ПЕРВЫЙ JOB OFFER

Весь процесс рекрутинга состоял из 2-х этапов: тестирование и интервью. Тестирование было общее для всех кандидатов-стажёров. На интервью с менеджером обсуждали знания в области e-commerce. Далее было еще одно интервью с лидерами продуктовых команд.
Интервью шли на такой позитивной и легкой ноте, что казалось, как-будто я общаюсь со своими знакомыми. Было много кейсов, задач и вопросов на логику. Обязательно напишу пост с подобными задачами для вас)
Наконец я получил свой долгожданный оффер, на который я без раздумий согласился.
Я попал в команду, которая состояла всего из 2-х человек … Вторым человеком был я)
Мы занимались сопровождением и развитием систем Jira и Confluence. Подробно расскажу о них в отдельном посте, ведь с ними работает каждый аналитик. Коротко, Jira – таск-трекер с инструментами agile. Confluence – система для создания, редактирования и хранения документации.
Каждый день я получал новые знания в аналитике, где проходил весь путь цикла разработки много раз: от встречи с бизнес-заказчиками до внедрения решения на «prod»
Через полгода меня подключили к проекту Success Factors, в котором я познакомился с задачами data-аналитика и data-инженера. Это помогло прокачать свои компетенции в SQL, Python, ETL/ELT и Tableau

ЗАЧЕМ НУЖНА АНАЛИТИКА

Аналитика – это очень широкое понятие, которое может включать в себя задачи из очень разных отраслей. Если зайти на сайты вакансий, то можно увидеть очень много профессий для аналитиков:
- Системный аналитик
- Аналитик данных
- Бизнес-аналитик
- Финансовый аналитик
- Web-аналитик
- Продуктовый аналитик
- BI-аналитик

На самом деле, между ними есть общие взаимосвязи, понятия и навыки, которые необходимы в аналитике. Давайте попробуем ответить для себя на 2 важных вопроса: Что такое аналитика? Зачем она нужна?

1. Что такое аналитика?
Аналитика – это умение обрабатывать исходные данные, строить между ними взаимосвязи и искать решения для развития бизнеса. Другими словами, это
слушать и слышать проблемы и боли клиентов или бизнеса
выявлять причину этой боли
разрабатывать решение и внедрять его в бизнесе для получения профита.

2. Зачем нужна аналитика?
Частично, мы уже ответили на этот вопрос. Цель аналитики – давать решения бизнесу, которые приносят дополнительный профит и ценность.

Бизнес-ценность может выражаться разными способами:
- статистический отчет на основе обработанных данных с инсайтами для улучшения
- разработанные KPI по улучшению бизнес-показателей
- оптимизированный бизнес-процесс, который требует меньше ресурсов и приносит больше пользы
- разработка и автоматизация бизнес-систем для операционной деятельности
- разработка нового продукта и анализ пути клиента

В каждом описанном результате важна работа аналитика.
Советую почитать, чем отличаются друг от друга специализации аналитиков здесь https://vc.ru/hr/308283-professiya-analitik-13-specializaciy-chem-oni-zanimayutsya

КНИГИ ПО АНАЛИТИКЕ

Для любой профессии важны базовые навыки, которые обычно мы ищем в книгах. Топ 3 книги, которые помогут вам войти в аналитику:

1. Аналитическая культура. От сбора данных до бизнес-результата / Карл Андерсон

Эта книга посвящена управлении бизнесом на основе данных. Автор показывает все аспекты работы и построения аналитической культуры, главным компонентом которой являются данные. Книга очень полезна к прочтению чтобы ответить себе на главные вопросы: Что такое данные? Как данные могут повлиять на развитие компании? Как работать с данными, чтобы иметь возможность превратить данные в знания.

2. System analysis and design / Alan Dennis

Книга поможет разобраться во всех стадиях жизненного цикла разработки ПО. В книге сделан упор на бизнес-анализ и построение диаграмм бизнес-процессов, а также автор описывает как правильно писать бизнес и системные требования вместе и описывать test-cases и use-cases.

3. Спроси маму / Роб Фицпатрик

На самом деле эта книга не совсем про аналитику, и тем более не про аналитику данных – книга про коммуникацию и про то, как правильно задавать вопросы, чтобы получить развернутые ответы. Книга будет полезна как аналитикам, так и менеджерам проектов и людям, в часть работы которых входит коммуникация с заказчиком.

