Как найти работу аналитика данных без опыта

Этот текст написан в Сообществе, в нем сохранены авторский стиль и орфография

Работа, особенно если это новая работа, может открыть заново человека, главное чтобы у него было желание.

Меня зовут Светлана, я мама в декрете, успешный маркетолог в прошлом, закончила учебу на курсе — «Аналитик данных» и сейчас продолжаю учиться уже в магистратуре по направлению «Наука о данных». Я нашла работу аналитиком данных, будучи в декрете, после курсов, без опыта и без математического высшего образования, живя не в Москве

Площадки для поиска вакансий

По факту поиск работы после курсов мало отличается от поиска работы после вуза. Знания вроде есть, но они не проверены в боевых условиях, глаза горят, но кто на них купится — непонятно. Как истинный маркетолог любое новое действие я перевожу в простые и понятные объекты. Попробуем представить себе трудоустройство как процесс поиска идеальной компании из всего пула компаний, представленных на рынке, и получение предложения о работе.

Если посмотреть на тот же процесс глазами HR, то будет то же самое — процесс поиска идеального кандидата из всех и предложение ему работы. Везде воронки, которые с каждым этапом отсеивают нерелевантные предложения и оставляют самый сок. В маркетинге — это воронка клиентов, тут — воронка трудоустройства.

Рассмотрим воронку трудоустройства со стороны компании. Слева у нас те кто перешел на следующий этап воронки, справа — те, которым отказали. Все цифры условны. На интересные позиции эйчар обычно получает много резюме. Наша задача — создать такое резюме которое заметят, отложат, отправят тестовое и впоследствии донесут до стола руководителя. Про резюме мы поговорим еще ниже, но только успех на каждом этапе приведет вас к получению предложения о работе. Понятно, что не всегда соискатель проходит все этапы воронки трудоустройства, иногда на связь сразу выходит руководитель, если заметил в резюме специалиста, которого ищет.

Хедхантер. Это популярный агрегатор вакансий и резюме. Плюсы: большая база данных, легкое заполнение резюме, есть свой бот в вайбере, который тоже помогает в поиске. Минусов для соискателей нет, зато они есть для компаний. Размещение вакансии платное, просмотр резюме платное, не очень удобный интерфейс, из-за которого ваше сопроводительное письмо может легко затеряться.

Хабр. Это крупное русскоязычное комьюнити. В огромной базе «Хабр.Карьеры» есть актуальные вакансии по всем ведущим сферам ИТ-индустрии и всё больше работодателей перебираются на эту площадку. Плюсы площадки для соискателя — это возможность создать свое резюме, которое легко связать со своим профилем на Хабре. Можно видеть рейтинги компании до трудоустройства. Сервис позволяет узнать текущую зарплату по любой специальности ИТ-отрасли

Сталкивалась с этим на Хедхантере — название вакансии не соответствует задачам. В этом примере искали маркетолога-аналитика, а по факту это описание ближе к product manager. Не знаю, как на других ресурсах с этим. Тут поможет поиск не по названию а по ключевым словам — анализ, SQL, Python, нейросети и т.д.

Резюме и дополнительный опыт

Есть в маркетинговой среде книга «Точки контакта». Она описывает процесс контактов клиента с компанией. Цель книги — объяснить, что чем больше клиент будет в восторге от этих контактов, тем больше у вас шансов ему продать. Резюме — это то, что продает. Эдакое коммерческое предложение с описанием выгод для покупателя (HR). Это то, что продает вас на начальных этапах воронки трудоустройства, поэтому оно должно быть великолепным, чтобы купили сразу и даже не сомневались в своем выборе.

Представим, что вы уже руководитель отдела Data Science, ищите человека. И вот на столе лежит резюме, вы бы себя взяли на работу? Вот так вот, только честно. За что этот руководитель будет вам платить? За то что закончили курсы — гм, нет мимо. Или за коммуникабельность и обучаемость — нет, за это тоже не платят. Платят за пользу компании, желательно выраженную в деньгах.

Указывайте итоги работы или учебы и достижения. Старайтесь использовать формулировки «делал, сделал, реализовал, улучшил — что-то конкретное и с конкретным результатом», а не «делаю уже три года одно и то же». Если есть возможность прописать цифры / + 30% к достижениям в World of Tanks за 1 месяц:) / обязательно пишите. Если вы проходите курсы параллельно работая, подумайте как можете применить новые знания на старом месте- во первых это реальный опыт а не учебный кейсы. Во вторых — этот опыт потом можно указать в резюме. В третьих — быть может и работу менять не придется — а новая должность и новый оклад ждет вас в старых стенах.

Сопроводительное письмо

Я была со стороны HR и искала сотрудников, поэтому знаю что в интерфейсе Хедхантера возможно не заметить сопроводительное письмо, которое вы долго и старательно писали. Просто потому что интерфейс личного кабинета рекрутера такой. Но писать надо. Часто в вакансиях внизу можно увидеть: «Если вы дочитали до конца — отправьте нам сопроводительное с таким текстом». Эйчары не резиновые, а ответов может приходить очень много, большинство из которых не пройдут и первоначальных отбор. Наша задача отбор пройти — поэтому пишем.

