Зачем нужна аналитика? На что обратить внимание при поиске первой работы и как подготовиться к собеседованию? Сменить профессию бывает непросто, но в нашей статье мы постарались развеять все ваши сомнения и ответить на самые интересующие вопросы!
Недавно мы вместе с Юрием Тростиным, Head of Analytics and Data Science в Worki, проводили вебинар «Как сменить профессию и стать крутым аналитиком?». Смотрите запись этого онлайн-интенсива
Цель любого бизнеса — это извлечение прибыли. Прибыль — это выручка минус издержки. Прибыль должна быть максимизирована в долгосрочной перспективе. Как же здесь помогает аналитика?
Есть три больших направления, в которых аналитика добавляет ценности:
1. Формирование бизнес-процессов.
Куда бизнес движется, в правильном ли направлении, как чувствуют себя ключевые сегменты клиентов и бизнеса? Обладая этими данными, аналитик может подсказать решение тех или иных проблем. Допустим, в бизнесе что-то идёт не так, и, в условиях быстро ускоряющегося мира, время — это реально самый ценный ресурс. Необходимо решать проблемы и выводить на рынок новые гипотезы быстрее конкурентов, и здесь-то вам поможет аналитика.
2. Принятие взвешенных решений на основе данных.
Здесь уже не только про алертинг, но и про формирование ключевых решений. Ведение любого бизнеса сопровождается неопределенностью и всю полноту информации получить никак нельзя. Если бы информация была всегда полной, доступной и равномерно распределенной между участниками рынка, то аналитика как таковая была бы не нужна. Но и сверхприбыли у бизнеса тоже бы не было. Если у вас есть релевантные данные для принятия решения и понимание, как из них извлечь информацию, то автоматически вы выигрываете у тех, у кого данных и этого понимания нет. Конечно, в бизнесе нельзя всегда принимать правильные решения, но, например, с помощью data-driven подхода можно минимизировать долю неверных решений. Разумеется, для этого вам нужны спецы, которые могут для вас эти данные проанализировать, чтобы они были полные и консистентные, то есть согласованные. Тогда в долгосрочной перспективе из этого можно извлекать пользу.
3. Новые идеи для бизнеса, для развития и экспериментов.
В своей основе это прежде всего какая-то идея, и она может либо зайти на рынок, либо нет. Чем больше релевантных идей и чем больше экспериментов генерируется, тем больше прибыли вы можете в перспективе получить. Прелесть IT-продуктов в том, что исследуя паттерны поведения внутри сервиса, можно понимать инсайты, которые казалось бы изначально неочевидные, но которые говорят о том, как пользователю будет лучше за счет аналитики и данных. Кроме того, в этом же направлении лежат и накопление данных о том, что вы просматривали, чтобы сгенерировать для вас более релевантный контент. Например, это делает YouTube, Netflix, ВКонтакте и др. компании, где очень широко развита рекомендательная система.
Ключевой вопрос для любого анализа, во время и после него: so what?
Что от этого всего бизнесу? Вы каким-то образом улучшаете понимание того, что происходит в бизнесе на данный момент? Вы генерируете больше идей и экспериментов за счет анализа? Вы принимаете более правильные и свежие решения?
Если хотя бы один ответ на три этих вопроса «да», то значит аналитик не зря делает свою работу. Аналитика — это не просто цифры и числа, это мощный инструмент, который позволяет вести качественный бизнес. Компании, понимающие это, готовы серьёзно вкладываться в аналитику, ибо знают, что несмотря на затратность процесса, от этого можно получить гораздо больше.
Если вы для себя решили, что аналитика — это то, что вам нужно, то при поиске первой работы вам необходимо найти место, где вы сможете лучше всего прокачаться. Под прокачкой имеются ввиду не только хард скиллы и использование инструментов, но и то, как подходить к проблемам, как и какие данные использовать.
На что стоит обратить внимание при поиске первой работы?
Пункты пойдут по убыванию важности, от наиболее важным к наименее:
1. Самое главное — это команда и руководитель.
Это те люди, у которых вы будете ближайшие полгода, год или два учиться. Перед тем, как зайти на борт, спросите себя: хотите ли вы у них черпать знания, вдохновляют ли они вас, круты ли они в том, чем занимаются?
Постарайтесь про них выяснить как можно больше: посмотрите в интернете их выступления, ведут ли они какие-то блоги или каналы, может быть, они пишут тексты в профильных сообществах. Если хотя бы один человек в команде что-то из этого делает, то это хороший знак.
