Часть 1

Последние несколько месяцев я проходила квест под названием «уволиться с позиции маркетингового аналитика в FMCG и получить оффер на позицию продуктового аналитика в IT». Хочу поделиться опытом и систематизировать информацию, собранную за это время из разных источников. А для того, чтобы не быть голословной, рассказывая, о том, какими навыками должен обладать продуктовый аналитик, начну с обзора открытой информации о требованиях к соискателям в вакансиях hh.ru.

Я спарсила открытые данные о вакансиях, размещенных на сайте headhunter.ru на 28/10/2020 по запросу «Аналитик» и «Продуктовый аналитик». Полный ноутбук и ссылки на данные выложены тут.

Перед тем как рассказать о своих выводах, сделаю небольшое отступление о деталях анализа. 

Список требований, необходимых для конкретной вакансии, я брала из раздела Ключевые навыки в описании позиции. Не все HR качественно заполняют это поле: кто-то опечатался (Прим: «Phyton»), кто-то вообще плохо понимает, что происходит ошибся (Прим: «Массивы», «Медицинское оборудование»), кто-то не стал заполнять этот раздел. Однако, судя по тому, что для разных специальностей видны очевидные отличия в требованиях, большинство вакансий заполнены корректно, по крайней мере, критичные навыки упомянуты.

Возможно, для более точного учета навыков, особенно soft skills (Прим: «обладаете хорошими коммуникативными навыками для общения с бизнес-, и с техническими командами») стоит выделять требования из полного описания вакансии и разбивать их на смысловые группы.

Учитывая сказанное выше, я бы рассматривала проценты в таблицах ниже не буквально как «доля вакансий по специальности, где требуется данный навык», а как «приоритет данного навыка для конкретной специальности».

Всего для анализа было доступно 1178 объявлений, более 60% которых приходится на 5 специальностей: аналитик, бизнес аналитик, продуктовый аналитик, маркетолог аналитик и веб аналитик.

Как отличаются навыки, необходимые для каждой специальности?

Видно, что ключевые навыки для каждой специальности свои: для Продуктового аналитика важны технические навыки (SQL, Python), для Маркетингового аналитика чаще упоминают маркетинговый анализ и PowerPoint, а для Веб аналитика GA и Я.Метрику (вот за что я люблю аналитику. за такие инсайты!).

Если продолжить список топ навыков для Продуктового аналитика, окажется, что за техническими скиллами идут аналитические (анализ данных, аналитическое мышление, аналитические исследования) и знание статистики (математическая статистика, статистический анализ, a/b тесты, data mining). Полный список с интерпретацией частот навыков на самой первой картинке с облаком тегов.

В какую специальность легче всего зайти без релевантного опыта?

Легче всего искать работу на junior и intern позиции в области анализа данных по специальностям Маркетолог аналитик и Веб аналитик — около 10% вакансий готовы нанять людей без опыта. 

А на позицию Продуктового аналитика чаще всего ожидают более опытных людей: более чем в половине вакансий ищут человека с 3-6 годами релевантного опыта.

Как отличается заработная плата по специальностям?

Вакансий с открытой информацией о заработной плате мало — всего 63. Тем не менее, невозможно удержаться и не посмотреть распределение. Для адекватного сравнения, рассмотрим медианы зарплат начального уровня (ожидаемый опыт работы «от 1го до 3х лет»).

Бизнес аналитик в среднем может рассчитывать на 140т, продуктовый аналитик на 100т, а меньше всего готовы платить маркетологу и веб аналитику: 60т. Маркетологи и веб аналитики, срочно учите BPMN или Python, SQL!

Пара статей по теме, прежде чем перейдем ко второй части:

1. Аналитика для хантинга аналитиков — обзор вакансий, навыков и зарплат от людей, которые в hr штучках понимают гораздо больше, чем я.
2. Текст о необходимых навыках на разных грейдах в Яндексе.
3. Статья о видах аналитиков в IT (читать голосом Дроздова).

Часть 2

Задача второй части: собрать в одном месте ресурсы, на которых можно бесплатно учиться анализу данных, в частности продуктовому анализу. Она будет полезна в основном новичкам и тем, кто не хочет тратить деньги на платный курс.

Кстати, если вы думаете над платным курсом вот тут можно сравнить формальные признаки (длительность, цена, уровень) по многим школам. К сожалению, качество материала и подачи сложно объективно оценить, поэтому отзывы стоит поискать самостоятельно.

С чего начать учить Python:

• пройти бесплатный вводный курс от Яндекс.Практикум по основам Python и анализа данных.

Плюсы: лучший старт сложно придумать: всё просто, понятно, интерактивно. И главное — к концу курса у вас будет готов свой первый самостоятельный проект и примерное понимание возможностей Python для анализа данных.
Минусы: появится желание купить весь остальной курс.

• посмотреть курсы на stepik, например, этот.