Мне кажется сейчас не то время, когда можно относиться к работе только как к способу заработка денег. По большому счету устроиться на работу — это как начать новые отношения. Присматриваясь к описанию вакансии, отсылая сопроводительное мы посылаем друг другу слабые сигналы о том, что вот он тот единственный вариант который нужен. Веерная рассылка убивает всю возможность оставить о себе неизгладимое впечатление. А точно составленное сопроводительное письмо, которое расскажет о вас, и о том как приглянулась эта компания приведет к долгим и счастливым отношениям.

Я писала в сопроводительном о том, чем я могу помочь компании — даже если должность предполагает немного другой функционал. Такой формат сработает потому, что будет заметно что вам интересна компания, интересна вакансия, вы готовы тратить время чтобы изучить возможного работодателя. Одно из моих писем было размером А4. Потом уже, после переговоров, я узнала, что оно зацепило будущего руководителя.
Ответьте своим сопроводительным на немой вопрос рекрутера — “почему я должен пригласить именно тебя?”

Тестовые задания

Я кайфую от тестовых заданий — это такая серединка между курсами с подготовленными датасетами и реальной работой. Я использовала тестовые задания чтобы дополнительно прокачать те навыки которые на работе я не использовала или на курсах давали не развернуто. Например мы очень поверхностно прошли SQL, а он требуется в работе аналитика часто. Так же Excel, если основные знания уже есть — например ВПР, сводные таблицы и сложные, составные функции — проходить собеседование и работать в дальнейшем намного легче.
Тестовые это отличная практика в условиях приближенных к реальным. Ограниченное время, неясные формулировки и, возможно, задачи с которыми раньше не сталкивался.

Примеры тестовых заданий, в которых можно прокачать определенные навыки:

• качаем SQL;
• аналитика в Excel;
• тестовое Авито;
• кластеризация текстов;
• тестовое на английском + первый датасет + второй датасет;
• тестовые задания Яндекса.

Часто в компаниях от аналитика требуется уметь не только анализировать данные, но и представлять их в удобном виде для руководства и коллег.

В этом поможет задания на визуализацию в Bi системах на марафонах:
Для Bi системы Яндекса — Datalens

Марафон заданий для популярного Tableau

Собеседования

Вот мы прошли множество этапов и оказались лицом к лицу перед ясными очами руководства. Дальше только трудоустройство и поэтому этот этап надо пройти блестяще. Как нам показать себя и выделиться среди остальных претендентов? Ваша цель — максимально расписать выгоду для компании, которое принесет ваше сотрудничество.

Посмотрим на собеседование глазами руководителя — будь это руководитель группы аналитиков, продакт менеджер или генеральный директор. Цель найма одна — получить от нового сотрудника выгоды (прибыли) больше, чем этот сотрудник будет стоить для компании. Именно сейчас появляется шанс, которым обязательно надо воспользоваться и показать, что компания получит если возьмет именно вас на работу.

Изучите компанию вдоль и поперек — их продукты, сайты. Попробуйте купить что то или заказать звонок. Найдите прямых или косвенных конкурентов и посмотрите их преимущества и недостатки. Найдите точки, где ваша работа, как аналитика, может быть полезна уже сейчас. Именно такой взгляд и эти идеи можно и нужно рассказывать на собеседовании. Именно эти идеи могут помочь вам попасть в компанию, а компании впоследствии использовать их для развития. Зачетно, если это будет сделано в Bi системе — закроем сразу вопрос знаний и умений в визуализации и анализа данных из открытых источников.

Если у вас есть опыт в веб-аналитике, но нет в продуктовой аналитике, говорите, что готовы показать свое мастерство работы в Яндекс.Метрике или Google Аналитике. Настроим аналитику там, а значит можем сэкономить компании деньги и быстрее впишемся в коллектив.

Возьмите и оцифруйте свой предыдущий опыт работы, даже если он не релевантен. Краткая презентация о себе с цифрами, успехами, заслугами и даже поражениями. Качаем PowerPoint, и показываем навыки презентации. Снижайте опасение компании из-за возможно неправильного найма.

Разговоры о зарплате. Для меня честно говоря это самый трудный момент, оценить себя в деньгах, надеюсь что для вас вопрос будет легким. Посмотрим на зарплату глазами человека, который платит деньги — если трудоустройство прошло успешно, тогда прибыль компании будет больше затрат на сотрудника. Зарплата может быть сколько угодно большой, если она меньше той прибыли, которую генерирует сотрудник, то есть вы.

Трудности

Как только я вышла на тропу войны (тропу поиска работы) я столкнулась с трудностями. Те руководители, для которых найм аналитика в компанию проходит впервые, стали спрашивать меня, как я могу использовать свои навыки с курсов в работе. Как бы да, они понимают что анализ им нужен и аналитик теперь это модно но… Как ему понять, что анализ данных и дальнейшие действия смогут увеличить прибыль компании…
Тавтология. В этот момент становиться понятно что многим не понятно как с помощью анализа делать реальные деньги.

Мы не берем в расчет большие компании со штатом аналитиков больше сотни. Но есть множество тех, кто только начинает свой путь в Data Driven и стремиться выстроить продажи, закупки с учетом аналитики.
Поиграем! Наша задача научиться показывать выгоду от аналитики любому человеку, даже тому, кто достаточно далек от этой сферы. Вы пришли к бабушке, дедушке, маме, подруге и ваша задача — придумайте 2-3 проекта в аналитике данных, который бы заинтересовал и был полезен в их деятельности.

