Мы строим data-driven подход с фокусом на аналитику, Data Science и Machine Learning. Кстати, по мнению Harward Business Review, Data Science считается самой привлекательной профессией 21 века.

Она находится на стыке бизнеса, математики и программирования, и требует от своих последователей глубоких знаний и аналитического склада ума. Как стать Data Scientist? Начните с подборки от нашей команды.
Немного о Data Science
Основные специализации в Data Science
Data Science — это зонтичный бренд, объединяющий множество специальностей, каждая из которых имеет свои особенности, требования к специалистам и направлена на определенную область бизнеса
  • ML-инженеры
    Создают модели машинного обучения как продукт или часть продукта. Например, строят рекомендательные системы или сервисы по автоматизированной проверке объявлений
  • Data Scientist
    Также используют модели машинного обучения в своей работе, но с целью анализа или улучшения конкретных бизнес-показателей. Могут заниматься ценообразованием, кластеризацией пользователей, формированием пакетов платных услуг
  • Product-аналитики
    Постоянно наблюдают за показателями продукта, ищут слабые места, находят точки роста, проверяют гипотезы через A/B-тесты. Продуктовый аналитик всегда стремится к улучшению продукта
  • Python developer
    "Python" необязательно работает в плотной связке с аналитиками и ML-инженерами. Его роль заключается в доставке ML-моделей до продакшна и обеспечение работоспособности микросервисов
  • DWH-инженер
    Обеспечивает работоспособность всей инфраструктуры данных в компании: доступность и надежность данных, ETL-процессы, оптимизация запросов, агрегация данных, стандартизация процедур
  • CDO (Chief Data Officer)
    Организует работу отдела, транслирует цели бизнеса и продуктов команде, приоритезирует задачи, отвечает за стратегию работы с данными и за эффективность работы отдела
Карта влияния для каждой из специализаций
Чем занимается в компании?
Чем занимается Data Scientist?
Data Scientist — специалист в области работы с данными, ориентированный на бизнес-задачи, на поиск точек роста продуктов и бизнеса.

Направления деятельности:

  • Исследования и анализ текущих показателей
  • Монетизация продуктов
  • Анализ KPI и поиски путей достижения
  • Построение прогнозов и предиктивная аналитика
  • Оптимизация бизнес-процессов компании
  • Создание автоматизированных дэшбордов
  • Кластеризация пользователей
Чем занимается Product - аналитик?
Product-аналитик — специалист, работающий на стыке данных и продукта.

Направления деятельности:

  • Поиск точек роста и слабых мест продукта
  • Анализ изменения показателей после релизов
  • Анализ поведения пользователей на сайте и в приложениях
  • Тестирование гипотез и проведение AB-тестов
  • Построение сценариев поведения CJM
  • Построение воронок и графов для анализа UX/UI продукта
  • Работа над оптимальным привлечением пользователей и их удержанием
Чем занимается ML-инженеры?
ML-инженер — специалист, который создает продукты на основе ML-алгоритмов.

Направления деятельности:

  • Создание рекомендательных систем
  • Классификация изображений
  • Поиск фрода
  • Автоматизация рутинной работы
  • Распознавание текста с изображений
  • Поиск объектов на фото
  • Преобразование голоса в текст
Требования для Junior - специалистов
Требования к Data Scientist и к Product-аналитику, Junior 1
  • Базовые методы работы с данными (SQL, EXCEL, Google таблицы):
- простые запросы SELECT + WHERE
- работа со сводными таблицами в Excel + диаграммы
- ВПР (VLOOKUP)

  • Понимание базовых метрик анализа (средняя, медиана, квантили, меры разброса, понимание, как анализировать количественные, а как качественные показатели)
  • Навыки построения простых визуализаций из «чистых» данных
  • Базовые знания в области математической статистики и теории вероятности
  • Умение формулировать и задавать вопросы
  • Умение «читать» графики и видеть тенденции и тренды
  • Умение уточнять задачу
  • Способность сравнивать показатели и делать базовые выводы
Требования к ML-инженеру, Junior 1
  • Знание синтаксиса Python
  • Знание библиотек (pandas, numpy, sklearn)
  • Понимание оценивающих метрик (Accuracy, ROC AUC, F1 score)
  • Визуализация и анализ данных
  • Умение исследовать проблему
  • Умение формулировать и задавать вопросы
  • Понимание принципов работы алгоритмов классификации, регрессии, кластеризации
Где учиться?
Полезные Telegram - каналы
WebAnalytics
KZ BI community
BigQuery Insights
Product Analytics
Analysis Paradisis
This is Data
Все об АВ тестах
karpov.courses
Пристанище Дата Сайентиста
ML for Value
Варим МЛ
Reliable ML
Интернет-аналитика
Юху! Мы запустили новый корпоративный сайт

Скоро там будут разделы Kolesa Academy и анонсы наших образовательных мероприятий. Нажми на кнопку и сохрани ссылку на новый сайт