На интервью подробно расспросите, что ожидается от джуна, какой в компании формат взаимодействия в коллективе. Помните, что ваша основная цель — это прокачаться и уйти оттуда с полным знаний и опыта багажом.
2. Сама компания.
Это не про офис и условия труда — это, конечно, неплохо, но это не долгосрочная мотивация. Это про посыл, которая сама компания транслирует.
Качественный личностный рост может быть только вместе с мотивацией. Если мотивации нет, то нельзя классно прокачаться. Если ваш вайб резонирует с вайбом компании, то только тогда вы сможете эффективно усовершенствовать свои навыки. Лучше сразу найти себе какое-то место по душе. Аналитика сейчас нужна везде: в e-commerce, classified, foodtech, gametech, HR, медиа, логистика и т.д. Реально везде есть данные и с ними нужно работать, чтобы эффективно управлять бизнесом.
3. Стэк технологий, которые компания использует.
Как джун вы можете в них не разбираться, от вас это по большому счету никто и не ждёт, но если ребята пользуются Excel и у них база одна MySQL, то вам стоит насторожиться. Да, Excel — это супер мощный инструмент, но если у компании классный cтэк по работе с данными, то это значит, что она понимает их важность и готова в них вкладываться. И, скорее всего, у бизнеса есть классная команда, а это значит, что вы можете круче прокачаться.
1. Знание SQL.
Если вы не сможете достать нужные данные, то вы не сможете сделать анализ. Достать данные вы можете с помощью SQL. У Юрия Тростина была куча реджектов из-за того, что он не знал SQL. Потом, конечно, ему пришлось его выучить.
SQL бывает разный:
ClickHouse сейчас используют повсеместно все, например, Mail.ru Group, Авито, Яндекс. Его синтаксис не сильно отличается от основного, хотя, конечно же, есть различия, которые делают его более функциональным в работе с ClickHouse. Его задачи заточены именно на анализ, на лиды, а не только на извлечение данных.
2. Python.
Это стандарт индустрии для анализа данных, data science, в нем также можно сразу создавать визуализации. Владение Python позволяет вам проводить определенные операции гораздо быстрее, если вы используете его в связке с SQL, в отличие от того момента, когда у вас есть просто SQL. Знание Python будет супер плюсом для потенциального джуна.
Юрий Тростин отмечает, что Python давался ему куда проще, чем SQL. Он очень много зависал на kaggle.com, делал там competitions. Также там есть очень много различных скриптов по анализу, чистке, визуализации данных в Python. Второй момент — это курсы. Например, тот же курс от ProductStar.
3. Системы визуализации данных / BI-системы.
Без визуализации данных ваш анализ не имеет никакого смысла. С помощью BI-системы вы сможете проанализировать данные, визуализировать их, собрать графики в единый дашборд, который будет давать больше представления о том, что происходит в бизнесе, а также из этих данных можно на лету генерить инсайты. Такие продукты, как Tableau, Power BI, QlikView, это все относится к BI-функционалу. Они похожи между собой, поэтому если ознакомиться с каким-то одним из этих продуктов, то вам не будет составлять труда пересесть на что-то другое впоследствии.
4. Специфические продукты, используемые в аналитике.
Не секрет, что есть маркетинговая аналитика, бизнес-аналитика, продуктовая аналитика. В некоторых местах есть стратегическая аналитика, есть аналитика колл-центров, линий поддержки и т.д.
Узкие инструменты для маркетинговой аналитики — это Google Analytics и Яндекс.Метрика. Для продуктовой аналитики — Amplitude, который нужен для анализа пользовательского поведения в приложениях.
5. Эконометрика, A/B-тестирование, Data science.
На джуниорском уровне это не так важно, но в дальнейшем знание таких инструментов вам точно понадобится, если вы хотите преуспеть в аналитике.
Не нужно переходить к инструментам ниже по списку, если вы сначала не выучили инструменты выше. Если вы еще не знаете SQL, то не стоит начинать учить Python и т.п.
1. Решение бизнес-кейсов.
При решении бизнес-кейсов вы научитесь думать и говорить структурировано, быстро и четко. Вы научитесь выдвигать гипотезы, запрашивать релевантные данные, проводить качественный анализ и делать корректные выводы. Также это научит вас понятно доносить информацию о проделанной работе до разных людей.