Например, я начну: моя мама — учитель в школе. Можно спарсить олимпиадные задания по разным регионам последних лет и выдавать списки таких заданий для подготовки ее учеников. Ученики побеждают — учитель получает премию. А если бы это была частная школа — тогда я бы предложила построить модель, которая на основании оценок в школе могла предсказать какую сферу выберет потом школьник, где он будет сильнее и успешнее. Повышаем привлекательность школы в глазах будущих учеников.

Подруга работает в производстве и распространении медицинских вебинаров. Можно предложить ей кластеризовать базу клиентов и делать рассылки за счет этого более “умными”.С акциями которые сработают для конкретного кластера.А можно за счет анализа
статей на медицинских порталах — предсказывать тренды и темы для будущих семинаров. Ее компания растет и опережает конкурентов. Кажется, что это просто игра, но на самом деле возможность находить применение своим знаниям и умениям пригодиться не только на этапе собеседования но и в работе, когда вы будете генерировать гипотезы для роста и развития компании.

Выводы

1. Сделать идеальное резюме.
2. Подписаться на каналы в Телеграме, Фейсбуке.
3. Уменьшить конкуренцию — искать вакансии по описанию, ключевым словам.
4. Решить пять тестовых заданий.
5. Принять участие в двух хакатонах.
6. Применить новые навыки на старой работе или учебе.
7. Рассказать «бабушке» об аналитике.
8. Дойти до переговоров в двух компаниях.
9. Получить оффер.

Как найти стажера — аналитика данных

Привет, Хабр!

Хочу поделиться опытом поиска стажеров — аналитиков данных. Статья может быть интересна тимлидам аналитики, а при некоторой адаптации — и для лидов других направлений. Скорее всего, какие-то подходы вы найдете спорными, давайте дискутировать. Кандидатам на стажерские позиции статья тоже может пригодиться, но все секреты не выдам

Сам я пришел к аналитике немного извилистым путем: начинал с программирования сложных технических и математических задач, продолжил, создавая хранилища и платформы для аналитики, после чего стал лидировать направление аналитики в компании реального сектора. Постепенно переходя от оптимизации абстрактных вещей к вполне конкретным миллиардам, которые дополнительно получает наша компания. Аналитика хороша тем, что это комбинация технически интересных задач и результатов прямо сейчас.

Почему стоит брать стажеров? Даже сейчас лучшие умы находят себе хорошее место задолго до окончания университета,  поэтому если хотите получить к себе в команду таких, нужно подсуетиться. Холивар на тему «брать стажеров или нет» оставлю на постскриптум. А сейчас расскажу о сложностях, с которыми столкнулись, и изложу относительно простой алгоритм, выработанный для их решения. Подход заключается в том, что оценивается не столько правильный ответ на прямой вопрос, сколько большое количество сопутствующих паттернов поведения.

В чем сложность?

Хороший аналитик обладает практически несовместимым в одном человеке набором качеств. Он должен хорошо знать математику, быть технарем, обладать продуктовым и бизнесовым мышлением… Все это надо проверить. Причем, в случае найма стажеров надо оценить не столько текущее состояние, сколько потенциал. Потенциал же определяется образовательной базой, способностью обучаться, самостоятельному поиску, независимостью мышления и коммуникабельностью.

Задача выбора осложняется тем, что входящий поток кандидатов может быть очень большой. В последний раз я просмотрел более чем 800 одинаковых резюме: студент курса N такого-то ВУЗа, без опыта работы. Это ограничивает применение традиционных приемов или методик типа STAR, поскольку они опираются на рабочий опыт, которого нет. Можно опираться на учебный опыт, но это лишь покажет, как кандидат вел себя в нерелевантных условиях.

Вкратце про STAR

Оговорюсь, что в нашей стажерской программе мы берем только студентов старших курсов: это формальное ограничение. Но именно на позицию стажера я бы других и не рассматривал, потому что на младших курсах работать некогда, а после окончания ВУЗа уже не стажерскую позицию пора искать.

Правда, тут не покрывается один кейс: иногда в ИТ успешно работают люди без высшего образования вообще, а мы их не возьмем, это минус.

Отбор состоит из нескольких этапов:

1 этап — отбор резюме

На этом этапе HR отбирают студентов из релевантных технических университетов. Если в воронке много кандидатов, то можно брать только топовые институты. Причины две:

• Там дают хорошую фундаментальную базу по математике. Если тут будет пробел, то восполнить его на работе не получится.

• Если кандидат сумел поступить в хороший институт, то это свидетельствует о его мотивации.

Но в целом в хороших институтах не дают хороших навыков аналитика. У меня порой даже обратное ощущение. В не самых лучших институтах студенты понимают бесполезность даваемых знаний, они сразу ищут работу, и получают там необходимые навыки. Но, в конце концов, скиллы я дам стажеру легко, а фундаментальное образование — нет.

Кроме хороших ВУЗов, большим плюсом считаю следующее:

• Есть какой-то личный проект, напрямую не связанный с учебой, который кандидат сделал сам. Это позволяет увидеть как мотивацию, так и достаточную фундаментальную базу.

• Есть какой-то совершенно необычный опыт, который стоит рассмотреть отдельно. Например, у нас в воронке был студент — ассистент советника бывшего президента США

• Уже есть очень релевантный опыт работы и результаты.
  Кстати, нерелевантный опыт, типа McDonalds, тоже считаю плюсом, так как показывает хорошую мотивацию.

