Как стать аналитиком, разучившись считать 😌

Скоро будет живой митап, где на примере своих факапов расскажу, как ошибки могут быть полезны в карьере аналитика
Программу можно посмотреть постом выше 🙃


Митап "Факап найтс" 😱
Когда: 6 февраля (четверг) с 19 до 23 часов
Где: Moc Loft, Варшавское шоссе 33 стр 13 (Метро Нагатинская/МЦК Верхние Котлы)

Что будет ещё:
🥈 Выступления спикеров: расскажут о своих провалах при поиске работы или на самой работе в корпорациях, и как они с ними справлялись
🥈 Нетворкинг: можно будет познакомиться с ребятами из IT-компаний или с теми, кто в поиске работы
🥈 Еда чтобы покушац
🥈 Афтерпати: в конце включим музыку, расслабимся, подэнсим 🤪

А организует митап Марго - наш рекрутёр из Лавки, которая любезно сделала скидку в 400 рублей по промокоду raf (действует с 22.01 по 24.01)

Ссылка на регистрацию

Всех жду! 💙

Как подготовиться к финальному собеседованию 😱

Помнишь, я рассказывал о том, как подготовиться к собеседованиям на аналитика?
Если да, то самое время поделиться с тобой волшебной таблеткой лайфхаками, как подготовиться к финальному собеседованию с командой, чтобы увеличить свои шансы на успех

Финальное собеседование (или "финал") - встреча или созвон с руководителем команды, в которой ты потенциально будешь работать. Команда со своей стороны хочет убедиться, что нанимает подходящего по своим запросам кандидата, а ты в свою очередь знакомишься с ней, принимая для себя решение, хочешь ли ты работать в такой команде и заниматься подобными задачами.

И в таком формате возникает проблема: у финального собеседования нет определённого формата. В зависимости от собеседующего и его настроения тебя могут спросить всё, что угодно: начиная от задачки на алгоритмы, заканчивая обычной беседой за жизнь, чтобы проверить что ты адекватный чел и с тобой можно комфортно взаимодействовать.

Исходя из таких вводных данных предлагаю следующий алгоритм подготовки:

1️⃣ После назначения финального собеседования попроси у рекрутера информацию о команде, мб ссылку на вакансию (чем подробнее, тем лучше, но сильно душнить тоже не надо). После этого ты идёшь в интернет и изучаешь там статьи/выступления экспертов на тему деятельности этой команды, смотришь на ключевые метрики, которые там могут использоваться 🌐

Например, тебе говорят, что собеседование будет с командой аналитики ценообразования Яндекс.Лавки.
В таком случае мы ищем материалы по запросу "ценообразование в ритейле" и находим видос, в котором слушаем про базовые подходы и обретаем некоторую экспертность в сфере деятельности команды 🧐

Ура! После этого тебе будет на порядок легче пройти собес в отличие от кандидата, который не позаботился о том, чтобы узнать об этом. Одно только это действие уже даёт тебе бОльшую часть результата

2️⃣ Подумай о том, как ты будешь презентовать себя свой предыдущий опыт в контексте новой команды. Если позаботишься об этом, то сможешь лучше себя "продать", а ещё на собеседовании не сложится ощущение, что твой предыдущий опыт вообще неприменим к текущим запросам команды.

И да, не нужно затягивать рассказ о себе, пусть он будет на пару минут и с выделением основных достижений, его можно отрепетировать в спокойной обстановке

🤟

3️⃣ Подготовь вопросы. Немного странно, когда у кандидата нет вопросов к команде, поэтому позаботься об этом заранее

Например, какой формат работы? Будет ли сотрудник, помогающий в адаптации? Какими задачами я буду заниматься?

👨‍💻

Не забывай, что успешных финальных собеседований у тебя будет намного меньше, нежели технических и других предварительных. Например, я успешно прошёл лишь 2 из 8 финальных собеседований в Яндексе за время моей работы - и это норм 🫡

Делись постом с другом, который проходит финалы, а также согрей пост огоньком 🔥 и клубникой 🍓

Что нужно знать аналитику, чтобы найти работу в 2025 году?