ЗАЧЕМ Я ПОШЁЛ В IT

Иногда я задаю себе вопрос «Что меня привлекает в моей работе?»
Я выделил для себя плюсы и минусы работы аналитика. В моём случае плюсы явно перевесили в свою сторону и именно они являются мотивирующими факторами для меня.

1. Востребовательность на рынке труда
Сейчас во всем мире очень высокий спрос на труд IT специалистов, в частности аналитиков. Каждый бизнес имеет своё IT подразделение, которое играет очень большую роль в развитии бизнеса. К тому же, профессия аналитика уже который год входит в различные топы профессий будущего и самых востребованных профессий с высоким спросом на специалистов.

2. Время Цифровой трансформации
Этот пункт коррелирует с первым. Компании трансформируют свою деятельность, опираясь на технологии в IT. Это значит, что у аналитиков есть очень много интересных и амбициозных задач в работе.

3. Высокая оплата труда
Ни для кого не секрет, что IT-шники могут зарабатывать хорошие деньги на своей работе. Высокий заработок даёт возможность путешествовать, проходить платные обучения и просто баловать себя приятными вещами. Вся мировая система построена на деньгах и чтобы что-то получить (товар или услугу), нужно заплатить.

4. Широкие возможности онлайн-обучения
Все знания, которые нужны аналитику, можно получить онлайн. Для этого есть множество обучающих ресурсов, только бери и учись. Далеко не каждой профессии можно обучиться онлайн, особенно если нужно применять физический труд или дополнительные инструменты в работе.

5. Возможность работать дистанционно
Сейчас почти все IT-специалисты в той или иной мере работают удаленно. Не нужно ездить в офис, вставать рано, тратить свое время на дорогу. Достаточно встать, умыться, сделать себе вкусный кофе и включить компьютер для работы. Это позволяет распоряжаться своим временем более гибко и работать там, где тебе комфортно.

НАВЫКИ АНАЛИТИКА ДАННЫХ

Каждый специалист должен в той или иной мере обладать hard (жесткие) и soft (мягкие) навыками.

Hard skills (жесткие навыки) - профессиональные навыки или технические компетенции, связанные со знанием инструментов, программ или методологий, которые человек умеет применять в работе. Для аналитика данных к hard skills относится:
- Знание SQL и СУБД (Система управления базами данных)
- Умение программировать (Python или R)
- Построение модели данных
- Построение Data flow (описывает откуда, куда и через какие инструменты идут данные)
- Архитектура хранилища данных (DWH) или озера данных (DL)
- Построение витрин данных (Data Marts)
- Работа в инструментах BI

В зависимости от уровня аналитика, список hard навыков должен расти. К нему могут добавляться знания конкретных инструментов или системных решений, с которыми работает аналитик. Также, hard skills могут сильно отличатся от проекта или места работы (к примеру, один аналитик данных может более детально погружаться в процесс создания архитектуры хранилища данных, другой аналитик будет работать с визуализацией данных, витринами и инструментами BI)
Чем лучше и обширней у тебя прокачены hard skills, тем более профессионально и эффективно ты можешь подбирать инструменты для задач и выполнять их более качественно.

Soft skills (мягкие навыки) - социальные навыки, к которым относиться умение эффективно коммуницировать с людьми, строить диалог, активно слушать, отстаивать свою точку зрения. Помимо этого, к soft навыкам относится самоорганизованность, умение распределения задач, time-менеджмент, умение работать в команде, решать конфликтные ситуации и адаптироваться под новые реалии.
Soft skills позволяют аналитику вести коммуникацию с заказчиком, командой разработки, стейкхолдерами и пользователями. Кроме того, мягкие навыки помогают демонстрировать себя на интервью как настоящего профессионала, проходить экзамены на повышение квалификации - это путь наверх по карьерной лестнице.
Soft навыки изначально у всех зависят от нашего характера, воспитания и окружения. Однако, каждый навык можно проработать в свою пользу и усилить для достижения целей.