Альтернативный подход — давать всем тестовое задание. Тогда все в равных условиях, оценка только по результатам, а не формальным признакам. Но есть минусы. Мои знакомые делятся на тех, кто никогда не делал тестовое задание, и тех, кто делал их большой сплоченной командой. Да-да, не только у вас воронка из сотен кандидатов — у хороших кандидатов воронка из десятков других возможностей, и пары часов на тестовое задание может не найтись. Или же задание сделает не ваш кандидат, а его друг. И еще — нужно потратиться на автоматизацию тестирования, поскольку глазами просмотреть все решения не будет возможности.

2 этап — видеоинтервью

При большой воронке имеет смысл проводить видеоинтервью.

Суть в том, что кандидат самостоятельно в онлайне отвечает на подготовленные вопросы, ответы потом можно посмотреть в записи. У кандидата это занимает 15 минут, а мы на удвоенной скорости вполне можем просмотреть сотню кандидатов, т.к. в большинстве случаев не требуется смотреть полностью. Есть готовые платформы для видеоинтервью, свою писать не нужно.

Кандидаты, которые показались супер-релевантными уже по резюме, в этот этап не попадают. Они не будут отвлекаться на разговор с бездушной машиной, зовите их на собеседование сразу. Таких будет немного. Из оставшихся больше половины не запишут интервью, но наиболее мотивированные запишут. В конце концов, это всего 15 минут.

Начинается интервью с вопроса “Расскажите о себе”. Главная цель — помочь кандидату расслабиться, ведь про себя все могут спокойно рассказать. Времени на ответ дается много. Еще вариант: какое ваше самое большое достижение? Вопрос тоже расслабляющий, но иногда тут выявляются какие-то личные приоритеты и ценности.

Далее идут вопросы по хард скиллам, в нашем случае — Python, SQL, BI. Мы задаем вопросы трех видов:

1. Тривиальный вопрос. Позволяет понять, знает ли кандидат это вообще. Времени давать очень мало, чтоб не успеть загуглить.

2. Открытый вопрос. «Расскажите какие конструкции в <…> вы знаете». Позволяет определить охват, не гарантируя что кандидат это действительно знает глубоко. Потом проверите.

3. Хитрый вопрос. Ответ на него не знают многие спецы. 99% кандидатов на него не ответят. И зачем его задавать?

   • Многие говорят «я не знаю, но могу предположить что ..», и далее следует неправильный ответ. Это вполне нормально, человек попытался предложить хоть какое-то решение. Но иногда кандидаты уверенно отвечают чушь, что точно означает профнепригодность для аналитика.

   • Тот же самый вопрос (!) потом задается на очном собеседовании. Если кандидат столкнулся с чем-то незнакомым и прошел мимо, то такой любознательности не хватит для нашей работы.

Отмечу, что SQL часто просто нулевой. Многим студентам его просто негде получить. Это не блокер для дальнейшего. Но Python (или R) уже в каком-то виде должен быть.

Из кандидатов я отбираю достойных, и их уже смотрит вся команда. Мы голосуем, и в итоге отбираем человек 10 для следующего этапа.

3 этап — зум собеседование

Пожалуй, это самый ответственный и длительный этап. Я на него подключаю еще и команду, ну как минимум по финалистам команда смотрит запись интервью.

Начинаю с короткого small talk, потом рассказываю в общих словах про позицию и чем мы занимаемся. Дальше вопросы кандидату:

1. Расскажите о себе. Снова и с той же целью — войти кандидату в комфортный режим.

2. Когда комфортный режим достигнут, я цепляюсь за какой-то учебный кейс и пытаюсь оценить глубину погружения. Бывают зубрилы, от которых отскакивает вся теоретическая часть и нет абсолютно никакого понимания о чем все это. Например, ошибки разного рода в медицинской диагностике, когда в случае False Negative человек умер, а при False Positive принимал лишний раз безобидное лекарство. Тут рассуждения о площади под ROC кривой не помогают, но обычно именно про это и рассказывают. Хорошо, если кандидат рассуждает про последствия ошибок, которые могут и не быть безобидными в конкретных кейсах.

3. Задача на логику. Она показывает сообразительность и понимание асимптотических штук. Считаю важным, чтобы аналитик понимал, «а что будет в пределе?».
   На задаче очень многие тупят! Это ни о чем не говорит, нужно давать подсказки и направлять решение. В процессе этого можно понять, насколько легко с кандидатом «думать вместе». А я обычно думаю вместе с командой. Если «думать вместе» не получается и подсказки не находят понимания, это довольно плохо, сработаться будет тяжело. Если же находят — задача будет рано или поздно решена.

4. Задача на Python, которую следует решить онлайн с шарингом экрана. Мы предпочитаем не использовать специальных сервисов онлайн собеседований, а просим кандидата продемонстрировать свой экран. Что мы тут смотрим:

   • Конечно, как человек пользуется поиском! Как он ищет по документации, на каком языке (английский лучше!), быстро ли понимает, то он нашел, или не то. Можно оценить бэкграунд кандидата по поисковым подсказкам, или когда по части ссылок ранее проходили.

   • Вообще, далеко не все понимают, что можно пользоваться поиском. Но зачем даже профессионалу держать в голове функции для работы с датами для всех 5 языков, которые он активно использует? Прямой вопрос «а можно ли искать» показывает хорошие коммуникативные навыки кандидата.
     Один кандидат, удостоверившись что можно пользоваться поиском, начала гуглить не функции с датами, а готовое решение именно этой задачи. Ценю! Но для нашей задачи не помогло.

