как hr соглашусь ахха) мне, например, сложно оценивать портфолио :D)) мне больше важен метчинг с командой (софтскиллы). хотя в написанном резюме, конечно, тоже надо разбиратиься)) на днях прям был мем на эту тему, как девушка понаписала кучу всего выдуманного и ее пригласили крупные компании на собесы (там по-моему была позиция дата инженера)

И они. Это все систематическая ошибка отбора и иже с ними. Но я с этим работаю, рефлексирую.

Интерактивное тренировочное собеседование в рамках обучения было крайне полезно. Особенно прямо перед боевым)

Там не просто куча всего выдуманного, а откровенный треш был. Софты важны, конечно, но если человек базовых вещей в аналитике делать не умеет, задачи решать не способен, мне его софты никуда не прицепить. И если человек весь такой душка и отлично впишется в команду, но как аналитик нулевой, то... Поэтому я стараюсь искать баланс, так как без софтов тоже плохо.

ну да)) я поржала, там что-то было из гарри поттера, какой-то бред)) но забавненькоооо)) прям такой минус в профессию hr(

Это? https://www.cnews.ru/news/top/2021-11-03_programmistka_unichtozhila?fbclid=IwAR14hxZZDGjh_7bqnl4rL4gdEQSEqlqeK-FINMyvq83TQ_yBrmKYgB57WAA

И я как раз топлю за то, что мне не важно образование, мне важно, что человек умеет делать. Пусть он хоть три класса закончил, а все остальное сам нагуглил и научился. Если есть профит от его работы - я его возьму. Если он умеет логически мыслить, делать выводы и знает SQL, пусть даже в терминах плавает и вообще не из digital, но адекватный, пусть даже супер джун, но явно готов учиться и сильно замотивирован, - тоже возьму. Это я к чему: очень разный подход в разных компаниях и у разных лидов к тому, на что кто смотрит при найме

А как же Питон?

Насчёт собеседований вы совершенно правы, но кстати лидов для консультаций тоже несложно найти без онлайн-школы

Полное  самообразование, я бы сказала, для избранных.
Моя идея в том, что один длинный общий курс даст гораздо меньше, чем набор узкоспециализированных по нужным темам, а сообщества и менторы вполне существуют отдельно от курсов

Если SQL норм освоил, то Python тоже неплохо пойдет. См выше мой коммент: человек должен быть замотивирован учиться и что-то новое узнавать. У меня в команде был человек, который пришел с нулевыми знаниями питона и Tableau - научился (помогали всей командой и сам очень активно погружался). Вопрос в том, что не во всех компаниях готовы и имеют возможность тратить время на обучение людей. Как правило, нужны уже готовые спецы, которые и в питон, и в тесты, и в BI

Просто когда долго учишься, например 1,5 года на курсе, то это помогает найти и правильное сообщество и менторов. Вопрос насколько человек активен в коммуникациях и мотивирован. У меня с этим проблем нет, поэтому находил менторов и для себя и для того парня)

+

Желательно еще и в предметную область, чтобы понимать кому и что анализировать и в какое место)

Да, но здесь уже включается моя роль как руководителя, чтобы погрузить в предметную область, объяснить особенности бизнеса, как основные метрики у нас считаются, что у нас происходит в продукте и т.п. Я стараюсь онбординг максимально комфортно выстроить. Плюс у нас есть задачи на испытательный срок, я веду каждого на тет-а-тетах постоянных, спрашиваю фидбек, слежу за задачами, прикрепляю наставника, то есть делаю все, чтобы человек, который, возможно, не имеет достаточно знаний конкретно из бизнеса и из продукта, мог за максимально короткий срок их получить. Ну, а дальше все равно все зависит от него, потому что команда и я не сможем постоянно его опекать

да-да))

Отвечу тут как представитель карьерного центра в направлении анализа данных Яндекс.Практикума. Наше направление выпускает начинающих аналитиков данных и data scientist’ов

Я и моя команда оказываем карьерную поддержку — мы помогаем нашим студентам с подготовкой и поиском работы

Чтобы лучше понимать как устроена помощь с трудоустройством, расскажу из чего она состоит, а потом расскажу чего мы НЕ делаем

1) Начинается всё с карьерного трека — это подготовка резюме, сопроводительного письма, портфолио, видеорезюме (VCV). Все эти компоненты проверяются ревьюерами — профессиональными HR из разных IT-компаний — на них даётся развёрнутая обратная связь

Также мы проводим различные вебинары, помогающие лучше разобраться в индустрии (например, в чём специфика продуктовой аналитики, какие компании нанимают аналитиков и чем в них отличаются роли аналитиков/DS), которые проводим сами или приглашаем руководителей отделов аналитики или аналитиков, которые уже повидали всякое

