. Если хочется попасть в такую команду - нужно глубоко изучать ML/DL хотя бы пару лет и быть готовым пройти серьезное собеседование об этом. В силу модности и перспективности этой темы конкуренция в эти команды очень высокая.
Чтобы просто применить ChatGPT или GBM/CatBoost - знание ML не нужно. Это всего лишь использование инструментов, оно не требует глубокого понимания подкапотных механизмов. Потребность в применении готовых инструментов ML возникает в десятки и сотни раз чаще, чем в разработке нового ML. От каждого разработчика сейчас ожидается, что в случае необходимости он сможет "прогнать" какой-то массив данных через API ChatGPT или что-то подобное - это не очень квалифицированная работа, упоминать это умение в резюме не требуется.
Если говорить об аналитике, то да, потребность в применении ML иногда возникает (не очень часто, примеры я приведу позже). Но для аналитики чаще полезны не "черные ящики" типа LLM, а интерпретируемые модели - например, такие как линейная или логистическая регрессия. Такие модели дают не только прогнозы и оценки, но и коэффициенты, которые важны для анализа.
Если вы идете в аналитику и пишете про знание ML - убедитесь, что хорошо понимаете линейную регрессию. Это на самом деле довольно сложный и глубокий инструмент. Для его применения нужно осознавать в каких предположениях он работает верно, как проверить эти предположения, как диагностировать что применение было валидным, как интерпретировать результаты. Необходимо не только прочесть теорию, но и поработать с реальными данными.
Если вы целитесь в аналитику и не изучили линейную регрессию - лучше про знание ML в резюме не писать (кроме случаев, когда вы идете в мелкую компанию, в которой еще нет ML-специалистов, и они действительно под знанием ML подразумевают способность запустить готовые LLM).
❤8💯2
Вакансии наконец заполнились. Кандидаты были утверждены еще в конце января, но оформление в этот раз заняло больше времени. В качестве стажера взяли студента 3-го курса без опыта, в качестве аналитика - студента 4-го курса после стажировки в другой команде Яндекса.
🔥7❤3👍1😭1
У многих кандидатов есть такая позиция на собеседовании: "я статистику изучал, все понимаю, но вот формулы не помню, поэтому прямо сейчас посчитать ничего не смогу". Но дело в том, что максимум 5% задач собеседований требуют применения каких-то нетривиальных формул, и даже в этом случае интервьюер их напомнит. В наших любимых задачах такая формула вообще одна (что дисперсия числа успехов в схеме Бернулли равна npq), и мы ее с удовольствием продиктуем, как только кандидат в процессе решения в это упрется. Имя Бернулли тоже помнить не обязательно.
Что обязательно, так это уметь на простых примерах типа монеток и кубиков показать знание базовых понятий и способность просчитать очень простые модели элементарной арифметикой (где нужно только перемножать, складывать и делить вероятности, но правильным образом).
Ну еще есть базовые факты, типа того что дисперсия суммы независимых величин равна сумме их дисперсий - вряд ли кто-то назовет это "формулой".
Если захотите поспорить и накидаете в комментах, что по вашему мнению приходится заучивать, постараюсь ответить на это.
Что обязательно, так это уметь на простых примерах типа монеток и кубиков показать знание базовых понятий и способность просчитать очень простые модели элементарной арифметикой (где нужно только перемножать, складывать и делить вероятности, но правильным образом).
Ну еще есть базовые факты, типа того что дисперсия суммы независимых величин равна сумме их дисперсий - вряд ли кто-то назовет это "формулой".
Если захотите поспорить и накидаете в комментах, что по вашему мнению приходится заучивать, постараюсь ответить на это.
❤7🔥2👍1
Недавно я присоединился к команде авторов Яндекс.Практикума - без отрыва от основной работы, просто попробовать. Пишу часть нового курса по продуктовой аналитике в свободное время.