   • Знаком ли вообще с горячими клавишами или хотя бы с интерфейсом Jupyter, Pycharm или чего-то еще. Именно по владению IDE понятен реальный бэкграунд кандидата.
     Вообще, если Python стоит на компьютере кандидата, это уже плюс, скорее всего он когда-то что-то на нем делал. Если не стоит какая-то библиотека, можно посмотреть, сможет ли кандидат её поставить. Вопрос от кандидата «что такое pip?» — это блокер.

   • Если доходит дело до получения ответа, то проверит ли кандидат свой ответ на common sense. При самой частой технической ошибке в итоге получается, что все рейсы авиакомпании задерживаются. А данных за 5 лет. Реально ли, чтобы такая авиакомпания проработала 5 лет?

   • Бывает, что человек говорит «я вот на Python не особо, вот бы на R порешать». В таком случае я говорю — ок, решайте как привыкли. Забавно, что получал ответ «Ой, а на R я уже два года ничего не писал». Короче, Python можно заменить SQL или R, задача должна это позволять.

5. Простые и провокационные вопросы по статистике. Один из таких: «Билл Гейтс заходит в случайный бар, где 10 посетителей. В результате этого посетители бара становятся в среднем миллиардерами. Так ли это?»
   Если кандидат может порассуждать о выбросах, отличиях медианы и среднего — это хорошо. Можно поспрашивать, когда выбросы нужно игнорировать, а когда нельзя.

Завершается интервью тем, что я рекламирую нашу команду, и рассказываю почему в целом стоит идти именно в эту компанию. Вы должны уметь очень хорошо это продавать, надо тренироваться! Я оставляю это под конец, поскольку при отрицательном исходе этот этап можно пропустить.

Финальное решение

Решение обсуждается всей командой. Это позволяет нивелировать личные симпатии или антипатии к кандидату. Берем только единогласно.

Заключение

Такой подход позволяет оценить множество софт-скиллов параллельно с оценкой хард скиллов. В большинстве вопросов трудно показаться лучше, чем ты есть на самом деле, или наоборот — зафакапиться из-за волнения.

Полагаю, часть приемов можно использовать и при собеседовании опытных аналитиков, но с осторожностью. В этом случае есть хорошие методики типа STAR, которые позволяют относительно достоверно все выяснить.

Итого. Набирайте стажеров, используя подходы,которые обкатали мы. Результат вас может приятно удивить.

P.S. Брать или не брать, that is the question

Стажерские программы имеют массу минусов, вот на мой взгляд главные:

• Обучение стажеров требует времени. Если ваш продукт должен будет выйти вчера, то не берите стажеров.

• Стажеров кто-то должен учить. Если у вас в аналитике никто сам не шарит, опять же — не берите.

• Стажеров нужно уметь продвигать. Если в вашей компании на уровне регламентов зарплаты можно повышать только на 5 процентов в год, то через год ваш стажер будет получать 2x, но в x5 Зарплатами дело не ограничивается, должны быть еще соответствующие задачи. Это прям критически важно, самых умных надо продвигать быстро. А не самые умные пусть уходят, вам же лучше.

Но все-таки, почему стоит запускать стажерские программы?

• Как я писал вначале, это способ получить в команду лучшие умы. Если у вас нет IT-бренда, то других способов немного.

• Проблемы с софт скиллами сотрудника проще всего решить на ранних стадиях карьеры. Напротив, проблемы с тех. скиллами понятно как решать и их проще оценить на собесе.

• Наконец, киллер-аргумент Мне просто нравится! Развивая других, я развиваюсь и сам.

Изучала эту тематику, когда набирали стажеров в аналитику на одном из мест работы. И делюсь некоторыми возможностями с вами.

От автора Telegram-канала Аналитика и Growth mind-set (делюсь кейсами с работы, бесплатным обучением, задачами с собеседований).

1 способ

Самый популярный способ и всем известный — это hh, по идее там должны находиться все стажировочные вакансии, но по факту бывает не так и многие хорошие вакансии проходят мимо.

Future today — на нем размещены стажировки и лидерские программы от крупных компаний, а также IT-программы для студентов и молодых специалистов (как от известных Авито, МТС, Яндекс, так и от менее известных).

На сайте Сhangellenge (правда не так много, но все же).

Есть еще сайты Grintern и Профстажировки.рф, ранее оттуда мы получали хороший отклик, но похоже сейчас они уже умерли.

2 способ

Еще один способ — следить за сайтами компаний, которые нравятся. У многих крупных (да и не только) компаний есть специальные разделы со стажировками, в которых переодически открываются/закрываются наборы.

Например, сейчас открыта вакансия Стажер-аналитик в Яндекс и частенько Яндекс на своем сайте размещает стажировки.

3 способ

Также есть бесплатные программы обучения на аналитика с возможностью дальнейшего трудоустройства.

Программы все разные, подробности на сайте, но везде правда есть отбор.

Школа анализа данных Яндекса, подойдет вам если больший уклон хотите сделать на data science (набор начнется в апреле).

Школа 21 от Сбера. Есть несколько направлений, в том числе Машинное обучение и анализ данных (Python), Базы данных, Алгоритмы и структуры данных (ближайшие наборы Новосибирск 6 февраля, Сургут — 27 февраля, Москва — лето).