Ещё рамках карьерного трека мы помогаем с подготовкой к прохождению интервью, для этого обычно проводятся публичные собеседования с действующими HR'ами и нанимающими специалистами

Ну и само собой учим как искать работу: какие есть площадки, на что обращать внимание в описании вакансии, недавно вот начали учить студентов работать с API HeadHunter, чтобы они сами свои парсеры писали под нужные им критерии

2) Мы помогаем нашим студентам нарабатывать опыт. По возможности, опыт реальный или близкий к реальному. У нас существует некий инкубатор, где студенты могут получать дополнительные проекты, основанные на настоящих кейсах работодателей. Мы берём датасеты и задачи у работодателей и создаём из них тренировочные задачи, которые решаются студентами самостоятельно, но под присмотром наставника

Получается что-то вроде мини-стажировки, которая многим студентам даёт преимущество при трудоустройстве, потому что работодатели ценят, когда помимо учебного опыта соискатель сталкивался с задачами бизнеса, даже если они не до конца «настоящие» (в среде с наставником всё равно получается более «разжеванная» задача, чем в реальном мире)

3) Заканчивается весь процесс карьерной акселерацией — это непосредственно поиск работы под нашим присмотром. В ходе акселерации студентам предоставляются вакансии от наших партнеров — вероятность трудоустройства по ним выше, чем в среднем если брать вакансии HH, потому что партнеры более лояльно бывают настроены и уже знают какой-то уровень качества наших выпускников. Также мы скидываем подборки джуновских вакансий, которые находим по разным каналам и площадкам

В рамках карьерной акселерации мы просим студентов присылать отчеты о том на какие вакансии они откликаются, на сколько из них они получают приглашения, сколько решают тестовых. Всё это помогает студентам оценивать свой прогресс в поиске, а нам понимать у кого возникают сложности. При определенном количестве откликов, которые заканчиваются неудачно, мы оказываем карьерные консультации, чтобы разобраться в чём может быть причина. Чаще всего это бывают сложные случаи, связанные с возрастом или очень специфичными критериями поиска (например, неудаленка в небольшом городе до миллиона)

Есть отдельные компании, которые нанимают наших выпускников на постоянной основе. Это не означает, что у них более слабые критерии найма, просто мы выработали с ним понятные схемы взаимодействия, позволяющие им нанимать хороших джунов быстрее, чем через свой поиск

Это не полный перечень, мы ещё много всяких движух делаем, чтобы повысить вероятность трудоустройства

Теперь о том чего мы не делаем и какие есть сложности

И вот тут важно понимать, что карьерный центр любой онлайн-школы прежде всего работает на повышение вероятности трудоустройства. А эту вероятность никак нельзя довести до 100% для отдельного взятого выпускника. Онлайн-школа НЕ осуществляет для всех студентов индивидуальный подбор работодателей, мы НЕ проходим вместе с выпускниками собеседования, мы НЕ помогаем с решением тестовых заданий, мы НЕ рассылаем резюме работодателям. Всё зависит только от усилий, которые прикладывают студенты, мы д

обавляем к этим усилиям лишь небольшую дельту. Многие ребята устраиваются ещё до окончания обучения, но надо признать, что часто это люди, имеющие уже какой-то релевантный бэкграунд, например, уже работающие около-IT (телеком, банки, неайтишные профессии в IT-компаниях) или сталкивавшиеся с обработкой данных на предыдущем месте (сидели красноглазили в Excel). Ещё всё очень сильно зависит от изначального опыта работы, а также от демографических факторов (возраст, пол), от критериев поиска. Например, людям без релевантного опыта сложнее найти работу в больших tech-компаниях, но компании со слабой data-culture активнее берут аналитиков-джунов без опыта на позиции а ля data-steward (будьте готовы сидеть на ad-hoc запросах полгода, пока не решите, что выросли)

Вот примеры нескольких сложных кейсов, которые у нас были, и с которыми наш карьерный центр успешно справился: [1], [2], [3]

Ещё в качестве доказательств эффективности обучения у нас есть исследование от Высшей Школы Экономики, по которому процент трудоустроенных в течение 6 месяцев после выпуска составляет 71,6% для профессии «Аналитик данных» (процент считается от числа тех, кто в анкете указал своё желание устроиться на работу). Но надо понимать, что в этот процент входят и те, кто не проходил программу трудоустройства. Среди тех, кто полностью проходит программу это процент выше (около 80% по нашим прикидкам, эту информацию довольно-таки сложно системно собирать)