В марте и апреле происходит самый разгар набора на летние стажировки в бигтехе 🔥

Рассказываю с точки зрения аналитика, как увеличить свои шансы на успех:

1) Хард-скиллы 🧑‍🎓
Обязательно нужно знать всё, что ниже:

- SQL (select, where, group by, join, оконные функции) и Python с библиотеками анализа данных (Pandas, Matplotlib)

- Теория вероятности (комбинаторика, дискретная вероятность, условные вероятности, формула полной вероятности, теорема Байеса)

- Мат. статистика (точечное и интервальное оценивание, тестирование гипотез, дизайн экспериментов, доверительные интервалы)

- Моделирование: различные способы измерения поведения пользователей, основные продуктовые метрики

- Полезно (но не всегда обязательно) знать машинное обучение (лин. и лог.регрессия, решающие деревья, ансамбли, бустинги. Нейросети - это необязательно)

- Именно для ❤️ также полезно знать алгоритмы анализа и обработки данных, а также активно применяемые структуры данных (списки, стеки, деки, множества, словари, деревья)

Как это всё изучить смотри в этом посте

2) Резюме 📑
Оно нужно чтобы пройти первичный скриннинг и увеличить количество заинтересованных команд на финалах, если получится пройти все собеседования. Есть отдельный пост, как его написать с примером ✏️

3) Структура собеседований 💬
Недавно я искал стажёра-аналитика в нашу команду Лавки, вследствие чего получилось провести несколько собеседований, в том числе финальных. Исходя из этого могу дать банальный, но просто жесть какой рабочий совет: посмотреть примеры собеседований на ютубе (примеры: раз, два, три), чтобы понимать, как они проходят и что там могут спросить.

4) Уметь продавать себя 🛍
Подготовь и отрепетируй рассказ о себе, а также адаптируй его под сферу деятельности команды. Судя по опыту, только ~20% стажёров на финалах предварительно изучили, чем занимается собеседующая их команда до собеса. А ведь это по сути бесплатный способ увеличить свои шансы на успех, получив +respect от команды и, возможно, даже получить ответы на вопросы, которые тебе зададут на финальном собеседовании.

5) Оставить ❤️ на удачу под этим постом.
Без этого никак. Точка.

Обещанного повышения 3 года не ждут: советы от HR для аналитика, если ты решил искать работу в 2025 году

Я Марго, IT-рекрутер в Яндексе, нанимаю аналитиков, веду инст и тг-канал про карьеру. Ежедневно общаюсь с крутыми дата-специалистами и хочу поделиться лайфхаками, которые помогут в поиске лучшей работы.

1️⃣ Подготовь кейсы
На интервью часто просят рассказать про свои успешные (да, нужно уметь себя хвалить😏) и провальные кейсы (и как ты с ними разбирался). Лучше подготовь кейсы заранее, чтобы не лить воду и не уходить в сторону.

Схема для описания кейсов:
🔵Понять проблему (что болит у бизнеса?)
🔵Фреймворк решения (какие данные, методы и метрики используешь?)
🔵Выводы и next steps (что делать дальше?)

2️⃣ Развивай бизнес-мышление
Компании ценят аналитиков, которые понимают не только цифры, но и бизнес-контекст. Читайте про юнит-экономику, метрики в разных сферах (маркетинг, продукт, финансы), изучайте отчеты публичных компаний. Перед собесом почитайте подробнее про предметку этой компании.

3️⃣ Прокачай резюме
Резюме аналитика должно быть чётким, цифрованным и без воды. Для описания опыта используй формулу: что делал + при помощи какого инструмента + как это измерить.

4️⃣ Нетворкайся
Подписывайся на Telegram-каналы про аналитику, участвуй в митапах и хакатонах, посещай конференции. Нетворкинг — мощный инструмент поиска работы, особенно в 2025 году, когда рекомендации ценятся всё больше.

