«На собеседовании мне задали всего один вопрос – и разговор на этом закончился». История тимлида команды аналитики Kolesa Group

Сразу после университета Максим Колесников устроился специалистом по Data Science в один из банков Казахстана. Парень честно признается: пошел туда, потому что предложили больше денег. Но сейчас герой об этом жалеет и говорит, что сперва надо найти место, где тебе помогут развиваться и расти как профессионал.

В своем монологе Максим, теперь уже тимлид одной из команд аналитики в Kolesa Group, рассказал, кому понравится эта профессия. А еще дал 6 практических советов тем, кто только хочет переучиться.

«Джунам нужно идти туда, где можно расти как профессионал»

В школе я всегда любил математику. Моими хобби были решение логических задач и компьютерные игры. Это повлияло на выбор специальности — пошел изучать Computer Science в Suleyman Demirel University. Уже на третьем курсе начал искать работу. К тому времени на стажировках выяснилось, что интереснее всего попробовать себя в Machine Learning (ML).

Прошел курсы по ML и специализацию по Deep Learning от Andrew Ng, освоил курс статистики от Анатолия Карпова на платформе Stepik. Залетел на mlcourse.ai, решил около 50 задач на LeetCode и начал искать работу.

В течение двух месяцев так и не нашел казахстанских вакансий на позицию Machine Learning Engineer. Зато в одном из чатов искали специалиста по Data Science в банк. Решил попробовать свои силы. Параллельно с этим свежеиспеченных аналитиков набирали в Kolesa Academy — на оплачиваемую стажировку в Kolesa Group. Рекрутеры из банка предложили немного больше денег, и я устроился туда. Спойлер: надо было выбирать Академию.

В банке занимал должность специалиста по Data Science, но команда еще не была сформирована. Да и сам бизнес не понимал, как применять данные в своих продуктах. В то же время в Kolesa Group была большая база пользователей, налаженные процессы работы с аналитикой, понятная DWH-архитектура. Сам бизнес активно пушил принятие решений на основе данных.

Так на своем опыте узнал правило для джунов: в начале карьеры нужно идти туда, где ты будешь расти как профессионал. Развитие всегда зависит от людей, с которыми ты будешь работать в одной компании.

«За полтора года в банке я не сильно вырос как профессионал»

За полтора года в банке я не сильно вырос как профессионал. На работе просто нужно было применять все то, что знал до этого. В основном занимался выгрузками. Хотелось нового опыта, и я снова стал присматриваться к вакансиям. В это время в Kolesa Group как раз искали ML-инженера. Откликнулся на вакансию, но первый созвон с HR был коротким. Мне задали всего один вопрос: «Деплоили ли вы модели в прод?» Я ответил: «Нет», и разговор на этом закончился.

Но так я понял, в каком направлении нужно двигаться. В конце 4 курса в дипломной работе сделал эндпоинт для модели, которая превращала черно-белую картинку в разноцветную. И в следующий раз, когда мы пообщались с HR из Kolesa Group, уже был готов к разным задачам и проектам. Связанных с ML вакансий не было, и меня позвали в команду Core-аналитики.

Это команда из 4 человек. Все full stack data scientists. Мы можем выявить проблему, понять ее в контексте бизнеса, разработать модели для анализа соответствующих данных и внедрить их в прод. Это большой фронт работ, который требует знаний Python, SQL, Machine Learning, А\B-тестов, продуктовой аналитики и многого другого.

В структуре компании зафиксировали продуктовую и Core-аналитику. Первая закрепляется за конкретным продуктом, там больше продуктовых задач. А мы, Core-аналитики, выступаем как технические специалисты, поддерживаем ребят с ML-моделями, с созданием сложных витрин и дашбордов. Помогаем выстроить аналитику в других отделах. Например, недавно автоматизировали для отдела HR оценку грейдов. До этого все фидбэки по каждому сотруднику собирались вручную, а сейчас HR не тратят на это время. Это пример внутренних задач компании.

Чем вообще занимаются аналитики?

Если обобщить, у аналитика одна задача: правильно отвечать на вопросы бизнеса. Мы изучаем данные и видим в них полезные инсайты, подсказки на будущее. Это позволяет вовремя скорректировать курс, поменять что-то в продукте и избежать ошибок.

Когда появляются идеи как-то улучшить пользовательский опыт, мы их проверяем. Например, есть гипотеза, что новая форма подачи объявления в Kolesa.kz увеличит конверсию. Если реализовать эту фичу и сразу применить на весь продукт, то потом будет тяжело понять, действительно ли рост конверсии связан именно с нашим релизом, а не с чем-то другим. Аналитики могут использовать контролируемые эксперименты, такие как A/B-тестирование, чтобы изолировать эффект нововведений.

В таком подходе часть пользователей получает доступ к новой функции, в то время как другая часть продолжает использовать старую версию. Анализируя данные об обеих группах, можем точно оценить, как изменение влияет на поведение пользователей и конверсию. Это позволяет принимать обоснованные решения, опираясь на данные, а не на интуицию или предположения.

