Історія світчу із Customer Support Representative у Data Analyst
Іноді зміна професії звучить як щось грандіозне: ніби ти залишаєш усе знайоме позаду й вирушаєш у вільне плавання без карти та компасу. Але насправді це досить природний процес. Ми ростемо, змінюємося, вчимось нового, і раптом те, що вчора надихало, сьогодні вже не додає сил.
Світ змінюється швидко — і ми разом із ним. Зараз змінити професію на будь-якому етапі — це не знак поразки, а ознака сили. Ознака того, що ти чуєш себе й не боїшся рухатися туди, де більше сенсу, драйву й можливостей.
Я теж колись стояла перед цим вибором. І якщо вам цікаво, як я з команди сапорту потрапила в аналітику — ось моя історія.
Хто такий Customer Support Representative
У далекому 2020-му, коли світ ще тільки оговтувався від локдаунів і ми намагалися вийти з піжамного режиму, я, як і багато хто, задумалась: «А що далі?». Повернення до офлайну зовсім не надихало в той період, тому я почала шукати щось віддалене й більш стабільне — так і опинилася в команді Customer Care в Boosta.
Для мене команда підтримки завжди була прикладом хорошого старту в ІТ. Це така собі прискорена школа життя: ти й конфлікти вчишся вирішувати так, щоб усі були задоволені, і систему вивчаєш до останньої кнопки, і аутлаєри швидше знаходять тебе, ніж ти їх.
Кількість робочих мемів — узагалі окрема історія. А ще ж на додачу тренуєш multitasking, англійську й навички комунікації до рівня, коли можеш у трьох реченнях пояснити складну проблему так, що хоч зараз у продакт-команду.
Загалом, якщо говорити коротко — сапорт-агент вирішує проблеми, питання, скарги клієнтів через чати, імейли або дзвінки. Інколи й усе разом. Хороший агент має знати всю платформу як свої п’ять пальців, стежить за новими релізами й уміє легко знайти спільну мову навіть із найбільш вибагливим клієнтом.
У якийсь момент я відчула, що просто допомагати користувачам — саме мені вже недостатньо й не так цікаво. Хотілося впливати на продукт глибше, не тільки вирішувати окремі звернення, а й бачити загальні проблеми, тренди, робити висновки та пропонувати рішення ще до того, як щось піде не так.
Тоді в команді відкрилася позиція Customer Support Team lead, і я пройшла. На посаді тімліда я вперше почала працювати з даними команди: збирати статистику, оцінювати якість роботи, будувати звіти, відстежувати динаміку й показники ефективності. Тоді й зародилась ідея переходити в напрям аналітики.
Чому вибрала саме аналітику
Дуже просто. Цифри — це моя слабкість. І сила. Я завжди непогано давала раду інтегралам і векторам. А перейшовши на посаду тімліда команди сапорту, я отримала доступ до перформансу команди, який потрібно було не тільки покращувати, а і якось відстежувати. Тут і зʼявився мій перший аналітичний тул — Power BI, а разом із ним й ідея створити свій перший дашборд, який би дав змогу відстежувати результати команди, бачити динаміку і, як наслідок, здійснити неймовірний стрибок від спредшитів і ручних прорахунків до автоматизації й економії часу.
Ще однією причиною вибору саме аналітики як моєї майбутньої сфери став вплив нашої команди Data Science/Analytics. Рішення тут не приймають на основі «здається». Усе — через дослідження, гіпотези й тести. Я бачила, як багато можна зробити, маючи правильні дані, і як сильно це прокачує продукт. У якийсь момент я чітко зрозуміла: я хочу бути частиною цього процесу.
Звісно, це звучить романтично тільки на папері. Насправді ж все було дещо складніше. Коли я тільки почала свій перехід в аналітику, мені довелося фактично почати все з нуля. Дні виглядали приблизно так: до 18:00–19:00 години основна робота, далі — дві години відео, скриптів, туторіалів, розбирання кейсів, перегляду статей і блогів. Інколи було важко, голова часто відмовлялась сприймати нову інформацію — і ще ж треба її не тільки запам’ятати, а і навчитися використовувати.
Я зрозуміла одну важливу річ: перехід у нову сферу — це не «раз і готово». Це марафон, де головне — не зупинятись, навіть якщо йдеш повільніше, ніж хотілося б.
Які навички треба було прокачати і як я це робила
Я вирішила не намагатися вивчити все на світі, а зосередитися на базових навичках, які потрібні майже кожному аналітику. Моє навчання мало приблизно такий вигляд:
-
1
SQL — святая святих кожного аналітика. Без нього нікуди. Перші запити я вчилася писати на онлайн-тренажерах на кшталт W3School, Mode і DataCamp. Спочатку пазл складався важко, але що більше практики, то все стає зрозуміліше.
