Такая разная аналитика: как выбрать своё направление | GeekBrains – образовательный портал

Такая разная аналитика: как выбрать своё направление | GeekBrains - образовательный портал Аналитика

Находим точки роста продукта

Аналитик – человек, который находит перспективные точки роста продукта за счет масштабирования проблем и задач.

Самый первый этап понимания любой задачи для продуктового аналитика – это определение, к какому классу проблем она принадлежит. Обычно выделяется три вида исследований:

Аналитик участвует во всех трех этапах исследований, однако главный упор в работе обычно все же приходится на вопросы валидации проблем и решений. Предположим, что продукт-менеджер вместе с аналитиком и маркетологом провел двадцать интервью с разными клиентами.

Как нам понять, что этим выводам можно доверять и те проблемы, которые были озвучены, актуальны действительно для всех пользователей? Как обеспечить объективность найденного потенциала развития за счет оценки масштаба? Иными словами, как нам проверить, что то, что мы обнаружили в интервью, это действительно потенциальная точка роста для продукта?

Именно здесь получается максимально задействовать инструменты и знания работы с данными, которые связывают качественные и количественные исследования. Понять масштабы и найти самый правильный способ их определить – это и является ключевой компетенцией продуктового аналитика.

Распознаем и анализируем разговоры

В Wrike есть подразделение аккаунт-менеджеров (customer success managers), главная задача которых — поддерживать клиентов не с целью продаж, а улучшения их опыта пользования продуктом. Они созваниваются с клиентами по видеосвязи, обсуждают их текущие боли, рассказывают лучшие практики, предлагают ворк-эраунды и сообщают о статусе разработки новых фичей.

Все эти разговоры долгое время записывались и практически не использовались продуктовой организацией – пиэмы предпочитали лично общаться с аккаунт-менеджерами, чтобы получить некое общее представление о болях клиентов. Это могло добавлять элемент “испорченного телефона” и не всегда раскрывало контекст, в котором с этой проблемой сталкивался пользователь.

Одним из инициативных проектов продуктовой аналитики стала разработка pipeline, который превращал разговор в понятный текстовый формат. Используя Google Speech API, а также несколько дополнительных моделей для расстановки пунктуации, удалось максимально быстро получить представления о масштабах некоторых проблем и требований к функциональности на основемножества бесед менеджеров с клиентами, а не единичным интервью.

Благодаря такому нехитрому источнику удалось осуществлять полномасштабный поиск по ключевым словам, завязанных на некоторую функциональность или проблематику, оценить характер пользователей, требовавших то или иное решение, а также понять контекст в котором это чаще всего всплывало.

Как модуль электронной торговли помогает выявить ошибки в рекламных кампаниях

Модуль электронной торговли помогает отследить, с какими товарами взаимодействовал клиент на всем пути до момента покупки: что смотрел, какой товар добавил в корзину, а какой оплатил.

Это помогает увидеть, почему денег на рекламу уходит много, а прибыли с нее мало или нет совсем. Причины могут быть разными — рассмотрим самые распространенные на примере модуля электронной торговли Calltouch.

Пользователи переходят по дорогим ключевым фразам, а покупают дешевые товары. Например, по объявлению «кожаный диван купить» приходят клиенты, которые покупают ножки для этого дивана. Ключевая фраза дорогая, лид стоит дорого, а клиент покупает что-то недорогое — в итоге расходы на рекламу не окупаются.

Могут быть ошибки в настройке рекламы — например, в объявлении стоит не та ссылка.

Категории проданных товаров в системе сквозной аналитики
В модуле электронной торговли Calltouch видно, какие товары покупали те, кто переходил по рекламному объявлению. В объявлении диваны, а клиенты покупают и столы, и тумбы, и матрасы

Пользователи заказывают, но не покупают. Эти данные трудно учесть, потому что в стандартные системы аналитики не попадает информация о заказах, оплаченных при получении. Модуль электронной торговли учитывает возвраты, поэтому рекламные кампании можно анализировать не с точки зрения трафика, как в стандартных системах аналитики, а по количеству оплаченных заказов.

Подрядчик приводит фальшивый трафик. Бывает, что недобросовестный подрядчик нагнал пользователей, которые делают заказы.

