Георгий Пономарев, преподаватель программ «Data Analyst: с нуля до первого дашборда» и «Введение в Data Science»
Как вы пришли в мир аналитики данных?
На самом деле у меня тут нет какой-то красивой истории. В тот момент в принципе еще не существовало какой-то программы для аналитиков. Я учился на экономическом факультете и еще на втором курсе понял, что мне не нравится чисто экономика. Мне не особо интересно было считать какие-то простенькие финансовые показатели или делать проводки в бухучете.
Поэтому на третьем курсе я пошел на кафедру математических методов в экономике, чтобы помимо экономики также строить различные математические модели. Это, в общем-то, и открыло для меня путь в аналитику. С одной стороны, я освоил часть (но далеко не все) нужных навыков, с другой, понял, что мне интересно строить модели, работать с большим объемом данных и искать там различные закономерности и зависимости.
Работали ли вы над крупными проектами в сфере аналитики данных?
Одним из самых значимых и запоминающихся проектов для меня стала разработка системы рекомендаций для персональных менеджеров в Авито. Для крупных продавцов на Авито предоставляется такая услуга — менеджер, который помогает эффективнее работать на сайте.
Проблема заключалась в том, что один менеджер вел сотни клиентов, и вручную отслеживать эффективность каждого в какой-то момент стало слишком сложно. Я разработал аналитическую систему, которая автоматически находила негативные отклонения в том, как клиенты используют продукты Авито (например, проблемы с оформлением объявлений) и подсказывала менеджерам, на что обратить внимание.
Этот проект дал мне ценный опыт в:
- декомпозиции сложной задачи;
- построении аналитических триггеров;
- взаимодействии с несколькими командами разработки;
- управлении продуктом с аналитической стороны, поскольку я в данном случае одновременно был исполнителем аналитической части и руководителем всей технической части продукта.
Какой аспект аналитики данных вы считаете главным?
Для меня ключевым аспектом аналитики являются умение задавать правильные вопросы и умение найти на них ответы с помощью данных. Ведь в конечном счете все, что делает аналитик, это отвечает на вопросы в какой-то области (бизнес/наука и т.п.). И делает он это с использованием данных. Все остальное (SQL, статистика и т.п.) является лишь инструментом к тому, чтобы получить какое-то новое знание и принять решение на его основе.
Почему вы решили поделиться своими знаниями и опытом с учениками и стать преподавателем?
Желание преподавать появилось у меня после того, как я прошел и посмотрел множество курсов по SQL и заметил одну общую проблему — большинство из них учат синтаксису, но почти не показывают, как применять SQL в реальных аналитических задачах. Мне захотелось это изменить.
Я решил создать курс, в котором акцент сделан именно на практическое применение: задачи и кейсы основаны на реальных ситуациях, с которыми я сталкивался в своей работе. Цель — не просто научить писать запросы, а научить использовать SQL как инструмент для принятия решений и анализа данных в бизнесе.
Какими основными навыками должен владеть специалист по данным, и чему именно вы уделяете особое внимание в процессе подготовки?
На мой взгляд, ключевой навык аналитика — это умение учиться и искать ответы на вопросы с помощью данных. Но также недостаточно просто найти инсайт — важно уметь донести его до других так, чтобы это помогло принять правильное решение. Пожалуй, это два основных навыка.
Из прикладных навыков мне, как лиду продуктовой аналитики, кажутся важными следующие:
- SQL и Python: для извлечения и обработки данных;
- A/B-тесты и статистика: для корректной проверки гипотез;
- Работа с метриками: чтобы понимать, как бизнес оценивает эффективность;
- Визуализация: чтобы четко и понятно доносить выводы.
Какие трудности часто испытывают новички в анализе данных, и какими способами вы помогаете их преодолеть?
Трудностей может быть множество, но я хотел бы выделить две:
- Первая — непонимание того, насколько реальные данные зачастую грязные и некачественные. Обучение зачастую происходит на некоторых модельных подготовленных данных. Реальный мир устроен иначе и зачастую в данных есть множество проблем и ошибок, которые новички зачастую упускают. Важно к любым данным подходить с подозрением и придумывать, как их можно проверить. Желательно несколькими способами.
- Вторая — механическое выполнение задач/заданий, без понимания и осмысливания смысла того, что нужно сделать. Тут во-первых, важно не забывать, что в реальной работе задачи связаны с вашей области. Во-вторых, не бояться спрашивать. Задавать вопросы — это нормально, особенно вначале карьеры.
Какими ресурсами вы пользуетесь, чтобы поддерживать актуальные знания в аналитике?
Ответ: Я регулярно читаю статьи по A/B-тестированию — как научные публикации на arXiv, так и практические разборы на medium и в блогах крупных компаний вроде Microsoft, Spotify или Netflix. Эти материалы помогают понять, как подходы к экспериментам развиваются в индустрии. Также часто смотрю записи с профильных конференций (например, Matemarketing, AHA, ODS) — там можно увидеть, как компании решают реальные аналитические задачи.