2. Представление о том, как работает IT.
Это нужно потому, что обычно аналитик находится между бизнесом и технической командой. Аналитику нужно уметь находить коннект как с бизнесом, так и с технической командой.
3. Знакомства в индустрии.
Это ценно в особенности для тех, кто не имеет технического образования. Через знакомства можно получить рекомендации, это, конечно, не определяющее, но в какой-то момент может помочь.
Есть разные оффлайн и онлайн митапы, где вы можете знакомиться с людьми. Есть также большое Slack-сообщество Open Data Science (ODS), где больше 30 тысяч человек, среди которых вы также можете найти себе людей по интересам.
Типичная схема собеседования:
1. Знакомство;
2. Техническая часть.
Проверка навыков, которые вы указали в резюме;
3. Домашнее задание.
Вам либо предоставляется схема данных, по которой вы должны в итоге прислать не конкретный ответ в виде цифр, а SQL. В другом варианте вам дадут data set, который нужно будет проанализировать с помощью Python или другого языка программирования и далее прислать рекомендации по этому анализу;
4. Мотивационное интервью.
Выясняют, зачем вам нужна именно эта работа.
Главное в первой работе — это максимальная прокачка.
1. Как можно больше общайтесь с командой.
При решении каких-либо задач всегда советуйтесь со своими коллегами, таким образом вы будете впитывать их опыт и делать более качественную работу.
2. Постарайтесь понять, как именно работает бизнес.
Задавайтесь вопросами:
Это поможет сформировать вам цельную картину бизнеса, которая в то же время поможет вам при анализе данных и выдвижении гипотез.
3. Общайтесь не только со своей командой.
Общайтесь с самыми разными людьми внутри: разработка, продукт, маркетинг, продажи. Они могут поделиться с вами крутыми инсайтами о бизнесе и рынке.
4. Расширяйте сферы компетенции, не только по части аналитики.
5. Не засиживайтесь на одном месте.
Когда вы поняли, что ваши обязанности начинают повторяться, вы не можете уже взять от этого места столько же, сколько брали до этого, то задумайтесь, возможно, нужно открыться предложениям, которые поступают к вам, чтобы вы могли дальше расти как аналитик.
1. Желание и страсть работать с данными.
Если вы любите искать паттерны в данных, если вы понимаете, что за данными стоит физический смысл, если вы можете с помощью данных на что-то влиять, то эта работа точно для вас.
2. Драйв.
Это про желание менять вещи. Классный аналитик должен быть проактивным.
3. Разнообразный опыт.
Когда у человека есть разносторонний опыт, он может добавить свою нестандартную точку зрения на проблему. С такими людьми интереснее работать.
4. Мотивация.
Важно, чтобы человек четко осознавал:
5. Технические скиллы.
Никуда без них.
Виктор Ченг — это икона в сфере консалтинга… У него есть классные книги и лекции на ютуб, а также аудиозаписи кейс-интервью. Вы можете их найти и послушать.
Очень распространённая книжка в сфере консалтинга, которая представляет собой сборник бизнес-кейсов. Попробуйте прочитать и самостоятельно порешать кейсы из этой книжки.
Книга рассчитана на большой пласт специалистов, от джунов до профи. Книга хорошо развивает мысль, зачем вообще нужна аналитика. Создает даже некий фреймворк о том, как можно думать про аналитику в компании.
Любимый канал Юрия на ютуб. Там есть много быстрых курсов, в том числе и про Computer Science. С помощью этого курса вы сможете изучить основы Computer Science и понять откуда она зародилась.
Хорошая книга о том, как работают сети Интернет. Достаточно простая, рекомендую к прочтению.
Этот источник позволяет по-новому взглянуть на аналитику, на важность отдельных метрик. В этом гайде есть туториалы, как можно все эти знания использовать в Amplitude.
Выступление Юрия Тростина в Минске, где он рассказывает, как они делают data-driven стартап Worki.
Недавно мы вместе с Юрием Тростиным, Head of Analytics and Data Science в Worki, проводили вебинар «Как сменить профессию и стать крутым аналитиком?». Смотрите запись этого онлайн-интенсива
Зачем нужна аналитика?
Цель любого бизнеса — это извлечение прибыли. Прибыль — это выручка минус издержки. Прибыль должна быть максимизирована в долгосрочной перспективе. Как же здесь помогает аналитика?