Как правильно написала @malikovaj, дело совсем не в курсах. Всё сильно зависит от того в какие компании вы целитесь и, конечно, от вас самих

Так, Яндекс не берёт выпускников онлайн-курсов без опыта (хотя пара таких случае есть на low-позиции). У каких-то работодателей вообще предубеждение и они воротят нос от резюме, если в нём указан Практикум или другая онлайн-школа. Знаю, что у некоторых работодателей есть склонность нанимать только-и-только выпускников хороших московских университетов. Одним работодателям нужен data-steward и тогда у них вообще низкая планка: знаешь SQL и заходи на борт. Другие спрашивают на собеседованиях аналитиков про различие схемы хранения «звезда» от data vault, потому что ищут себе инженера данных, хотя называют вакансию «Аналитик данных». Третьи ну никак не возьмут без теории вероятности, а кто-то возьмёт и без неё, лишь бы был SQL и голова на плечах

Ну и всё зависит от вас. Никто не любит в отрасли тех, кто приходит только за деньгами, лишь бы «войти в айти», поэтому помимо хардов важно иметь хорошую легенду, важно осознанно для себя понимать почему вы хотите стать аналитиком или data scientist, интересоваться этой сферой, понимать с какими задачами сталкиваются аналитики, развивать в себе наблюдательность и критическое мышление, насмотренность на различные кейсы в той отрасли аналитики, в которую вы метите. Нужно быть готовым к тому, что сфера аналитики и DS требует постоянно развития. Курсы не дают очень большого числа мета-навыков, которые делают вас привлекательным в глазах работодателя: самостоятельности, гибкости ума, умения задавать правильные вопросы для декомпозиции задачи, мышления через призму метрик. В общем, всего того, что скорее нарабатывается на опыте и ошибках. Ну и самое главное — если у вас нет релевантного опыта, то вам будет сложнее. Попробуйте переложить свой предыдущий опыт таким образом, чтобы он мог выглядеть связанным с аналитической деятельностью (например, если вы работали много в Excel – делайте на этом упор). Нарабатывайте опыт с помощью пет-проджектов, например, был студент, который делал по фану большое исследование энергосберегающих ламп и это был классный проект, который можно было положить в портфолио. Изучайте дополнительные материалы — если не полноценные курсы, то хотя бы отраслевые каналы и блоги надо почитывать, чтобы уметь говорить на одном языке и быть в курсе трендов и вызовов, с которыми сталкивается индустрия

Ещё одна проблема, которую я часто вижу среди студентов, которая мешает им трудоустраиваться — это жесткая привязка к инструментам. Достаточно большую часть обучения в Практикуме занимает Python, даже больше, чем SQL. В эт

ом плане Python — это удобный инструмент для того, чтобы донести разнообразные аналитические концепции (например, когортный анализ, предобработку данных). Но у многих это доходит до того, что раз научили Python, то он обязательно должен быть у работодателя и если его нет, то человек думает, что ему вакансия точно не подходит и не откликается. А там могут быть тоже интересные задачи, но чисто на SQL. Или другой пример — есть Tableau, которому мы учим в программе, а если в вакансии требуют PowerBI, то студент сразу резко начинает себя недооценивать, считая что это кардинально разные инструменты. В этом плане я бы рекомендовал быть более открытым к инструментам, они менее важны чем задачи, которые предлагает работодатель

Решил открыто написать о тех проблемах, которые я вижу. И мы пытаемся с ними работать, но не все онлайн-школа может закрыть, да и не должна. Образовательные продукты типа Практикум продают контент и проектный опыт в купе с сопровождением. Мы закладываем в свой продукт карьерную трансформацию, но понимаем, что не можем гарантировать 100% результат трудоустройства. Мне действительно важно не «замусорить» рынок низкокачественными джунами, потому что это сильно девальвирует качество онлайн-образования в глазах работодателей. И тем самым закрывает возможности для людей желающих сменить профессию, потому что работодатели из-за тотально низкого качества соискателей становятся более предвзятыми. Поэтому прежде чем думать о карьере аналитика, стоит честно для себя задуматься сколько вы готовы инвестировать своего когнитивного ресурса в обучение, а также почему вы хотите стать аналитиком, потому что ни одна онлайн-школа из вас не сделает аналитика и не устроит, если вы не понимаете зачем вам это

Можно уточняющий вопрос? Курс называется аналитик данных. Кого Вы все-таки выпускаете? Ведь в аналитике много направлений - маркетинговый, BI, продуктовый, бизнес, аналитик данных и т.д.

А с чего вообще началось, что сегодня все школы здесь отписались?