«Не бойтесь демпинговать»: как я за год стала аналитиком данных

Вы видели когда-нибудь комментарии экспертов в СМИ по поводу событий за рубежом? Их обычно дают такие люди, как я и мои коллеги. Также мы отвечаем на вопросы ведомств и министерств о чужом опыте — рассказываем, что и как реализуется в других странах. Еще можем участвовать в подготовке стратегий. И, конечно, есть чистые исследования.

В общей сложности я проработала в высшей школе 11 лет и была успешной. Но в какой-то момент начали закрываться фонды, самостоятельности и свободы убавилось — найти темы, которыми хотелось бы заниматься, уже стало не так просто, преподавание мне не нравилось. И тогда я решила, что если уж браться за аналитику того, что тебе неинтересно, то лучше делать это для бизнеса — он оплатит работу гораздо лучше.

На тот момент, когда я об этом задумалась, мне было 35 лет. Начала я с того, что пошла к карьерному консультанту — выбрала специалистку, которая тогда была на слуху. Помню, что фактически я задала ей один единственный вопрос: а люди вообще так делают? Берут и меняют профессию, в которой они уже состоялись? И она мне сказала: «Конечно!» — «И что мне теперь делать?» — спросила я. «Осмотритесь», — ответила консультантка.

После этого я села изучать всё, что можно, в основном — на английском языке. Нашла отзывы тех, кто ушел из преподавания в анализ данных и Data Science. Обнаружила, что в Штатах есть бесплатные курсы для пиэйчдишников — тех, у кого есть ученая степень PhD, то есть кандидатов наук и докторов. Учеба была рассчитана, кажется, на восемь недель, и я подумала — раз человека можно переподготовить за такой срок, то, наверное, это не очень сложно, и надо пробовать.

С работы я увольняться не стала — всегда была практичным человеком. Сначала села разбираться с Python — этот язык программирования нужен, чтобы анализировать большой объем данных. Занималась и сама, и на курсах. Параллельно изучала статистику — добирала знания, которых мне не хватало. Брала уроки математики. Всё это требовало много времени и сил, но я выбрала тактику «не мытьем, так катаньем» — например, даже если не делала задание по математике, то всё равно приходила на следующее занятие и говорила: «Домашка не готова, но давайте пойдем дальше».

Когда я освоила нужные инструменты, то перешла к изучению анализа данных. К тому времени я уже поняла, что у нас есть две модели образования. Первую я называю «совковой» — вы слушаете лекции, потом вам дают домашние задания. Но я предпочла другую, где был максимум практики. Я рассуждала так: у меня есть инструменты, но чтобы научиться ими пользоваться, это надо постоянно делать.

Я выбрала курсы, где знания можно было сразу применять на практике. Они были построены следующим образом: никаких лекций, теория, которую ты читаешь самостоятельно, потом небольшое задание — ты пишешь кусок кода, и он автоматически проверяется. Фактически, это серия задач, которые надо делать, делать и делать. Раз в две недели надо было выполнять большое задание, которое потом проверял человек — это называлось проектом.

На всё это у меня уходило 20 часов в неделю — практически полностью один выходной и «окна» в будние дни. Нагрузка серьезная, но я была одиноким человеком, а не многодетной матерью, и могла себе это позволить. Закончив с анализом данных, я перешла к Data Science — с ним я разбиралась в том же формате. Быстро поняла, что это не мое, но курс всё равно закончила — не бросать же, раз начала.

Очень часто, когда упоминают искусственный интеллект, в виду имеют какую-то модель. Например, когда вы подаете заявку на кредит, производится автоматический скоринг — анализ заемщика и выявление кредитных рисков. Иными словами, модель по каким-то признакам определяет, можно вам дать деньги или нет. Создают такие модельки как раз дата-сайентисты. Когда вы смотрите рекламу курсов, то кажется, что это что-то интересное, но по своей сущности Data Science — это такое инженерное перебирание параметров.

У меня был экономический бэкграунд, и потому меня больше привлекал анализ данных. Аналитик занимается сбором и интерпретацией информации. Например, представьте себе онлайн-магазин — вы зашли на него, что-то положили в корзину, а покупать не стали. Если таких пользователей в какой-то момент стало слишком много, то аналитик должен быть первым, кто будет разбираться, почему люди не перешли к оплате. Задачи, конечно, могут быть самыми разными — например, сравнение версий чего-нибудь — скажем, скидок — по разным параметрам. На что активнее реагируют потребители? Что с учетом их вовлеченности выгоднее самой компании?

На изучение Python мне потребовалось несколько месяцев, на анализ данных ушло полгода. Искать работу я начала, когда еще занималась Data Science, не увольняясь при этом из вуза: как уже говорилось, я — очень прагматичный человек. Также я откладывала деньги, хорошо понимая, что уходить буду с очень серьезным понижением зарплаты.

