С каким стеком работал

С каким техническим стеком я работал как Product Analyst

Данные и хранилище

PostgreSQL (5+ лет)

• Primary база данных для OLTP операций
• Писал SQL запросы: select, joins, window functions, CTE, subqueries
• Оптимизация: indexes, query execution plans, EXPLAIN ANALYZE
• Типичные запросы: cohort analysis, funnel analysis, retention curves

Google BigQuery

• Data warehouse для аналитики
• Dataset с 500M+ events за 3 года
• SQL диалект: Google Standard SQL
• Писал: segmentation queries, A/B test analysis, time series
• Стоимость-эффективность: on-demand queries, reasonable billing

Snowflake

• В одном стартапе как альтернатива BigQuery
• Schema: star schema с facts и dimensions
• Features: dbt integration, time travel, cloning

Инструменты для аналитики

Google Analytics 4

• Трекинг user events на веб и мобильных
• Создание segments, audiences, conversion funnels
• Integration с другими tools через API

Amplitude

• Product analytics для SaaS (лучше чем GA для этого)
• Cohort retention analysis
• Behavioral segmentation
• Insights: autocomplete recommendations, query builder

Tableau

• Создание дашбордов и visualizations
• Real-time dashboards для CEO
• Interactive reports: filters, drill-downs
• Типичные: revenue trends, user acquisition funnel, retention cohorts

Looker (Google's BI tool)

• При работе в компаниях с Google Cloud
• LookML: язык для определения metrics и dimensions
• Embedded dashboards в приложение

Metabase

• Open-source BI для small/mid companies
• Простой query builder
• Nice: auto-generated insights, question recommendations

Статистика и экспериментирование

Python

• Statistical libraries: scipy, numpy, pandas
• A/B test analysis: calculating p-values, confidence intervals
• Typical workflow: import data → analyze → plot → interpret
• Libraries: statsmodels для regression analysis

R

• В крупных компаниях с dedicated data scientists
• ggplot2 для visualization
• tidyverse для data manipulation
• Более мощный чем Python для статистики

Jupyter Notebooks

• Exploratory analysis
• Documenting findings
• Sharing results с team

Google Sheets + Apps Script

• Simple calculations
• Sharing live dashboards с non-technical stakeholders
• Scheduled reports via automation

Отслеживание и инструменты отправки событий

Segment

• Customer data platform (CDP)
• Единый слой для отправки events в разные tools
• Source: веб, мобильные, backend
• Destinations: Analytics, Amplitude, Mixpanel, CRM

Mixpanel

• Event-based analytics
• User journeys, path analysis
• Lifetime value, cohort analysis

custom tracking

• PostgreSQL таблица: events с user_id, event_type, timestamp, properties
• Backend: логирует все действия
• Analytics: читаю из этой таблицы через SQL

Коммуникация и презентации

Google Slides / PowerPoint

• Презентации для executive stakeholders
• Storytelling: data + narrative

Figma

• Визуализация user journeys
• Диаграммы funnels и workflows

Confluence / Notion

• Документирование findings
• Shared team knowledge

Workflow типичного дня

1. Утро: Check email, read Slack alerts (metrics dashboard, automated anomaly detection)
2. Час 1-2: Write SQL query в BigQuery, export data
3. Час 2-3: Python/Jupyter: analyze, plot, statistical test
4. Час 3-4: Tableau: create/update dashboard
5. Час 4-5: Slack message с findings, schedule call с stakeholders
6. Час 5-6: Presentation в Slides, share в Confluence

Кодовая база

Версионирование:

• GitHub для хранения SQL scripts и Python notebooks
• Комментарии: что делает этот запрос и для чего
• Code review: когда анализ critical, просю review у другого analyst

Documentation:

• README с описанием всех метрик
• Data dictionary: какие таблицы, колонки, их значения

Примеры кода, который писал

-- Cohort retention analysis
WITH first_purchase AS (
  SELECT 
    user_id,
    DATE(TIMESTAMP(created_at)) as cohort_date
  FROM orders
  WHERE created_at >= '2024-01-01'
  GROUP BY user_id
)
SELECT 
  cohort_date,
  DATE_DIFF(DATE(TIMESTAMP(o.created_at)), cohort_date, DAY) as days_since_cohort,
  COUNT(DISTINCT o.user_id) as retained_users
FROM first_purchase fp
JOIN orders o ON fp.user_id = o.user_id
GROUP BY cohort_date, days_since_cohort
ORDER BY cohort_date, days_since_cohort;

# A/B test statistical analysis
from scipy import stats
import numpy as np

control = [conversion_data_group_a]
treatment = [conversion_data_group_b]

# Chi-square test для бинарной метрики
chi2, pval, dof, expected = stats.chi2_contingency([[control_conversions, control_total - control_conversions], 
                                                      [treatment_conversions, treatment_total - treatment_conversions]])

print(f"P-value: {pval}")
print(f"Statistically significant: {pval < 0.05}")

Что я предпочитаю использовать

Для быстрого анализа: SQL + Google Sheets Для глубокого анализа: SQL + Python (Jupyter) Для dashboards: Tableau или Looker Для A/B тестирования: Amplitude или custom Python script Для коммуникации: Slides + Tableau

Навыки, которые считаю обязательными

• SQL: join, window functions, CTEs (базовый уровень 80%+ квеста)
• Statistics: p-value, confidence intervals, effect size
• Data visualization: какие charts для каких данных
• Communication: объяснить результаты бизнесу
• Curiosity: любопытство к данным и гипотезам

Остальное: языки программирования, specific tools — можно выучить. Важно понимание логики и аналитического мышления.