Екатерина Нестерова руководит отделом бизнес-аналитики в компании экспресс-доставки. Она рассказала, зачем налаживать четкую инфраструктуру данных, почему не нужно добиваться идеального результата и как не стать «живым калькулятором» в компании.
Чем я занимаюсь
Бизнес-аналитик — это консультант, который помогает компании больше зарабатывать и улучшать качество сервиса.
Я тимлид команды операционной аналитики в сервисе срочной доставки Gett Delivery. Мы анализируем операции, которые проводят курьеры и клиенты, и пытаемся их эффективно свести. Для этого мы строим гипотезы о поведении курьеров, причинах их ухода из сервиса, прогнозируем объемы заказов и не только.
Помимо проверки гипотез, мы выполняем и рутинные задачи. Аналитики — это смотрители за таблицами, они первые узнают, если что-то сломалось или какие-то данные не сохранились. Так как данные должны быть качественными, достоверными и полными, мы постоянно валидируем таблицы, чиним баги, обновляем дашборды. При разработке новых фичей мы дорабатываем структуру данных, вводим новые метрики, чтобы конечные пользователи опирались на данные, а не на интуицию.
Еще я слежу за тем, чтобы в глобальных инициативах компании учитывались потребности нашего подразделения доставки. Кроме этого, я внедряю внутри своей команды аналитиков стандарты по работе с данными, разработке дашбордов.
Если нужно, прошу дата-инженеров разработать новые таблицы и рекомендую расширить их штат, чтобы они успевали обрабатывать эти запросы. Сервис работает не только в России, но и в Израиле, поэтому я слежу за стандартизацией требований двух рынков.
Читайте также: Кто такой аналитик данных?
Как я стала аналитиком данных
Два года назад я была первым и единственным аналитиком в компании. Изначально я должна была вести бюджет, составлять отчеты о прибылях и убытках и помогать бизнес-командам структурировать их отчетность.
Разобравшись в работе бизнеса, спустя несколько месяцев я предложила выстроить инфраструктуру и автоматизировать дашборды, так как многие коллеги из других отделов тратили много времени на выгрузку отчетов из интерфейсов и платформ и простейшую обработку в Excel.
Аналитическая инфраструктура нужна для корректного хранения, обработки и анализа данных. Некоторые таблицы у нас были благодаря Gett Taxi — большому подразделению, внутри которого образовался наш сервис, — что-то мы создавали с нуля вместе с командой продукта. Мы определяли ивенты и сервисные таблицы, которые нужно складывать в хранилища: выбирали формат, детали для моделирования, выстраивали ETL-процесс (extract, transform, reload), который помогает достать данные из первоисточника и собрать их в удобном формате, и дальше создавали дашборды. Наладив и автоматизировав все процессы, мы смогли заняться более глубокой аналитикой и разработкой гипотез.
Одну из таких гипотез как раз удалось внедрить. Вначале заказы развозили в основном таксисты. Чтобы улучшить работу сервиса, мы стали нанимать своих курьеров. Их было мало, нужно было понять, как им принимать заказ быстрее, чем таксистам. Мы не могли предлагать только курьера, потому что было необходимо сохранить скорость назначения на заказ. Тогда мы с командой использовали технологию нашего сервиса такси, которая ищет машину в новом классе, например комфорте, если в экономе не находится водитель, и инвертировали ее с клиента на курьеров. Мы стали искать самого близкого к заказу курьера, которого хотим поддержать заказами, и, если его не было, перекладывали заказ на таксиста с меньшим приоритетом. Благодаря этому курьеров среди всех водителей стало больше, а качество не потерялось.
Как аналитик работает с данными
Операционный аналитик на основании данных описывает процессы взаимодействия с клиентами, поставщиками, объясняет влияние одних метрик на другие. Поэтому он должен отлично разбираться в бизнесе, знать, как устроены все этапы: от создания заказа до доставки.
У нас аналитик данных может:
- подсказать, как настроить тарифы для курьеров или клиентов, чтобы сбалансировать маркетплейс и увеличить выручку;
- спрогнозировать объемы заказов на следующий месяц;
- оценить поведение курьеров, чтобы повысить качество сервиса в пиковые часы;
- найти маркеры для выявления мошенничества и способы борьбы с ним.
Уже на этапе сбора данных аналитик придумывает примерные гипотезы для запуска нового функционала.
Мы используем ICE-фреймворк для приоритизации новых фичей:
- I — impact. Какая от нее польза: она приносит деньги или автоматизирует работу.
- C — confidence. Насколько мы уверены в фиче. Иногда это зависит от норм рынка: если все конкуренты запустили фичу, мы скорее всего тоже ее запустим. Для оценки можно использовать все, что подтверждает эффективность предложения: опросы, фокус-группы, мнение экспертов и так далее.
- E — effort. Сколько денег мы потратим на разработку, сколько часов потребуется, чтобы написать код, протестировать и запустить в продакшн.
Некоторые технологии мы внедряем, даже если они не приносят прибыли. Например, у нас есть проект, связанный с GDPR Policy (General Data Protection Regulation — Общий регламент защиты данных), который устанавливает стандарты безопасного хранения данных пользователей. Благодаря ему мы удовлетворяем требования законодательства.