5️⃣ Расширяй стек и область задач
SQL — это база, а Python повышает вашу стоимость на рынке и открывает новые интересные задачи. Осваивайте BI-инструменты, чтобы уметь делать дашборды, изучайте ML, погружайтесь в исследовательские задачи и АБ-тесты. Чем больше разных задач вы решаете, тем больше возможностей открывается перед вами.

Желаю успехов с поисками, заклинаю всех на лучшие офферы🔮

Ну огонь же! Давай поддержим реакцией 🔥

Прочитай это перед тем, как работать в E-grocery 💙🍔🛒

Предположим, что ты уже подготовился к собеседованиям по гайду и обладаешь базовыми навыками аналитика.
Теперь ты собеседуешься аналитиком в Лавку, Самокат, Купер, Озон Фреш или другую подобную компанию, и тебя от заветного оффера отделяет лишь финал с командой 😱

Гарантирую, что тебе будет полезно знать метрики, которые используются в сфере e-grocery, чтобы быстрее решать кейсы и при этом проявить свою экспертизу/насмотренность. Я проработал в Лавке (не только курьером, но и аналитиком) уже более 1.5+ года и за это время успел ознакомиться с большинством метрик, применямых в решении задач бизнеса. Их понимание настроит тебя на нужный контекст и сэкономит время при решении кейсов на собеседовании, да и в рабочих задачах точно пригодится.

Основные метрики в ритейле/е-коме/e-grocery:

- GMV (Gross Merchandise Value): общая стоимость всех проданных товаров за определенный период. Ключевая метрика для оценки объема продаж и понимания масштабов бизнеса 🌟

- Маржинальность (Margin): показывает, какая доля прибыли остается после вычета себестоимости из GMV. Высокая маржинальность — это показатель эффективности ценообразования 💹

- Количество заказов (Orders) и продаж (Sales): простой и одновременно важный показатель, который позволяет следить за динамикой и трендами спроса 📦

- Количество SKU (Stock Keeping Unit): общее количество уникальных товарных позиций. Эта метрика помогает управлять разнообразием ассортимента и анализировать, какие товары больше всего интересуют покупателей 📊

- Списания товара (Write-offs): объем товара, который списан в связи с истечением срока годности или повреждением. Управление этой метрикой помогает минимизировать потери и улучшить контроль качества ⚖️

- OSA (On-Shelf Availability): доступность товара на полке. Например, если молоко было доступно для покупки только половину времени от времени работы магазина, то OSA будет равна 0,5. Таким образом метрика показывает, насколько эффективно пополняются запасы в магазине 🛒

- CTE (Click to Eat): время от создания заказа до доставки пользователю. Это ключевой показатель для оценки оперативности и логистической эффективности, а также важный фактор удовлетворенности клиентов ⏱️

- OPH (Orders per hour): количество доставляемых/собираемых заказов за час. При помощи этой метрики можно мониторить эффективность курьеров или спрос в конкретном районе 🛍

Кстати, сейчас пишу статью на Хабр про аналитику ценообразования в торговых сетях, поэтому в ближайшее время получится порадовать вас конкретными примерами, где эти метрики могут помочь

Что из аналитики в ритейле тебе интересно узнать на примере Лавки? Напиши в комментариях ⬇️

Аналитический подход к ценообразованию 💵

Напоминаю, что я всё ещё занимаюсь аналитикой ценообразования в Лавке, но экспертных постов на эту тему до сих пор не было 🤔

Поэтому расскажу про общепринятый подход в ценообразовании, к которому стремятся прийти все крупные игроки в ритейле, но перед этим важное замечание:

Всё, что написано в этом посте - это описание общепринятого подхода на рынке, а не конкретный пример "Яндекс.Лавки".
Да и вообще, давайте рассматривать этот пост вне контекста от Лавки 🍫

А поговорим мы про подход динамического ценообразования, который позволяет выставить цены на товары так, чтобы в итоге бизнес получил прирост в выручке и/или маржинальности. Звучит круто, не правда ли?

