Я работаю аналитиком больших данных

Город: Москва

Возраст: 27 лет

Опыт работы: 5 лет

Для меня долгое время было не очень понятным, какую профессию выбрать. Я окончил факультет экономики в одном из региональных филиалов НИУ ВШЭ и понял, что хочу в IT. За плечами было обучение в ВУЗе, но виделось, что карьера, связанная с информационными технологиями, принесет сильно больше денег. Самым очевидным вариантом казалась профессия разработчика и я двигался в этом направлении. Однако по мере продвижения я узнавал всё больше про разные ответвления внутри отрасли и в какой-то момент решил поменять траекторию.

Я узнал о Data Science — молодой на тот момент дисциплине. Оказалось, что миру нужны люди, которые умеют строить выводы по большим объемам данных. Более того, сфера анализа данных только зарождалась и профессию Data Scientist называли “The Sexiest Job of The 21sh Century”.

Современный бизнес генерирует огромные объемы данных. Это справедливо не только для больших технологических компаний вроде Apple, Google и Amazon, но и для банков, ритейла и даже тяжелой промышленности. Чтобы эффективно управлять бизнесом необходимо принимать решения на основе этих данных. Иными словами — в них заключена польза для бизнеса. Задача аналитика — извлечь эту пользу.

Как именно аналитик извлекает ценность из данных? Ключевая функция аналитика — отвечать на вопросы бизнеса/менеджеров. Именно менеджеры отвечают за принятие решений в компаниях, но им нужно опираться на данные, чтобы делать это эффективно. Проблема в том, что работать с большими объемами данных — сложный технический навык, который трудно совмещать с работой менеджера. Здесь появляется аналитик и помогает менеджменту строить выводы по данным.

Как именно аналитики помогают строить выводы и принимать решения?

Во-первых, это буквально ответы на вопросы вроде “Сколько было продаж в 2022 году помесячно?”, “Какой средний возраст наших пользователей?” или “Как изменилась конверсия из просмотра товара в покупку в 2022 году понедельно?”. Если вопросы начинают повторяться, т. е. у менеджмента есть потребность регулярно отслеживать определенные показатели, то аналитики создают дашборды (от англ. dashboard — приборная панель). Как правило на дашбордах можно видеть автоматически обновляемые показатели здоровья бизнеса: выручку, количество пользователей, просмотров, кликов, заказов.

Иногда требуется копнуть глубже — провести исследование. Здесь вопросы как правило уже не количественного, а качественного характера. Например, “Почему пользователи стали чаще покидать наше приложение в августе 2021 года?” и “Как нам удержать утекающих пользователей?”.

Во-вторых, иногда, чтобы ответить на вопрос, недостаточно просто закопаться в данные — нужно провести эксперимент. В таких случаях аналитики руководят его дизайном и интерпретируют результаты. Типичный пример эксперимента: случайные 5% пользователей видят синюю кнопку “Заказать”, а другие 5% — зеленую. Какие больше заказывают? На такой вопрос невозможно ответить без проведения эксперимента. Аналитики не красят кнопки вручную, но они должны правильно поставить эксперимент. Возникают вопросы дизайна эксперимента и статистической значимости выводов. Например, аналитик отвечает на вопросы “Сколько должен длиться эксперимент?”, “Значим ли полученный результат или это случайность?” и “Как нам провести множество экспериментов одновременно и ничего не сломать?”.

В-третьих, современные аналитики помогают не только менеджерам, но и разработчикам. Например, придумать алгоритм рекомендации видео для YouTube или выставить цену поездки в Яндекс.Такси — аналитическая задача, которая требует особых навыков.

В больших технологических компаниях аналитики работают в тех же полюбившихся публике офисах, что и разработчики Google или Яндекс. На рабочем месте в обязательном порядке есть кофе-машина, которая делает капучино, латте и прочее. Также технологические компании снабжают своих сотрудников по последнему слову техники: MacBook Pro, кресло Herman Miller и т. д.

Мой рабочий день начинается около 10:00. Я завтракаю, читаю почту, а также рабочие чаты и технические отбивки.

Я не занимаю руководящую должность, поэтому встречи у меня не каждый день. Бывают дни совсем без встреч, но иногда их количество достигает 3-4. На встречах обсуждаем планы, результаты и прорабатываем детальные технические подробности.

Остальное время занимаюсь программированием, исследованиями и визуализацией данных. В каждый конкретный момент у меня есть набор задач, которые требуют решения. Вопросы, на которые нужно ответить. Алгоритмы, которые нужно придумать. Процессы поставки и визуализации данных, которые нужно грамотно создать и поддерживать. Более того, часто необходимо поставить задачи разработке и проконтролировать исполнение — все ли работает корректно?

Работаю удаленно, поэтому с коллегами постоянно держим связь в мессенджере и регулярно встречаемся в Zoom. Рабочий день обычно заканчивается около 19:00.

В прошлом я инвестировал небольшие суммы на фондовом рынке. Вкладывал очень мало и не особо рисковал. Один раз я вложился в акции компании NVIDIA на просадке и успел вывести деньги на пике. Как сейчас помню, на тот момент удалось заработать 12 тыс. рублей. Сумма не очень большая, но было крайне приятно почувствовать себя инвестором.

К сожалению, на этом мои инвестиционные успехи пока завершились.

Мой доход складывается из 2 частей: зарплаты и премии. Премии выплачиваются 2 раза в год и зависят от результатов работы в последние 6 месяцев.

Основные расходы для меня это аренда жилья. На нее трачу порядка 1 тыс. долларов в месяц вместе с коммунальными услугами и интернетом.

Я уже давно перестал считать, сколько уходит на остальные статьи расходов. Они незначительны и утопают в общем финансовом потоке — не вижу смысла замерять их объем.

Могу ли я меньше есть? Если и могу, то вряд ли стоит на этом экономить. Скорее смотрю, сколько остается. Получается, что трачу 60-70%, откладываю остальные 30-40%. Меня устраивает такой темп сбережения.

Мне не очень нравится идея экономии как какой-то жесткой границы, которую нельзя переходить, в духе “Откладываю строго половину дохода”. Я не верю, что это ведет к финансовому успеху.

Мои расходы волатильны и сильно зависят от ситуации. В один месяц я трачу много, в другой мало.

Я больше склонен полагаться на свою интуицию о соотношении “цена-качество” для конкретного товара или услуги. Например, многие предметы одежды выгоднее покупать у брендов подороже, а не в масс маркете, поскольку лучшее качество компенсирует высокую цену. Что и говорить о здоровье — на этом не экономят. С другой стороны, иногда самые дешевые вещи полностью подходят и нет смысла платить больше.

Я верю в будущее профессии. Я убежден, что те методы анализа данных, с помощью которых сегодня решают насущные проблемы в технологических компаниях, найдут применение в самых разнообразных областях: в медицине, урбанистике и государственном управлении. Многие области сейчас находятся в процессе непрерывной трансформации. В финансах, промышленности и ритейле есть огромный запрос на качественные процессы обработки данных с последующей выжимкой из них ценной информации. Я вижу возможность эффективнее решать сложные проблемы и отвечать на важные вопросы с помощью аналитики.

Одним словом, я планирую продолжать работать в этой области, так как у нее большое будущее.