Рекламировать такой курс слушателям пока что не готов, но первые впечатления - скорее положительные. В Практикуме серьезный подход к качеству изложения - все должно быть структурно, разложено на блоки, каждый блок должен давать определенный кусок знаний и проверяться тестом, квизом или заданием на написание кода. Каждый текст прочитывается не только другими авторами, но и методистом, который следит за понятностью материала.
Рекламировать такой курс слушателям пока что не готов, но первые впечатления - скорее положительные. В Практикуме серьезный подход к качеству изложения - все должно быть структурно, разложено на блоки, каждый блок должен давать определенный кусок знаний и проверяться тестом, квизом или заданием на написание кода. Каждый текст прочитывается не только другими авторами, но и методистом, который следит за понятностью материала.
❤6🔥6👍4
В Яндексе заканчивается блок стажировок и начинается активный найм новых. Из 2 стажеров в нашей группе один выбрал все же вернуться в науку, второй переходит в штат. Ищем двух новых!
У меня сложились такие предпочтения:
- младше 3-го курса не берем: если человек понравится и решит остаться, то совмещать работу фулл-тайм с 4 курсом еще как-то можно (если он последний), а с 3-им - вряд ли, там учебная нагрузка обычно еще большая
- лучше идти на 6 месяцев и 20 часов в неделю - можно более спокойно войти в тему, освоить инструменты, доучить все нужное и успеть показать себя
У меня сложились такие предпочтения:
- младше 3-го курса не берем: если человек понравится и решит остаться, то совмещать работу фулл-тайм с 4 курсом еще как-то можно (если он последний), а с 3-им - вряд ли, там учебная нагрузка обычно еще большая
- лучше идти на 6 месяцев и 20 часов в неделю - можно более спокойно войти в тему, освоить инструменты, доучить все нужное и успеть показать себя
❤6😁2👍1
Вакансия 1: аналитик-разработчик в Справочник
- Есть база организаций (про 20 стран), важна для Карт, Поиска, Такси, Yango, и т.д. - конкурируем с Google и 2ГИС, она наполняется и обновляется кучей разных процессов (частично платных)
- Нужно анализировать качество этой базы и самих процессов, растить их эффективность, замерять влияние этого качества на разные онлайн-метрики, ставить и анализировать эксперименты
- Больше хардкорная техническая аналитика
- В отличие от большинства позиций аналитиков, тут ничего нет про рекламу / продажи / привлечение / удержание, все только про качество / эффективность / победу над конкурентом (что лично для меня большой плюс)
- Есть база организаций (про 20 стран), важна для Карт, Поиска, Такси, Yango, и т.д. - конкурируем с Google и 2ГИС, она наполняется и обновляется кучей разных процессов (частично платных)
- Нужно анализировать качество этой базы и самих процессов, растить их эффективность, замерять влияние этого качества на разные онлайн-метрики, ставить и анализировать эксперименты
- Больше хардкорная техническая аналитика
- В отличие от большинства позиций аналитиков, тут ничего нет про рекламу / продажи / привлечение / удержание, все только про качество / эффективность / победу над конкурентом (что лично для меня большой плюс)
❤1🔥1👌1
Вакансия 2: аналитик-разработчик ЛКБ (Личного кабинета Бизнеса)
- ЛКБ - основная точка контакта владельцев бизнесов с Яндексом и Картами - https://yandex.ru/sprav/companies
- В кабинете владельцы заводят и обновляют организации, добавляют фото / видео / истории, отвечают на отзывы, смотрят статистику, покупают рекламу
- Более стандартная продуктовая аналитика: привлечение / удержание / воронки / CJM / конверсии
- Можно делать небольшие адхоки и дашборды и постепенно втянуться, а можно обсудить и что-то более крупное
- ЛКБ - основная точка контакта владельцев бизнесов с Яндексом и Картами - https://yandex.ru/sprav/companies
- В кабинете владельцы заводят и обновляют организации, добавляют фото / видео / истории, отвечают на отзывы, смотрят статистику, покупают рекламу
- Более стандартная продуктовая аналитика: привлечение / удержание / воронки / CJM / конверсии
- Можно делать небольшие адхоки и дашборды и постепенно втянуться, а можно обсудить и что-то более крупное
❤1🔥1👌1
Конкретные проекты пока не можем очертить, вариантов много, их можно выбрать с учетом пожеланий конкретного кандидата.
