Сколько сырков нужно, чтобы заполнить ими офис Авито?🥲
(дайте мне 5 минут — и я скажу вам порядок этой величины)

В сегодня лет на новогодних праздниках я случайно узнала, что у подобных задач есть отдельное название — задачи Фе́рми.

Они названы в честь итальянского физика Энрико Ферми, известного умением получать разумные численные оценки на основе минимального количества исходных данных и упрощённых предположений. А мы теперь вынуждены этим же заниматься на собеседованиях (хоть в Авито такого и нет!)😄

➡️ Можно много спорить о том, насколько это адекватные вопросы, но тем не менее, они появились не просто так. Такие задачи вполне подходят для того, чтобы посмотреть, как кандидат думает вслух, не теряется ли, услышав неожиданный вопрос, структурирует и валидирует свои мысли и гипотезы.

Мне кажется, для аналитика это даже вполне уместный вариант формулировки кейса, потому что в жизни тоже не всегда достаточно точных данных для генерации гипотез. Так вот:

➡️ Как подходить к таким задачам:

😲 (очевидное-невероятное)
Когда вам дают задачу Ферми, не надо отвечать «не знаю»🤓
1️⃣ Уточняем условие, если есть неоднозначные моменты
2️⃣ Декомпозируем задачу сверху вниз или снизу вверх
3️⃣ Пошагово даем оценки, грубые, но любые, какие мы можем придумать и обосновать в моменте. Аккуратно перемножаем с разумными округлениями и допущениями
4️⃣ По пути ищем подвохи (пример: попросили посчитать красные машины в городе — а пожарные мы будем учитывать?)
5️⃣ Делаем sanity check: если есть возможность посчитать другим способом, такая проверка будет точно только в плюс
6️⃣ Обязательно по пути говорим о том, что можно сделать, чтобы адекватно с точки зрения ресурсов получить более точную оценку. Где мы можем собрать или даже выкупить готовые данные, как задизайнить эксперимент и так далее.

Готово! Вы великолепны!😎

Прилагаю pdf — это перевод классической англоязычной статьи с примерами решений таких задач. Там внизу есть список литературы, а ещё ссылки есть в Википедии, но мне кажется, что примеров из файла вполне достаточно, чтобы потренироваться.

➡️ Сталкивались с подобными «кейсами» на собесах? Норм или стрём, по-вашему? Попадались какие-нибудь интересные?🚨

⚡️— если сохранил или переслал пост другу, 👩 — если встречал на реальных собесах, 🤓 — если это всё-таки слишком

#найм_и_собесы
@analytess 👩

Я вам соврала...😐

в прошлом посте, когда говорила, что никаких New Year Resolutions не будет. Они появились. Я в декабре впервые за долгое время получила задачу на переработку дашборда, и поняла, что мне очень есть, куда стремиться в компетенции BI.

Со стороны может казаться, что дашборды делать как раз-таки легко — да что мы там не знаем — ну есть line plot, круговая диаграмма, гистограмма, а остальное нужно в 5% случаев.

А потом приходит заказчик, взявшись за голову, и говорит:

— Ну и что это такое, как мне этим пользоваться?

И вот, взявшись за голову, сидишь уже ты🤓

В общем, я нашла тренинг по BI, который выглядит как то, что может наконец это полечить. Его ведёт Анастасия Кузнецова aka «настенька и графики», наверняка вы такую знаете.
Программа обучения состоит из трёх модулей:

*️⃣ что вообще такое этот ваш хороший дашборд?
⚪️ как собрать требования заказчиков и сказать «нет» неудачным идеям — для этого тоже есть свои фреймворки!
*️⃣ как правильно приготовить данные для дашборда👨‍🍳 — как проверить качество, какие особенности именно в BI

И я собираюсь его пройти этой зимой — не будет лишним даже мидлу+ (но вообще выглядит friendly к любому уровню)😎

➡️ го прокачивать визуализации вместе?📈

Мы или не мы в первую рабочую пятницу года?🥺

Начинаю постепенно приходить к тому, что режим дня — это всё-таки важно. Но, с другой стороны, сейчас у меня 11:20, по вчерашнему часовому поясу 12:20, а по тому, где я была ещё меньше недели назад в субботу — 08:20. В какое тогда время надо вставать и начинать работать, если я хочу в одно и то же? Нужен аналитический ресёрч...

➡️ А у вас с этим как? Удаётся ли кому-то на удалёнке работать в фиксированное время, или пока мем из поста откликается?😄

😎 — для богов планирования, 👩 — скорее жиза

@analytess 👩

Два разных подхода к собеседованиям в бигтехах💊

➡️ Под бигтехами в данном посте я буду понимать компании большого и среднего размера, где аналитика состоит из нескольких команд, и соответственно, как правило, есть несколько открытых вакансий (сейчас поймёте, к чему это).

Часто слышу какие-то абстрактные утверждения или вопросы про собеседования в какую-то компанию. Например:

всем привет в этом чатике, а что могут спросить в Озоне?

Иногда на них действительно можно нормально ответить, а иногда нет... вы, быть может, уже догадались, к чему я клоню?