-
2
Power BI — мій перший візуалізаційний тул. Я вчилася за курсами на YouTube (особливо мені подобались відео “How to Power BI”) і паралельно створювала дашборди для реальних потреб своєї команди.
-
3
Python — вивчала базу: Pandas, Numpy, Matplotlib, трішки scikit-learn. Для старту почала з курсу на Coursera (IBM Data Science Professional Certificate).
-
4
Big Query — опановувала вже на практиці: трохи теорії, трохи гугління, трохи грабель. Це як SQL на стероїдах.
-
5
Аналітичне мислення — тут допомогли задачі на логіку й аналіз кейсів. Читала Harvard Business Review, слухала подкасти про продуктову аналітику (наприклад, “Data skeptic” і “Analytics on Fire”).
-
6
A/B tests — мушу зізнатись, що спочатку це була найважча тема для мене, але допомогли курси на Udacity (A/B Testing) і Coursera (Improving your statistical inferences).
Яким був процес пошуку роботи
Підписуйтеся на наші соцмережі
Не скажу, що це був найпростіший етап у моїй карʼєрі. Навчання після основної роботи давалося справді нелегко, забирало багато енергії й часу, і постійно переслідувало відчуття, що чогось бракує: ще одна тема, ще одне відео, ще один скрипт. У якийсь момент у мене склалося враження, що я постійно буду вчитись і цього все ще буде недостатньо для початку пошуків.
І найбільше збивало з пантелику не саме навчання — а вакансії. Бо кожен шукає унікального «бійця»: щоб і SQL, і Tableau/Power BI, і Python, і маркетингові гіпотези, і AB-тести, і досвід. А як мені обрати щось універсальне? Ось у чому було основне питання. У якийсь момент я зрозуміла: на ідеальну можливість можна чекати вічно. Треба йти в бій уже зараз, навіть якщо ще є куди рости. І що цікаво — цей підхід спрацював.
Резюме
При написанні резюме важливо пам'ятати: ви не просто переписуєте свій досвід — ви розповідаєте історію про те, чому саме ви підходите для нової ролі. І навіть якщо у вас немає офіційної позиції «аналітик», це не означає, що у вас немає аналітичного досвіду.
Ось кілька принципів, які мені дуже допомогли:
- Резюме має привертати увагу. Тому на початку варто чітко написати, яку роль ви шукаєте, які ключові скіли маєте (SQL, аналітика даних, Power BI, A/B-тести). І так, навіть якщо ще не працювали аналітиком офіційно — це окей.
- Показуйте релевантний досвід, а не тільки назви посад. Наприклад, якщо на позиції тімліда я регулярно аналізувала звернення клієнтів, будувала звіти й шукала патерни проблем — це вже аналітика. Варто додати це в опис посади.
- Попрацюйте над pet-проєктами. Якщо ви самостійно будували дашборди, аналізували відкриті датасети з Kaggle або розробляли невеликі Python-скрипти — вказуйте це в резюме. Pet-проєкти — це реальний досвід, можливість проявити свою креативність і показати реальні приклади своєї роботи.
- Будьте конкретними. Замість «опрацьовувала звіти» краще писати «створила дашборд у Power BI для трекінгу ключових метрик команди, що знизило час на підготовку звітності на 30%».
І ось вона — співбесіда
Коли ти по той бік екрана й проводиш співбесіду — уся влада у твоїх руках. Ти — той, хто ставить каверзні питання. За весь час у сапорті й до того я провела близько 100 співбесід. Але коли ти сідаєш у крісло кандидата — усе змінюється. Страшно, незвично, і здається, що від кожного слова залежить абсолютно все.
Я подавалася на різні вакансії, але побачила, що у Boosta, де я й працювала, відкрилася вакансія. Тож на посаду Data Analyst у мене було всього дві співбесіди — і на другу я пішла лише заради досвіду. Перша ж співбесіда в компанію Boosta пройшла настільки добре, що замість запланованої години ми проговорили понад дві. І знаєте, що? Це був ідеальний метч. Так і свічнулася всередині компанії.
Ми встигли пройтись по розподілах і стандартному відхиленню, як правильно рахувати продуктові метрики, по моїх дашбордах у Power BI й Python — і навіть трохи полайвкодили (будьте готові, що кодити ви будете, найімовірніше, у звичайному документі).
На що звернути увагу при підготовці
По-перше, співбесіда — це не допит. Ніхто не буде сварити вас за неправильну відповідь. Головне — залишатись чесним із собою й зі співрозмовником. Краще сказати «поки що не працювала з цим, але готова вчитися», ніж намагатися вгадати.
По-друге, на YouTube є безліч тестових співбесід для аналітиків (наприклад, канал @romanpovzyk). Дуже рекомендую ставити відео на паузу й вирішувати задачі самостійно. Це допомагає не розгубитися в реальній розмові, а також дає розуміння, як правильно підійти до задачі.