Давай подумаем, как можно этого добиться: вот есть у нас набор текущих цен на товары, но как их нужно изменить, чтобы получить наибольший прирост, например, в выручке?

Напоминаю, что:
Выручка - это сумма всех продаж товаров, умноженных на их цену 💰
Маржинальность - это доля от выручки, которая остаётся после вычета себестоимости товаров 💵

Ответ: нам нужно понимать, какие будут продажи у товара при той или иной цене. Зная это, мы сможем выбрать такую цену, при которой значение выручки/маржинальности по этому товару будет максимальным.

И вот тут естественным образом возникает другая задача: откуда нам знать, какие продажи будут у товара, если поставить на него цену X?

У опытных рафаналитиков читателей возникнет желание решить такую задачу при помощи машинного обучения - и они будут правы 🥰

Для этого мы обучим модель на исторических данных, чтобы научить её предсказывать продажи товара при цене X 📈

И вот, если модель прогнозирования продаж/спроса будет достаточно точной, то:
- для группы товаров мы перебираем возможные на них цены (например, +- 10% от текущей цены)
- для каждой цены прогнозируем продажи на товар
- для каждого товара выбираем такую цену, при которой выручка/маржинальность (что выбрать - зависит от цели) будет наибольшей

Именно так и может работать система динамического ценообразования, которая автоматически подберёт цены на товары при помощи аналитики и машинного обучения. У подхода есть много нюансов, так что если возникнут вопросы - напиши в комментарии 👇

Поздравляю, теперь ты знаешь про ценообразование чуть больше.
Если чувствуешь, что преисполнился - ставь сердечко ❤️

Как пройти собеседование: опыт аналитика Яндекс Лавки 💙

Совместно с Яндекс.Практикумом написали лаконичную статью на Хабре на эту тему из предыдущих постов в канале, рекомендую! 👆

📝 Статья 📝

Можно делиться критикой и реакциями клубники 🍓

Давно не показывал вам, что происходит в офисах Яндекса, поэтом пишу сейчас: вчера во дворе одного из офисов открыли два падел корта

Подробнее в видосе 🔽

Как думаете, чего еще не хватает для полного счастья айтишникам?

Почему одни магазины кажутся дороже других? 🛒🛒🛒🍔

Если я спрошу тебя:

- Как ты определяешь, что магазин дорогой?

То скорее всего ты посмотришь цены на конкретные товары — например, молоко или хлеб 🥛🍞
На самом деле часто оказывается так, что наше восприятие цены магазина складывается из того, какие цены стоят на привычные для нас товары, стоимость которых нам уже давно хорошо знакома.

В коммерческом ритейле позиции делят на KVI и BB (нет, это не ВкусВилл 🛒)

KVI 🥝 — это товары, которые покупатель приобретает регулярно и обычно помнит их среднюю цену. К ним обычно относят базовые категории: молоко, яйца, хлеб, яблоки, сахар. По этим позициям покупатель очень быстро замечает любые изменения в цене и легко сравнивает их между магазинами, поэтому крупные сети стараются держать по KVI максимально конкурентные и “выгодные” цены, иногда даже продавая товары себе в убыток. Таким образом можно создать образ: если в магазине дешёвый хлеб — значит, всё остальное тоже должно быть недорогим.

Back Basket (BB)🪣 — это нерегулярные товары, на которые мы часто плохо помним цену: это могут быть специи, средства для ухода, сменные насадки для зубной щётки и т.п. Вспомнить цену на такие позиции у конкурентов довольно сложно, поэтому магазины могут ставить на Back Basket более высокую наценку или используют их для компенсации “дешёвых” KVI. Например, если фольга стоит не 79, а 99 рублей — это мало кто заметит, пока не сравнит чеки.