Что должен уметь аналитик данных
Джуниор должен критически мыслить, выстраивать причинно-следственные связи, разбираться в математике и статистике, чтобы проводить А/В-тесты, знать SQL для работы с базами данных. Но главное, бизнес-аналитику нужно чувствовать боли бизнеса. Поэтому на начальных этапах софт-скиллы и готовность учиться важнее технических навыков.
В моей команде два человека пришли совершенно из разных сфер. Первый занимался нейроэкономикой и когнитивными исследованиями. Он не знал SQL, не работал в крупных IT-компаниях, но сейчас глубоко разбирается в бизнес-процессах, потому что он активно развивался: изучал бизнес, задавал правильные вопросы.
Второй сотрудник был его противоположностью. Он чувствовал себя неуверенно при общении с заказчиками, хоть и умел программировать, знал куда больше библиотек на Python, чем я, разбирался в математике и статистике. Но, подтянув навыки презентации и управления проектами, он быстро влился в команду.
У аналитика должно быть ощущение вовлеченности в бизнес-процессы и сопутствующий продукт. Поэтому нужно сразу изучать бизнес компании, источники прибыли, читать кейсы о конкурентах, узнавать, как устроена индустрия.
Дальше все зависит от карьерного трека и специфики компании. Если джуниор работает с уже существующим кодом, только немного его меняет, то мидл должен сам писать код, работать с BI-платформами (Power BI, Tableau).
Помимо навыков работы в BI-платформах, важно знать правила визуализации. Например, тренды лучше показывать с помощью линейных графиков, а сравнивать категории удобнее на столбиковых диаграммах. Главное, чтобы визуализация понятно и наглядно демонстрировала заказчикам ответ на вопрос.
Важно разбираться в computer science: понимать, как устроены сервисы, как работает платформа продукта, создаются ивенты, как они хранятся в базах данных.
Необходимо знать, как устроен весь ETL-процесс работы с данными. Аналитик умеет прописывать запрос к источнику, знает, откуда и какие данные он собирает. После этого он их грамотно преобразует: меняет форматы, объединяет данные из нескольких источников, задает условия, добавляет новую категорию. Потом с помощью скрипта на Python может создать новую таблицу, прописать, как часто данные будут обновляться и проверяться.
Читайте разбор о том, какой язык выбрать аналитику данных: SQL, R или Python
Аналитиков в компании часто принимают за живой калькулятор, который собирает таблицы и графики, поэтому знания автоматизации помогут сэкономить время на оптимизацию процессов бизнеса. Монотонные выгрузки с большой вероятностью демотивируют молодого специалиста. Мы стараемся максимально автоматизировать рутину, чтобы ребята могли работать над более интересными задачами: строили модели для прогнозирования оттока курьеров, выявления мошенничества.
Почему важно не бояться ошибок
Аналитик постоянно идет путем проб и ошибок. Когда мы только начинали строить дашборды и считали процент вывоза заказов, у нас были плохие результаты, несмотря на правильные расчеты. Потом мы выяснили, что клиенты часто отправляют повторные заказы, а мы их не удаляем в таблицах. Мы не могли изначально знать об этом, но опытным путем выяснили, что нужно валидировать данные сразу же.
Один из сложных кейсов A/B-тестов на маркетплейсе связан с сетевым эффектом. Если воздействовать на одну группу курьеров, их изменившееся поведение повлияет на другую. Например, применение нового алгоритма или фичи к тестовой группе повлияет на скорость поиска курьера в контрольной группе, что исказит результаты теста. Если мы изменяем условия работы маркетплейса (например, тестируем повышение тарифа), то процент вывоза в одной группе возрастет, а в другой снизится.
Тогда мы ищем новые способы проведения А/В-тестов. Недавно начали в произвольном порядке делить зоны на слоты по географии или времени, чтобы снизить влияние зависимостей внутри теста.
Часто на старте джуниоры пытаются достичь идеального ответа, но в аналитике важнее скорость, а не точность. Бизнес слишком динамично развивается, и аналитик должен быстро схватывать ситуацию. Если в А/В-тесте накопилось достаточно данных, чтобы сказать примерные результаты, то с наибольшей вероятностью можно строить планы развития. Новичок должен понимать, что он не в школе, и получить быстрый ответ важнее, чем абсолютно верный. Иначе он будет доводить анализ до идеала, но к тому моменту результаты будут неактуальными.
Как развивается аналитик данных
Аналитики развиваются динамично. Обычно мидлом становятся за год, а синьором — за год-полтора. Можно уйти в соседние направления: некоторые становятся дата-инженерами, дата-сайентистами, техлидами, работают со сложными моделями и совершенствуют свои хард-скиллы. Можно выбрать менеджерский трек и расти до лида, а потом главы аналитики.
Я думала, что пойду по классическому пути: из операционной аналитики уйду в продуктовую, потом в менеджера продукта. Но, поработав напрямую с командой, я поняла, что мне нравится развивать коллег, оставаться включенной в операционные процессы. Продуктовые изменения не сразу отражаются в бизнес-метриках, там сложнее почувствовать влияние на прибыль. Операционная аналитика постоянно в гуще событий.
Мы написали отдельный разбор о том, чем занимается продуктовый аналитик
С позиции тимлида-аналитика можно стать и бизнес-заказчиком, так как он понимает, как устроено деловое развитие и продажи. Но я бы не хотела загадывать наперед, так как через два года могу уйти в совершенно другое направление. Этим и хорош IT: между профессиями нет четких границ, специалист может легко переходить между сферами.