 Отчет по подрядчикам в аналитике интернет-продаж
По отчету видно, что агентство под кодовым именем agency 1 приводит клиентов, которые много заказывают, но очень мало оплачивают

По аналитике видно, что заказов много. По факту же эти заказы никто не выкупает, поэтому выручки с них нет. Модуль электронной торговли показывает, как пользователи оплачивают товары в заказах, и помогает вычислить фейковый трафик.

Как подключить модуль электронной торговли

Модуль электронной торговли можно подключить в системах Google Analytics и «Яндекс.Метрика» и в сервисе Calltouch.

Google Analytics. Чтобы подключить модуль, нужно зайти на вкладку «Администратор» → в «Представлениях» выбрать «Настройки электронной торговли» и на странице с настройками передвинуть ползунок на «вкл».

У модуля много функций: он показывает, какую информацию о товаре просматривал пользователь, что клал в корзину, а что удалял, куда кликал.

Правда, есть один недостаток: когда Google Analytics получает данные о возврате заказа и платежа за него, понимает это как очередную транзакцию. И возврат попадает в платежи: вместо платежа и его отмены в аналитике отображается два платежа.

Клиент заказал товаров на 14 500 ₽. От одной вещи отказался, и 3500 ₽ ему вернули.
В системе аналитики мы видим две транзакции: 14 500 ₽ 3500 ₽.Если на такие ошибки вовремя не обратить внимание, можно сделать неправильные выводы о доходах. Вместо 11 000 ₽ доход будет 18 000 ₽.

Если компании не нужно учитывать возвраты, то такого варианта модуля электронной торговли будет достаточно.

Модуль электронной торговли в Google Analytics
Модуль в Google Analytics — бесплатная опция

Яндекс.Метрика. В Яндекс.Метрике этот модуль называется «Электронная коммерция». Для подключения нужно зайти в раздел «Настройка» → «Счетчик» и включить опцию «Электронная коммерция». Затем нужно установить или обновить код счетчика на страницах сайта с информацией о товарах и заказах.

Аналитика интернет-продаж в Яндекс.Метрике
Чтобы подключить модуль электронной торговли в Яндекс.Метрике, нужно передвинуть вправо ползунок «Электронная коммерция»

В нем тоже есть модуль электронной торговли. В отличие от Google Analytics и Яндекс.Метрики, это платный сервис, но у него более широкий набор функций. Например, если происходит возврат, система полностью отменяет заказ. При частичном возврате оплата отменяется частично. Информация о продажах отображается корректно.

Клиент заказал товаров на 14 500 ₽ и сделал возврат на 3500 ₽. Модуль электронной торговли Calltouch показывает чек 14 500 ₽ и возврат 3500 ₽. Разночтений никаких нет, доход — 11 000 ₽.

Настройка Calltouch для аналитики интернет-рекламы
Сервис Calltouch совместим с основными платформами, в разделе с инструкциями есть подробные инструкции по настройке модуля электронной торговли на своем сайте

Это был краткий конспект вебинара. Смотрите запись на нашем канале «Тинькофф Про бизнес».

Профессия «аналитик»

Аналитик – специалист осуществляющий научный подход к анализу информации и подготовки организованных и структурированных массивов данных, действующий с целью выработки оптимальных (или близких к оптимуму) управленческих решении в различных отраслях деятельности.

У аналитиков есть специализация:

  • Системный аналитик — специалист занимающийся анализом данных имеющих междисциплинарную природу (данные из логистики, экономики торговли и социологии), специалист по решению сложных организационно-технических проблем, использующий принципы общей теории систем и методы системного анализа.

  • Аналитик статистики – специалисты анализирующие, по утвержденному шаблону, статистически полученный набор структурированных данных, в границах этого набора.

  • Аналитик неструктурированных данных — специалист занимающийся анализом данных, которые не соответствуют заранее определённой модели данных, в границах массива данных. данные, как правило, представлены в форме текста, цифр, фактов и дат, расположенных в массиве в произвольной форме.