Есть три больших направления, в которых аналитика добавляет ценности:
1. Формирование бизнес-процессов.
Куда бизнес движется, в правильном ли направлении, как чувствуют себя ключевые сегменты клиентов и бизнеса? Обладая этими данными, аналитик может подсказать решение тех или иных проблем. Допустим, в бизнесе что-то идёт не так, и, в условиях быстро ускоряющегося мира, время — это реально самый ценный ресурс. Необходимо решать проблемы и выводить на рынок новые гипотезы быстрее конкурентов, и здесь-то вам поможет аналитика.
2. Принятие взвешенных решений на основе данных.
Здесь уже не только про алертинг, но и про формирование ключевых решений. Ведение любого бизнеса сопровождается неопределенностью и всю полноту информации получить никак нельзя. Если бы информация была всегда полной, доступной и равномерно распределенной между участниками рынка, то аналитика как таковая была бы не нужна. Но и сверхприбыли у бизнеса тоже бы не было. Если у вас есть релевантные данные для принятия решения и понимание, как из них извлечь информацию, то автоматически вы выигрываете у тех, у кого данных и этого понимания нет. Конечно, в бизнесе нельзя всегда принимать правильные решения, но, например, с помощью data-driven подхода можно минимизировать долю неверных решений. Разумеется, для этого вам нужны спецы, которые могут для вас эти данные проанализировать, чтобы они были полные и консистентные, то есть согласованные. Тогда в долгосрочной перспективе из этого можно извлекать пользу.
3. Новые идеи для бизнеса, для развития и экспериментов.
В своей основе это прежде всего какая-то идея, и она может либо зайти на рынок, либо нет. Чем больше релевантных идей и чем больше экспериментов генерируется, тем больше прибыли вы можете в перспективе получить. Прелесть IT-продуктов в том, что исследуя паттерны поведения внутри сервиса, можно понимать инсайты, которые казалось бы изначально неочевидные, но которые говорят о том, как пользователю будет лучше за счет аналитики и данных. Кроме того, в этом же направлении лежат и накопление данных о том, что вы просматривали, чтобы сгенерировать для вас более релевантный контент. Например, это делает YouTube, Netflix, ВКонтакте и др. компании, где очень широко развита рекомендательная система.
Ключевой вопрос для любого анализа, во время и после него: so what?
Что от этого всего бизнесу? Вы каким-то образом улучшаете понимание того, что происходит в бизнесе на данный момент? Вы генерируете больше идей и экспериментов за счет анализа? Вы принимаете более правильные и свежие решения?
Если хотя бы один ответ на три этих вопроса «да», то значит аналитик не зря делает свою работу. Аналитика — это не просто цифры и числа, это мощный инструмент, который позволяет вести качественный бизнес. Компании, понимающие это, готовы серьёзно вкладываться в аналитику, ибо знают, что несмотря на затратность процесса, от этого можно получить гораздо больше.
На что важно обратить внимание при поиске первой работы?
Если вы для себя решили, что аналитика — это то, что вам нужно, то при поиске первой работы вам необходимо найти место, где вы сможете лучше всего прокачаться. Под прокачкой имеются ввиду не только хард скиллы и использование инструментов, но и то, как подходить к проблемам, как и какие данные использовать.
На что стоит обратить внимание при поиске первой работы?
Пункты пойдут по убыванию важности, от наиболее важным к наименее:
1. Самое главное — это команда и руководитель.
Это те люди, у которых вы будете ближайшие полгода, год или два учиться. Перед тем, как зайти на борт, спросите себя: хотите ли вы у них черпать знания, вдохновляют ли они вас, круты ли они в том, чем занимаются?
Постарайтесь про них выяснить как можно больше: посмотрите в интернете их выступления, ведут ли они какие-то блоги или каналы, может быть, они пишут тексты в профильных сообществах. Если хотя бы один человек в команде что-то из этого делает, то это хороший знак.
На интервью подробно расспросите, что ожидается от джуна, какой в компании формат взаимодействия в коллективе. Помните, что ваша основная цель — это прокачаться и уйти оттуда с полным знаний и опыта багажом.
2. Сама компания.
Это не про офис и условия труда — это, конечно, неплохо, но это не долгосрочная мотивация. Это про посыл, которая сама компания транслирует.