Дальше я буду делиться своим опытом как я прорабатывал hard и soft скилы, дам полезные источники информации и помогу тебе прокачаться в аналитике данных

ВОЗМОЖНЫЕ ОШИБКИ В КАРЬЕРЕ АНАЛИТИКА

1. Страх неудачи
Боязнь ошибиться в чем-то или взять на себя большую ответственность за выбор решения присуще не только аналитикам, но и людям в других управляющих профессиях. Первое о чем нужно думать - каждый человек может ошибаться и это нормально. Ошибки и неудачи помогают набираться опыта и двигаться вперед. Главное, нужно извлекать ценность из каждой ошибки и предотвращать ее повторное появление.
Золотое правило IT-шников - делай сначала на тесте, а потом переноси на прод.

2. Негибкость в работе
Аналитические решения должны быть построены на Agile-подходе. Первая цель Agile - гибкость и готовность к быстрым изменениям. Второе правило - качественный и ценных продукт для заказчиков. Заказчики могут менять требования в процессе работы, и к этому ты должен быть готов, чтобы пересмотреть и оценить требования и само решение.

3. Делать работу без понятных требований
Довольно часто начинающие аналитики приступают к работе и написанию задач для разработки без четко сформулированных требований. Как следствие, заказчик может получить совсем не тот продукт, который хотел. Чтобы избежать недопониманий, необходимо провести большую работу по формулированию требований с заказчиком и их согласование. В итоге, должно сложиться полное взаимопонимание между IT и бизнесом в том, что они двигаются в одном направлении.

4. Горящие сроки проекта
Ты можешь поспорить, что аналитик не должен отвечать за сроки проекта, а это работа менеджера или владельца продукта. Однако, менеджер первым делом приходит узнавать приблизительные сроки выполнения работ к аналитику. Аналитик должен понимать, какая задача и сколько она примерно может потребовать ресурсов для исполнения. Для оценки времени задач существует множество методик и инструментов, которыми я обязательно поделюсь в следующих постах

КАК ПИСАТЬ ТРЕБОВАНИЯ

Одной из основных задач работы аналитика является выявление и формирование требований. Требования бывают разные:
- бизнес задачи и бизнес-требования
- Функциональные требования (описывают сценарии, по которым с системным продуктом взаимодействует пользователь)
- Нефункциональные требования

Требования - это задокументированный формат
Бизнес-анализ затрагивает полностью всю тему требований, начиная от Discovery фазы проекта с выявлением бизнес-целей, и заканчивая написанием User story - пользовательских историй или сценариев, которые имеют четкую структуру и используются командами разработки.

Я хочу расписать постановку требований со стороны аналитика данных, где работа с требованиями заключается в сборе и исследовании данных.

Процесс работы с требованиями выглядит следующим образом:

1. Выявление требований
Помимо подходов бизнес-аналитики по выявлению требований, таких как интервью, воркшопы, запуск опросов и запись пожеланий клиентов, аналитик данных можете использовать другие инструменты:
- Python или другой язык программирования для сбора данных (Data Mining) с сайтов и получения первичной статистики
- Google analytics или другой подобный инструмент, который собирает и описывает всю информацию по использованию веб-ресурса
- SQL, если данные уже собираются в транзакционную базу данных или даже передаются в аналитическое хранилище данных
- Инструменты BI отчетов, где можно динамично анализировать разные метрик и выявлять по ним требования для дальнейшего улучшения процесса/системы

2. Уточнение требований
Здесь подойдут такие подходы как:
- построение mind map
- Root cause analysis
- Анализ 5 почему

3. Планирование изменений
На данном этапе важно понять, где проект находится сейчас (As-is) и к чему вы хотите его привести (To-be)
Для описания подойдут различные методологии и нотации: BPMN, Sequence diagram, Business architecture, Conceptual data model

4. Декомпозиция требований
Сначала нужно разделить требования на функциональные требования и прописать сценарии пользователя. Для этого отлично подходят
- User story
- User story map ( все user story связаны между собой единым развитием и сценарием пользователя)
- Use cases - пошаговое описание действий пользователя

Далее функциональные требования разбиваются на системные требования, которые data аналитик может оформлять в виде
- Data flow diagram
- ER-diagram
- Conceptual/Logical/Physical data model

В ЧЕМ СИЛА SQL

Вы часто спрашиваете: «Нужно ли аналитику данных знать какие-либо языки программирования?»
Мой ответ - ДА, самым основным инструментом data аналитика является SQL.

🔍 SQL (Structured Query Language) - язык структурированных запросов, позволяющий работать с реляционными базами данных (БД) и выполнять различные манипуляции с данными.

Это инструмент, с помощью которого можно общаться с базами данных и давать некие инструкции системе.