  • Data Mining аналитик – в отличии от «аналитика статистики», интеллектуальный анализ данных и добыча сведений, как в границах набора данных, так и за его пределами. Собирательное название, используемое для обозначения совокупности методов обнаружения в массивах данных ранее неизвестных, нетривиальных, практически полезных данных.

Дополнительный анализ:  Музыка Чайковского заменит гимн России на летнем чемпионате мира по биатлону – Москва 24, 26.08.2021


А вот эти аналитики могут быть посажены за анализ всевозможных данных в разных областях. Примеры прикладного применения аналитики:

  • Финансовый анализ – данные финансовых показателей, предполагающий междисциплинароный анализ данных, полученных из разных источников: торговля, маркетинг, экономика;
  • Бизнес-анализ — специалист, использующий методы бизнес-анализа для исследования деятельности организаций с целью определения проблем бизнеса и предложения их решения.
  • Анализ бухгалтерских данных – бухгалтерских проводок, транзакций, платежей и возвратов, оптат, взаимозачетов и налоговых платежей;
  • Анализ производственной деятельности – анализ эффективности производства с целью выявление производственных потерь, анализ себестоимости и ценообразования на производстве;
  • Анализ социологических данных – анализа информации о социальной реальности;
  • Анализ системы менеджмента – анализ слабых и сильных мест системы управления.

Анализ – это мозговая деятельность, рассуждение, манипуляция и выводы, производимые над фактами и цифрами ( изучать, сопоставлять, искать зависимости и тенденции, строить модели и гипотезы).

Аналитики работают в аналитических службах или аналитических компаниях. Развитая аналитическая служба компании, помимо анализа данных с рынка, занимается: финансовый анализ, инвестиционный анализ, управленческий анализ, стратегический бизнес-анализ, статистический анализ, анализ массива данных. Аналитики работают в РБК, Комкон, Нильсон.

Выводы, которые делают аналитики могут быть(!) использованы маркетологами, которые (твоюжмать), должны заниматься не аналитикой, а потребителями (людьми).


В отличии от маркетолога – человеко-исследователя, аналитик – специалист в данных (фактах и цифрах).

Сбор обратной связи

Многие компании считают, что после того как они настраивают систему логирования, прикручивают аналитические сервисы вроде Google Analytics к своему продукту, подготовка платформы для проведения аналитики на этом заканчивается. Однако, к сожалению, при таком подходе забывается важнейший элемент – необходимость обратной связи с пользователем, возможности спросить его в нужный момент времени о его задачах и сложностях, перед которыми он сталкивается.

Таким образом, критически важно, чтобы у команды был достаточный инструментарий, чтобы ненавязчиво опросить пользователей и собрать с них обратную связь не только посредством какого-то маркетингового опроса, но и с помощью внутреннего механизма.

Мы используем внутренний инструмент QFF (qualitative feedback form) для формулирования и валидации гипотез и рассматриваем возможные сценарии пользовательского опыта в качестве трехступенчатой пирамиды (product → feature → interaction):

  1. Уровень продукта
  2. Уровень функциональности
  3. Уровень конкретного взаимодействия

Остановимся на каждом из них немного подробнее и покажем, какие метрики мы используем для понимания их проблематики.

1. Уровень продукта

Здесь нам важно понять самые широкие, наиболее кросс-функциональные части воронки пользовательского опыта. Это стремление найти ответы на самые глобальные вопросы, будь то удовлетворенность продуктом в целом или набором функционала для решения какой-то одной задачи (например, согласование отпуска может потребовать взаимодействия функциональности календарей, статусов задач, алгоритмов планирования и т.п.).

Не существуют четко регламентированных метрик, которые необходимо применять в таких ситуациях, всегда есть нюансы. Однако, как правило, на этом уровне абстракции речь идет о метриках NPS (net promoter score) или SUS (system usability scale). Метрики не бесспорные, но, как правило, все же являются стандартами индустрии и помогают ориентироваться для целеполагания в масштабах нескольких кварталов.

2. Уровень функциональности

На этом уровне мы задаем уже более конкретные вопросы, которые касаются непосредственно определенного функционала. Из примера выше — мы можем уже отдельно смотреть не на проблему «согласования отпуска» вообще, а берем только конкретную часть продукта, например, календари. Насколько они удобны для восприятия? Для чего люди ими пользуются?