Качественный личностный рост может быть только вместе с мотивацией. Если мотивации нет, то нельзя классно прокачаться. Если ваш вайб резонирует с вайбом компании, то только тогда вы сможете эффективно усовершенствовать свои навыки. Лучше сразу найти себе какое-то место по душе. Аналитика сейчас нужна везде: в e-commerce, classified, foodtech, gametech, HR, медиа, логистика и т.д. Реально везде есть данные и с ними нужно работать, чтобы эффективно управлять бизнесом.
3. Стэк технологий, которые компания использует.
Как джун вы можете в них не разбираться, от вас это по большому счету никто и не ждёт, но если ребята пользуются Excel и у них база одна MySQL, то вам стоит насторожиться. Да, Excel — это супер мощный инструмент, но если у компании классный cтэк по работе с данными, то это значит, что она понимает их важность и готова в них вкладываться. И, скорее всего, у бизнеса есть классная команда, а это значит, что вы можете круче прокачаться.
Что вы можете предложить при поиске первой работы аналитиком?
1. Знание SQL.
Если вы не сможете достать нужные данные, то вы не сможете сделать анализ. Достать данные вы можете с помощью SQL. У Юрия Тростина была куча реджектов из-за того, что он не знал SQL. Потом, конечно, ему пришлось его выучить.
SQL бывает разный:
- Стандартный SQL, который сформировался в 80-е годы. Именно его надо учить изначально. Стандартный SQL Юрий учил с помощью сайта sql-ex.ru. Это сборник задач по SQL, где есть различные виды баз данных и там можно попробовать поотвечать на аналитические вопросы.
- В российской IT-индустрии популярен другой диалект SQL, с которым работает ClickHouse. ClickHouse — это колоночная аналитическая СУБД с открытым кодом, позволяющая выполнять аналитические запросы в режиме реального времени на структурированных больших данных, разрабатываемая компанией Яндекс.
ClickHouse сейчас используют повсеместно все, например, Mail.ru Group, Авито, Яндекс. Его синтаксис не сильно отличается от основного, хотя, конечно же, есть различия, которые делают его более функциональным в работе с ClickHouse. Его задачи заточены именно на анализ, на лиды, а не только на извлечение данных.
2. Python.
Это стандарт индустрии для анализа данных, data science, в нем также можно сразу создавать визуализации. Владение Python позволяет вам проводить определенные операции гораздо быстрее, если вы используете его в связке с SQL, в отличие от того момента, когда у вас есть просто SQL. Знание Python будет супер плюсом для потенциального джуна.
Юрий Тростин отмечает, что Python давался ему куда проще, чем SQL. Он очень много зависал на kaggle.com, делал там competitions. Также там есть очень много различных скриптов по анализу, чистке, визуализации данных в Python. Второй момент — это курсы. Например, тот же курс от ProductStar.
3. Системы визуализации данных / BI-системы.
Без визуализации данных ваш анализ не имеет никакого смысла. С помощью BI-системы вы сможете проанализировать данные, визуализировать их, собрать графики в единый дашборд, который будет давать больше представления о том, что происходит в бизнесе, а также из этих данных можно на лету генерить инсайты. Такие продукты, как Tableau, Power BI, QlikView, это все относится к BI-функционалу. Они похожи между собой, поэтому если ознакомиться с каким-то одним из этих продуктов, то вам не будет составлять труда пересесть на что-то другое впоследствии.
4. Специфические продукты, используемые в аналитике.
Не секрет, что есть маркетинговая аналитика, бизнес-аналитика, продуктовая аналитика. В некоторых местах есть стратегическая аналитика, есть аналитика колл-центров, линий поддержки и т.д.
Узкие инструменты для маркетинговой аналитики — это Google Analytics и Яндекс.Метрика. Для продуктовой аналитики — Amplitude, который нужен для анализа пользовательского поведения в приложениях.
5. Эконометрика, A/B-тестирование, Data science.
На джуниорском уровне это не так важно, но в дальнейшем знание таких инструментов вам точно понадобится, если вы хотите преуспеть в аналитике.
Не нужно переходить к инструментам ниже по списку, если вы сначала не выучили инструменты выше. Если вы еще не знаете SQL, то не стоит начинать учить Python и т.п.
Что еще может помочь при поиске первой работы?
1. Решение бизнес-кейсов.
При решении бизнес-кейсов вы научитесь думать и говорить структурировано, быстро и четко. Вы научитесь выдвигать гипотезы, запрашивать релевантные данные, проводить качественный анализ и делать корректные выводы. Также это научит вас понятно доносить информацию о проделанной работе до разных людей.