С помощью SQL можно:
📍получать и давать доступ к данным, таблицам
📍описывать данные и их структуру
📍добавлять, удалять и изменять данные в БД
📍использовать другие языки программирования с помощью специальных библиотек
📍создавать и удалять объекты в БД
📍искать данные

Все команды SQL принято классифицировать:

1️⃣ DDL (Data Definition Language) - язык определения данных
Основные команды:
CREATE - создает объекты в БД (таблицы, представления и т.п.)
ALTER - изменяет существующие объекты в БД
DROP - удаляет объекты из БД


2️⃣ DCL (Data Control Language) - язык управления данными
Основные команды:
GRANT - наделить пользователя правами (например, просматривать данные в определенной таблице)
REVOKE - забрать у пользователя права


3️⃣ DML (Data Manipulation Language) - язык изменения данных
Основные команды:
INSERT - добавлять данные в БД
UPDATE - обновлять или изменять данные
DELETE - удалять данные
SELECT - извлекать или осуществлять поиск данных

Это лишь часть основных команд, которыми богат SQL.

⁉️ А вы знаете, что больше 80% данных вокруг являются неструктурированными, т.е. не могут быть записаны в виде таблицы со столбцами и строками? Например, это все медиафайлы (видео, музыка, картинки), обычный книжный текст и даже этот написанный пост)

Поэтому помимо работы с реляционными базами данных и SQL все больше набирает популярность работа с неструктурированными данными и так называемыми “Озерами Данных”. Для работы с ними используется язык NoSQL (Not only SQL).

ЧТО ТАКОЕ AGILE

Большинство проектных и продуктовых команд сейчас работают по Agile.

🔍 Agile - это набор методик и подходов для гибкого управления проектом по разработке программного обеспечения.

Сам подход Agile зародился еще в 2001 году, тогда был создан так называемый “Agile манифест”. Манифест описывает ценности Agile, вот некоторые из них:

“Люди и взаимодействие важнее процессов и инструментов.

Работающий продукт важнее исчерпывающей документации.

Сотрудничество с заказчиком важнее согласования условий контракта.

Готовность к изменениям важнее следования первоначальному плану."

❗️ Если вы работаете по Scrum, Kanban, у вас есть спринты, но вы не понимаете в чем ценность всего процесса - обязательно почитайте ценности Agile.

Например, по методологии Scrum есть довольно общее деление команды на роли:

- Владелец продукта
- Scrum мастер
- Команда разработки

Команда разработки считается кросс-функциональной, где не выделяются отдельные роли каждому члену команды.

❓ В чем же ценность аналитика в такой команде?

Аналитик будет связующим звеном, скрам команды и бизнес заказчиков. И будет особенно нужен в случае недостатка времени у стейкхолдеров, или отсутствия владельца продукта.

Многие разработчики не имеют желания или времени общаться с бизнес-заказчиками, ведь им нужно писать код, реализовывать новый функционал и устранять баги.

Здесь как раз и приходит на помощь аналитик, который позволит эффективно использовать разработчиков, но при этом не снижая качество общения с бизнесом.

Также, аналитик будет центром накопления знаний о предметной области продукта, контролировать качество продукта, проводить review продукта, подготавливать данные для уточнения бэклога и т.п.

ХРАНИЛИЩЕ ДАННЫХ vs ОЗЕРО ДАННЫХ

Часто ли вы слышали понятия Хранилище данных и Озеро данных в своей жизни? А знаете чем они отличаются между собой?
Нет? - А зря, ведь это один из базовых вопросов на собеседовании аналитиков, инженеров, менеджеров, которые рассматривают работу на проектах, связанных с Data и Business Intelligence.

Данные генерируются во всех транзакционных системах и системах управления предприятиями или компаниями (ERP, CRM, BPM…) каждую секунду.

❓Возникает вопрос: а где хранить такие большие объемы данных и получать от них пользу и профит для компании?

Тут на помощь приходят технологии аналитических хранилищ данных, или OLAP Systems - Online Analytical Processing Systems.
С развитием технологий появилось несколько подходов хранения и обработки больших объемов данных в компаниях:
📍Хранилище данных (Data Warehouse)
📍Озеро данных (Data Lake)

Существуют также гибридные методологии вида Data Vault, Delta Lake, Lake House.

