Мы, разработчики, плохо представляем себе, кто такие аналитики. Лишь догадываемся, что есть там продуктовые аналитики, эмэльщики, слышали буквы DS, DL, DWH, BI. Но чем же они все на самом деле занимаются? Про это я поболтал с нашим верховным аналитиком (CDO) Ильей.
Согласно его классификации, существует 2 типа команд - партнерские команды и команды эффективности.
Партнерские команды прикреплены к конкретному бизнес-направлению, их основная задача - улучшать качество принятия решений в своем бизнес-направлении. Нужно осмыслить и проанализировать фичи, а также проактивно генерировать новые инсайты, что нужно сделать, чтобы метрики росли. Эти команды работают в связке с менеджером - вместе ищут гипотезы роста метрик.
В этих командах работают дата-аналитики. У них много экспертизы в своем домене - события и метрики, взаимодействие и корреляции метрик, много контекста и бизнес-специфики домена. Все это важно консолидировать в их умах. Они пишут развесистые sql-запросы, строят дашборды, дизайнят эксперименты, помогают принимать решения, придумывают гипотезы. Кроме хардов в этой профессии очень ценится бизнесовая и продуктовая интуиция, понимание бизнес-части, умение доносить свои идеи до бизнеса.
Команды эффективности обычно оунят какую-то часть системы. Как правило, это специфичный для домена алгоритм: назначение курьеров для логистики, таргетирование скидок для ресторанов, рекомендательная модель для продукта. Их задача - придумывать новые идеи для роста домена, поддерживать его, оптимизировать, повышать качество решения задачи на длинной дистанции. Эти команды отвечают за показатели своих метрик напрямую перед бизнесом.
С точки зрения профессий, в командах эффективности обычно работают Data Scientist-ы и ML-разработчики. Data Scientist - это такой аналитик, которые сначала очень много анализирует данных и/или обучает модельки, а потом пишет несложный (по меркам бекенда) код, чтобы это заработало. Бывает, что это код в рантайме, иногда - в облачной платформе вычислений, а еще бывают пайплайны для выполнения формул или моделей. ML-разработчики - пишут продакшен-сервисы с мл-функциональностью и обучают мл модельки, но не так глубоко копаются в данных.
В командах эффективности data scientist-ы и ml-разработчики по сути отличаются хардами, в зависимости от используемого инструментария. То есть суть одна - нужно развивать алгоритмический продукт, используемый в твоём домене, а инструменты разные - у одного это аналитика и формулы, у второго - классический ML, у третьего – нейросети.
А есть еще AI. Это направление пока только формируются с точки зрения очерченности профиля профессии. На деле этим всем занимаются энтузиасты из числа аналитиков, дата-саентистов, млщиков и даже бекендеров. Потому что AI - это не профессия, это направление. Возможно, оно по итогу стандартизируется и станет чем-то более обособленным (и не надо про промпт-инжиниринг - мы все же тут про серьезные вещи говорим).
А еще есть DWH и BI. Там системные аналитики переводят с бизнесового на дата-инженерный - разбираются, где какие данные и как их готовить. Дата-инженеры знают, как эффективно написать sql-запрос и провернуть сложные операции над данными, как построить риалтайм-процессинг данных или миграцию базы. BI-щики строят дашборды для эффективной проверки гипотез и создают инструментыдля других команд. Тут чуть более инженерная специфика - они не закапываются в бизнес-домен, а оперируют данными и их структурами. DWH редко работает с бизнесом напрямую, для них заказчиками выступают аналитики, которые сконнекчены с бизнес-функциями.
Из рассказа Ильи становится понятно, что это целый мир. "Скажи, Илья, зачем людям идти в аналитику?" - спросил я. Он ответил так:
"Миссия аналитики - это с помощью данных, технологий и неординарных решений наносить непоправимую пользу бизнесу."
А если вы чувствуете, что вам это близко - добро пожаловать, вакансии тут