2. Представление о том, как работает IT.
Это нужно потому, что обычно аналитик находится между бизнесом и технической командой. Аналитику нужно уметь находить коннект как с бизнесом, так и с технической командой.
3. Знакомства в индустрии.
Это ценно в особенности для тех, кто не имеет технического образования. Через знакомства можно получить рекомендации, это, конечно, не определяющее, но в какой-то момент может помочь.
Есть разные оффлайн и онлайн митапы, где вы можете знакомиться с людьми. Есть также большое Slack-сообщество Open Data Science (ODS), где больше 30 тысяч человек, среди которых вы также можете найти себе людей по интересам.
Чего ждать на интервью?
Типичная схема собеседования:
1. Знакомство;
2. Техническая часть.
Проверка навыков, которые вы указали в резюме;
3. Домашнее задание.
Вам либо предоставляется схема данных, по которой вы должны в итоге прислать не конкретный ответ в виде цифр, а SQL. В другом варианте вам дадут data set, который нужно будет проанализировать с помощью Python или другого языка программирования и далее прислать рекомендации по этому анализу;
4. Мотивационное интервью.
Выясняют, зачем вам нужна именно эта работа.
Что делать джуну на первой работе?
Главное в первой работе — это максимальная прокачка.
1. Как можно больше общайтесь с командой.
При решении каких-либо задач всегда советуйтесь со своими коллегами, таким образом вы будете впитывать их опыт и делать более качественную работу.
2. Постарайтесь понять, как именно работает бизнес.
Задавайтесь вопросами:
- Что продает ваша компания?
- Какова экономика одной продажи?
- Какова модель монетизации?
- Что получает пользователь, когда пользуется продуктом вашей компании?
Это поможет сформировать вам цельную картину бизнеса, которая в то же время поможет вам при анализе данных и выдвижении гипотез.
3. Общайтесь не только со своей командой.
Общайтесь с самыми разными людьми внутри: разработка, продукт, маркетинг, продажи. Они могут поделиться с вами крутыми инсайтами о бизнесе и рынке.
4. Расширяйте сферы компетенции, не только по части аналитики.
5. Не засиживайтесь на одном месте.
Когда вы поняли, что ваши обязанности начинают повторяться, вы не можете уже взять от этого места столько же, сколько брали до этого, то задумайтесь, возможно, нужно открыться предложениям, которые поступают к вам, чтобы вы могли дальше расти как аналитик.
На что стоит смотреть при формировании команды?
1. Желание и страсть работать с данными.
Если вы любите искать паттерны в данных, если вы понимаете, что за данными стоит физический смысл, если вы можете с помощью данных на что-то влиять, то эта работа точно для вас.
2. Драйв.
Это про желание менять вещи. Классный аналитик должен быть проактивным.
3. Разнообразный опыт.
Когда у человека есть разносторонний опыт, он может добавить свою нестандартную точку зрения на проблему. С такими людьми интереснее работать.
4. Мотивация.
Важно, чтобы человек четко осознавал:
- Что он хочет получить в результате этой работы?
- Почему человек решил работать с данными?
5. Технические скиллы.
Никуда без них.
Полезные ссылки от Юрия Тростина:
Виктор Ченг — это икона в сфере консалтинга… У него есть классные книги и лекции на ютуб, а также аудиозаписи кейс-интервью. Вы можете их найти и послушать.
Очень распространённая книжка в сфере консалтинга, которая представляет собой сборник бизнес-кейсов. Попробуйте прочитать и самостоятельно порешать кейсы из этой книжки.
Книга рассчитана на большой пласт специалистов, от джунов до профи. Книга хорошо развивает мысль, зачем вообще нужна аналитика. Создает даже некий фреймворк о том, как можно думать про аналитику в компании.
Любимый канал Юрия на ютуб. Там есть много быстрых курсов, в том числе и про Computer Science. С помощью этого курса вы сможете изучить основы Computer Science и понять откуда она зародилась.
Хорошая книга о том, как работают сети Интернет. Достаточно простая, рекомендую к прочтению.
Этот источник позволяет по-новому взглянуть на аналитику, на важность отдельных метрик. В этом гайде есть туториалы, как можно все эти знания использовать в Amplitude.
Выступление Юрия Тростина в Минске, где он рассказывает, как они делают data-driven стартап Worki.