КАК НАЙТИ ВАКАНСИЮ В IT

Существует множество ресурсов и способов поиска работы в IT.

❓Но на что обращать внимание при поиске вакансии?

1. Описание компании и проекта

Смотрите на то, чем занимается компания, в какой проект открыта вакансия и самое главное, совпадают ли ваши интересы с той областью, в которой предстоит работать. Бывает, что в вакансии не описан конкретный проект - это нормально. Компании обычно ищут сотрудников на длительное сотрудничество и набирают штат не на определенные проекты, а просто в компанию, чтобы потом по необходимости и интересам сотрудника определить его на тот или иной проект.

2. Описание обязанностей

Важный пункт, который даёт понять кандидату, что от него ждут и какими навыками нужно обладать кандидату. Если обязанности расписаны общими словами: “быть ответственным и выполнять работу всегда качественно” - это не всегда полезное описание. Такие обязанности должны восприниматься как само собой выполняемые, вы должны обращать внимание на именно те задачи и обязанности, которые вы будете делать на работе. Например, «общаться с бизнес-пользователями, документировать требования в виде ТЗ для команды разработки». Здесь становится понятно, какие навыки нужно применять на данной работе.

3. Инструменты и стек применяемых технологий

Читая эту часть вакансии, задавайте себе вопрос: умею ли я работать с этими инструментами или мне нужно подтянуть свои знания? Самый простой пример: вы умеете работать в Power BI, а для вакансии требуются знания Tableau. Можно попробовать до интервью посмотреть обзоры и почитать документацию необходимых инструментов, если знания нужны только начальные и вас будут готовы обучить. Но если требуется именно специалист, то скорее всего нужно отложить эту вакансию в сторону или взяться всерьёз за обучение инструменту.

4. Предложение для соискателя

Ну и конечно тот пункт, который привлекает ваше внимание и иногда выглядит очень сладко.
Обязательно обрати внимание на
- Официальное оформление по ТК РФ
- График работы
- Условия получения ЗП, премий и бонусов
- Социальный пакет
- Все остальное, что для ВАС важно

PYTHON ДЛЯ РАБОТЫ С ДАННЫМИ

🔎 Python - язык программирования, который широко используется и применяется на проектах, связанных с обработкой и анализом данных.

Он удобен, прост в понимании и чтении кода, имеет множество полезных функций и библиотек для работы с данными.

1. Pandas
Библиотека позволяет загружать, очищать и обрабатывать данные, загружать данные из различных файлов и преобразовывать их в “датафрейм”, с которым в дальнейшем идет работа и его трансформация. Данные представляются в понятном и читаемом виде таблицы, а множество функций и методов позволяют проводить простые и сложные трансформации данных.

2. Pandas Profiling
Еще одна библиотека, которая позволяет в более автоматическом режиме сделать исследование датасета и собрать все базовые метрики.

3. Requests и BeautifulSoup
Библиотеке requests позволяет извлекать данные с помощью запросов API (Application Programming Interface) к приложениям, либо отправлять различные команды приложению через python скрипт. BeautifulSoup позволяет работать с web-страницами формата HTML и XML. Обе библиотеки дают хороший инструментарий для парсинга и извлечения данных.

4. NumPy
Библиотека позволяет использовать математические расчеты и работу с массивами в вашем проекте. Это больше подходит для Data Science задач, где нужны математические инструменты.

5. Plotly и Matplotlib
Библиотеки plotly и matplotlib дают огромный инструментарий построения различных графиков, диаграмм, чартов и т.д. Некоторые графики можно построить с помощью одной строчки кода и предоставить визуализацию коллегам.

6. SciKitLearn, Keras, Pytorch, Tensorflow
Все эти библиотеки используются для работы с машинным обучением. SciKitLearn подойдет больше для построения простых алгоритмов и моделей машинного обучения, в то время как Keras или Pytorch дают более широкий спектр функций для построения нейронных сетей, моделей компьютерного зрения или обработки естественного языка.

7. SQLAlchemy
Библиотека позволяет подключаться к базам данных. Можно создавать, изменять таблицы, писать запросы, извлекать/вставлять данные. Библиотека позволяет работать с базой данных с помощью объектно-ориентированного кода, не используя SQL-запросы.

ЧТО ТАКОЕ ТРАНЗАКЦИЯ В БАЗЕ ДАННЫХ

🔎 Транзакция — это неделимая (атомарная) операция, которую вы можете произвести с базой.