По-третє, якщо ви уточнюєте умови задачі або питаєте про процеси в компанії — це не мінус. Це показник, що вам реально цікаво й ви хочете поглиблювати свої знання.
Основні обов’язки Data Analyst
Аналітика часто уявляють як того, хто постійно придумує складні формули в Excel. Насправді все значно цікавіше.
Реальність така:
- Часто аналітик — це детектив. Треба розібратись, чому щось пішло не так, знайти джерело аномалії, і водночас не потонути в таблицях.
- Це не про «порахувати» — це про «зрозуміти». Побачити тренд, перевірити гіпотезу, знайти рішення.
- Не завжди буде однозначна відповідь. Іноді доведеться сказати: «ми не можемо зробити висновок», і це теж результат.
- І звісно, аналітик — теж інфлуенсер, тільки його «контент» — це рісьорчі, а вплив — це рішення, які змінюють продукт.
Для мене аналітика — це про постійне навчання. Не тому, що ти «не дотягуєш», а тому, що інструментів і підходів стає більше, продукт змінюється, завдання ускладнюються. І в цьому весь драйв.
Поради початківцям у цьому напрямі
Моя велика помилка й причина, чому моє навчання тривало більше ніж пів року, була в тому, що я не мала ментора або людини, яка б могла провести мене світом аналітики й дати підказки, з чого починати та куди рухатись.
На той момент я не знала, що є менторські програми, такі як theways.io, де можна не просто навчатись, а й отримати підтримку, roadmap і, найважливіше — розуміння, з чого почати. Ресурсів так багато, що без конкретної цілі можна легко вигоріти ще до перших результатів.
Математика
Це база. Не треба занурюватись у наукові трактати, але добре розуміти базову статистику, розподіли, дисперсії, кореляції — це must have. Без них буде складно адекватно аналізувати дані або проводити A/B-тести. Можна почати з простих відео на YouTube (шукати щось на кшталт «statistics for data analysis») або курсів на Coursera з лінійної алгебри. Також рекомендую “Practical Statistics for Data Scientists” Peter Bruce
SQL
Найкраще тренується на практиці. Ось ресурси, які мені реально допомогли:
- Mode SQL Tutorial
- W3Schools SQL
- DataCamp
Звичайно, онлайн-тренажери не замінять справжню БД, де до таблиці замовлень можна заджойнити ще 20. Але для старту — те, що треба. І, до речі, лайвкодинг на співбесіді все ще існує, тому до практики варто підійти ґрунтовно.
Python
Python насправді не такий страшний, як може здатись. Головне — обрати правильний курс. Шукайте той, де зразу працюють з аналітичними бібліотеками на кшталт numpy, pandas, matplotlib. Я також вчилася на DataCamp. Для практики — Kaggle: обирайте будь-який датасет, читайте, як його аналізують інші, пробуйте повторити й покращити. Мій перший pet-проєкт був побудований на вуличних правопорушеннях у Лос-Анджелесі, зафіксованих поліцією за останні кілька років.
Power BI
YouTube — ваш найкращий друг. Особливо канали Power BI Park і How to Power BI.Для практики відтворювала дашборди на кшталт ось цього — дуже добре прокачує навички.
Ще з корисного
- Medium — справжній рай кейсів і статей від аналітиків різних напрямів. Замість ранкового прогортування стрічки інстаграму.
- Kaggle — не тільки датасети, а й компетішини, ідеї для pet-проєктів і можливість «підглядати», як працюють інші.
- LinkedIn — ще один must. Шукайте аналітиків, підписуйтесь, читайте, просіть порад, діліться своїм досвідом. Ком’юніті дуже відкрите, навіть для початківців.
Трохи лірики наостанок
- Розвивайте «надивленість», аналітичне мислення, сторітелінг. Це дасть змогу ефективно аналізувати та презентувати результати.
- Не бійтеся пробувати, спотикатись, вставати й пробувати знову. Щоразу, коли я думаю, чи варто щось починати, я повторюю собі: «Хто не ризикує, той не пʼє шампанського». І щоразу це змушує мене зробити хоча б один крок у напрямку до мети, а потім ще один і ще один, а там уже й фініш.
- Не чекайте ідеального моменту. Він ніколи не настане. Почніть діяти вже зараз, подавайтеся на вакансії, спробуйте пройти пробну співбесіду для початку або проконсультуйтесь із ментором, який підкаже, у якому напрямку рухатись.
- Будьте чесні із собою — вчіться для себе, а не для резюме. Якщо ви робите те, що любите, то й навчання не буде таким важким.
Замість висновку
Світч — це не про втечу, це про розвиток. Про нову роль, новий ритм і нові можливості. Якщо у вас є внутрішнє бажання розбиратися у причинах і впливати на продукт — дайте аналітиці шанс. А кожному, хто зараз у пошуку, бажаю знайти своє, не здаватися на середині шляху, а головне — кайфувати від того, що робите.