Привет, Хабр! Меня зовут Рафаэль Сайфутдинов, но обычно меня зовут просто Раф. Я работаю аналитиком ценообразования в Яндекс Лавке, выпускаюсь из НИУ ВШЭ и уже успел пройти курс «Специалист по Data Science» в Практикуме.
Недавно я рассказывал, «Как я попал на стажировку аналитиком в Яндекс и как к ней готовился» и «Как оформить резюме на стажировку, если нет опыта работы», а сегодня — поделюсь рекомендациями, которые помогут подготовиться к собеседованию и не завалить его в процессе.
Начнём!
1. Подтяни хардскилы
Есть несколько хардскилов, без которых аналитикам никак, — ниже расскажу о них, а также дам ссылки на материалы, которые помогут закрыть пробелы или даже освоить навыки с нуля.
Python и его библиотеки
Именно Python используется для работы с данными, поэтому тебе важно понимать не только базовый синтаксис, но и устройство структур данных: словарей, кортежей, множеств и массивов. Для подготовки к первым собеседованиям будет достаточно курса «Питонтьютора» — к тому же там есть задачки, которые могут дать на интервью.
Кроме языка, необходимо уметь пользоваться библиотеками pandas, NumPy и Matplotlib.
pandas помогает удобно работать с табличными данными и в своей логике похож на SQL. Основные операции (чтение таблиц, редактирование, работа с пропусками, изменение типов данных) в pandas стоит знать наизусть. Изучить теорию можно на YouTube (например, по видео от «Аве Кодера»), после чего я рекомендую взять какой-нибудь датасет и вручную покрутить его в Jupyter Notebook’е.
NumPy помогает быстро и удобно производить математические операции. К тому же он используется во многих других библиотеках. Знать все операции наизусть не обязательно, главное уметь быстро в них сориентироваться при необходимости. Освоить можно так же — по видео (например, по ролику на канале PyLounge).
Matplotlib — библиотека для визуализации данных. Тут скорее важно научиться понимать, какие именно графики можно построить по тем или иным имеющимся данным, а знать все функции и методы наизусть не обязательно. Научиться строить графики поможет, например, статья «50 оттенков matplotlib — The Master Plots» на Хабре. Знание библиотеки seaborn (альтернативы Matplotlib) будет плюсом — там графики чуть красивее получаются.
Также объёмные вебинары по этим библиотекам есть на сайте teach-in (внимание на лекции 7–10). Лично я изучил все четыре библиотеки, включая seaborn, на курсе Практикума «Специалист по Data Science», там же отработав теорию на датасетах.
SQL
Чтобы изучать данные, аналитик получает их из таблиц в нужном для решения конкретной задачи виде. Для этого он использует SQL — язык запросов к базам данных.
Чтобы стать уверенным аналитиком, достаточно изучить всё, что связано с получением данных, в частности операторы SELECT, WHERE, GROUP BY, JOIN, оконные функции.
Для начала можно пройти «Интерактивный тренажер по SQL» на Stepik, а затем поупражняться в задачах на SQL-EX. Что-то похожее может попасться на отборе или собеседовании.
Алгоритмы и структуры данных
Вообще это по желанию, но в ведущих бигтех-компаниях вроде Т-Банка или Яндекса всё равно спросят про базовые алгоритмы и структуры данных.
Аналитикам, в отличие от разработчиков, должно хватить бесплатного курса «Тренировки по алгоритмам, ML и DevOps» от Яндекса: там представлены лекции с теорией, домашки, а также разборы к ним (я учился на второй версии этого курса, но недавно вышла версия 7.0).
Перед собеседованиями обязательно надо порешать задачки с LeetCode уровней Easy и Medium. Этого будет очень даже достаточно.
Математика для анализа данных
Наш мир состоит из случайных процессов и событий, поэтому аналитику важно хорошо владеть теорией вероятностей. У меня был неплохой курс в университете, но ещё до его начала я немного изучал материалы на Coursera от НИУ ВШЭ. Coursera у нас, увы, больше нет, но тем не менее на Stepik есть неплохой, судя по отзывам, курс «Теория вероятностей». Можно также посмотреть лекции от университетов по терверу на YouTube.
Также с тервером связана математическая статистика — с её помощью можно научиться делать достаточно точные выводы о данных по их выборке. Тут я очень рекомендую курс «Основы статистики» на Stepik, который ведёт известный аналитик и автор программ Анатолий Карпов.
Способов изучать тервер и математическую статистику много, но главное пройти следующие темы: комбинаторика, дискретная вероятность, условные вероятности, формула полной вероятности, теорема Байеса, понятие случайной величины, математическое ожидание и дисперсия, основные распределения случайных величин, закон больших чисел, центральная предельная теорема, точечное и интервальное оценивание, доверительные интервалы.
