Роадмап для тех, кто идет в аналитики данных или продуктовые аналитики: пять блоков, чек-листы «что должен уметь» и отобранные бесплатные ресурсы. Тот самый скелет, по которому я веду учеников.
автор, Владислав Ковальчук, Senior ML · кто это пишет →Привет. Ты, скорее всего, либо только решаешь, идти ли в аналитику, либо уже идешь и не очень понимаешь, туда ли.
Я собрал сюда то, что проговариваю каждому, кто приходит ко мне в первый раз: что учить, в каком порядке и до какой глубины. Без этой картинки люди годами ходят по кругу, набирают курсы и никак не могут сложить их во что-то целое.
Ссылок тут немного, и это специально. Утонуть в двухстах материалах легко, толку ноль. Отобрать за тебя и есть моя работа.
В каждом блоке есть короткий список «что должен уметь». Отметь то, что можешь объяснить вслух, а не «вроде где-то читал». Это очень разные вещи, и на собесе проверяют первое. Отмечай прямо здесь: нажми на пункт, и он зачеркнется. Отметки сохранятся в этом браузере, можно возвращаться и продолжать.
Блоки идут не по интересности, а по зависимостям. Прыгнуть в продуктовые задачи, не умея писать запросы и считать значимость, это надежный способ потратить полгода и застрять. Пропущенная ступень все равно всплывет, только позже и дороже.
Так выглядит путь от нуля до оффера. Блоки идут строго по зависимостям, и каждый следующий стоит на предыдущем.
Честно: при 10-15 часах в неделю с нуля до первых собесов это от 6 до 10 месяцев. Все, что обещает «войти в айти за 3 месяца», либо про другую профессию, либо про другой рынок. Если у тебя уже есть аналитика, разработка или сильная математика, путь короче в полтора-два раза.
Python нужен не «в общих чертах», а до автоматизма: дальше он перестает быть предметом изучения и становится инструментом. Пока ты думаешь над синтаксисом, ты не думаешь над задачей.
На платформе этот блок, это тренажер с автопроверкой кода: пишешь решение, сразу видишь, где не так, и разбор почему.
Сразу скажу, чтобы ты не потерял на этом месяцы: в аналитику берут без сильной математики. Она нужна ровно затем, чтобы следующий блок, статистика, не превратился в заучивание формул. Поэтому берем по верхам и идем дальше.
Сесть за математику «как следует» и застрять там на полгода. В аналитике она вспомогательная, а решает статистика и SQL. Взял смысл на пальцах, иди дальше и возвращайся точечно, когда конкретная формула понадобится по работе.
На платформе математика идет интерактивом на пальцах: крутишь параметры руками и видишь, как меняется результат. Без вывода формул.
Если математику можно пройти по верхам, то статистику нет. Это ядро профессии аналитика: именно тут ты отвечаешь на вопрос «нам показалось или правда выросло». Спрашивают на каждом собеседовании и всегда на понимание, а не на определения.
Выучить определения и решить, что тема закрыта. Статистику спрашивают кейсами, а не определениями: дают ситуацию и смотрят, поймаешь ли подвох. Поэтому смотреть курс надо с ноутбуком и считать руками, иначе на первом же кейсе поплывешь.
На платформе статистика идет симуляциями и A/B-кейсами, которые считаешь сам, а не смотришь, как считает лектор.
Твой основной рабочий инструмент. SQL спрашивают на каждом собеседовании в аналитику, и заваливаются на нем чаще всего. Причина простая: теорию можно рассказать словами, а запрос надо написать вживую, при интервьюере, и он сразу видит, как ты думаешь.
На платформе, это тренажер со сквозным сюжетом компании. Задачи приходят языком бизнеса, «почему просела выручка в регионе», а не «выведи вторую колонку». Учишься переводить вопрос заказчика в запрос, это и есть настоящая работа.
Если честно посчитать рабочий день аналитика, сам расчет займет меньшую часть. Большая, это притащить данные, понять их, почистить и не обмануться. Это и есть pandas, и там же живет разведочный анализ.
Идти в сложные инструменты, не научившись смотреть на данные. Человек получает подозрительно высокое качество и несет это на собес. А там выясняется, что в признаках была утечка целевой переменной, и модель просто подглядывала в ответ. Умение это заметить и есть навык.