Неделимая — это значит, что база рассматривает операцию как единое целое. Она или выполняется полностью, или не выполняется вообще.

При этом транзакция может содержать в себе несколько операций. Например, вы можете вставить несколько строк в базу, и всё это будет считаться единой транзакцией. В случае если произошла ошибка, и только часть строк была вставлена в базу, транзакция "откатится", то есть все внесённые изменения будут отменены.

Когда мы выполняем несколько операций в коде, в конце нужно сделать коммит (commit), то есть показать системе, что мы должны выполнить предыдущие операции как единое целое. Каноничный пример транзакции в реальном мире — перевод денег с одного счета на другой в банке. Как происходит перевод:

Система снимает деньги с одного счета.
Система добавляет деньги на другой счет.
Если бы операция перевода не являлась транзакцией, то в случае ошибки между 1 и 2 этапом деньги пропали бы безвозвратно.

На самом деле дело не только в защите от ошибок при удалении, но и, например, в защите от неконсистентности данных. Что это значит? Допустим, вы переводите деньги с одного счета на другой. Допустим, вы хотите заплатить с первого счёта в магазине. Если транзакция еще не завершила первый этап, вы можете случайно подумать (во время другой параллельно идущей операции снятия денег), что денег у вас больше, чем есть на самом деле.

Транзакции подчиняются принципу ACID:

📍Atomic (атомарность) — если произошел коммит, значит, все операции были выполнены;
📍Consistent (консистентность) — можно сделать коммит, только если он удовлетворяет всем ограничениям (например, NOT NULL);
📍Isolated (изолированность) — снаружи транзакции не видно, что происходит внутри, пока не произошел коммит;
📍Durable (долговечность) — независимо от ошибок в системе, транзакция, которая была совершена (то есть, был коммит) останется совершённой, даже если сразу после коммита сервер упадет.

ЧТО ИЗМЕНИТСЯ В НАЙМЕ КАНДИДАТОВ В IT в 2022

https://vc.ru/hr/368749-chto-izmenitsya-v-it-rekrutinge-v-2022-godu-osnovnye-trendy

Полезные материалы для развития навыков коммуникации для аналитиков (Soft skills)

https://vc.ru/hr/367462-kak-it-specialistu-razvit-kommunikativnye-navyki-20-poleznyh-materialov

Если вы часто работаете в Excel, но у вас есть потребность учить Python, можно познакомиться с библиотекой Mito.
Mito позволяет представить данные в виде привычной таблицы и выполнять с ними все те же операции что и в Excel. При этом автоматически будет генерироваться Python код всех операций, выполненных с данными

https://towardsdatascience.com/how-to-analyze-data-using-mito-in-python-4bf817092367

ЧТО БУДЕТ ПРОИСХОДИТЬ С IT В БЛИЖАЙШЕЕ ВРЕМЯ?

Обстановка на рынке в РФ очень сильно поменялась и будет продолжать меняться. Многие компании временно или полностью останавливают свою деятельность.

IT-специалисты, чью компанию затронула обстановка, скорее всего видят перед собой 2 варианта:

1. Менять работу и искать другую вакансию на рынке
2. Релокация в другую страну, если компания поддерживает это и позволяет работать дальше

Каждый решает сам по своим личным обстоятельствам как поступать. Оба варианта сильно повлияют на дальнейшее развитие рынка IT в стране.

На мой взгляд сценарий будет выглядеть следующим образом:
- из-за большого оттока специалистов зарубеж ещё больше возрастёт нехватка спецов внутри страны
- спрос от компаний будет увеличиваться, следовательно будут привлекать новых работников любыми способами - бонусы, премии, большой соц. пакет (сюда также относятся новости про льготные ипотеки и про отказ от налогов для IT)
- будет рост зарплатных ожиданий, т.к. в сильной позиции чтобы "поторговаться" на интервью будет соискатель, а не работодатель
- получать ЗП в валюте станет сложнее находясь внутри страны, еще один мотиватор для релокации

ИТОГ:
Кто хочет попасть в IT, учитесь и повышайте свои навыки, чтобы получить классный оффер от работодателя. Текущая ситуация совсем не повод опускать руки и перечеркивать все свои планы. Это мотиватор вкладывать как можно больше в себя и в свое развитие.

Книга "Практическая статистика для специалистов Data Science"