Самостоятельное развитие считаю важной частью обучения и всегда поощряю его среди студентов — делюсь дополнительными материалами к темам, а в кейсах мы разбираем нетривиальные задачи, которые невозможно просто спросить у чат-гпт.
Книги, блоги, сообщества или практикумы — какие материалы вы можете посоветовать для тех, кто только учится?
Я поделюсь материалами не столько по SQL, сколько по аналитике в целом. Из сообществ и конференций, могу посоветовать: ODS иMatemarking, AHA. Научные статьи на arXiv. И блоги:
- А также блоги компаний на Habr (Авито, Yandex, Т-Банк, X5).
Никитина Татьяна, преподаватель курсов «Основы Python для анализа данных», Data Analyst: с нуля до первого дашборда» и «Введение в Data Science»
Как вы пришли в мир аналитики данных?
В аналитику я пришла довольно органично. В университете я занималась финансовым анализом. Тогда я впервые поняла, что за сухими цифрами финансовой отчетности скрывается целая вселенная. Меня поразило, как через показатели выручки, расходов и прибыли можно увидеть, как живёт компания: где у нее слабые места, какие есть перспективы для роста. Тогда же пришло понимание, что я из тех людей, кто «болеет» цифрами. Люблю раскладывать всё по полочкам, искать скрытые закономерности и превращать хаос в четкие выводы.
Сейчас я занимаюсь анализом продаж, и это по-прежнему захватывает. Каждый день я решаю интересные задачи: прогнозирую объёмы продаж, ищу причины, почему не выполняются планы, разрабатываю стратегии повышения эффективности. Это важная и интересная работа.
Почему вы решили поделиться своими знаниями и опытом с учениками и стать преподавателем?
В детстве я мечтала стать учителем начальных классов, семиклассницей шефствовала над первоклашками. Нравилось делиться знаниями, помогать разобраться в сложных вещах. Когда появилась возможность разработать курс «Основы Python для анализа данных» в Томском университете, я поняла — вот он, шанс совместить любовь к преподаванию с профессиональными знаниями.
В преподавании меня восхищает двусторонний процесс: помогая студентам разобраться в особенностях языка Python, я сама глубже погружаюсь в предмет. Каждый раз, готовясь к занятию, я ищу новые подходы к объяснению материала, создаю наглядные примеры, продумываю практические задания. И каждый раз открываю для себя что-то новое — то, что раньше казалось очевидным, предстает в ином свете.
Какие форматы вы используете в проведении занятий?
При проведении онлайн-занятий я использую следующие форматы.
Вопросы от студентов
Студенты сами формируют список интересующих их тем, а я включаю их в план занятий. Во время вебинаров мы вместе разбираем сложные моменты, и я стараюсь дополнить обсуждения наглядными примерами.
Квиз
Люблю устраивать небольшие соревнования! Предлагаю студентам задачи с подвохом, где нужно выбрать правильный ответ из четырёх вариантов. Это не просто викторина — каждый вопрос помогает лучше понять тонкости языка. Студенты не только выбирают ответ, но и объясняют своё решение вслух или в чате.
Лайвкодинг
Мы вместе решаем реальные задачи в режиме онлайн. Я беру кейсы с LeetCode — те, что часто встречаются на собеседованиях, и задачи с hh.ru для проверки базового уровня.
Какие трудности часто испытывают новички в анализе данных, и как их возможно преодолеть?
Я преподаю «Основы Python для анализа данных». В своей преподавательской практике сталкиваюсь с несколькими типичными сложностями, которые испытывают новички:
- Страх перед программированием. Многие приходят с мыслью «я не программист». Им кажется, что изучение Python требует особых талантов или глубоких технических знаний. Хотя на самом деле Python — это просто инструмент для работы с данными.
- Информационная перегрузка. Многие чувствуют растерянность от объема нового материала и сомневаются, смогут ли усвоить столько информации. Студенты часто говорят: «невозможно всё запомнить» или «я забыл, что проходил в начале курса».
- Потеря мотивации. Бывает сложно видеть прогресс в изучении основ.
Чтобы помочь преодолеть эти трудности, я использую несколько подходов:
- Постепенное погружение. Начинаем с простых задач и постепенно усложняем материал, как при изучении родного языка: от букв к словам, от слов к предложениям.
- Регулярная практика. Как и в любом навыке, важна постоянная тренировка. Предлагаю студентам небольшие ежедневные задания для закрепления материала.
- Постановка целей. Предлагаю сформулировать конкретную цель обучения, держать ее в поле зрения и возвращаться в моменты отчаяния.
Интересно наблюдать, как основы программирования становятся новым базовым навыком, подобно знанию английского или работе с Excel. Python в этом плане особенно удобен — он интуитивно понятен и имеет множество практических применений в аналитике.