➡️ Первый тип компаний — общий пайплайн собесов🌟
Это, например, Авито и Т-Банк. Сначала (дальше на примере 🌍) любой кандидат в аналитики проходит математический скрининг, потом кейс, потом уже финалы с командами.

Плюсы такого подхода:
⚪️ понятно, к чему готовиться
⚪️ не плодятся сущности в виде «ещё одной секции по SQL, а то вон той команде нужно проверить по их критериям»

Минусы такого подхода:
⚪️ видишь и слушаешь своих непосредственных начальника и коллег только часок до момента принятия офера
⚪️ если что-то не получилось на этапе до финалов, то фриз полгода-год на найм во всю компанию
⚪️ задачи на работе могут сильно отличаться от того, что спрашивали (как, например, у всех обязательно спрашивают A/B-тесты, но каждый ли их делает? или аналогично с алгосами)

Также отсюда вытекает следующая тенденция, которую я наблюдаю на нынешнем рынке труда: теперь легко не найти мэтч, даже если достойно прошёл всё техническое.
Финалы перестали быть болтовнёй «за жизнь», где базово проверяли адекватность и вайб, теперь там тоже дают кейсы, ведь до этого в унифицированном пайплайне не было места для задач, связанных с конкретным доменом команды🚨

➡️ Второй тип компаний — смотря какая team, какие details
Представители — Озон, Магнит, Wildberries, X5...
Вы откликаетесь на конкретную вакансию. Скорее всего, на всех этапах будут люди как минимум из того же отдела, вы сможете на них посмотреть и задать интересующие вопросы.

Плюсы такого подхода:
⚪️ есть время понять, с кем и как придётся работать
⚪️ если что, можно пробоваться в другие команды, не выжидая

Минусы такого подхода:
⚪️ чаще всего собесы не взаимозаменяемы, в другие команды — совсем новые секции
⚪️ опыт найма в такую компанию у большинства «коллег по чатам» и блогеров нерелевантен для вас
⚪️ может произойти какой-нибудь кринж «на местах», если нет общего комитета по подбору задач для найма

➡️ Отдельно упомяну гигантов вроде Яндекса и Сбера😎
Они не подходят ни туда, ни туда: например, в Яндексе первая модель на уровне бизнес-юнита, но вторая между юнитами, поэтому можно попасть в ситуацию, что вы начали собеситься в какой-нибудь финтех, не проходили алгосы, вас опередил другой кандидат на финалах, а в Поиск и Алису без алгосов не берут...

Выводы и мораль сегодня такие:
⭐️ относитесь с осторожностью к чужим рассказам, пока не уверены, что вакансия та же, или в компании всё однородно
⭐️ готовьтесь к финалам, особенно в первом случае — читайте описание команды, и какие метрики типичны для этого домена

Ваши мнения, опыт, дополнения крайне приветствуются👍

#найм_и_собесы #жизнь_в_бигтехах
@analytess 👩

Особенности performance review в Авито👍

Год назад (подумать только!) писала постик о ревью в целом, когда за плечами у меня было 6 ревью в Яндексе, а про другие компании я знала мало. Теперь могу сравнивать хотя бы шкалы оценивания и подход, пусть и не бывала на калибровках😀

Кстати, вот официальное описание ревью в Авито (статья от 2023, но суть та же). А ниже будет мой взгляд на процесс!

➡️ Disclaimer: картинка шуточная, относится к тенденции использовать AI везде в целом, ничего общего с Авито🤵

Итак... первое, что бросается в глаза — каждая компания самостоятельно выбирает распределение оценок. Например, давным-давно в Яндексе было что-то вроде нормального распределения оценок со средним в «соответствует ожиданиям». Основная претензия была в том, что чтобы кто-то в команде получил «выше ожиданий» и тем более повышение, нужно, чтобы кто-то получил «ниже ожиданий» в противовес, а в бигтехах, сами понимаете, большинство всё-таки работает.

Тогда сделали шкалу, которая была сфокусирована на том, чтобы награждать достижения, и плохие оценки стали получать максимум 5-10% сотрудников (а стольких с невыполненными целями и прочими проблемами легко найти и органически). Но тогда возникло восприятие (вот здесь может быть доля моего субъективного впечатления), что получать стабильно «соответствует ожиданиям» почти что стыдно.

Действительно, если бы всех ранжировали, то с «просто хорошей оценкой» ты можешь оказаться и перцентилем 11, и перцентилем 45, и как тут понять, что ты на самом деле не сильно хуже среднего?😬 Понятно, что от младших сотрудников ожидается рост, но тем не менее, от дефолтной оценки, за которую есть премия, стал исходить вайб школьной тройки, и это не всегда позитивно мотивировало (я так чувствую).

➡️ Что касается Авито, пока что я поняла ситуацию так, что «соответствует ожиданиям» получает подавляющее большинство людей в компании. Это вполне реалистично с одной стороны (если руководитель не давал явную отрицательную обратную связь во время обсуждения матрицы компетенций и надвигающегося ревью), но и не вызывает флешбеки «четыре? а почему не пять?». Конечно, грейдап с «соответствует ожиданиям» не подразумевается — там надо выделиться, но это немножечко другой вопрос в любом случае.

