Интервью с Евгением Новиковым, Product/Data Analyst в Royal Ark и преподавателем курса в TMS.

— Расскажи о себе, где ты учился и как пришел к профессии продуктового аналитика?

— Мне 34 года, учился я в физико-математическом классе, а после поступил в БГЭУ. Окончил я специализацию «статистика», и квалификация была «экономист». Также еще проходил переподготовку в Академии управления по направлению «управление информационными ресурсами». И уже после проходил курсы по аналитике данных.

В процессе обучения я нашел себе работу и устроился аналитиком уже именно в IT. До этого я работал в частных компаниях, после университета в государственной — по распределению.


— Получается, у тебя был достаточно хороший бэкграунд? Статистика, экономика. Это помогло тебе с профессией?

— Да, конечно. Бэкграунд очень хороший, и это способствовало быть аналитиком. В принципе я работал либо экономистом, либо аналитиком. До IT был аналитиком складских запасов, а уже в процессе обучения и получения новых дополнительных знаний и скиллов — смог попасть в IT.


— А как появилось такое желание, попасть в IT-сферу?

— Просто захотелось чего-то поизучать нового. Когда я работал аналитиком в частных компаниях, там из инструментов в основном использовался Excel. Также работал с SAP — такая программа была установлена в корпорации. Из основных функций было управление параметрами планирования запасов в SAP SCM, в основном для прогнозирования складских запасов, чтобы сама программа нам подсказывала когда и что заказать — с учетом сроков поставок, складских остатков, истории продаж и так далее.

И в принципе все это стало как-то надоедать — захотелось чего-то нового. Поэтому решил попробовать курсы с изучением новых инструментов: SQL, Python и визуализация данных в Tableau. Это все были новые инструменты, которые было очень интересно пощупать, посмотреть. И благодаря уже этим скиллам можно было пробовать сменить сферу — найти путь в IT.


— Ты сразу устроился в GameDev компанию?

— Получилось, что да. В принципе, первая компания, куда я шел на собеседование и прошел его, оказалась GameDev компанией. И я подумал, почему бы нет.


— Любишь играть?

— Да, игрушки это интересная тема. Я не такой игроман, чтобы зависать сутками, но поиграть люблю. Чтобы разбираться в продукте, — тебе надо и в игру играть достаточно хорошо. Ты играешь в игру и находишь какие-то там инсайды, которые необходимо проверить. И уже на основании данных смотришь, массовый или не массовый характер это носит.


— Помимо инструментов, процессы работы в IT как-то отличаются от предыдущего твоего опыта работы?

— Конечно, отличаются. Я работал в крупных компаниях, а сейчас в средней работаю. И в крупных компаниях достаточно все громоздко, бизнес-процессы долго строились, там все идет по иерархии — поэтому медленно происходит согласование какого-то вопроса или проверка каких-то результатов своей деятельности.

В IT все быстро, нет такой жесткой иерархии. То есть к тебе может постучаться CEO какого-нибудь направления с вопросом помочь с аналитикой для принятия каких-то решений, лиды могут постучаться — и ты сразу даешь ответ. И в принципе не нужно никаких согласований, этого достаточно, чтобы быстро принять решение и исправить какую-то ситуацию с продуктом.

Это такое самое основное отличие, которое вот сразу бросается в глаза. Понятно, что немножко и формат работы другой. Можно работать удаленно, что я и делаю в большей степени. Можно на офис ездить. Понятно, что это после ковида пошло, как-то уже привыкли к такому формату работы. И уже хорошо относятся компании к этому. IT-компании были ближе всего к этому изначально. Если сотрудники работают, какая разница, откуда они работают?

Ну и гибкий график. Нет жесткой привязки, что в 9:00 ты должен прийти на работу. Хочешь, приди в 9:30, хочешь, приди в 10:03 — просто проработай свои 8 часов и все.

Такие вот мелочи, которые имеют место быть.


— А в каких компаниях в целом нужен продуктовый аналитик?

— Можно везде продуктового аналитика нанимать. Это вопрос скорее возможностей компании. Чтобы нанимать аналитика, необходимо собирать аналитику. Чтобы собирать аналитику, необходим ресурс. Либо покупать облако и там хранить данные, либо свои сервера устанавливать. Поэтому это все достаточно затратно.

