Критика понятна. Однако, у статьи была другая цель — показать взгляд нанимающей стороны на тот самый "красный рынок", на котором "не найти работы".
Это не гайд по найму аналитиков и не попытка описать идеальный процесс. Задача текста — зафиксировать сам разрыв между ожиданиями кандидатов и реальностью отбора, а не разобрать все измерения хорошего аналитика.
Сложность входа в профессию здесь не уникальна — она примерно одинакова почти везде. И ключевой фактор не в "порогах работодателя", а в интересах самого человека.
Аналитика — не одна профессия, а спектр: — Кому-то интересна теория и математика, — другим — данные как инфраструктура: источники, схемы, доступы, — третьим — программирование и автоматизация. — четвёртым — бизнес: как продукт используют, за что платят, что растёт и почему. Все эти люди — аналитики, просто они хороши в разных задачах.
В нашем случае нужен был аналитик, который понимает цели бизнеса и умеет рассуждать на данных в этом контексте. Именно такого человека мы и нашли. А то, что в каждый подбор откликаются люди с самым разным и порой далёким от задачи опытом — это не "печальная статистика", а, видимо, нормальное состояние рынка. Люди пробуют, ищут себя, примеряют разные роли.
Это не про "молодёжь" и не про смузи. Мой опыт со студентами такой: очное обучение постоянно вмешивается в рабочий график — пары, научрук, сессии. В итоге человек формально full-time, а по факту — нет. При этом ожидания по деньгам обычно не ниже, чем у тех, кто уже закончил учиться.
Мы как раз не проверяли знание бизнес-специфики. Кейсы на собеседовании были максимально общими и доменно-нейтральными — про логику, работу с цифрами и умение рассуждать.
Если человеку в принципе интересно, как работает бизнес, и он умеет думать на данных, эти вопросы не вызывают сложностей даже без контекста. Если бизнес-контекст не интересен вовсе — испытательный срок это не исправит.
Действительно, часть первичного отсева могла и должна была быть сделана на стороне HR — это снизило бы нагрузку на меня как на нанимающего менеджера. По факту я получал резюме уже с ответами на опросник и комментариями после первичного контакта, и на каждом этапе принимал решение "идём дальше / нет".
Прямой поиск рассматривался как резервный сценарий, если входящий поток не даст результата. Судя по процессу, его стоило подключать раньше.
Процесс действительно можно было сделать эффективнее. Это хороший вывод на следующий найм.
Мы как раз и нанимали продуктового аналитика под конкретную задачу, а не "знатока теории". Поэтому тесты и вопросы были максимально приближены к реальной работе: цифры, контекст, необходимость сделать выводы и принять решение.
Цель — не проверить матстат, а увидеть, как человек думает на данных. В итоге именно такого кандидата и нашли: увидел цифры и начал выдавать понятные, логичные рассуждения.
Про тысячу откликов — да, думаю это массовые отклики. На IT-вакансиях такие объёмы — норма, это можно посмотреть в открытой статистике HH, её показывают в приложении для любой вакансии.
По поводу "не берут трубку" — мы связывались всеми доступными способами (сообщения в HH, контакты из резюме, тг). Начинали, разумеется, с предпочитаемого кандидатом способа связи.
Именно поэтому и был сделан входной опросник. Его цель — не читать 1000 откликов в день, из которых 90% не про вакансию. 85 — это уже отфильтрованный поток, а не "весь рынок".
Часть отвалилась ещё на опроснике, где не были вырезаны шаблоны GPT вплоть до "хотите, я адаптирую резюме". Ещё часть на интервью: было видно, что человек читает с экрана и не понимает, что говорит. Короче, проблема не в использовании инструмента, а в отсутствии собственного мышления.
> В чём проблема нанять GPT?
Не понимаю вопрос. Если бы нам нужен был GPT, мы бы его и использовали. Мы нанимаем аналитика, а не интерфейс к LLM.
> Какие подводные, если она проходит ваши тесты и работает с цифрами?
Подводных много, но это уже вопрос "заменит ли GPT аналитика". Мне в этой задаче комфортнее работать с аналитиком.
Мы действительно не искали полное совпадение стека, так как в аналитических системах базовые принципы одинаковы, и переход между продуктами типа c amplitude на mixpanel — вопрос адаптации, а не переучивания.
Согласен полностью, стресс на интервью — фактор серьезный. Но цель у нас была не в том, чтобы получить "единственно верный ответ", а в том, чтобы увидеть логику рассуждений: на какие метрики человек смотрит в первую очередь, какие вопросы задает к данным, как строит гипотезы.
Всё проще, чем кажется. Технически это настраивается внутри HH.
Когда кандидат нажимает кнопку "Откликнуться", перед ним всплывает окно с коротким списком вопросов. Мы использовали это как первый фильтр:
1. Стек: "Работали ли вы с Amplitude/Superset?" (Да/Нет/Другие инструменты).
2. Условия: Город проживания, формат работы (удаленка/офис) и пр.
3. Опыт: Краткое описание релевантного кейса.