➡️ Ещё из любопытного — у нас зимнее ревью проходит после Нового года за период до конца декабря, и это прикольно и странно одновременно. Из плюсов — идеально ложится планирование первого квартала, плюс первая неделя всегда тяжёлая, а тут можно потратить часть времени на написание отчётов и фидбеков. Из минусов — я думаю, что некоторые из тех, кто хочет повыситься, дописывают ресёрчи на праздниках и не могут совсем зачиллиться, но не могу это доказать🤓

➡️ Что касается фидбеков коллег друг на друга, в них тоже по умолчанию все «соответствуют ожиданиям», иное надо обосновывать, и это нормально. Если честно, я ни разу не писала плохие фидбеки за свои 8 ревью — если что-то шло не так, то, возможно, у меня отзыв просто не запрашивали😐

В целом же атмосфера ощущается достаточно спокойной. Руководителям, которые проводят целые дни на жарких калибровках, сочувствуем, а простые сотрудники, как мне кажется, не особо переживают и бегают в мыле😄

Надеюсь, было немножко интересно узнать взгляд изнутри👍

#жизнь_в_бигтехах
@analytess 👩

Усилия, которые окупаются👍

Сегодня мне прислали ссылку на подборку от NEWHR за 2025 год — за кем следят аналитики. Было неожиданно и приятно увидеть свой канал в top-30 по продуктовым/дата-аналитикам.
Год назад я не могла и мечтать о попадании в рейтинг)

И отдельно мне приятно быть в хорошей компании на этом лендинге, ведь я сама читала ~половину из перечисленных каналов, а нескольких авторов знаю лично и видела офлайн!

В целом же, всем могу советовать пробежаться по этой подборке и найти для себя что-то интересное!
И благодарю авторов рейтинга за саму идею и небольшой пиар меня — именно такие штуки очень мотивируют продолжать😎

➡️ ссылка на всех экспертов

Спасибо всем, кто меня читает💓
Дальше — больше📈

@analytess 👩

Я, конечно, не эксперт, но...🌟
поговорим всё-таки об экспертности, кого и почему она задевает

Во вчерашнем посте естественным путём встретилось слово эксперт. Но каждый ли аналитик с каналом имеет право так себя назвать? А я, например, имею — или инфоцыганка я дрожащая не зря мне раз в пару месяцев прилетает хейтерский коммент, что многовато здесь рекламы и лайфстайла для этого?

Я подумала о том, как мы обычно употребляем это слово, и что в него вкладываем, и родились следующие мысли:

➡️ Во-первых, мало кто сам себя называет экспертом (согласна, что это может звучать и ощущаться странно). А другие называют нас экспертами во вполне определённых контекстах: например, можно быть экспертом на вебинаре или курсе, давать свой взгляд на вопрос для статьи, или вот попасть в рейтинг каналов.

Извините меня за лингвистический подход в данном случае, конечно, но в таком случае это просто роль / должность, причём достаточно локальная. Сегодня эксперт вебинара, а в обычное время продуктовый аналитик в таком-то отделе. Так же как рейтинг NEWHR не пытался давать оценку каналам и контенту в них: он является лишь констатацией факта, что такие-то люди пишут контент об аналитике, а другие люди их читают.

И в этом контексте слово «эксперт», на мой взгляд, подвергается какому-то overthinking-у. Если хотите, мысленно заменяйте его на «некто с определённым мнением и опытом в данном вопросе»😎

➡️ Во-вторых, позиция «да кто ты такой, чтобы менторить / продавать курсы» — не самая продуктивная, поверьте😬

Подаётся она под разным соусом — иногда даже вот так почти напрямую. Но ведь в условиях свободного рынка можно мой (или чей-то ещё недостаточно экспертный) контент не читать...

Сложнее, когда кто-то говорит «а вот я пока не считаю себя компетентным для такого!». И если иногда это действительно синдром самозванца у крутых ребят (что печально, но немного другая история), то иногда прямо сквозит подтекст «в отличие от некоторых». Скажите, а мир точно станет лучше от того, что вы себе не разрешаете проявляться и хотите запретить это мне?🤓

Вспомните про эффект Даннинга — Крюгера: тем временем в мире куча людей слабее вас или меня, которые не стесняются делиться своими знаниями и/или продавать свой опыт. Будь то в формате блога или менторства, или на собесах на грейд повыше, это неважно. В итоге они выигрывают, а те, кто ждут своей будущей «true компетентности», могут в этом застрять.

Если что, моя мысль не в том, что каждому нужен канал и свой сайт с услугами. Просто иногда, когда нас триггерит чужая деятельность, это неспроста, и в глубине души хочется так же...

Короче, тут я тоже призываю относиться чуть проще: это тот случай, когда «рыночек порешает». Да и делиться опытом просто полезно: про это есть старый анекдот «на третий раз сам понял», но, кроме шуток, именно так знания хорошо углубляются и закрепляются, а мысли становятся структурнее📈

➡️ Как-то вот так. Делитесь, кто такой для вас эксперт?

#непопулярное_мнение
@analytess👩