Всем привет! Меня зовут Кирилл, я руковожу отделом аналитики в Профи.ру, и ко мне регулярно приходят с вопросом коллеги из других компаний или знакомые айтишники: «Ну что, уже юзаете иишку? LLM уже помогает с гипотезами?»

На это я обычно отвечаю: «Ребята, давайте сначала найдём живого аналитика, которому можно доверить деньги и решения». 

Это куда труднее, чем кажется.

Сегодня я хочу подробно рассказать, каких специалистов мы ищем в команду прямо сейчас и почему не хотим заменять их на ИИ. 

ИИдеальный кандидат?

Чтобы вы поняли глубину проблемы, начну с истории. Не так давно у нас на собеседовании был кандидат — молодой парень. Его резюме было хорошим, но не феноменальным. А вот на собеседовании начались чудеса.

Мы вели технически сложное интервью и задавали кандидату каверзные вопросы.

Он отвечал со знанием дела и глубоко копал в технические детали. Иногда даже казалось, что мы слушаем готовый ответ из учебника.

Затем перешли к лайв-кодингу в песочнице. Задачи были непростые, но он и с ними отлично справлялся и сразу выбирал оптимальное решение. С идеальными отступами и осмысленными названиями переменных на английском. 

Но, стоило попросить объяснить логику функции по шагам или просто перевести название, терялся.

А затем мы коснулись продуктовых кейсов и задали несколько вопросов по ним:
— Как бы ты понял, что новая фича успешна?
— Какие метрики смотришь в первую очередь?

На этом моменте кандидат совсем посыпался.

Для нас же важно, чтобы хард-скилы дополнялись умением размышлять, погружаться в детали и объяснять свою логику. 

А кого мы тогда ищем?

Помимо умения писать код, мы хотим видеть в кандидате три важных софт-скила. 

Критическое мышление 

Нам нужны не просто исполнители, а здоровые рационалисты — те, кто хочет влиять на результат и на самом деле понимать, что происходит. Правда ли прирост выручки — это последствие наших действий, или мы имеем дело с сайд-эффектами?

Рефлексия

На каждом собеседовании мы пытаемся понять, способен ли кандидат к самоанализу и может ли ответить как нам, так и самому себе на вопросы:

— Интересно ли ему решать именно наши задачи? Хватит ли их на год-два? 

— Осознанно ли он делает выбор в нашу пользу, или мы просто очередная компания? 

Кстати, именно для того, чтобы на эти вопросы было легче ответить, мы очень много ресурса вкладываем в проработку описания вакансии. Рассказываем про команду, атмосферу внутри, инструменты и задачи. А также пытаемся максимально подробно описать контекст стратегии и кластера.

В общем, очень хотим, чтобы наши задачи замэтчились с суперсилами и желаниями кандидата.

Зрелость

А ещё нам важно знать, что у человека есть смелость влиять на компанию и её стратегию. Например, прийти и сказать, что сейчас мы двигаемся не в ту сторону и нужно уделить внимание другим задачам и/или проектам. И при этом обосновать свои гипотезы, привести аргументы.

От кандидата нам нужны не только точечные скилы, но и способность увидеть картину в целом, масштабно. И уметь просчитывать наперёд.

А ещё, конечно, зрелость для нас — это умение признавать свои ошибки, не уйти в агрессию, а сказать: «В этом проекте я накосячил, потому что не учёл сезонность. В следующий раз с этого начну и буду более внимательным к деталям».

В Профи.ру аналитики — это не только кодеры, но и мыслители. Именно на них держится вся сложная структура нашего департамента:

Маркетинговая аналитика.

Аналитики здесь — полноценные стратегические партнёры для маркетологов. Они отвечают на сложные вопросы: 

— Какой из этих десяти каналов принёс нам клиентов с самой высокой LTV?

— Как лучше всего распределить бюджет?

— Правда ли, что ещё один миллион рублей принесёт дополнительные заказы? 

Без них не будет рентабельного бизнеса.

Продуктовая аналитика.

Здесь ребята идут рука об руку с продакт-менеджерами и разработкой.

Команда занимается анализом воронок, поиском точек влияния на бизнес через рост или через уменьшение оттока. 

Они помогают ответить на вопросы: 

— Правда ли, что новая функция увеличивает вовлечённость, или пользователи просто так в неё тыкают?