В зависимости от этапа нашего исследования могут отличаться не только вопросы, но и показатели, которые мы собираем с наших пользователей. Самое простое – уровень удовлетворения, который от задачи к задачи может считываться с помощью разных шкал (три смайлика или Likert scale), CES (customer effort score) — насколько трудно или легко пользователю реализовывать какие-то задачи.

3. Уровень взаимодействия

Задача этого уровня – оценить конкретную итерацию, которую совершил пользователь с продуктом (например, нажал некую кнопку). При этом важно, чтобы результатом этого взаимодействия было некое действие или решение, которое мы не можем замерить или проконтролировать.

Как правило, здесь идет речь об уровнях удовлетворенности и принятии неких последующих решений: например, удалось ли менеджеру, смотря в календарь, понять, когда у сотрудника заканчивается отпуск? Подошел ли пользователю формат экспорта данных? Поскольку все дальнейшие действия происходят либо только в голове пользователя, либо за пределами нашего продукта, у нас отсутствует какой-либо иной метод оценки итерации.

Фактически уровень оценки взаимодействия – это попытка оценить метрику CSAT (customer satisfaction), которая часто используется в поддержке и других сервисах, где нужно поставить оценку конкретному событию. При этом, здесь также могут использоваться метрики вроде CES, но в более «локальной» формулировке.

Я была маркетологом в россии, а в британии стала продуктовым аналитиком

Марина Шмайгер жила в России и работала маркетологом. В 2021 году она вместе с мужем и двумя детьми переехала в Англию — и поняла, что ее навыки в новой стране не актуальны. Она рассказала, как искала работу без знания технических инструментов и во время локдауна решила проходить одновременно два курса.

Дополнительный анализ:  Работа системный аналитик wms в ОКЕЙ – Федеральная розничная сеть в Москве, 2 вакансии. Свежие вакансии ОКЕЙ – Федеральная розничная сеть Москва |

Три с половиной года назад моего мужа пригласили в один проект в Лондоне, и, как жена декабриста, я подхватила двух детей и уехала за ним. До переезда я работала маркетологом в компаниях, ориентированных на детей: в магазинах игрушек Hamleys, в сети кафе «АндерСон», в семейном парке «Мастерславль», а перед отъездом — в команде запуска нового лицензионного продукта компании Disney.

На момент переезда мне было почти 37 лет и я понимала, что мой опыт в офлайн-маркетинге в Москве будет очень трудно применить в Лондоне — у нас совершенно разный культурный код и потребительские привычки. Также, почитав маркетологов из розничного бизнеса, я поняла, что отношения между детьми и родителями здесь тоже строятся по-другому, используются другие механики трейд-маркетинга, каналы привлечения и доверия к бренду. Я подумала, что чтобы разобраться в рынке, мне потребуется время, а если все равно осваивать все заново — почему бы это время не потратить на что-то новое?

Как раз в это время я начала читать книгу Юваля Харари (израильский историк-медиевист, автор бестселлера «Sapiens: Краткая история человечества») «21 урок для 21 века» — о том, как четвертая технологическая революция влияет на развитие общества. Тут я поняла: до пенсии еще лет 25, но со знаниями только офлайн-маркетинга я до нее не дотяну. Стало ясно, что надо делать вторую карьеру, в которой смогу развиваться в новой стране.

Первым шагом стало получение британского образования. Я решила сфокусироваться на околомаркетинговых дисциплинах и выбрала несколько магистратур в области потребительского поведения и нейромаркетинга. Для большей надежности я подала документы в четыре университета и в итоге выбрала оффер от City University of London на программу по поведенческой экономике. Это дисциплина про то, как когнитивные, социальные и эмоциональные факторы влияют на принятие экономических решений.

Во время учебы я параллельно 10 часов в неделю работала в небольшой местной компании, делала анализ рынка, исследовала конкурентов, формировала гипотезы, проводила интервью и помогала с юзабилити-тестами (исследование для определения, удобен ли сайт или сервис для его предполагаемого применения). Там я увидела, как работает IT-сфера, но по-прежнему использовала свой маркетинговый опыт, не осваивая ничего принципиально нового.