Задача опросника — барьер против массовых откликов. Те, кто просто рассылает резюме на всё подряд, ленятся заполнять даже 5 полей и отваливаются. В итоге до меня дошли только 85 человек, которые действительно прочитали вакансию и готовы были потратить 2 минуты на ответы. Без этого опросника я бы разгребал 1000+ резюме вручную
По поводу стека — он, конечно же, был указан в вакансии (мы работаем в Amplitude и Superset). Согласен, что искать стек "один в один" — путь в никуда, поэтому мы смотрели скорее на умение работать с данными в принципе, а не на знание конкретных кнопок.
И про кейсы — прямо в точку: именно их мы и разбирали. И в предварительном опроснике, и на самом интервью (те самые задачи про пуши и A/B тесты из статьи). Как показала практика, "рассказать про свой сложный кейс" могут многие, а вот решить чужой в реальном времени — тут-то и начинается самое интересное.
Ощущаю в вопросе вайб профессионального бухгалтера! :)
На самом деле тут всё просто: Доходы будущих периодов — это бухгалтерский термин (деньги на счету есть, но услуга еще не оказана). Выручка будущих периодов в продуктовой аналитике — это Revenue Forecasting (прогноз).
Считается это обычно через когортный анализ: смотрим на исторический Retention и LTV старых пользователей и экстраполируем их поведение на будущее. Но это тема для отдельной большой статьи, здесь я всё-таки больше про боли найма
Знаю картину изнутри, поэтому поддержу мысли других комментаторов, что
1. МТС - действительно изобретатель ИТ-велосипедов. А ещё у них большое количество продуктов, которые не окупаются. Nuum - один из них.
2. Действительно, у МТС, как и у любой крупной компании, есть деньги, которые нужно приумножать, и которые вкладываются в порой безумные проекты - примерно как в венчурных инвестициях - что-то да взлетит.
3. МТС Банк - это один из главных генераторов выручки экосистемы МТС. Идея действительно крутая - во-первых - огромное количество клиентов, которых можно перевести в свой банк, а во-вторых - огромное количество сотрудников, которых заманивают в банк на зарплатный проект разными плюшками. В итоге у банка много клиентов просто потому что они крупный оператор с большим количеством сотрудников. Джек пот!
Хм! У нас тоже всё планируется и грумится заранее, и никто никуда не прибегает, хотя у нас и не Авито. Любопытно, что у кого-то неуправляемый треш в проекте :)
Критика понятна. Однако, у статьи была другая цель — показать взгляд нанимающей стороны на тот самый "красный рынок", на котором "не найти работы".
Это не гайд по найму аналитиков и не попытка описать идеальный процесс. Задача текста — зафиксировать сам разрыв между ожиданиями кандидатов и реальностью отбора, а не разобрать все измерения хорошего аналитика.
Сложность входа в профессию здесь не уникальна — она примерно одинакова почти везде. И ключевой фактор не в "порогах работодателя", а в интересах самого человека.
Аналитика — не одна профессия, а спектр:
— Кому-то интересна теория и математика,
— другим — данные как инфраструктура: источники, схемы, доступы,
— третьим — программирование и автоматизация.
— четвёртым — бизнес: как продукт используют, за что платят, что растёт и почему.
Все эти люди — аналитики, просто они хороши в разных задачах.
В нашем случае нужен был аналитик, который понимает цели бизнеса и умеет рассуждать на данных в этом контексте. Именно такого человека мы и нашли. А то, что в каждый подбор откликаются люди с самым разным и порой далёким от задачи опытом — это не "печальная статистика", а, видимо, нормальное состояние рынка. Люди пробуют, ищут себя, примеряют разные роли.
Это не про "молодёжь" и не про смузи. Мой опыт со студентами такой: очное обучение постоянно вмешивается в рабочий график — пары, научрук, сессии. В итоге человек формально full-time, а по факту — нет. При этом ожидания по деньгам обычно не ниже, чем у тех, кто уже закончил учиться.
Мы как раз не проверяли знание бизнес-специфики. Кейсы на собеседовании были максимально общими и доменно-нейтральными — про логику, работу с цифрами и умение рассуждать.
Если человеку в принципе интересно, как работает бизнес, и он умеет думать на данных, эти вопросы не вызывают сложностей даже без контекста. Если бизнес-контекст не интересен вовсе — испытательный срок это не исправит.
Замечания по делу!
Действительно, часть первичного отсева могла и должна была быть сделана на стороне HR — это снизило бы нагрузку на меня как на нанимающего менеджера. По факту я получал резюме уже с ответами на опросник и комментариями после первичного контакта, и на каждом этапе принимал решение "идём дальше / нет".
Прямой поиск рассматривался как резервный сценарий, если входящий поток не даст результата. Судя по процессу, его стоило подключать раньше.
Процесс действительно можно было сделать эффективнее. Это хороший вывод на следующий найм.
Мы как раз и нанимали продуктового аналитика под конкретную задачу, а не "знатока теории". Поэтому тесты и вопросы были максимально приближены к реальной работе: цифры, контекст, необходимость сделать выводы и принять решение.