На платформе, это данные внутри живого бизнес-кейса. Не «почисти датасет», а ответь на вопрос заказчика и по дороге сам наткнись на пропуски, дубли и утечки, как это и происходит в работе.
Уже больше 5 лет я работаю в ML, сейчас Senior ML в Альфа-Банке, и собеседую ребят на такие же позиции в бигтех. Вижу найм с обеих сторон стола и одно и то же: приходят люди, которые честно все выучили, и сыплются на вещах, о которых им никто не сказал.
Эта карта собрана с той стороны стола. Не «что модно учить», а что реально спрашивают и где обычно рвется.
Человек знает алгоритмы, но не может объяснить выбор метрики под задачу. Пишет модель, но не замечает утечку. Помнит определение p-value, но плывет на кейсе. Разваливается не на сложном, а на том, что казалось понятным.
Эту карту я собрал из того, что проговариваю каждому ученику на первой встрече. Она бесплатная и останется бесплатной.
Здесь намеренно мало. Аналитику не нужно уметь строить модели, ему нужно понимать, что это такое, когда задача решается моделью, а когда обычным правилом, и как читать чужой результат, чтобы не кивать на цифру, которой нельзя верить.
Уйти в ML с головой, потому что там интереснее, и прийти на собеседование аналитика с бустингами вместо когорт и A/B. Спрашивать будут про статистику, SQL и метрики продукта, а модели останутся приятным дополнением. Держи этот блок маленьким.
На платформе, это база на реальном кейсе: смотришь, где модель уместна, а где ее навязали, и учишься спорить с чужим результатом по делу.
Блок, который отделяет аналитика от человека, выгружающего цифры. SQL и статистику выучить можно, а вот задать правильный вопрос к данным учатся дольше. Именно это и проверяют на финальных секциях.
Ответить ровно на заданный вопрос и остановиться. У продукта спрашивают «сколько», а нужно ему «почему и что делать». Аналитик, который приносит вывод и рекомендацию, а не выгрузку, растет в грейде быстрее всех остальных.
На платформе, это продуктовые кейсы целиком: приходит размытый запрос от бизнеса, а ты доводишь его до метрики, считаешь и защищаешь вывод. Как на реальной работе и на финальной секции собеса.
Все забываю сказать, как четко ты описал мой опыт и проекты!) как будто сидел рядом и все знаешь)) Очень правильно описаны все процессы и метрики. И задачки реально хорошие, особенно тем что объединяют сразу несколько тем, это очень помогает в полировке навыков
Я обычно долго принимаю решения, всегда взвешиваю за и против, с тобой я очень быстро решила, что попробовать точно нужно. Чекаю роадмап и прям чувствую, что ты прожил за время как проходил этот путь... очень откликается, и очень важно, что ты преподносишь информацию пропущенную через себя, это очень круто и я с таким форматом еще не сталкивалась.. с тобой очень комфортно
Спасибо большое Владу за консультацию, чувствовалось, что человек заинтересован в проблеме и в моем развитии, как специалиста. Получил полезные советы по дальнейшим действиям, соориентировался, куда стоит двигаться) Особенно были полезны кейсы с инсайтами по работе HR-ов, точно поможет.
«Карту можно выучить наизусть и все равно заблудиться. Дорогу знает тот, кто по ней прошел.»
Ты держишь маршрут целиком. Этого достаточно, чтобы не тратить месяцы не на то и не собирать двадцатый курс вместо первого законченного проекта.
Чего карта не даст: сказать, что твое решение неудачное, что так в проде не делают и что на собесе за это спросят. Это делает человек, а не текст на странице.
Скажу прямо: этой карты достаточно, чтобы дойти самому. Она бесплатная, останется бесплатной, и ничего не спрятано за регистрацией. Люди доходили и без меня, просто дольше и с большим числом тупиков.
Разница только в скорости и в том, есть ли кому сказать «вот тут ты ошибся». Если такой человек рядом есть, отлично. Если нет, эту роль закрывает платформа: тренажеры с проверкой, мок-собес после каждого блока и разбор твоего кода лично.
Канал сообщества @kovalchuklog
Карта обновляется, свежая версия всегда в боте @BimchineResources