В ноябре 2021 года я закончила магистратуру и стала Master of Science in Behavioural Economics. Если говорить коротко, то это было нереально тяжело. На одну только диссертацию я потратила 560 часов чистого рабочего времени. В результате я получила фундаментальное академическое британское образование, где научилась работать с академическими источниками, большими данными, искать корреляции, строить логистические регрессии, но к сожалению, применять конкретные инструменты в бизнесе — нет.

После окончания университета я ходила на собеседования и все больше убеждалась, что нужны не только фундаментальные знания, но и конкретные инструменты. Три раза доходила до финала отбора, но офферов не предлагали — я не владела современными инструментами сбора, анализа и визуализации данных. Меня спрашивали: «А какой у тебя стек?», а я такая: «Не знаю… PowerPoint?»

Я помню свое разочарование перед прошлым Рождеством, когда меня собеседовали в Trivago (сервис по поиску отелей и сравнения цен на них), им как раз нужен был человек на Customer Insights (дословно «понимание клиента» — т.е. интерпретация тенденций в поведении потребителей для повышения эффективности продукта и увеличения эффективности продаж). Я клево сделала тестовое задание, и тут меня спрашивают: «В чем вы предпочитаете делать Mind Maps (графическое отображение процесса мышления)?» У меня просто пропал дар речи, я даже не знала, в чем их вообще можно делать.

После Trivago я поняла, что нужна помощь профессионала, и нашла себе карьерного консультанта. Я составила приблизительный список должностей, которые могут быть связаны с Customer Insights, и провела в LinkedIn исследование профилей людей, которые работают на этих позициях, чтобы понять, какие у них обязанности и какой технологический стек они используют в своей работе. Стало понятно, что самые востребованные навыки — умение работать с Python и SQL.

В декабре я записалась на курс «SQL for Beginners» от одной онлайн-школы. Потратила 56 часов на освоение скрипта и решение задач, но к концу поняла, что автономное обучение — не моя история, мне нужно сообщество и ментор. Пришлось продолжить поиски. Так как мне не хотелось растягивать обучение на годы, я обратила внимание на буткемпы(интенсивные программы ускоренного обучения IT-специальностям) по анализу и работе с данными, которые очень популярны в Англии. Сейчас, во время пандемии, это звучит странно, но обучение было офлайн, в модном коворкинге WeWork. Группа из 25 человек, три преподавателя, фуллтайм с 9 до 17 часов, домашние задания и очень большая нагрузка.

К сожалению, как и все в Англии, это стоило безумных денег. Мы с мужем сходили в General Assembly на день открытых дверей буткемпа по Data Science, который шел 3 месяца и стоил 10 тыс. фунтов — сейчас это миллион рублей. Выглядело все очень интересно и привлекательно, но смущали две вещи: во-первых, это слишком дорого, а во-вторых, разве можно выучить Data Science за три месяца?

Когда у тебя нет лишнего миллиона рублей, начинаешь искать другие варианты. Я подумала, что у нас здесь куча друзей, которые работают в Facebook, Amazon и Google. Все они получили математическое или техническое образование в России и очень востребованы в международных компаниях. Очевидно, что российская математическая школа сильна и не уступает международной, а значит, осваивать эти профессии можно не только в Англии.

Я стала искать курсы по анализу данных в России. Изначально я сформулировала для себя несколько критериев: обучение не больше 6 месяцев, должны быть менторы и кураторы, сообщество студентов и много тренажеров для отработки навыков. Все это я нашла на сайте SkillFactory в 6-месячном курсе «Аналитик данных» и в феврале 2020 года, за месяц до всемирного локдауна, начала учиться.

В первые две недели обучения на курсе я поняла, что нагрузка оказалась гораздо серьезнее, чем я ожидала. Нас сразу загрузили кучей задач в тренажере, изучением теории и работой над первым кейсом. У меня уходило минимум 25 часов в неделю на то, чтобы нормально, в своем темпе пройти и усвоить материал и сделать все домашние задания согласно расписанию. 

Сначала мы изучали юнит-экономику и веб-аналитику, работали с данными в SQL и Google-таблицах, а с шестого модуля начался Python.