Цель — не проверить матстат, а увидеть, как человек думает на данных. В итоге именно такого кандидата и нашли: увидел цифры и начал выдавать понятные, логичные рассуждения.
Про тысячу откликов — да, думаю это массовые отклики. На IT-вакансиях такие объёмы — норма, это можно посмотреть в открытой статистике HH, её показывают в приложении для любой вакансии.
По поводу "не берут трубку" — мы связывались всеми доступными способами (сообщения в HH, контакты из резюме, тг). Начинали, разумеется, с предпочитаемого кандидатом способа связи.
Именно поэтому и был сделан входной опросник. Его цель — не читать 1000 откликов в день, из которых 90% не про вакансию. 85 — это уже отфильтрованный поток, а не "весь рынок".
> Так прошли они ваши тесты?
Часть отвалилась ещё на опроснике, где не были вырезаны шаблоны GPT вплоть до "хотите, я адаптирую резюме". Ещё часть на интервью: было видно, что человек читает с экрана и не понимает, что говорит. Короче, проблема не в использовании инструмента, а в отсутствии собственного мышления.
> В чём проблема нанять GPT?
Не понимаю вопрос. Если бы нам нужен был GPT, мы бы его и использовали. Мы нанимаем аналитика, а не интерфейс к LLM.
> Какие подводные, если она проходит ваши тесты и работает с цифрами?
Подводных много, но это уже вопрос "заменит ли GPT аналитика". Мне в этой задаче комфортнее работать с аналитиком.
"Предыдущий оратор" — это тоже я 🙂
Мы действительно не искали полное совпадение стека, так как в аналитических системах базовые принципы одинаковы, и переход между продуктами типа c amplitude на mixpanel — вопрос адаптации, а не переучивания.
Спасибо за комментарий и удачи на новом месте!
Согласен полностью, стресс на интервью — фактор серьезный. Но цель у нас была не в том, чтобы получить "единственно верный ответ", а в том, чтобы увидеть логику рассуждений: на какие метрики человек смотрит в первую очередь, какие вопросы задает к данным, как строит гипотезы.
Всё проще, чем кажется. Технически это настраивается внутри HH.
Когда кандидат нажимает кнопку "Откликнуться", перед ним всплывает окно с коротким списком вопросов. Мы использовали это как первый фильтр:
1. Стек: "Работали ли вы с Amplitude/Superset?" (Да/Нет/Другие инструменты).
2. Условия: Город проживания, формат работы (удаленка/офис) и пр.
3. Опыт: Краткое описание релевантного кейса.
Задача опросника — барьер против массовых откликов. Те, кто просто рассылает резюме на всё подряд, ленятся заполнять даже 5 полей и отваливаются. В итоге до меня дошли только 85 человек, которые действительно прочитали вакансию и готовы были потратить 2 минуты на ответы. Без этого опросника я бы разгребал 1000+ резюме вручную
Полностью согласен с вашим подходом!
По поводу стека — он, конечно же, был указан в вакансии (мы работаем в Amplitude и Superset). Согласен, что искать стек "один в один" — путь в никуда, поэтому мы смотрели скорее на умение работать с данными в принципе, а не на знание конкретных кнопок.
И про кейсы — прямо в точку: именно их мы и разбирали. И в предварительном опроснике, и на самом интервью (те самые задачи про пуши и A/B тесты из статьи). Как показала практика, "рассказать про свой сложный кейс" могут многие, а вот решить чужой в реальном времени — тут-то и начинается самое интересное.
Спасибо за дополнение!
Ощущаю в вопросе вайб профессионального бухгалтера! :)
На самом деле тут всё просто:
Доходы будущих периодов — это бухгалтерский термин (деньги на счету есть, но услуга еще не оказана).
Выручка будущих периодов в продуктовой аналитике — это Revenue Forecasting (прогноз).
Считается это обычно через когортный анализ: смотрим на исторический Retention и LTV старых пользователей и экстраполируем их поведение на будущее. Но это тема для отдельной большой статьи, здесь я всё-таки больше про боли найма
Знаю картину изнутри, поэтому поддержу мысли других комментаторов, что
1. МТС - действительно изобретатель ИТ-велосипедов. А ещё у них большое количество продуктов, которые не окупаются. Nuum - один из них.
2. Действительно, у МТС, как и у любой крупной компании, есть деньги, которые нужно приумножать, и которые вкладываются в порой безумные проекты - примерно как в венчурных инвестициях - что-то да взлетит.
3. МТС Банк - это один из главных генераторов выручки экосистемы МТС. Идея действительно крутая - во-первых - огромное количество клиентов, которых можно перевести в свой банк, а во-вторых - огромное количество сотрудников, которых заманивают в банк на зарплатный проект разными плюшками. В итоге у банка много клиентов просто потому что они крупный оператор с большим количеством сотрудников. Джек пот!
Хм! У нас тоже всё планируется и грумится заранее, и никто никуда не прибегает, хотя у нас и не Авито. Любопытно, что у кого-то неуправляемый треш в проекте :)