Школы, наборы в которых закрылись, но нужно мониторить новые:

А также на канале делюсь личными кейсами, а также историей поиска работы зарубежом!

Специалисты по анализу данных собирают и анализируют данные в различных отраслях, включая технологии, здравоохранение и бизнес. Те, кто интересуется аналитической работой и программированием и имеет страсть к решению сложных проблем в различных областях с помощью компьютеров, математики и алгоритмов, могут рассмотреть карьеру в области науки о данных. Даже если у вас нет опыта работы в области науки о данных, вы все равно сможете найти работу, выполнив несколько шагов.

В этой статье мы дадим определение науки о данных, рассмотрим, чем занимаются профессиональные специалисты по работе с данными, узнаем, как получить работу в этой области без опыта, найдем названия должностей начального уровня для этой роли и рассмотрим квалификацию, которая может помочь вам выделиться среди других кандидатов.

Что такое наука о данных?

Наука о данных — это сбор и изучение наборов данных с использованием научных методов или процессов, помогающих делать выводы и находить тенденции. Наука о данных обычно требует аналитических навыков и навыков кодирования, логического опыта, опыта работы с несколькими языками программирования и творческого подхода. Занимается поиском, хранением и использованием качественных или количественных данных для различных целей. Эта дисциплина может быть идеальной для людей, талантливых в программировании, статистике, аналитике и программировании.

Чем занимаются специалисты по анализу данных?

Профессиональные специалисты по анализу данных собирают данные, анализируют их и пытаются выявить в них тенденции или закономерности. Они часто работают на предприятия и пытаются помочь в создании действенных планов или решений сложных проблем. Специалисты по изучению данных пытаются определить наиболее важную информацию в собранных ими данных, организовать их и создать алгоритмы для управления ими. В обязанности специалиста по анализу данных обычно входит:

• Сбор данных

• Сотрудничество с коллегами для выполнения проектов

• Анализ данных

• Создание моделей и алгоритмов

• Представление данных коллегам и членам руководства компании

• Выявление закономерностей и тенденций в информации

Как получить работу в области науки о данных без опыта работы

Чтобы получить работу специалиста по анализу данных без опыта, выполните следующие действия:

1. Заработать на образование

Вы можете рассмотреть возможность получения сначала степени, например, младшего специалиста или бакалавра, в области науки о данных или смежной области. Люди, получающие образование в области науки о данных, обычно посещают курсы по программированию, статистике, информатике, машинному обучению и т.д. Вы также можете получить степень магистра в области науки о данных или смежной области, чтобы повысить свои шансы на трудоустройство. К числу распространенных специальностей в колледже для потенциальных специалистов в области науки о данных относятся:

• Наука о данных

• Компьютерное программирование

• Статистика

• Физика

• Прикладная математика

• Инженерное дело

• Вычислительная лингвистика

2. Получение сертификатов

Вам может быть полезно получить сертификаты по науке о данных и смежным дисциплинам. Они могут расширить ваши знания в данной области, позволить вам развить новые навыки и сделать вас более привлекательным кандидатом на работу. Вы можете рассмотреть возможность получения общих сертификатов для специалистов по работе с данными, например, в области инженерии данных, анализа данных, науки о данных, искусственного интеллекта или хранения данных.

3. Участие в стажировке

Вы можете рассмотреть возможность прохождения стажировки в области науки о данных, чтобы расширить набор профессиональных навыков и узнать о сфере науки о данных. Многие стажировки в области науки о данных позволяют стажерам выполнять обязанности, которые профессионалы выполняют в своей повседневной работе, что показывает будущим работодателям, что вы знаете эту роль и уже проводили время на рабочем месте в области науки о данных. Участие в стажировке может расширить ваши возможности трудоустройства, так как показывает, что у вас есть общий опыт работы в области науки о данных.

4. Сеть

Общение с профессионалами в этой области может помочь вам в поиске работы в области data science. Общение с профессионалами может помочь вам узнать больше об отрасли, наладить отношения с профессиональными специалистами в области науки о данных может помочь вам узнать о возможностях трудоустройства. Рассмотрите возможность вступления в профессиональные организации или клубы специалистов по науке о данных и посещайте семинары и конференции.

5. Создание оригинального проекта

Чтобы продемонстрировать свои навыки в области науки о данных и наглядно показать свои практические знания в этой области, рассмотрите возможность проведения оригинального проекта, основанного на науке о данных и других смежных дисциплинах. Подобные проекты могут включать создание моделей данных или алгоритмов. При подаче заявления на работу в данной области вы можете включить в свои образцы работ или портфолио следующие проекты.

Должности начального уровня в области науки о данных

Названия должностей начального уровня для специалистов по анализу данных могут варьироваться в зависимости от компании, в которую вы устраиваетесь на работу. Конкретные обязанности могут варьироваться в зависимости от должности, но общие задачи специалиста по анализу данных, как правило, остаются неизменными. Эти должности могут включать в себя звания специалистов по анализу данных:

• Аналитик данных

• Специалист по анализу данных начального уровня

• Младший специалист по науке о данных

• Инженер по обработке данных начального уровня

• Младший инженер по данным

• Аналитик данных начального уровня

Квалификация, которая поможет вам выделиться среди других кандидатов на работу

Существуют определенные квалификации, которые могут помочь менеджерам по найму найти вас более привлекательным, чем других кандидатов, если вы претендуете на роль специалиста по анализу данных без опыта работы. Рассмотрите возможность получения этих квалификаций, чтобы повысить свои шансы на трудоустройство:

• Навыки: Специалисты в области науки о данных используют целый ряд навыков в своей повседневной работе, и наличие некоторых из них может помочь вам претендовать на работу в этой области. Некоторые технические навыки, необходимые для работы в области науки о данных, могут включать визуализацию данных, машинное обучение или облачные вычисления. Некоторые мягкие навыки, которые могут быть полезны в этой области, включают коммуникацию, работу в команде и организацию.