Продуктовое мышление
Аналитику важно уметь правильно думать о продукте: измерять метрики и придумывать новые, понимать, что такое A/B-тесты, и правильно их проводить. Для этого нужно регулярно читать в интернете статьи и новости о различных продуктах и приложениях известных компаний, а также смотреть, как они решают те или иные проблемы.
Также можно глянуть курс по продуктовой аналитике «Аналитика Тинькофф» на YouTube, памятку по метрикам с канала «Поступашки», а ещё — пост с базовым введением в метрики в моём канале.
Ещё один способ прокачать продуктовое мышление — это посетить пару конференций по аналитике или Data Science, где команды делятся своим опытом решения возникших у них проблем. А ещё там можно завести полезные знакомства и узнать подробности про отбор в ту или иную компанию (спойлер: одна из целей таких мероприятий — привлечь к себе новых классных сотрудников).
Этого должно быть вполне достаточно, чтобы начать проходить собеседования по продуктовой аналитике. Как мне кажется, весь этот список можно при должном усилии пройти за три-четыре месяца активного изучения. Это позволит тебе уже в ближайшее время начать искать работу аналитиком при условии, что ты не новичок в технических дисциплинах и неплохо понимаешь школьную математику. В противном случае времени понадобится больше.
2. Изучи сферу, в которой работает нанимающая команда
Судя по опыту, только ~20% соискателей предварительно изучают, чем занимается нанимающая их команда. А ведь это бесплатный способ повысить шансы на успех, получить респект от команды и даже заранее узнать ответы на вопросы, которые могут задать на собеседовании!
Погрузись в сферу работодателя: изучи статьи и выступления экспертов по теме, узнай, какие метрики используются в работе команды твоих потенциальных коллег. Экспертом в новой для себя области ты не станешь, но уже покажешь свою заинтересованность и сможешь поддержать диалог на привычном для нанимающей команды языке.
Например, представь: тебя приглашают на собеседование с командой аналитики ценообразования Яндекс Лавки. В таком случае ты можешь ввести в поисковике «ценообразование в ритейле», наткнуться, например, на видео о ML-ценообразовании на маркетплейсах и познакомиться с базовыми подходами в сфере.
Перед собеседованием обязательно нужно продумать, что ты расскажешь про свой предыдущий опыт. В идеальном мире, конечно, этот опыт должен мэтчиться с тем, чем занимается команда. Но даже если это изначально так не выглядит, почти всегда можно извлечь из прошлого опыта подходящие для рассматриваемой вакансии качества и навыки.
3. Подготовь вопросы
Немного странно, когда у кандидата нет вопросов к команде. Поэтому позаботься об этом заранее и составь список вопросов. Какой формат работы? Будет ли мне кто-то помогать в адаптации? Какими задачами я буду заниматься? Это вопросы, которые точно стоит задать работодателю. Мне этих вопросов обычно достаточно, но в зависимости от специфики команды у тебя могут появиться и другие — не стесняйся их задавать.
Помни, что собеседования нужны не только нанимающей стороне, но и тебе — чтобы узнать о команде больше и определиться, точно ли ты хочешь с ней работать.
4. Посмотри, как проходят другие собеседования
Банальный, но жесть какой рабочий совет: посмотреть примеры собеседований на YouTube, чтобы понимать, как они проходят и что там могут спросить.
Вот несколько примеров:
Для максимально эффективной подготовки рекомендую следующий алгоритм: включаешь видео собеседования (желательно с листочком бумаги), дожидаешься задания и ставишь видео на паузу, чтобы решить самостоятельно. Когда решишь, включаешь видео и сравниваешь правильное решение со своим. Бывает, что допустимо несколько разных решений, поэтому, если у тебя всё ещё остаются сомнения в своём варианте и этот момент не разобрали на видео, можешь попробовать проверить и почелленджить своё решение через GPT.
Итак, мы разобрали главные, на мой взгляд, аспекты при подготовке к собеседованиям на вакансию аналитика данных. При этом важно понимать, что успешных собеседований будет меньше (а то и значительно меньше), чем неуспешных. Это абсолютно нормально, пока ты не станешь мегакрутым senior-экспертом, который разбирается во всём и о котором мечтают все команды. Твоя задача: во всей этой серии собеседований успешно пройти хотя бы одно из них и «замэтчиться» с командой. Уверяю, что этот успешный опыт затмит все предыдущие неудачи.
А я желаю тебе успехов и терпения на этом непростом пути! Если у тебя остались какие-нибудь вопросы, то можешь задать их мне лично в Телеграме (@rafaeldks) или в комментариях под статьёй.