— Где в нашем продукте узкое горлышко, которое бесит клиентов и заставляет их уходить?

Это работа не просто технаря, а скорее Шерлока Холмса, который по крупицам данных восстанавливает картину. Кстати, прямо сейчас ищем такого спеца — встречаемся на Бейкер-стрит, 221б :)

Бизнес-аналитика.

Их задача — синхронизировать усилия всех отделов. Они строят комплексные модели, в которых сразу всё: затраты на маркетинг, продуктовые метрики, финансы. 

Они отвечают на стратегические вопросы. Например:

— Какие метрики влияют на выручку и заказы больше всего?

— Какой у них потенциал влияния на бизнес?

Теперь вы понимаете, что идеальный кандидат для нас — это не просто специалист, который может в Python и SQL. 

Именно комбо прочных хардов, критического мышления и высокой личной осознанности создаёт того самого аналитика, который двигает компанию вперёд. ИИ здесь не справится.

Сразу обозначу, что мы не только требуем от аналитиков высокого уровня, но и сами вкладываемся в их комфорт: 

— выносим подготовку данных и создание отчётов в BI;

— готовим качественные витрины, чтобы доступ к данным был проще;

— интегрируем ИИ-агентов в их работу, чтобы автоматизировать рутину. 

Да-да, мы не хейтеры нейросетей — просто используем их точечно. Расскажу про это подробнее.

Где нам нужен ИИ?

Как бы языковые модели ни раздражали галлюцинациями, всем всё равно хочется внедрить их в свой пайплайн. Понимаемо. 

Поэтому поделюсь опытом, как это делаем мы и какие правила при этом соблюдаем.

1. Используем как черновик.

ИИ не может обеспечить ту самую критическую оценку. Он принимает первый попавшийся ответ, даже если и пытается его креативно докрутить. Нормальная работа с нейросетями в сложных задачах — дело для мидлов, сеньоров и выше, потому что у них уже есть внутренний компас и понимание: вот это ерунда от и до, а тут можно докрутить до приемлемого результата. 

Где пригодится: 

• Брейншторм на старте проекта. Когда непонятно, с какой стороны подступиться к задаче, можно запросить у ИИ список типовых метрик и гипотез для схожих кейсов — и он обозначит начальную точку, от которой уже будет намного легче раскручивать свои идеи, особенно если ИИ понаписал всякую чушь и вы начинаете ему возражать.

• Формулировка саммари проекта и рыбы для документации. Если нужно быстро описать, что делает продукт, зачем он нужен и какие у него ключевые блоки.

• Генерация типовых данных и шаблонов. Набросать структуру отчёта, сгенерировать несколько вариантов SQL-запроса — это он может, и очень хорошо. А дальше уже вступаете вы и доводите данные до ума.

2. Ускоряем рутину.

Есть задачи, где ИИ реально экономит часы и дни, так как забирает всю монотонную ручную работу на себя, словно секретарь.

Где пригодится: 

• Vibe-coding и ревью кода. Когда хочется проверить, не упустили ли вы какую-то логику, или просто взглянуть на свой код свежим взглядом, ИИ подскажет синтаксис, найдёт лишние куски, предложит более лаконичное решение. 

• Анализ негативной ОС. Вместо того чтобы вручную перечитывать десятки комментариев и отчётов, можно передать данные LLM-модели — она быстро вычленит повторяющиеся треды, выделит основные проблемы и покажет, что действительно болит у специалистов. 

3. Используем как second opinion.

Поручите агенту проверить вашу работу на очевидные ошибки и пробелы в логике — так, как это сделал бы коллега при кросс-ревью.

Где пригодится: 

• Дизайн экспериментов. Помогает набросать типовой эксперимент и набор метрик по заданному шаблону. 

• Ревью результатов. Когда эксперимент закончен, ИИ выступает как независимый консультант и помогает с анализом полученных результатов.

Для всех этих ситуаций есть одно универсальное правило: не забывайте, что ИИ склонен врать и поддакивать. Такова его природа, и пока что с этим ничего не сделать.

Так что включайте критическое мышление, думайте, не верьте на слово, фактчекайте — и всё получится. А если захотелось к нам в команду, можете изучить стек подробнее и прислать резюме. 

Ждём вас в Профи.ру :)

А что думает про ИИ вы, коллеги-аналитики? Позитивно или негативно настроены?