• Сильные рекомендации: Наличие рекомендаций может помочь вам выделиться среди других кандидатов на работу, показывая, что другие ценят вашу работу и доверяют вам в том, что вы будете продолжать добиваться высоких результатов. Вы можете попытаться получить рекомендацию от профессора, коллеги по профессии или консультанта по стажировке.

• Знание компании: Прежде чем подавать заявление на должность специалиста по анализу данных, вы можете провести исследование компании, в которую подаете заявление, ее миссии, целей и истории, а также должности, на которую вы претендуете. Знание этой информации может показать менеджеру по найму, что вы информированы о компании и требованиях к работе, а также продемонстрировать, что вы действительно заинтересованы в перспективе работы на этой должности и готовы к ней.

• Оригинальные исследования: Специалисты по изучению данных проводят много оригинальных исследований, чтобы научиться создавать новые методы сбора и анализа данных. Если вы проводили какие-либо оригинальные исследования, будь то работа в смежных областях или личные проекты, и можете представить их, это может помочь вам выделиться среди других кандидатов на работу.

Как стать аналитиком данных с нуля и найти работу в этой сфере?

Все больше компаний начинают искать специалистов по анализу данных. Появляется много вакансий в этой сфере, в том числе удаленных. Например, в Яндексе. Это перспективное направление, которое хорошо оплачивается. В статье вы узнаете, как стать аналитиком данных с нуля. Пройти весь путь от обучения, в том числе самостоятельно, до трудоустройства.

В статье есть ссылки на бесплатные уроки и платные курсы, сайты с вакансиями и другие полезные ресурсы. Поэтому рекомендуем прочитать ее до конца.

Содержание статьи:

• Кому подойдет профессия?
• Какую специализацию выбрать?
• Где учиться? Обзор курсов с дипломом
• Как освоить профессию самостоятельно?
• Что нужно знать и уметь?
• Сколько можно заработать?
• Как устроиться на работу без опыта?

• Где искать вакансии начинающим?

Кому подойдет профессия?

Людям, которым нравится работа с данными: цифрами, статистикой. Хочется заниматься интерпретация данных: собрать их и сделать важные для бизнеса выводы, подготовить рекомендации.

В этой сфере нужны следующие качества:

• Хорошо развитое логическое мышление.
• Умение видеть задачу целиком, не зацикливаясь на деталях.
• Готовность к монотонной работе.
• Внимательность.
• Желание учиться и узнавать новое.

• Умение работать в команде.

В эту область приходят люди с разным образованием и опытом. Часто это вторая карьера: человек состоялся в одной специальности и хочет освоить новое направление. Либо перейти в смежную сферу.

Стать аналитиком с нуля можно самостоятельно или пойти учиться на курсах. Профильное (математическое) образование не обязательно, но совсем без подготовки не обойтись. Про то, на кого надо обучаться, расскажем ниже.

Чем занимаются аналитики? Выбор специализации

В таблице ниже собрана информация о разных направлениях в специальности. Основная задача одна – анализ и систематизация данных. Однако задачи могут отличаться.

Бизнесмены и топ-менеджеры все чаще стремятся принимать решения на основе цифр. Эксперт помогает собрать статистику и систематизировать ее, сделать выводы. Извлечь из цифр практическую пользу. Специалисты востребованы в разных сферах: IT, маркетинге, продажах, банковской отрасли, экономике.

Где учиться профессии? Обзор курсов

В таблице собраны популярные программы в онлайн-университетах. Они позволяют освоить профессию с нуля на уровне, достаточном для трудоустройства. Вы получаете системную подготовку, включая практику, и документы, подтверждающие уровень знаний.

Если вас интересуют уроки для самостоятельного обучения, пролистайте таблицу вниз – они будут под ней.

Как освоить профессию самостоятельно? Бесплатные уроки

Вам потребуется изучить:

• Excel – для анализа и обработки числовой информации. В Клубе фрилансеров Вконтакте собрано много бесплатных видео по работе с этой программой. Пользуйтесь поиском по видео, чтобы найти нужные лекции. Excel (либо Google Таблицы) – база, с которой стоить начать, чтобы стать дата аналитиком с нуля.
• SQL – для работы с базами данных. Документация по Microsoft SQL есть в открытом доступе на официальном сайте. Бесплатные курсы по работе с SQL выложены на YouTube.
• Язык программирования Python. Он популярный и несложный. Изучить его можно по бесплатным самоучителям.

• Основы статистики. Есть в открытом доступе, например, здесь: лекции и семинары по курсу Математическая статистика от МФТИ.

Плюсом будет умение пользоваться следующими программами:

• Power BI и Tableau – для представления цифр в виде графиков и таблиц. Уроки для знакомства Power BI выложены на сайте Microsoft.

• MS Power Point – чтобы готовить презентации для клиентов. Обучающие материалы по Power Point есть в Клубе фрилансеров.

