Parte 1
Nos últimos meses, tenho passado por uma busca chamada “deixar minha posição como analista de marketing na FMCG e receber uma oferta para uma posição como analista de produto em TI”. Gostaria de compartilhar minha experiência e sistematizar as informações coletadas neste período de várias fontes. E para não ser infundado, falando sobre quais habilidades um analista de produto deve ter, começarei com uma revisão das informações abertas sobre os requisitos para candidatos a emprego nas vagas da hh.ru.
Analisei dados abertos sobre vagas postadas no site headhunter.ru em 28/10/2020 para a solicitação "Analista" e "Analista de Produto". O caderno completo e links de dados estão disponíveis aqui .
Antes de falar sobre minhas conclusões, farei uma pequena digressão sobre os detalhes da análise.
Peguei a lista de requisitos exigidos para uma vaga específica da seção Habilidades-chave da descrição do cargo. Nem todos os RHs preenchem este campo com alta qualidade: alguns se selaram (Nota: "Phyton"), alguns têm uma
Talvez, para uma contabilização mais precisa das habilidades, especialmente as soft skills (Nota: “você tem boas habilidades de comunicação para se comunicar com as equipes de negócios e técnicas”), vale a pena destacar os requisitos da descrição completa do trabalho e dividi-los em grupos semânticos.
Tendo em conta o que precede, consideraria as percentagens das tabelas abaixo não literalmente como “a quota de vagas na especialidade onde esta habilidade é exigida”, mas como “a prioridade desta habilidade para uma especialidade específica”.
No total, 1.178 anúncios foram disponibilizados para análise, dos quais mais de 60% em 5 especialidades: analista, analista de negócios, analista de produto, analista de marketing e analista web.
Como as habilidades exigidas para cada especialidade diferem?
Pode-se ver que as principais habilidades para cada especialidade são diferentes: para um analista de produto, as habilidades técnicas são importantes (SQL, Python), para um analista de marketing, muitas vezes mencionam análise de marketing e PowerPoint e para análise da Web GA e I. Metrica (
Se continuarmos a lista das principais habilidades de um Analista de Produto, descobrimos que as habilidades técnicas são seguidas por analíticas (análise de dados, pensamento analítico, pesquisa analítica) e conhecimento de estatística (estatística matemática, análise estatística, testes a / b, mineração de dados). Uma lista completa com a interpretação das frequências das habilidades na primeira foto com a nuvem de tags.
Qual especialidade é mais fácil de entrar sem experiência relevante?
A maneira mais fácil é procurar emprego em posições júnior e estagiário na área de análise de dados nas especialidades Analista de marketing e analista Web - cerca de 10% das vagas estão prontas para contratar pessoas sem experiência.
Na maioria das vezes, são esperadas pessoas mais experientes para o cargo de Analista de Produto: mais da metade das vagas estão à procura de uma pessoa com 3 a 6 anos de experiência relevante.
Como o salário difere por especialidade?
São poucas as vagas com informações salariais abertas - apenas 63. No entanto, é impossível resistir e não olhar para a distribuição. Para uma comparação adequada, considere a mediana dos salários iniciais (experiência de trabalho esperada “de 1 a 3 anos”).
Um analista de negócios médio pode contar com 140t, um analista de produto com 100t, e o menos disposto a pagar é um analista de marketing e web: 60t. Profissionais de marketing e analistas da web, aprendam urgentemente BPMN ou Python, SQL!
Alguns artigos relacionados antes de passar para a segunda parte:
- Analytics para a caça de analistas - uma visão geral das vagas, habilidades e salários de pessoas que entendem muito mais sobre as coisas de RH do que eu.
- Texto sobre as habilidades exigidas em diferentes séries no Yandex.
- Um artigo sobre os tipos de analistas em TI (
leia na voz de Drozdov).
Parte 2
A tarefa da segunda parte: reunir em um só lugar os recursos nos quais você pode aprender a análise de dados gratuitamente, em particular a análise de produtos. Será útil principalmente para iniciantes e para aqueles que não querem gastar dinheiro em um curso pago.
A propósito, se você está pensando em um curso pago, aqui você pode comparar as características formais (duração, preço, nível) em muitas escolas. Infelizmente, a qualidade do material e da apresentação é difícil de avaliar objetivamente, então você mesmo deve procurar as avaliações.
Por onde começar a aprender Python:
- faça um curso introdutório gratuito de Yandex.Practicum sobre noções básicas de Python e análise de dados.
