Есть ли жизнь в аналитике после науки?
Здесь будет пост-рефлексия, впечатления о продуктовой аналитике спустя два с половиной года. Немного рассказывала про это на стриме с Юрой Борзило, а сейчас распишу другие аспекты.
Контекст: я ушла из науки в конце 2022 года (это на третьем курсе аспирантуры), первую работу в аналитике данных нашла в июне 2023 (подробнее про это писала здесь). Конкретно в продуктовую аналитику перекатилась год назад, сейчас в Литресе повысили до синьора. Я понимаю, что синьор в одной компании далеко не равен синьору везде, но все равно приятно, так что принимаю поздравления 🎉
Как оно тут без науки?
Меня часто спрашивают (правда-правда 😁), не скучно ли в аналитике после науки, по-моему это одно из основных опасений ученых, кто тоже думает уходить из науки.
Я бы сказала, что разнообразие задач не меньше, чем в науке и можно выбрать, чем приоритетно хочется заниматься. Рутины в аналитике не больше чем в науке, а в науке ее немало, при этом есть целый ряд задач, которые можно назвать исследовательскими, без четкого ТЗ, похоже на научные.
Что в науке отличается из неочевидного?
Относительно научной жизни в аналитике нужно намного больше общаться с людьми, даже не будучи руководителем, поэтому мне понадобилось довольно сильно прокачать те самые софт-скиллы. Если раньше было проблемой пойти в общий тред и что-то спрашивать, то теперь это любимое занятие/всегда пожалуйста. Это совершенно необходимо для грейдов выше миддла, потому что становится критично не только уметь писать код, считать A/B тесты, но и понимать, в каких случаях это можно не делать.
Режим работы
Более расслабленный по сравнению с наукой. С одной стороны, в рабочее время нужно быть на связи в рабочем мессенджере, присутствовать на встречах, нет этой легкости, что можно целый день не приходить в институт и никто ничего не скажет. Но с другой стороны, нет необходимости перерабатывать, при нормально выстроенных процессах удается все сделать в рабочее время. Немного есть сезонность – в конце квартала обычно загруженность больше, но по-моему написание грантов, отчетов по ним и статей сложнее и напряженнее.
Есть ли желание возвращаться в науку?
Пока за два с половиной года не возникло, хотя иногда смотрю как однокурсники и друзья защитились и становится немного грустно) но это скорее что-то иррациональное, из разряда хочу красивую защиту, чтобы все поздравляли (но писать диссер и готовиться не хочу), поэтому всерьез желания возвращаться нет.
Насколько сильно отличаются подходы к сбору и анализу данных в областях?
Тут сложно сказать, есть разные аспекты. По моим ощущениям в науке данных меньше, но собирают их более тщательно (стараются), в то время как в бизнесе данных много, собираются они можно сказать автоматически, но в результате качество часто получается ниже среднего. Методы анализа в продуктовой аналитике обычно довольно простые и стандартные: наши любимые z-тесты и t-тесты, но бывают и более сложные и интересные, из недавнего писала про Diff-in-Diff. В науке в этом смысле похоже, многие вещи можно закрыть простыми методами, t-test, ANOVA, логистическая регрессия, но если этого недостаточно, то спектр сложных методов неограничен, их реально очень много.
Формулирует ли кто-то перед экспериментами нулевую и альтернативную гипотезы или как и в науке не сильно запариваются с этим?
В A/B тестировании формулировать гипотезы, как бизнесовые, так и статистические, является золотым стандартом индустрии. Думаю, что у всех компаний со зрелой аналитической культурой это обязательный чекпойнт перед запуском теста.
Какие навыки из научной жизни пригодились тебе в аналитике (кроме кодинга и статистики)?
Думаю самое ценное – это умение понятно доносить информацию, это касается и устных выступлений, и письменных отчетов, потому что в научной карьере это прокачивается очень хорошо.
Пишите в комментариях, если есть еще вопросы на эту тему!