Курс 

Аналитик данных 

Освойте перспективную профессию с нуля! Вы изучите все необходимые инструменты и навыки, пройдя через все этапы работы над аналитическим проектом. Скидка по промокоду BLOG 5%.

Узнать больше

Но общаясь с однокурсниками в нашем канале в Slack, а также читая посты в сообществе дата-аналитиков, я поняла, что мой опыт и характер не очень подходят для этой профессии. Так как я ориентировалась на рынок труда Великобритании, простой поиск в LinkedIn показал, что в основном на этих позициях работают молодые ребята из Китая и Индии, имеющие образование в области Computer Science. Эта профессия требует серьезных знаний математики, определенного склада ума и тысяч часов практики. Я, уже почти 40-летняя женщина из России, ни дня в своей жизни не изучавшая математику, в краткосрочной перспективе не смогу конкурировать с молодыми людьми, которые изучали точные науки с детства.

Дополнительный анализ:  Должностная инструкция ведущего аналитика IT компании

Мой карьерный консультант предложил обратить внимание на работу с продуктом в IT-компаниях. Мне хотелось сосредоточиться на исследованиях и анализе поведения, поэтому в апреле я пошла учиться в SkillFactory на курс «Продуктовая аналитика». Как показало время, это было правильным решением: помимо изучения SQL и Python меня интересовало взаимодействие людей с продуктом, метрики, проведение А/В-тестов.

Курс

Продуктовая аналитика

Вас ждет полное погружение в роль продуктового аналитика, вы освоите продуктовый подход, а также методики принятия решений на основе данных. Скидка по промокоду BLOG 5%.

Узнать больше

Совмещать два курса было дико сложно, но бросать курс по Data Science мне не хотелось, потому что там было много полезных для работы инструментов. Так как был локдаун и мы все были заперты в четырех стенах, а на улицу можно было выходить только в магазин за продуктами, учеба стала спасением и моим личным вкладом в борьбу против пандемии. Когда мне было лень садиться и делать домашние задания, я задавала себе вопрос: «Кем ты хочешь видеть себя после локдауна?»

Мне очень помогло наше сообщество студентов в SkillFactory — после семьи это были единственные живые люди, с которыми я общалась почти ежедневно. У нас был канал, в котором я познакомилась со студентом с другого потока, который тоже живет в Лондоне и делает карьерный переход. Он аудитор, но хочет уйти в Data Science. Когда читала сообщения в чате, понимала, что проблемы у всех одинаковые. Ощущение единомышленников — это очень сильно.

Проучившись месяц на двух курсах одновременно, я поняла, что для большей эффективности нужно начать применять знания на практике. В Великобритании очень популярна история со стажировками, и многие стартапы, особенно на ранней стадии, ищут себе сотрудников, которым нужен опыт. В мае на сайте workinstartups.com я нашла британский благотворительный стартап Sidekick, помогающий поддерживать ментальное здоровье, что во время пандемии было особенно актуально.

Создали его два молодых человека, сейчас они успешные финансисты, но в подростковом возрасте у обоих были психологические проблемы. Они написали мобильное приложение и искали единомышленников, которые помогут с исследованиями и аналитикой. Я откликнулась, прошла собеседование и стала заниматься анализом поведения пользователей в Mixpanel (сервис для бизнес-аналитики). Мы определили путь клиента, метрики и основные показатели конверсии, над которыми нужно работать.

Конечно, моего опыта было недостаточно и половину терминов по-английски я не знала. Пришлось учиться на ходу. В итоге я проработала у них три месяца и смогла применить то, что узнала на учебе.

Слайд из моей презентации по работе со стартапом. Я проанализировала путь клиента и выявила проблемы. Далее эти проблемы были решены и показатели улучшились.

Но в таком режиме — два курса и стажировка — я протянула только до середины июля, затем взяла академический отпуск. На тот момент курс по анализу данных я прошла на 70%, а по продуктовой аналитике — на 50%. Мне хотелось начать искать работу и наконец-то попробовать применить свои знания не только на стажировке, но и в реальном бизнесе.

Мой прогресс по специальности «Аналитик данных». Надеюсь, когда-нибудь закончу курс.

