Как аналитику или дата сайнтисту оценить свою работу с точки зрения пользы для бизнеса

Одна из самых сложных вещей для кандидатов – это сформулировать свои результаты и достижения, вместо обязанностей.

Спойлер: обязанностям не место в вашем резюме, там должны быть только результаты и/или достижения. Есть простая формула, на которую вы может опереться при формулировании: XYZ: сделал Х, используя Y, получил результат Z. Для вдохновения почитайте статью бывшего вице-президента Google, который рекомендует этот формат описания достижений.

На курсе про поиск работы в современных реалиях Hello New Job! мы говорим и про то, как же формулировать свои результаты, и делаем живую практику. Ещё мы даём примеры по разным профессиям, даём домашние задания и внеурочную дополнительную практику.

Это и правда непростая задача, если нет навыка. А у нас, у русскоязычных людей, часто нет этого такого навыка: всегда думать о своей работе в формате результатов и достижений.

Поэтому мы решили сделать серию постов от наших менторов о том, как формулировать результаты своей работы для разных профессий. На что опираться, на что обращать внимание. Про менторов на нашем курсе мы ещё сделаем отдельную статью.

У нас будут статьи для :

• Data scientist и Product analyst
• Product manager
  
• Marketing manager
  
• Developer
  
• DevOps
  
• QA

Про какие профессии нужны статьи? Напишите в комментариях, мы постараемся всё учесть. А теперь к теме статьи:

И как лучше сформулировать это в резюме.

Самое сложное для многих кандидатов — понять, как именно они приносят пользу бизнесу.

Так обычно формулируют кандидаты свои сомнения.

Недавно у нас прошёл разбор резюме data scientist с Ришатом Исхаковым (VP Analytics Osome, экс Delivery Hero). Во время эфира мы получили много вопросов от аналитиков про то, как понять, чем их работа полезна бизнесу.

Мы попросили Ришата написать про это.

• Обычно он делает исследования, дизайнит и считает A/B тесты, придумывает новые метрики, делает с ними дашборды.
• Самый простой критерий, который поможет понять, что его работа полезная — посмотреть на использование результатов работы. Если это дашборд, то как часто (и кто!) его смотрит. Если это исследование данных, то используются ли найденные в нём инсайты для улучшения продукта, создания новых фич.
  
• Критерий посложнее: считать совокупный результат работы команды, в которой находится продуктовый аналитик. На сколько увеличили такую-то метрику и за счёт чего. И дальше аттрибуцировать часть этого результата на себя, отвечая на вопрос: а можно ли было бы достичь этого без моего участия?
  
• Отдельно хочу выделить внутренние аналитические продукты, в которых создатель может померить метрики этого продукта. Например, «Сделал калькулятор для А/B тестов на питоне. Им теперь пользуется вся команда из Х аналитиков»
  

• Research data-scientist (исследователь) должен получать на выходе идеи для технологий, которые нужно внедрять в бизнес. Идеальный результат работы — это и идеи, которые повлияли на результат бизнеса и/или публикации в специализированном журнале.
• Data scientist в качестве результата своей работы может рассказать про модели/фичи/изменения, которые оказали влияние на метрики. Например, в случае поиска или рекомендательных алгоритмов это может быть улучшение конверсии или среднего чека, которые модель «прокрасила» в эксперименте.
  

Оксана Прутьянова, лидер направления поиска аналитиков и дата сайнтистов в NEWHR, собрала реальные примеры результатов работы:

• Перенесено более 70% операционных отчетов в BI-системы
• Разработан и проведен A/B-тест для выбора наилучшего сценария продажи в телемаркетинге, который привел к увеличению продаж в телемаркетинге на 15% (и достиг 12 млн долларов США ежемесячно)
  
• Провел более 50 тестов за 12 месяцев, которые улучшили пользовательский интерфейс для клиентов
  
• Провел более 20 специальных исследований поведения клиентов, которые помогли повысить эффективность продаж на 19% в годовом исчислении.
  
• Создана модель оценки эффективности рекламы (на основе этой модели был распределен бюджет на 3 года)
  

• Разработал классификатор транзакций: модель классификации проводок по расчетным счетам клиентов для выявления их экономического смысла. Данный инструмент используется в качестве разметки транзакций в различных ML-проектах команды: PD-моделях малого и среднего бизнеса, моделях прогнозирования оттока и отклика клиентов, моделях определения схожих клиентов. Подтвержденный экономический эффект от внедренных моделей составил более ХХХ долларов США в год.

• Создал прототип веб-приложения на основе NLP для кластеризации коротких текстов и поиска похожего текста, что позволяет в 30 раз сократить ручную работу при выполнении определенных операций.
• Реализован детектор аномалий текстов, улучшающий классификацию текста с 7% до 82%
  

Расскажите, как ещё, на ваш взгляд, продуктовый аналитик или дата сайнтист может проиллюстрировать пользу бизнеса от своей работы?

P.S. Если вы хотите научиться формулировать результаты своей работы, рекомендуем наш курс Hello New Job! про поиск работы в современных реалиях.