Причем раньше это стоило очень больших денег. Это сейчас все стало дешевле стоить — появились и облака, и можно в аренду брать, и инструменты подешевле появились, которые помогают управлять базами данных и работать с ними. Поэтому многие компании могут себе спокойно позволить аналитику и нанимать аналитиков, чтобы они помогали с помощью полученных данных принимать какие-то решения, находить узкие места и т.д.

Сейчас, мне кажется, многие компании могут нанимать аналитиков. В принципе, они так и делают. И поэтому вот такой, скажем, взрывной рост поисков аналитиков. Они достаточно много где требуются.

Крупные компании могут спокойно нанять 2-3 аналитиков, чтобы на основании данных принимать какие-то решения. Причем это все окупается с лихвой. Потому что какие-то даже мелочные, казалось бы, на первый взгляд гипотезы, которые оправдываются, — приносят на объемах колоссальные деньги.

В основном это конечно продуктовые компании нанимают аналитиков, которые сами создают продукт. Понятно, что чаще всего это IT или digital-сфера — то есть, допустим, различные маркетплейсы, интернет-магазины, типа 21vek, Ozon, Wildberries и т.д. В банковской сфере сейчас тоже стали часто нанимать продуктовых аналитиков. В принципе, они и раньше были, аналитики. Просто сейчас стало четче и понятнее, как разграничить их, кто и чем занимается.

Мобильные связи используют аналитиков. Ну и многие-многие сферы. В IT это вообще любые компании продуктовые, которые создают игрушки, мобильные приложения, девайсы или поисковик. Яндекс, например, — это вообще такая крупная корпорация. У нее там уже много сервисов — и аналитики в каждом есть.


— Куда бы ты посоветовал идти ребятам без опыта? Которые вот только-только закончили курсы.

— Тут как повезет, наверное. В большой компании хорошо, что будут сопровождать, будет ментор, будут помогать. Но в большой компании часто функционал разбит по отделам. И можно получить очень маленькую часть опыта. Конечно, получится глубоко погрузиться в этом направлении, но это будет какая-то только часть. А можно пойти сразу в компанию, которая не сильно крупная и там работает несколько аналитиков. В любом случае у тебя будет ментор над тобой. Но там уже скорее всего будут очень разнообразные задачи. И за время работы можно научиться делать все.

Если удобнее начать с определенной какой-то сферы и направления, например просто A/B-тестирование, — можно попробовать в крупную компанию попасть, а уже после выходить на более мелкие компании и другие направления. Минус будет в том, что проработав определенное количество времени, — вроде опыт есть, а опыта получения каких-то кейсов, которые ты получил бы в мелкой компании, не будет.

Когда ты умеешь делать многое, то это неплохо.


— А в чем разница с бизнес-анализом?

— Бизнес-аналитики — немножко другое направление. Это аналитики, которые собирают какие-то требования от заказчика и коммуницируют с разработчиками, пишут документацию. По этой документации правится какой-то продукт или вообще создается новый. Они анализируют именно потребности заказчика и определяют, смогут ли разработчики сделать то, что хочет заказчик. И если не смогут сделать, объясняют это заказчику. А продуктовый аналитик уже на готовом продукте получает и обрабатывает какие-то данные и анализирует исходя из того, что есть.


— Какие hard и soft-skills нужны, чтобы получить свою первую работу?

— Допустим, hard-skills:

• знание статистики, теории вероятностей;
  
• язык программирования Python либо R и язык запросов SQL;
  
• инструмент визуализации, допустим Tableau или Redash, чтобы визуализировать результаты твоих исследований и строить различные графики, метрики, дашборды;
  
• и желательно знание продукта. Чаще всего так бывает, что если ты идешь в новую компанию, то скорее всего ты продукт не знаешь. Но, по крайней мере, может схожая сфера была. Допустим, это GameDev. Если ты с одной компании на другую переходишь, то ты +- лучше понимаешь продукт, потому что ты уже работал на игрушках.
  

Если пройтись по soft-skills, то:

• системное и аналитическое мышление;
  
• умение логически выстраивать цепочки;
  
• умение грамотно и четко формулировать свою мысль;
  
• коммуникабельность и работа в команде, потому что часто приходится общаться как с заказчиками, так и внутри команды с другими аналитиками;
  
• дисциплина, понятное дело, тайм-менеджмент, деловой подход к работе.
  