Prós : o melhor começo é difícil de imaginar: tudo é simples, claro e interativo. E o mais importante, ao final do curso você terá seu primeiro projeto independente e uma compreensão aproximada dos recursos do Python para análise de dados prontos.
Contras : haverá desejo de comprar o restante do curso.
- veja os cursos de stepik, por exemplo, este aqui .
Prós : você pode atualizar seu conhecimento sobre os tipos de dados, loops e ver como instalar o Anaconda + Jupiter Notebook para começar a praticar por conta própria.
Contras : Bibliotecas numpy e matplotlib muito brevemente cobertas e não cobertas por pandas.
Como começar a aprender SQL:
- veja este curso no stepik ou este no kaggle.
Prós : Adequado para iniciantes.
Contras : esses cursos por si só não serão suficientes, é necessária muito mais prática.
- resolver problemas em sql-ex , sql-academy ou sql-zoo .
Cada plataforma tem seus prós e contras, vale a pena encontrar aquela que você mais gosta.
- é para a análise do produto que a familiaridade com o Clickhouse é freqüentemente necessária.
Clickhouse tem uma boa documentação e você pode praticá-la , mas há muito pouca informação sobre as nuances do uso prático. Por exemplo, karpov.courses tem um webinar muito útil sobre como calcular a taxa de retenção no ClikHouse.
Por onde começar a aprender matemática:
- Se for realmente assustador de se abordar, você pode começar do zero na academia Khan .
Prós : você pode começar a aprender matemática, mesmo com adição e subtração.
Contras : todos os vídeos são em inglês, mais a informação é esticada, muitas vezes você quer acelerar.
- Resolva problemas em matprofi e matburo .
Prós : tudo é curto e direto ao ponto e imediatamente com as tarefas.
Contras : você tem que sentar e decidir, assim como na escola!
- Livros didáticos de teoria. fé e esteira. estátua de V.E. Gmurman, S. Glantz.
Prós : tudo é um pouco mais esticado aqui do que nas fontes do parágrafo anterior, mas com mais detalhes.
Contras : você tem que sentar e decidir, assim como no instituto!
- mais uma vez, vá para stepik para cursos de teoria. fé e esteira. stat .
Prós : os palestrantes explicam claramente, há prática e discussão nos comentários.
Contras : alguns pontos são bastante simplificados e alguns terão que ser melhor resolvidos. Mas isso é menos de qualquer MEP e auto-educação.
Onde obter experiência em Análise de Dados e ML:
- — Python CSC, Open Machine Learning Course ODS .
: , , .
: ( ), . - , . - DA DS , , , — , , CSC .
- ML ML . .
:
- .
As primeiras palestras sobre algoritmos e estruturas de dados em Python do MIPT são interessantes de ouvir, mesmo se você não for se tornar um guru de algoritmos e outros gnomos: elas são sobre como o
- Visualização (Tableau, Power BI, Y.Datalens, traço).
O Tableau tem acesso público gratuito, onde você pode aprender gratuitamente a criar painéis. A participação em maratonas da Tableau ou Datalens pode ser muito útil, mesmo que apenas por causa de materiais de treinamento detalhados. Se você quer complicar as coisas: lide com o traço .
- Prática-prática-prática.
Escolha um projeto interessante para seu portfólio no kaggle, existem conjuntos de dados para todos os gostos: desde a classificação de cogumelos até análises de vinhos e estatísticas de suicídio . Para cada conjunto de dados, há exemplos de notebook e discussões!
E se kaggle não for suficiente, colete dados para análise você mesmo de uma área de seu interesse - um exemplo de uma análise simples de um site na primeira parte do texto.
Recomendações básicas:
- Para não se confundir e não perder a motivação devido ao grande número de tarefas, vale a pena fazer uma lista com as prioridades de cada item. Foi conveniente para mim manter uma tabela no Google Drive.
- Um bom teste de seu próprio conhecimento seria ler a teoria e resolver problemas em algum tópico em um recurso e imediatamente tentar resolver problemas em um site vizinho no mesmo tópico. Desta forma, lacunas podem ser descobertas e o conhecimento complementado.
- Escolha público / contas analíticas ao seu gosto nas suas redes sociais favoritas: ficará a par das novidades e sempre haverá o que rolar sobre uma xícara de chá.
- Lembre-se de que quando você finalmente encontrar o emprego dos seus sonhos, este não será o fim da jornada, mas o começo! Portanto, pausas e descanso de qualidade são necessários no processo.