На практике это значит, что когда магазины хотят улучшить своё ценовое восприятие, они почти всегда сначала работают с KVI, а остальные категории могут выступать источником основной маржи 💵

Если узнал что-то новое - ставь ❤️ и делись с тем самым другом, чтобы я не писал про ценообразование чаще

Размены в аналитике и жизни ⚖️

Гуляя по набережной в Казани я поймал вдохновение, а поэтому возвращаюсь сюда с аналитической темой, которую можно расширить до более глобальной идеи 📝

1️⃣Размены в аналитике

➖начнём с аналитической идеи: представим, что у тебя есть продуктовый магазин и ты принимаешь решение: поднимаешь в нём цены на товары. Как правило, рост цен приведёт к снижению продаж, и, как следствие, к уменьшению выручки 📉

Таким образом мы размениваем выручку на маржинальность (т.е. сколько мы зарабатываем с одной продажи за счет наценки)

➖другой классический пример — размен точности (precision) на полноту (recall) в задачах машинного обучения. Например, чтобы предсказать отток покупателей и предложить им скидку, нужно выбрать порог уверенности. Чем выше этот порог — тем точнее прогнозы, но тем меньше людей мы охватываем (и меняем точность на полноту) 📈

Если задуматься, в таких задачах размена не может быть «правильного» и «неправильного» решения. Тут можно говорить лишь про «более» и «менее» эффективные решения для определённой цели: если хотим расти на рынке, то снижаем цены и растим выручку, иначе же работаем на эффективность денежного потока и маржинальность 💰🫰

2️⃣ Размены в жизни (для таких же как и я, любителей подумать о хаосе в жизни)

Очень часто наше решение тоже влечёт за собой размен одной метрики на другую:
➖решение устроиться на работу меняет твоё время на N-ое количество денег ⚖️
➖рост социальных кругов приносит в жертву их «душевность» и «чувственность» ⚖️
➖достигаторство жертвует твоим душевным спокойствием и «нирваной» ⚖️

И это не плохо. И не хорошо. Это просто «оптимально» или «неоптимально» в зависимости от конкретной цели.

И самое интересное: жалеть об упущенной альтернативе в таком случае с разменами ты будешь всегда - и это по определению нормально)

Поэтому важно понимать, какую задачу ты решаешь (и это не только про аналитику)

А я тем временем соскучился по вам и новым постам 🫂
➖ Ставь❤️, если ты тоже соскучился
➖ Ставь 🔥, если согласен с идеей разменов (в противном случае - welcome в комменты)

Обязательно ли аналитику знать ML? 🤔

Именно такой вопрос я часто получаю от подписчиков, поэтому давайте разберёмся)

Предположим, что ты хорошо знаешь классическую аналитику и совсем не шаришь за машинное обучение 🧑‍🎓

Хорошая новость: есть много задач в аналитике, где ты можешь обойтись без понимания ML.
Сюда относятся:

➖визуализация, BI отчётности и дашборды для мониторинга

➖классическое AB тестирование и проверка гипотез (за исключением продвинутых ML методов проверки гипотез)

➖аналитические оценки на основе исторических данных, построение пайплайнов обработки данных при помощи SQL и Pandas

Плохая новость: следующие задачи в аналитике требуют знания ML.
Вот частые примеры:

➖кластеризация данных для выявления закономерностей

➖построение прогнозов для временных рядов, оценка важности признаков и их влияния на сложные метрики

➖обработка и анализ текстовых данных, картинок и видео

➖автоматизация процессов на основе AI-моделей

Кстати, из всех моих задач в аналитике ценообразования Яндекс.Лавки 💙 примерно 20-25% так или иначе затрагивали ML.

Из всего вышеупомянутого можно сделать вывод:

Всё будет зависеть от вакансии и задач, которые она включает. На определённые вакансии (и по ощущениям таких прям много) будет достаточно лишь хорошего знания классической аналитики.
Однако точно можно сказать, что понимание машинного обучения будет твоим хорошим преимуществом и откроет перед тобой новый инструментарий для решения задач 🛠

Набираем под этим постом 150 ❤️ и я сразу же начинаю писать пост о том, как я изучал машинное обучение и как это проще делать сейчас 🧑‍🎓

А также поделюсь с вами крутой новостью о том, где я в ближайшее время буду преподавать ML 🤖