  

— А на сколько важен английский язык?

— Скорее будет плюсом к тому, чтобы куда-то устроиться на работу. И чаще всего это будет плюсом в компании, которые работают либо за рубежом, либо делают на аутсорсе какие-то проекты. Просто аналитиков в аутсорсинговых компаниях достаточно мало. Либо это компании, которые занимаются глобальным проектом, и они могут даже аналитиков привлекать. Чаще всего, если это какие-то местные компании по разработке, белорусские, российские, — то английский никто не требует, потому что все общаются внутри на русском языке.


— И много таких компаний у нас, где не требуется знание английского?

— Да, достаточно. По крайне мере никто не говорит, что английский — один из важных скиллов, если английский не знаешь — тебя не возьмут. Вполне можно найти себе работу.

— Расскажи про зарплату и финансовый карьерный рост. Сколько получают джуны в начале и как быстро эта сумма растет?

— Здесь также все по-разному. Чаще всего, конечно, раз в год проходит ревью, на основании которого тебе пересматривают зарплату, ты делаешь какие-то выводы по поводу своей работы, сотрудники компании делятся фидбеком по тому, как было с тобой работать. Бывает, что происходят внеплановые ревью, — это когда ты показываешь хорошие успехи и в принципе стоит тебя оценить. Могут проводить раз в полгода.

Чаще всего такие внеплановые на старте происходят. После года опыта работы аналитиком в IT-сфере ты становишься достаточно привлекательным кандидатом на другие вакансии. Поэтому, если текущая фирма не будет заинтересована повысить тебе зарплату, — тебя могут легко переманить именно финансовыми условиями. Дальше уже сложнее, дальше ты достигаешь какой-то планки, какого-то уровня — допустим middle+ или senior — и уже там зарплата конечно не так быстро растет. И так +- во всех компаниях.

А вот на старте, так как продуктовых аналитиков особо никто не учит — это либо курсы, либо самоучки, — то после 1-1,5 года опыта работы человек становится достаточно ценным сотрудником и его могут перехантить другие компании.


— То есть после достижения уровня senior как такового роста нет?

— Нет, рост будет. Просто плановый рост. Опять же, лидом можно стать и т.д. Там уже все зависит от того, в какой ты компании, какие есть перспективы и, опять же, от твоих успехов. Твои успехи всегда оцениваются. Просто на старте, когда ты ощутимо делаешь какой-то рывок по сравнению с тем, когда ты пришел, — то это даже заметнее для себя. И для компании.

А когда ты более опытный человек, что-то новое придумать намного сложнее становится. Поэтому рост плановый. Или же если ты с оффером придешь, тогда могут тебе сделать контроффер, чтобы ты остался. Если тебя считают необходимым и ценным сотрудником.


— А если в цифрах, сколько в начале получают джуны?

— Тоже все зависит от того, был ли опыт работы аналитиком или какой у тебя был бэкграунд до этого. Если ты просто окончил университет, курсы и это твоя первая работа — то это будет достаточно низкий уровень. Стоит рассчитывать на 600$ или даже меньше. И это будет уже неплохо.

Если же у тебя был какой-то предыдущий опыт работы, есть аналитический бэкграунд, а ты подучил какие-то языки программирования и т.д. — то там уже будет по верхней планке джуна, 1000-1200$.

И все зависит от компании, их возможностей и хотелок. Естественно, когда ты переходишь с работы и у тебя был какой-то уровень заработной платы, — чаще всего тебе меньше не предложат. Либо предложат с таким же уровнем стартовать, либо немножко больше.


— Расскажи, какая самая интересная часть работы для тебя?

— Работать :)

Мне кажется, интересно именно разнообразие задач. Ты можешь сделать какой-то достаточно простенький запрос, достать информацию для отдела комьюнити или тестировщиков, выбрать топ-100 игроков, которые участвовали в конкурсе, — чтобы их наградили призами. Это достаточно простенькая задача. И не требует много времени. В то же время она необходима.

Вплоть до построения гипотез, выявления каких-то узких мест, которые необходимо исправить. И это уже более серьезный и детальный анализ, который требует времени для построения метрик, дашбордов, — чтобы сделать конкретный вывод по той или иной фиче, игре в целом и дать какие-то предложения.

