Какие приоритеты при выборе компании?

Критерии выбора компании для Data Analyst

1. Данные и инфраструктура

Качество и объёмы данных

Первое, что интересует меня — как устроена работа с данными в компании:

Ключевые вопросы на интервью:

• Какие источники данных? (СРМ, веб-аналитика, мобильное приложение, BI-система, хранилище данных)
• Объёмы данных? (ГБ, ТБ, ПБ?)
• Качество данных? (есть ли дата-гвардс, валидация на входе?)
• Как часто обновляются данные? (реал-тайм, ежедневно, еженедельно?)
• Есть ли дата-инженеры? (или я буду разбираться с ETL сам?)

Почему это важно: Если данных нет или они ужасного качества, то весь анализ будет на песке. Я предпочитаю работать там, где данные — уже критичная инфраструктура, а не хаос.

Tech stack

Это определяет, какие навыки буду применять:

• Database: PostgreSQL, MySQL, BigQuery, Snowflake, Redshift?
• BI tools: Tableau, Looker, Metabase, Power BI?
• Python: есть ли возможность писать скрипты для анализа?
• Cloud: AWS, GCP, Azure?
• Modern stack: есть ли dbt, Airflow, Great Expectations?

Красный флаг: если компания использует Excel для аналитики вместо нормального хранилища.

2. Зрелость данных в компании

Уровень 1: Chaos (хаос)

• Нет центрального хранилища данных
• Метрики считаются в разных местах
• Невозможно ответить на простые вопросы

Вывод: здесь нужен пионер, готовый создавать всё с нуля. Много работы, но может быть скучно из-за отсутствия инструментов.

Уровень 2: Reporting (отчётность)

• Есть базовые дашборды
• Но нет единого источника истины
• Аналитика = рутинная подготовка отчётов

Вывод: нормально, если нравится структурировать данные, но может быть мало аналитических задач.

Уровень 3: Analytics (аналитика)

• Централизованное хранилище (Data Warehouse)
• Есть аналитический слой (витрины, мартины)
• Аналитики делают insights, а не просто отчёты
• Есть A/B тесты, экспименты

Вывод: идеальный уровень. Можно заниматься интересной аналитикой.

Уровень 4: Data-driven culture

• Все решения основаны на данных
• Есть data scientist команда
• Прогнозирование и ML модели
• Data literacy в компании

Вывод: лучший вариант, если интересна передовая аналитика и ML.

3. Роль и карьера

Должностная инструкция

Спрашиваю на интервью:

• Что именно буду делать первые 3 месяца?
• На какие вопросы должен ответить?
• С какими командами взаимодействовать? (Product, Marketing, Finance, Engineering?)

Красный флаг: если должностная инструкция размытая или в описании только "подготовка отчётов".

Карьерный рост

• Есть ли в компании старших аналитиков, lead'ов?
• Возможен ли переход в product analytics?
• Есть ли бюджет на обучение?
• Как часто проводятся reviews и повышения?

4. Бизнес-модель и интересность

Какой бизнес мне интересен?

Для аналитика важно:

• B2B SaaS — интересные метрики (MRR, Churn, CAC), активный анализ
• E-commerce — конверсии, когорты, реальный impact на доход
• Финтех — сложные данные, fraud detection, интересная математика
• Медиа/Соцсети — A/B тесты, retention, вирусные механики
• AdTech — объёмы данных, сложные расчёты

Красный флаг: если бизнес стагнирует или чистая отчётность без инноваций.

5. Команда и менеджмент

Data Team

• Сколько аналитиков в команде?
• Кто мой менеджер? Какой он/она в управлении?
• Есть ли процесс code review для анализа?
• Как часто проводятся синхронизации?

Идеал: небольшая, но сильная команда с хорошим лидером.

Коммуникация с бизнесом

• Слушают ли результаты аналитики?
• Используют ли findings для принятия решений?
• Есть ли переводчик между техом и бизнесом?

Красный флаг: если "провели анализ, но никто не прочитал отчёт".

6. Компенсация и benefits

Зарплата

Для Data Analyst в Russia (2026):

• Junior (0-2 года): 150-200K руб
• Middle (2-5 лет): 200-350K руб
• Senior (5+ лет): 350-550K+ руб

Но важнее не абсолютная сумма, а:

• Справедливость относительно рынка
• Возможность бонусов (по результатам)
• Варианты для удалённой работы

Work-life balance

• Удалённая работа? (important post-COVID)
• Flex графики?
• Отпуск и больничные?
• Помощь в развитии (конференции, курсы)?

7. Размер компании

Стартап (1-50 человек)

✅ Плюсы: быстрое влияние, можешь делать всё ❌ Минусы: нет инфраструктуры, часто нет бюджета на инструменты

Растущая компания (50-500 человек)

✅ Плюсы: интересные задачи, есть инвестиции ❌ Минусы: организационные хаотичность

Крупная компания (500+ человек)

✅ Плюсы: инфраструктура, бюджеты, карьера ❌ Минусы: бюрократия, может быть скучно

8. Финансовое здоровье

Проверяю перед интервью:

• Есть ли финансирование / прибыль?
• Сколько runway? (на сколько месяцев хватит денег стартапу?)
• Стабильна ли компания? (нет ли news о сокращениях?)

9. Стек технологий (мой личный рейтинг)

Золотой стандарт:

• PostgreSQL или BigQuery
• Tableau или Looker
• Python для аналитики
• dbt для трансформации
• Git версионирование

Принимаю:

• MySQL / Snowflake / Redshift
• Power BI
• R вместо Python
• Airflow / Prefect для ETL

Стараюсь избежать:

• Excel как основное хранилище
• Proprietary systems без стандартов
• Нет контроля версий

10. Вопросы на интервью, которые я задаю

1. О данных:

   • Какой стек используете? Как скоро смогу начать писать запросы?
   • Какая задача будет моей первой? На какой вопрос компания хочет ответить?

2. О команде:

   • Кто мой менеджер? Расскажите о team dynamics
   • Есть ли процесс code review для SQL/Python?

3. О влиянии:

   • Какой был самый успешный анализ, который изменил решение?
   • Как результаты аналитики попадают в стратегию компании?

4. О развитии:

   • Как растут аналитики в компании? Есть ли path к lead/senior?
   • Есть ли бюджет на конференции, курсы?

Моя личная иерархия приоритетов

1. Качество данных + Tech stack (без этого ничего не получится)
2. Зрелость аналитики (хочу заниматься инсайтами, не отчётами)
3. Интересный бизнес (люблю SaaS, Fintech)
4. Хорошее управление (менеджер и команда)
5. Карьерный рост (возможность развиваться)
6. Компенсация (справедливая, но не главное)
7. Work-life balance (важно, но готов к flex в growth phase)

Красные флаги (я уходу)

• Нет SQL — только Excel
• No version control для аналитики
• Данные в стартапе никому не нужны (продукт ведёт по гадалке)
• Менеджер не поддерживает аналитиков
• Отсутствует feedback loop (анализ никому не нужен)
• Нет бюджета на инструменты, но есть требование результатов

Выбор компании определяет, как ты будешь развиваться как аналитик на следующие 2-3 года.