Одна из самых сложных вещей для кандидатов – это сформулировать свои результаты и достижения, вместо обязанностей.
Спойлер: обязанностям не место в вашем резюме, там должны быть только результаты и/или достижения. Есть простая формула, на которую вы может опереться при формулировании: XYZ: сделал Х, используя Y, получил результат Z. Для вдохновения почитайте статью бывшего вице-президента Google, который рекомендует этот формат описания достижений.
На курсе про поиск работы в современных реалиях Hello New Job! мы говорим и про то, как же формулировать свои результаты, и делаем живую практику. Ещё мы даём примеры по разным профессиям, даём домашние задания и внеурочную дополнительную практику.
Это и правда непростая задача, если нет навыка. А у нас, у русскоязычных людей, часто нет этого такого навыка: всегда думать о своей работе в формате результатов и достижений.
Как аналитику или дата сайнтисту оценить свою работу с точки зрения пользы для бизнеса
И как лучше сформулировать это в резюме.
Самое сложное для многих кандидатов — понять, как именно они приносят пользу бизнесу.
Так обычно формулируют кандидаты свои сомнения.
Недавно у нас прошёл разбор резюме data scientist с Ришатом Исхаковым (VP Analytics Osome, экс Delivery Hero). Во время эфира мы получили много вопросов от аналитиков про то, как понять, чем их работа полезна бизнесу.
Рассмотрим Product analyst
- Обычно он делает исследования, дизайнит и считает A/B тесты, придумывает новые метрики, делает с ними дашборды.
- Самый простой критерий, который поможет понять, что его работа полезная — посмотреть на использование результатов работы. Если это дашборд, то как часто (и кто!) его смотрит. Если это исследование данных, то используются ли найденные в нём инсайты для улучшения продукта, создания новых фич.
- Критерий посложнее: считать совокупный результат работы команды, в которой находится продуктовый аналитик. На сколько увеличили такую-то метрику и за счёт чего. И дальше аттрибуцировать часть этого результата на себя, отвечая на вопрос: а можно ли было бы достичь этого без моего участия?
- Отдельно хочу выделить внутренние аналитические продукты, в которых создатель может померить метрики этого продукта. Например, «Сделал калькулятор для А/B тестов на питоне. Им теперь пользуется вся команда из Х аналитиков»
В случае с data science нужно разделять исследовательскую работу с продакшн
- Research data-scientist (исследователь) должен получать на выходе идеи для технологий, которые нужно внедрять в бизнес. Идеальный результат работы — это и идеи, которые повлияли на результат бизнеса и/или публикации в специализированном журнале.
- Data scientist в качестве результата своей работы может рассказать про модели/фичи/изменения, которые оказали влияние на метрики. Например, в случае поиска или рекомендательных алгоритмов это может быть улучшение конверсии или среднего чека, которые модель «прокрасила» в эксперименте.
Оксана Прутьянова, лидер направления поиска аналитиков и дата сайнтистов в NEWHR, собрала реальные примеры результатов работы:
Примеры результатов работы продуктовых аналитиков
- Перенесено более 70% операционных отчетов в BI-системы
- Разработан и проведен A/B-тест для выбора наилучшего сценария продажи в телемаркетинге, который привел к увеличению продаж в телемаркетинге на 15% (и достиг 12 млн долларов США ежемесячно)
- Провел более 50 тестов за 12 месяцев, которые улучшили пользовательский интерфейс для клиентов
- Провел более 20 специальных исследований поведения клиентов, которые помогли повысить эффективность продаж на 19% в годовом исчислении.
- Создана модель оценки эффективности рекламы (на основе этой модели был распределен бюджет на 3 года)
Примеры результатов работы дата сайнтистов
- Разработал классификатор транзакций: модель классификации проводок по расчетным счетам клиентов для выявления их экономического смысла. Данный инструмент используется в качестве разметки транзакций в различных ML-проектах команды: PD-моделях малого и среднего бизнеса, моделях прогнозирования оттока и отклика клиентов, моделях определения схожих клиентов. Подтвержденный экономический эффект от внедренных моделей составил более ХХХ долларов США в год.
- Создал прототип веб-приложения на основе NLP для кластеризации коротких текстов и поиска похожего текста, что позволяет в 30 раз сократить ручную работу при выполнении определенных операций.
- Реализован детектор аномалий текстов, улучшающий классификацию текста с 7% до 82%
P.S. Если вы хотите научиться формулировать результаты своей работы, рекомендуем наш курс Hello New Job! про поиск работы в современных реалиях.