И плюс A/B-тестирование. Это уже немножко другая тема. Есть какое-то предположение, что можно поменять, — его только проверяют, будет ли оно позитивно сказываться либо нет. То есть делят аудиторию на две группы и смотрят, какая из групп себя лучше покажет. Либо та, где ничего не меняется, либо та, где что-то поменялось. Если метрики вырастут — тогда нужно вводить эту фичу.

Поэтому, мне кажется, именно разнообразием задач оно и привлекает. Когда ты делаешь какую-то одну задачу, то тебе она со временем наскучает, ты становишься профессионалом и ничего нового не узнаешь, не делаешь.


— А может есть какая-то нелюбимая часть работы?

— Даже не знаю. Наверное, все интересно :)


— Это круто! Если говорить о построении гипотез, вы закладываете какой-то бюджет на это?

— Бюджет может закладываться если по A/B-тестированию что-то проводить. Там закупается трафик — необходимо в кратчайшие сроки получить объем пользователей, на которых проверяют гипотезу.

Это как-то планируется, но это не аналитики делают — больше маркетологи планируют либо game-дизайнеры. По финансам смотрят, сколько можно привести и так далее. И приоритет они также выставляют, что именно тестировать. Например, цвет кнопочки или изменения в магазине — скидка или повышение цены. Это все в рамках приоритетов выставляется и тестируется, что важнее сделать. Бюджеты какие-то закладываются под это.

Просто гипотезу проверить — например, баланс игры или какой-то ивент, который действует сейчас, чтобы игроки не получили лишних ресурсов, чтобы они быстрее там не прокачались и не прошли дальше, — то тут в принципе никаких бюджетов нет. Тут своей работой ты все делаешь и проверяешь. Это функционал аналитиков, проверить это все и предоставить информацию. В рамках рабочих процессов проверяешь какие-то гипотезы и делаешь умозаключения.


— А если гипотеза при тестировании не оправдывает себя и проваливается?

— Когда ты запускаешь A/B-тестирование и думаешь, что вот эта фича должна быть классной и принести пользу, — может оказаться, в лучшем случае, что это не имеет значение, а в худшем случае, что это еще хуже сделало. Поэтому такое тоже может быть. Деньги потрачены, трафик закуплен — а положительного эффекта нет.

Но это тоже эффект, потому что можно было бы не закупать, а сразу ввести эту фичу и получить негативный эффект, и потерять деньги именно на игре. Поэтому тут такая палка о двух концах. Все-таки это явно приносит больше дохода, чем расходов. Крупные компании вообще очень много проводят тестов, так как могут себе позволить закупать трафик.


— Кому, по-твоему, больше подойдет эта профессия и будет легче влиться? Если человек ранее не работал со статистикой и аналитикой.

— На самом деле может любой попробовать. Глубоких знаний, чтобы стартануть или курс пройти, особо нет. Школьной программы математики достаточно будет.

Какой-то подготовки специфической не требуется, и вход может быть достаточно легкий. Единственное, чтобы людям это было интересно, — работа с цифрами, работа с данными, визуализировать эти данные и делать потом выводы. Потому что, наверное одно из самых сложных — это делать выводы и давать какие-то предложения. Научиться делать табличку или график построить — это одно дело, а проанализировать и дать фидбек, какие-то рекомендации — это достаточно сложно. Надо понимать, что там будет происходить.

Если брать какие-то профессии, то понятно, что ближе будут соприкасающиеся с аналитикой: бухгалтера, аудиторы, маркетологи, экономисты. Тут смежные профессии и области знаний — и им явно будет проще и легче переключиться на продуктового аналитика.


— И финальный вопрос к тебе: есть ли у тебя мечта, какая-то определенная сфера, где ты бы хотел поработать в дальнейшем? Какие в целом планы по развитию?

— Пока что мне данная сфера нравится и я хочу продолжать развиваться здесь. Продуктовая аналитика достаточно интересная и тут можно многому научиться.

Если брать какую-то сферу, чтобы дальше копнуть, — скорее это уже будет связано с областью Data Science, строить модели машинного обучения и нейронные сети, которые помогают бизнесу принимать решения . Но это уже более серьезная и сложная тема, которая требует от тебя больших знаний по программированию, машинному обучению и т.д. — это на перспективу, на развитие.