Аналитика играет ключевую роль в создании ценности как для бизнеса, так и для пользователей. Возьмем, к примеру, сайт Kolesa.kz. Аналитика может выявить, какие факторы делают объявление более привлекательным для покупателей: качество фотографий, детализация описания или конкретные характеристики автомобиля. На основе этого продавцы получают рекомендации по улучшению их объявлений, шансы на быструю продажу растут. Для бизнеса это означает повышение общей эффективности платформы. Более качественные объявления привлекают больше внимания покупателей, что ведет к увеличению количества сделок. Это в свою очередь усиливает доверие к сайту как к надежному помощнику для покупки автомобилей.

Как понять, есть ли у человека склонность к этой профессии?

Мне всегда нравились задачи, где нужно подходить к решению креативно и обращать внимание на детали. Сейчас вижу по ребятам из команды, как им интересно копаться в данных, доставать инсайты. Например, если менеджер задал вопрос, аналитик не остановится на нем, а будет копать все глубже, узнавать все больше.

Тяжелее тем, кто идет в аналитику из-за денег. Равнодушному человеку сложно конкурировать с увлеченным. Те, для кого мотивация построена на интересах, а не на деньгах, карьеру делают быстрее.

Мой совет всем начинающим аналитикам — пройти хороший курс, сделать пет-проект и сразу искать стажировку или работу. В команде опытных специалистов развитие пойдет гораздо быстрее.

Я бы отдал предпочтение бесплатным курсам. Главный критерий хорошего курса — команда, которая его создает. Важно, чтобы это были люди из индустрии. Идите к тем преподавателям, у которых есть реализованные проекты за плечами.

Я проходил курс «Машинное обучение и анализ данных» от Яндекс и МФТИ. Там пять блоков, в зависимости от возможностей студента их можно осилить за несколько месяцев. Все преподаватели были практикующими специалистами. Когда мне понадобился продвинутый курс, я выбрал по всем этим критериям Hard ML.
Компания купила мне этот курс в рамках внутреннего обучения.

5 советов тем, кто задумывается о карьере аналитика

Рекомендую проанализировать свою базу. Если вам никогда не нравились цифры, в аналитике будет тяжело.

Шаг первый. Я бы выписал свои интересы, опыт и сравнил с тем, что нужно для вхождения в аналитику. Может быть, ваш набор скиллов больше подходит для другой работы. Если пересекающихся навыков мало, придется потратить слишком много времени на освоение новой профессии. В остальном не стоит бояться трудностей, ведь в ИT все быстро окупается.

Шаг второй. Пройдите небольшой бесплатный курс, посмотрите на YouTube выступления на конференциях с реальными кейсами, присмотритесь к профессии.

Шаг третий. Готовьтесь к конкурентной борьбе. Одновременно с вами на вакансии будут претендовать выпускники профильных вузов. При прочих равных выберут, скорее всего, человека с хорошей университетской базой.

Шаг четвертый. Прокачивайте soft skills. Особенно коммуникативные навыки, командность, решение проблем, обучаемость и открытость. Джунам нужно делать на них упор, ведь они пока не могут похвастаться завершенными проектами. На собеседовании мы смотрим на мышление, мотивацию кандидата. Оцениваем, насколько он готов работать. К этой части тоже нужно подготовиться: научиться рассказывать о себе.

Советы ребятам, которые хотят в сферу Data Science:

1. Создавайте активный нетворкинг. Это один из мощнейших бустов в поиске работы на любом этапе карьеры. Где заводить полезные знакомства?

• ИT-конференции, например Kolesa Conf, BeeTech Conf.
• Telegram-сообщество Жаңа ДСМЛ: онлайн и офлайн каждую субботу
• Slack-сообщество Singularis.
• LinkedIn.

2. Выбрать курс, пройти его, сделать хороший пет-проект. Подготовиться к собеседованию по hard skills и особенно soft skills. Посмотреть на YouTube, как проходят собеседования на junior-позиции. Попросить ребят сделать тестовое интервью, чтобы примерно понимать, где у вас проблемы.

3.Выписать команды и людей, с которыми вы хотели бы работать. Попытайтесь к ним попасть. Но не стремитесь сразу устроиться в компанию мечты. Потому что если не пройдете собеседование, следующий шанс может выпасть нескоро. Много классных ребят ведут телеграм-каналы, где рассказывают про свой опыт и делятся знаниями. Собрал примерный пулл аккаунтов здесь.

4.Не принимать близко к сердцу проваленные собеседования.

5.В Slack-сообществе Singularis есть канал random_coffee. Там вас рандомно соединят с человеком из DS-сферы, и вы можете обсудить все, что угодно, даже задачи. Однажды я попал на созвон с Machine Learning Engineer из Google c грейдом E7.

Советы для начинающих специалистов по Data Science от Kolesa Team.