Плюсы: получится освежить знания типов данных, циклов и посмотреть как установить Anaconda+Jupiter Notebook, чтобы начать практиковаться самостоятельно.
Минусы: очень коротко рассмотрены библиотеки numpy и matplotlib и совсем не раскрыта pandas.

С чего начать учить SQL:

• посмотреть вот этот курс на stepik или этот на kaggle.

Плюсы: подойдет совсем новичкам.
Минусы: только этих курсов не хватит, нужно гораздо больше практики.

• решать задачки на sql-ex, sql-academy или sql-zoo.

У каждой платформы свои плюсы и минусы, стоит найти ту, которая больше всех понравится.

• именно для продуктового анализа часто требуется знакомство с Clickhouse.

У Clickhouse хорошая документация и можно потренироваться, но очень мало информации именно с нюансами практического использования. Например, у karpov.courses есть очень полезный вебинар по расчету retention rate в ClikHouse.

С чего начать учить математику:

• Если совсем страшно подступиться, можно начать с азов на Khan academy.

Плюсы: можно начать учить математику, хоть со сложения и вычитания.
Минусы: все видео на английском, плюс информация растянута, часто хочется ускориться.

• Решать задачи на matprofi и matburo.

Плюсы: все коротко и по делу и сразу с задачами.
Минусы: придется сидеть и решать, прям как в школе!

• Учебники по теор. веру и мат. стату В.Е. Гмурмана, С. Гланца.

Плюсы: тут все чуть более растянуто, чем в источниках из предыдущего пункта, но зато подробнее.
Минусы: придется сидеть и решать, прям как в институте!

• еще раз сходить на stepik за курсами по теор. веру и мат. стату.

Плюсы: лекторы понятно объясняют, есть практика и дискуссии в комментариях. 
Минусы: некоторые моменты сильно упрощены, а с некоторыми придется дополнительно разбираться. Но это минус любого МООС и самообразования. 

Где получить опыт в Анализе данных и ML:

• Наверное самые качественные курсы по анализу данных в открытом доступе — это Анализ данных на Python в примерах и задачах от CSC, Open Machine Learning Course от ODS и Специализация по машинному обучению и анализу данных от Яндекса и МФТИ.
  Плюсы: это проработанные, интересные курсы, плюсов море.
  Минусы: ни один из этих курсов не получится быстро пройти (если вам важно качество), скорее всего многие темы нужно будет изучать по дополнительным ресурсам.
• Если вы добрались до этого пункта хотя бы частично через предыдущие, то скорее всего у вас уже есть некоторый опыт в анализе данных. Рекомендую найти какую-нибудь подборку вопросов для DA или DS собеседования, взять оттуда те, которые не понимаете, и начать искать ответы — есть шанс, что таким образом вы сильнее погрузитесь в вопрос, чем если просто прослушаете запись лекции от CSC или МФТИ за обедом.
• Для знакомства с ML можно прочитать пару раз лонгрид ML для людей. В нем методы машинного обучения разложены по полочкам.

Что еще посмотреть:

• Основы алгоритмов и структур данных.

Первые несколько лекций по алгоритмам и структурам данных на Python от МФТИ интересно послушать, даже если вы не собираетесь становиться гуру алгоритмов и других гномиков: там о том, как устроен мир Python. Сразу становится очевидно, почему у вас не получалось решить ту задачку из практики на stepik.

• Визуализация (Tableau, Power BI, Y.Datalens, dash).

У Tableau есть бесплатный public доступ, где можно совершенно бесплатно учиться строить дашборды. Очень полезным может быть участие в марафонах от Tableau или Datalens хотя бы ради подробных учебных материалов. Если хочется усложнить: разоберитесь с dash.

• Практика-практика-практика.

Выбирайте на kaggle интересный проект для портфолио, там есть датасеты на любой вкус: от классификации грибочков, до обзоров вина и статистики суицидов. По каждому набору данных есть примеры ноутбуков и дискуссии!
А если kaggle мало, соберите данные для анализа сами из интересной вам области — пример простого парсинга сайта в первой части текста.

Базовые рекомендации:

• Для того чтобы не запутаться и не потерять мотивацию из-за огромного количества задач, стоит составить список с приоритетами для каждого пункта. Мне удобно было вести таблицу на Google диске. 
• Хорошим тестом собственных знаний будет прочитать теорию и прорешать задачи на какую-то тему на одном ресурсе и тут же попробовать решить задачи с соседнего сайта на эту же тему. Так можно обнаружить пробелы и дополнить знания.
• Выберите аналитические паблики/аккаунты по вкусу в любимых соц сетях: будете в курсе новостей и всегда будет что поскроллить за чашкой чая.
• Учтите, что когда вы наконец найдете работу мечты, это будет не конец пути, а его начало! Так что в процессе необходимы паузы и качественный отдых.