Рынок труда в Великобритании начал приходить в себя после локдауна, сняли все ограничения, появилось много новых и интересных вакансий. Я начала откликаться на позиции в области работы с данными и Customers Insights, и в это время SkillFactory открыл свой карьерный центр. В телеграм-канале карьерный консультант Юлия Пушкина выкладывала информацию о вакансиях и стажировках, но в основном все искали либо программистов, либо дата-сайентистов.

Но однажды я увидела описание работы моей мечты в американском стартапе с российскими корнями — Study Free. Они искали Product Analyst (продуктового аналитика). Нужно было строить Customer Journey Map (карта пути клиента — визуализация всех взаимодействий клиента с компанией), анализировать поведение клиентов на каждом этапе воронки продаж, определять продуктовые метрики, работать над вовлечением и удержанием пользователя.

Первое собеседование было ознакомительным, после него мне дали тестовое задание — провести анализ существующего клиентского пути и описать, какие действия я бы предприняла и какие метрики использовала. На выполнение тестового задания я потратила 15 часов. Далее была еще одна встреча с продуктовым менеджером, а затем — еще одна, с основателем компании. Через три дня после нее я получила оффер.

Сообщаю карьерному консультанту SkillFactory, что получила оффер

1 сентября я вышла на позицию продуктового аналитика. Наш стартап совмещает в себе агрегатор по поиску стипендий и программ в университетах и индивидуальный автоматизированный сервис по управлению процессом поступления. Плюс есть консалтинговая часть для тех, кому нужен персональный куратор, который пройдет вместе со студентом этот сложный путь. Пандемия, кстати, никак не влияет на нашу работу: студенты поступают и получают стипендии. Мы растем безумно быстро: когда я пришла, нас было 23 человека, а спустя 5 месяцев — уже больше семидесяти.

Никогда не знаешь, чем будешь заниматься в следующий момент. В ноябре стало понятно, что я занимаюсь больше не анализом поведения, а скорее работой с продуктом и Customers Insight, и в итоге меня перевели на позицию продакт-менеджера. Понимание, что такое целевая аудитория, как сформулировать УТП (уникальное торговое предложение) и других базовых вещей из маркетинга, конечно, пригождается. В своей работе я использую 20% знаний из магистратуры, 40% — из маркетингового опыта и еще 40% — из курсов SkillFactory.

Поскольку мы находимся в активной стадии роста, то работы много. Сейчас мы внедряем три разных направления продукта, и я участвую во всех. По каждому я должна общаться и с финансами, и с продажами, и с маркетингом, и с IT, и с продуктовым дизайнером, и с аналитиками. Плюс я сама работаю как продуктовый аналитик.

Мой календарь расписан с 9 утра до 7 вечера. Даже после, когда все отключаю, залезаю в телефон и там еще час переписываюсь с коллегами. Еще из приятного, что зарплатная вилка после смены профессии изменилась в лучшую сторону. Зарплаты в области офлайн-маркетинга и работы в IT-продукте могут отличаться в два и более раза.

При смене профессии я бы советовала действовать и стратегически, и тактически. Для разработки собственной стратегии мне помогли книги Юваля Харари. Для себя я определила основные тренды — это большие данные и психология людей. Далее выбрала, в каких профессиональных направлениях и отраслях хотела бы развиваться. Например, меня очень интересует тема компьютерной безопасности, и когда-нибудь я бы хотела попробовать поработать в отделе расследований или предотвращения цифровых преступлений.

Считаю, что стоит выделить свои сильные стороны и максимально их прокачивать. Не нужно думать, что рынок перенасыщен, все занято и хороших вакансий не найдешь. У меня есть друг-предприниматель, который переехал в Голландию и открыл там бизнес. Он как-то сказал: «В каждом мешке картошки найдется место для стакана муки». Можно всегда просочиться куда-то. Поэтому не нужно бояться, все получится.

Курс

Аналитик данных

Получите перспективную профессию с нуля или прокачайте свои навыки. Вы освоите 100% инструментов, необходимых для реальной работы.

Получить скидку Промокод “BLOG10” 5% скидки

Записала: Мария Осина.

Оцените статью
Аналитик-эксперт
Добавить комментарий