В обеих вакансиях (но особенно в первой) хотим от кандидата хорошего понимания базовой математики / вероятности / статистики, хотя бы для примеров с монетками и кубиками.
Буду благодарен за перепосты вашим друзьям, в личке могу ответить на вопросы.
В обеих вакансиях (но особенно в первой) хотим от кандидата хорошего понимания базовой математики / вероятности / статистики, хотя бы для примеров с монетками и кубиками.
Буду благодарен за перепосты вашим друзьям, в личке могу ответить на вопросы.
❤3🔥1👌1
Про Аналитика
Забавно видеть, что большинство кандидатов сейчас упоминают в резюме знание ML (Machine Learning) / DL (Deep Learning), ну или как минимум DS (Data Science). Опишу, как это часто воспринимается со стороны нанимающего тимлида. ML, конечно, стал казаться гораздо…
Еще раз про ИИ и прочие интересы, которые вы заявляете в резюме или при первой встрече с HR. Нанимающие менеджеры (обычно тимлиды, но в целом этот человек называется НМ) внимательно на это смотрят. Заявленные интересы могут работать парадоксальным образом не в вашу пользу. Самый типичный пример сейчас: 30-40% кандидатов упоминают, что хотели бы заниматься ИИ/ML в резюме на позицию аналитика. И в 80-90% случаев реакция НМ будет такой: "У нас тут аналитика, ИИ можно только применять в своей работе, и делать это должны все, а не только интересующиеся. А этот кандидат у нас заскучает, через полгода-год захочет перейти в команду разработки или настройки ИИ, для нас это будет впустую потраченное время - лучше посмотрим кого-нибудь менее притязательного". Команды, связанные с разработкой ИИ конечно же есть, но их мало. Как я писал раньше, для попадания в них обычно нужны глубокие знания, а не только интерес. Если вы хотите попасть в аналитику и иметь широкий выбор команд - лучше озвучивать свои интересы более аккуратно. Мы бы хотели взять человека с широкими и реалистичными интересами, такими как "хочу работать со сложными данными, искать пользу для продукта, применять для этого математику и статистику". Либо можно наоборот указать какие-то области, которые вы немного попробовали и не заинтересовались - например, "не хотел бы заниматься темой онлайн-рекламы и разработкой дашбордов". Но заявлять что-то модное и при этом довольно мало распространенное в реальной работе - это прям проигрышный вариант.
❤4🔥2👌1
7 июня в Яндексе - Weekend Offer для опытных аналитиков (навскидку, речь о тех, у кого есть хотя бы 2-3 года опыта, но пройти собеседование на высокий грейд возможно и после меньшего опыта работы). Если вы таких знаете, пишите до 2 июня, обсудим в личке. Если человек пройдет по программе рекомендаций, понравится мне по описанию, и будет в итоге нанят, я готов передать рекомендателю всю выплату Яндекса за это, а это примерно до 400К руб.
❤3🔥1🕊1
Поскольку сейчас идут массовые собеседования на стажерские вакансии, хочу сказать может не всем очевидную вещь - попытки подглядывания и списывания очень часто очевидны интервьюеру во время собеседования. В описании интервью затем будет сказано: "после выдачи задачи переключился на 2 минуты на другую вкладку, бегали зрачки как будто читает, оцениваю вероятность списывания или внешней помощи в 70%". Интевьюер обычно не прекратит собеседование и попытается дать контрольные вопросы на понимание. Но если в итоге в результатах собеседования останется вердикт о нечестности - это вполне может быть черная метка для Яндекса надолго. Пройдет пара лет, прежде чем эти данные в системе скроются под кат и будут видны только интересующимся.
❤4🔥1🕊1