Зондировать почву я начала в апреле, активно рассылать резюме и откликаться на вакансии — в июне, а нашла место в августе. Могу сразу сказать, что для тех, кто давно не занимался поиском работы, не рассылал резюме, не проходил собеседования, не делал тестовые задания и не получал один отказ за другим, этот процесс очень неприятен.

«Собесов» у меня, наверное, было штук десять. Сейчас я сама участвую в найме сотрудников и понимаю, как это сложно — ценен опыт, а когда речь идет о джунах, невозможно за час понять, что человек знает и умеет, будет ли он расти, хватит ли ему для этого упорства. В итоге вы проходите собеседование, вроде отвечаете на все вопросы, а потом получаете отказ — иногда странный. Мне как-то написали: наберитесь опыта, поработайте в консалтинге, а потом приходите к нам. Серьезно? Вы думаете, что после нескольких лет работы я захочу пойти к вам на ту же должность?

В итоге я «пошла по знакомым». Устроилась через них на работу, но для этого точно также пришлось пройти все четыре этапа собеседования. Благодаря рекомендациям исчез лишь момент «вроде всё нормально, но что-то мы в вас не уверены». И, конечно, я согласилась на серьезный демпинг, уйдя на 50 тысяч рублей — для Москвы это очень мало. Я могла на это пойти, потому что у меня была «подушка» — проела я свои сбережения через девять месяцев, когда меня как раз начали повышать. Это не было точным расчетом — скорее, удачным совпадением.

Я попала в крупный IT-консалтинг — компанию, к которой обращаются за консультационными услугами банки, телекомы и все остальные. Они обычно закупают либо «руки», либо команды. Проекты, в которые ты попадаешь, могут быть самыми разными, работать на них надо долго — по полгода, по году.

Например, представьте себе агентство, которое занимается уборкой. Оно предлагает вам скидку 10% на постоянную «подписку». Это выгодно самому клинингу или нет? Может, правильнее дать вам скидку 7%, если вы возьмете только три уборки, но оплатите их сразу? На эти вопросы должен ответить аналитик. Иногда он сам предлагает проект скидки для тестирования, иногда его придумывает менеджер компании. Потом запускается тест, аналитик его в какой-то момент останавливает, анализирует полученные данные и делает выводы.

А теперь увеличьте наше воображаемое клининговое агентство в десять раз — пусть это будет огромная компания, работающая по всей России. В этом случае отдельные «кусочки» работы (например, только со скидками или только с отчетностью) будут отдаваться разным командам, каждой из которых руководит тимлид — им я на настоящий момент и являюсь.

В консалтинге я проработала два года и два месяца, а потом меня захантила крупная компания. Вообще переманивание сотрудников из консалтинга менеджерами клиентов строго запрещено, но это правило перестает действовать после того, как менеджер меняет компанию. Этим все постоянно пользуются — ведь очень удобно работать с тем, чьи способности ты уже видел и оценил.

Как тимлид я отвечаю за найм сотрудников и их развитие, за стратегию и тактику — я должна понимать, и что через полгода произойдет с продуктом, над которым мы работаем, и что нам предстоит сделать на следующей неделе. Есть моменты, которые перекликаются с наукой — например, я смотрю, какие новые методы появляются, решаю, что мы будем использовать, и кто конкретно этим займется.

Изменилась и моя зарплата — сейчас это 300 тысяч. Всем, кто собирается уходить в анализ данных из схожей области, я хочу посоветовать: не бойтесь демпинговать. Будьте готовы к этому. Более того — «падайте» настолько низко, насколько можете себе позволить. Во-первых, даже если на предыдущем месте вы были хорошо оплачиваемым и ценным специалистом, в IT вы начинаете с нуля.

Во-вторых, IT — это не наука или вуз, где нужно пахать пять лет, чтобы хоть что-то получить. Здесь всё происходит быстрее — я знаю девочек, которые без всякого научного бэкграунда выходили на двести тысяч за год. Часто можно услышать, что «идти на маленькую зарплату — себя не уважать», но на деле всё совсем наоборот. Вы делаете это, потому что верите в себя и не сомневаетесь, что ваши способности быстро заметят и оценят.

Еще один важный нюанс — знание английского. По моему мнению, на русском языке можно найти очень мало информации — и та, как правило, плохо переведена. Я, например, по статистике вообще ничего на русском языке не читаю. Всё новое, что сейчас публикуют — на английском. И никого в бизнесе не волнует, что вы на нем читаете медленно или не способны на это вообще.

И, конечно, не слушайте тех, кто говорит, что уйти в анализ данных просто. Неважно, идете вы в эту сферу с кандидатской или нет — сначала вам придется тратить деньги и время на обучение, потом — жить на очень небольшую зарплату и в роли младшего аналитика, а для «взрослых» людей это непросто. Но не бойтесь — это инвестиции, которые отобьются, если вы будете упорными и последовательными.

Ты тоже осваивала новую специальность и меняла работу? Хочешь рассказать об этом? Напиши нам на электронную почту thevoicemag@imedia.ru, если хочешь стать героиней рубрики #вторая_профессия.