#analytics
Здесь будет пост-рефлексия, впечатления о продуктовой аналитике спустя два с половиной года. Немного рассказывала про это на стриме с Юрой Борзило, а сейчас распишу другие аспекты.
Контекст: я ушла из науки в конце 2022 года (это на третьем курсе аспирантуры), первую работу в аналитике данных нашла в июне 2023 (подробнее про это писала здесь). Конкретно в продуктовую аналитику перекатилась год назад, сейчас в Литресе повысили до синьора. Я понимаю, что синьор в одной компании далеко не равен синьору везде, но все равно приятно, так что принимаю поздравления 🎉
Как оно тут без науки?
Меня часто спрашивают (правда-правда 😁), не скучно ли в аналитике после науки, по-моему это одно из основных опасений ученых, кто тоже думает уходить из науки.
Я бы сказала, что разнообразие задач не меньше, чем в науке и можно выбрать, чем приоритетно хочется заниматься. Рутины в аналитике не больше чем в науке, а в науке ее немало, при этом есть целый ряд задач, которые можно назвать исследовательскими, без четкого ТЗ, похоже на научные.
Что в науке отличается из неочевидного?
Относительно научной жизни в аналитике нужно намного больше общаться с людьми, даже не будучи руководителем, поэтому мне понадобилось довольно сильно прокачать те самые софт-скиллы. Если раньше было проблемой пойти в общий тред и что-то спрашивать, то теперь это любимое занятие/всегда пожалуйста. Это совершенно необходимо для грейдов выше миддла, потому что становится критично не только уметь писать код, считать A/B тесты, но и понимать, в каких случаях это можно не делать.
Режим работы
Более расслабленный по сравнению с наукой. С одной стороны, в рабочее время нужно быть на связи в рабочем мессенджере, присутствовать на встречах, нет этой легкости, что можно целый день не приходить в институт и никто ничего не скажет. Но с другой стороны, нет необходимости перерабатывать, при нормально выстроенных процессах удается все сделать в рабочее время. Немного есть сезонность – в конце квартала обычно загруженность больше, но по-моему написание грантов, отчетов по ним и статей сложнее и напряженнее.
Есть ли желание возвращаться в науку?
Пока за два с половиной года не возникло, хотя иногда смотрю как однокурсники и друзья защитились и становится немного грустно) но это скорее что-то иррациональное, из разряда хочу красивую защиту, чтобы все поздравляли (но писать диссер и готовиться не хочу), поэтому всерьез желания возвращаться нет.
Насколько сильно отличаются подходы к сбору и анализу данных в областях?
Тут сложно сказать, есть разные аспекты. По моим ощущениям в науке данных меньше, но собирают их более тщательно (стараются), в то время как в бизнесе данных много, собираются они можно сказать автоматически, но в результате качество часто получается ниже среднего. Методы анализа в продуктовой аналитике обычно довольно простые и стандартные: наши любимые z-тесты и t-тесты, но бывают и более сложные и интересные, из недавнего писала про Diff-in-Diff. В науке в этом смысле похоже, многие вещи можно закрыть простыми методами, t-test, ANOVA, логистическая регрессия, но если этого недостаточно, то спектр сложных методов неограничен, их реально очень много.
Формулирует ли кто-то перед экспериментами нулевую и альтернативную гипотезы или как и в науке не сильно запариваются с этим?
В A/B тестировании формулировать гипотезы, как бизнесовые, так и статистические, является золотым стандартом индустрии. Думаю, что у всех компаний со зрелой аналитической культурой это обязательный чекпойнт перед запуском теста.
Какие навыки из научной жизни пригодились тебе в аналитике (кроме кодинга и статистики)?
Думаю самое ценное – это умение понятно доносить информацию, это касается и устных выступлений, и письменных отчетов, потому что в научной карьере это прокачивается очень хорошо.
Пишите в комментариях, если есть еще вопросы на эту тему!
#analytics