Топ каноничных событий в карьере аналитика👍📈
➡️ Важные данные, которые удалились по TTL или дропнулись при изменении таблички💀
В бигтехе, конечно, вряд ли дадут с концами дропнуть базу юзеров, но какой-нибудь подобный прикол всё равно может произойти. Например, если мониторить какую-то интересную метрику, которая не вычисляется в историю просто так, или случайно сохранить какой-то важный датасет в папке с TTL.
➡️ Первый отклонённый хороший оффер
Просто потому что встретились не в то время или не в том месте. Хочется ещё попробовать проявиться на нынешнем месте, или показалось, что повышение зарплаты не окупит повышение нагрузки / ответственности, или оказался не готов к переезду, или просто словил минус вайб и послушал интуицию.
В этот момент очень важно зафиксировать для себя, что можешь получать крутые офферы, а значит, ещё получишь при необходимости в будущем. И не жалеть, даже если не совсем угадал тогда — наше от нас не уйдёт.
➡️ Очень срочный дашборд или ресёрч, к которому запросили доступ через неделю после очень важного дедлайна...
Бонусные очки, если решение в итоге приняли без него😂
➡️ Первый запрос вида «а можем устроить, чтобы прокрасилось / метрика пробила порог KPI»?
Давай попробуем убрать выбросы и шум, может дело в них...
➡️ Экзистенциальный кризис «а точно ли это и есть та самая аналитика? А где A/B и ML каждый день?»
А потом вдруг оказывается, что даже в тех самых ⭐️топовых бигтехах с аналитической культурой⭐️ огромная часть реально полезной работы — это разобраться, почему в двух источниках данные не сходятся, договориться с несколькими командами о правильном определении некой метрики и объяснить эти результаты. А не воспроизведение очередной статьи про causal impact ради того, чтобы написать об этом следующую статью.
➡️ Та самая задача, которая для заказчика звучит как 15-минутная, а в реальности заняла две недели
Просто добавить другой вариант агрегации на дашборд, например. Бери дашборд и выбирай другое поле для чарта, казалось бы. А потом оказывается, что у источников разная гранулярность данных, исторические данные сами по себе не прорастут, а витрина должна пройти через код-ревью.
➡️ Позитивный пункт напоследок — ситуация, когда ты реально посчитал что-то, что изменило ход событий в продукте😎
Особенно, если удалось найти какие-то деньги, или не подтвердилась какая-то интуитивно верная гипотеза!
Делитесь, сколько из этого у вас уже было?👀
😺 — прошёл боевое крещение (6—7),
🤓 — в процессе преисполнения в аналитике (3—5),
👩 — у меня ещё всё впереди (0—2)
#карьерный_путь #жизнь_в_бигтехах
@analytess 👩
➡️ Важные данные, которые удалились по TTL или дропнулись при изменении таблички💀
В бигтехе, конечно, вряд ли дадут с концами дропнуть базу юзеров, но какой-нибудь подобный прикол всё равно может произойти. Например, если мониторить какую-то интересную метрику, которая не вычисляется в историю просто так, или случайно сохранить какой-то важный датасет в папке с TTL.
➡️ Первый отклонённый хороший оффер
Просто потому что встретились не в то время или не в том месте. Хочется ещё попробовать проявиться на нынешнем месте, или показалось, что повышение зарплаты не окупит повышение нагрузки / ответственности, или оказался не готов к переезду, или просто словил минус вайб и послушал интуицию.
В этот момент очень важно зафиксировать для себя, что можешь получать крутые офферы, а значит, ещё получишь при необходимости в будущем. И не жалеть, даже если не совсем угадал тогда — наше от нас не уйдёт.
➡️ Очень срочный дашборд или ресёрч, к которому запросили доступ через неделю после очень важного дедлайна...
Бонусные очки, если решение в итоге приняли без него😂
➡️ Первый запрос вида «а можем устроить, чтобы прокрасилось / метрика пробила порог KPI»?
Давай попробуем убрать выбросы и шум, может дело в них...
➡️ Экзистенциальный кризис «а точно ли это и есть та самая аналитика? А где A/B и ML каждый день?»
А потом вдруг оказывается, что даже в тех самых ⭐️топовых бигтехах с аналитической культурой⭐️ огромная часть реально полезной работы — это разобраться, почему в двух источниках данные не сходятся, договориться с несколькими командами о правильном определении некой метрики и объяснить эти результаты. А не воспроизведение очередной статьи про causal impact ради того, чтобы написать об этом следующую статью.
➡️ Та самая задача, которая для заказчика звучит как 15-минутная, а в реальности заняла две недели
Просто добавить другой вариант агрегации на дашборд, например. Бери дашборд и выбирай другое поле для чарта, казалось бы. А потом оказывается, что у источников разная гранулярность данных, исторические данные сами по себе не прорастут, а витрина должна пройти через код-ревью.
➡️ Позитивный пункт напоследок — ситуация, когда ты реально посчитал что-то, что изменило ход событий в продукте😎
Особенно, если удалось найти какие-то деньги, или не подтвердилась какая-то интуитивно верная гипотеза!
Делитесь, сколько из этого у вас уже было?👀
😺 — прошёл боевое крещение (6—7),
🤓 — в процессе преисполнения в аналитике (3—5),
👩 — у меня ещё всё впереди (0—2)
#карьерный_путь #жизнь_в_бигтехах
@analytess 👩