#интервью #полезныйконтент
#данные #аналитика
Сегодня у нас в гостях Анна Денисова, продуктовый аналитик Prequel и ведущая канала про работу с данными Banana Analyst.
1. Все ли компании/организации должны задумываться о данных и их анализе? Если да, то на каком этапе развития? На какие вопросы могут ответить данные и почему они так важны?
- Начнем с того, что данные могут быть качественные и количественные.
Качественные - это отзывы пользователей, результаты интервью и т.д.
Количественные - это данные о покупках в продукте, количество пользователей, количество определенных действий в продукте.
И те и другие генерируются с самого старта, собирать и анализировать их нужно всегда. Но тут важна глубина анализа, которая зависит от ресурсов (аналитика достаточно дорогостоящая услуга, не всегда окупающаяся), размеров данных, их состояния.
Учитывая специфику моей работы, я могу говорить про количественные данные и диджитал каналы. Для такой сферы начинать нужно как только появляются первые пользователи - их действия, атрибуты, пути использования продукта дадут вам знание о вашей аудитории, больных моментах для пользователя и т.д.
Без данных у вас не будет ориентиров куда и как развиваться, метрик, рост которых значит развитие в нужном направлении.
2. С чего начать работу с данными и как выстроить процесс сбора, хранения и анализа данных, чтобы он не требовал больших затрат?
- Начинать всегда нужно с ответа на вопрос зачем мы это делаем. Затем ответить на вопрос о том, как развивается компания, продукт , на какой стадии сейчас находитесь и как планируете развиваться.
Сейчас для старта существует множество систем аналитики, которые автоматически соберут базовые действия пользователя и преобразуют их в читаемые графики, но хватит ли этого решения через год, пять?
Решение должно быть масштабируемым с учетом планируемого роста.
Если у вас сейчас 1000 пользователей и масштабирование не планируется, то можно спокойно выбирать самый простой вариант и не использовать ресурс аналитика.
Если вы планируете вырасти до 1 млн пользователей, то стоит выбрать простой вариант, но с масштабированием. Например, выбрать систему аналитики с доступом к сырым данным, которые будут использованы для сложных вычислений и расчета метрик в будущем.
3. Можно ли обойтись без специального человека при анализе данных? Какой бюджет требуется для содержания такого сотрудника в команде?
- Аналитик данных - это не человек, а роль, которая может быть закрыта многими другими ролями. Например, в обязанности продуктового менеджера часто ставят работу с аналитикой и не нанимают дополнительно аналитика.
Аналитик данных нужен тогда, когда у вас есть нестандартные метрики для расчета, запрос на a/b тесты и их анализ (осознанный, а не "тесты ради тестов"), готовность использовать данные для развития компании.
Про бюджет сложно говорить - рынок аналитиков местами перегрет, хороших аналитиков не много, а вакансий много. В условиях удаленной работы вам как работодателю придется конкурировать с высокими зарплатами в больших IT компаниях.
Однако есть большое количество хороших практических курсов, выпускников которых можно брать на начальные позиции, для таких специалистов важен опыт в профессии - поэтому зарплаты ниже. Но брать такого специалиста без ментора - рискованно.
#данные #аналитика
Сегодня у нас в гостях Анна Денисова, продуктовый аналитик Prequel и ведущая канала про работу с данными Banana Analyst.
1. Все ли компании/организации должны задумываться о данных и их анализе? Если да, то на каком этапе развития? На какие вопросы могут ответить данные и почему они так важны?
- Начнем с того, что данные могут быть качественные и количественные.
Качественные - это отзывы пользователей, результаты интервью и т.д.
Количественные - это данные о покупках в продукте, количество пользователей, количество определенных действий в продукте.
И те и другие генерируются с самого старта, собирать и анализировать их нужно всегда. Но тут важна глубина анализа, которая зависит от ресурсов (аналитика достаточно дорогостоящая услуга, не всегда окупающаяся), размеров данных, их состояния.
Учитывая специфику моей работы, я могу говорить про количественные данные и диджитал каналы. Для такой сферы начинать нужно как только появляются первые пользователи - их действия, атрибуты, пути использования продукта дадут вам знание о вашей аудитории, больных моментах для пользователя и т.д.
Без данных у вас не будет ориентиров куда и как развиваться, метрик, рост которых значит развитие в нужном направлении.
2. С чего начать работу с данными и как выстроить процесс сбора, хранения и анализа данных, чтобы он не требовал больших затрат?
- Начинать всегда нужно с ответа на вопрос зачем мы это делаем. Затем ответить на вопрос о том, как развивается компания, продукт , на какой стадии сейчас находитесь и как планируете развиваться.
Сейчас для старта существует множество систем аналитики, которые автоматически соберут базовые действия пользователя и преобразуют их в читаемые графики, но хватит ли этого решения через год, пять?
Решение должно быть масштабируемым с учетом планируемого роста.
Если у вас сейчас 1000 пользователей и масштабирование не планируется, то можно спокойно выбирать самый простой вариант и не использовать ресурс аналитика.
Если вы планируете вырасти до 1 млн пользователей, то стоит выбрать простой вариант, но с масштабированием. Например, выбрать систему аналитики с доступом к сырым данным, которые будут использованы для сложных вычислений и расчета метрик в будущем.
3. Можно ли обойтись без специального человека при анализе данных? Какой бюджет требуется для содержания такого сотрудника в команде?
- Аналитик данных - это не человек, а роль, которая может быть закрыта многими другими ролями. Например, в обязанности продуктового менеджера часто ставят работу с аналитикой и не нанимают дополнительно аналитика.
Аналитик данных нужен тогда, когда у вас есть нестандартные метрики для расчета, запрос на a/b тесты и их анализ (осознанный, а не "тесты ради тестов"), готовность использовать данные для развития компании.
Про бюджет сложно говорить - рынок аналитиков местами перегрет, хороших аналитиков не много, а вакансий много. В условиях удаленной работы вам как работодателю придется конкурировать с высокими зарплатами в больших IT компаниях.
Однако есть большое количество хороших практических курсов, выпускников которых можно брать на начальные позиции, для таких специалистов важен опыт в профессии - поэтому зарплаты ниже. Но брать такого специалиста без ментора - рискованно.