Полный перечень необходимых для работы навыков зависит от специализации. Например, чтобы стать бизнес-аналитиком, нужно хорошо разбираться в экономике, финансах.

Для самостоятельного обучения будут полезны следующие ресурсы:

• @internetanalytics – канал Алексея Никушина, основателя конференции МатеМаркетинг.
• @yandexmetrika – официальный чат пользователей сервиса Яндекс.Метрика.
• @appmetrica_chat – официальный чат пользователей AppMetrica, сервиса Яндекса.
• @excel_everyday – канал о работе в Excel.
• @google_spreadsheets_chat – чат по Google Таблицам и скриптам.
• @itanalyst_ru_chat – чат по 1С.
• Stepik.org/course/63054/info — тренажер по SQL.

• Analyst.by/library — библиотека сообщества бизнес- и системного анализа.

Читайте книги, например:

• Для бизнес-анализа. «Руководство к Своду знаний по бизнес-анализу BABOK (аббревиатура от A Guide to the Business Analysis Body of Knowledge)». Это полноценный учебник. Книга дорогая, но ее рекомендуют представители отрасли и преподаватели вузов. Это всемирно признанный стандарт бизнес-анализа. Она поможет продвинуться тем, кто хочет самостоятельно стать бизнес-аналитиком с нуля.
• Для работы с big data (большим массивом данных – востребовано в таких компаниях, как Яндекс). «BIG DATA. Вся технология в одной книге» (Вайгенд Андреас).

• Для работы в IT. «Путь aналитика. Практическое руководство IT-специалиста» (Иванова Вера, Перерва Андрей).

Что еще надо знать и уметь?

Математику, программирование и понимание бизнес-процессов. Чтобы стать аналитиком данных, нужно разбираться в этих сферах. В некоторых специализациях дополнительно понадобятся профильные знания.

• Математика. Нужно иметь знания в областях статистики, математического анализа и линейной алгебры и уметь их применять.
• Программирование. Нужно уметь программировать на Python и использовать SQL.
• Понимание бизнес-процессов, знание основных метрики.

• Редакторы таблиц. В профессии необходимо умение сортировать информацию, составлять диаграммы и графики. Если вы хотите самостоятельно стать аналитиком данных с нуля, начать стоит с изучения Excel и Google Таблиц.

Также могут потребоваться дополнительные знания и навыки. Например, для работы в иностранной компании может понадобиться иностранный язык, обычно – английский. По этой ссылке вы найдете много бесплатных самоучителей, словарей и другой полезной информации.

Сколько можно зарабатывать?

Разброс зарплат в сфере Data Analyst большой. Самые высокие доходы – в Москве и Санкт-Петербурге. Ниже перечислены средние зарплаты в разных городах:

• Москва — от 90 000 руб.
• Санкт-Петербург — от 80 000 до 100 000 руб.
• Казань — от 80 000 руб.
• Владивосток — от 75 000 руб.

• Самара — от 60 000 руб.

В среднем самые высокие доходы – в направлении финансового анализа. Зарплаты зависят от стажа и обязанностей:

• Стажеры и младшие специалисты — от 80 000 руб.
• Сотрудники среднего уровня — от 100 000 руб.

• Senior-специалисты и руководители отделов — от 170 000 руб.

В качестве дополнительного стимула работодатели могут предлагать программы добровольного медицинского страхования, посещение фитнес клуба и курсы иностранных языков.

Как устроиться на работу без опыта?

Чтобы получить предложение от работодателя, стоит тщательно прорабатывать каждый отклик на вакансию:

• Составить привлекательное резюме. Разборы резюме есть в телеграм-канале @products_jobs, там можно найти много полезных советов по его составлению. Также почитайте, как составить резюме, чтобы выделиться, как написать сопроводительное письмо. Опишите в резюме те навыки и задачи, которые близки к новой работе, и уберите непрофильные. Это поможет устроиться на работу аналитиком даже без опыта.
• Подписаться на каналы с вакансиями в социальных сетях, на лидеров отрасли. Оставлять содержательные комментарии под постами.
• Зарегистрироваться на профессиональных форумах и периодически читать, а также комментировать статьи и сообщения.
• Рассмотреть стажировку. Ее предлагают в том числе такие компании, как JetBrains, Авито, Яндекс.
• Добавить в резюме не только описание образования и опыта, но и личные качества, такие как аналитический склад ума, бизнес-мышление, внимание к деталям.

• Готовиться к каждому собеседованию: изучать информацию о работодателе, узнавать, кто будет проводить интервью.

Где искать работу новичкам?

Сайты, где можно найти вакансию аналитика данных, в том числе без опыта работы:

• HH.ru – популярный сайт для поиска работы. Здесь можно найти не только вакансии, но и варианты стажировки.
• Kwork — здесь можно разместить информацию о своих услугах и получать заказы.
• Career.habr.com – раздел с вакансиями на сайте для IT-специалистов.
• @kadrof_work – здесь размещаются предложения удаленной работы и заказы для фрилансеров.
• @analysts_hunter – профильные вакансии в Телеграм.
• @datasciencejobs – предложения о работе в области искусственного интеллекта, сбора, обработки и дата-анализа.
• @foranalysts – предложения для Digital analysts и Data scientists.
• @products_jobs – вакансии и разбор резюме.

• @hireproproduct – продуктовые вакансии.