С новым 2019 годом ко мне пришло осознание того, что так жить нельзя. К тому времени я уже почти 3.5 года работал в универе — в Лаборатории Интернет-исследований ВШЭ и на преподавательских должностях. Я участвовал в нескольких проектах, проводимых на гранты научных фондов, в написании статей, создал и вёл несколько курсов по анализу данных, получал различные стипендии и надбавки, что позволяло зарабатывать около 100к в месяц при 4-х дневном рабочем дне с 11 до 18 (30к — академическая аспирантура + 30к за кадровый резерв + 30к за публикации + 10к ставка в лаборатории + какие-то копейки за преподавание). В общем, условия неплохие, если сравнивать со многими другими работниками этой сферы.
Однако, были в этой идиллии и свои проблемы. Во-первых, невероятная усталость от скудно обустроенного рабочего места в промзоне на Седова 55к2, куда, кажется, стремались заходить даже бродячие собаки.
Во-вторых, усталость от коллектива в 5 человек не считая меня, неизменного на протяжении практически всех 3.5 лет. Даже хорошие люди (а к большинству из них я испытывал искреннюю симпатию) в высокой концентрации становятся токсичны.
В-третьих — это отсутствие каких-либо значимых перспектив в ближайшие 10 лет. Представьте — я рассказываю студентам, как анализировать данные, а потом они выходят на рынок и зарабатывают больше меня. Как говорилось в старом анекдоте: "Если ты такой умный, учитель экономики, то почему тогда такой бедный?". Но дело даже не в деньгах — в университете я слишком часто видел вокруг себя людей вросших в своё место и бесконечно отставших от реальной практики коммерческих компаний, а потому уже неконкурентных где-либо, кроме универа. Я взял от этого места всё, что мог, и немало отдал, так что нужно было развиваться дальше.
В-четвёртых, всепоглощающая, обволакивающая, душащая бюрократия (хотя, надо отдать должное сотрудникам, она саботировалась по-максимуму). В общем, подытоживая, я слегка подзаебался и к началу 2019 года начал подыскивать себе новую работу в области, которую я по-прежнему любил — анализе данных — но в организации с другими условиями.
Процесс поиска был довольно прост — я закинул резюме на hh.ru и стал ждать. В течении месяца я прошёл около десятка собеседований в Питерские и Московские компании.
Для собеседований пришлось выучить SQL, который требуется для практически всех вакансий в IT сфере и изучение которого по какому-то недоразумению часто игнорируют в университетах. К счастью, это не самый сложный в изучении навык, и после прохождение курсов по SQL на HackerRank и DataCamp, и также добавления SQLite-хранилища на этот самый сайт (лучший способ изучить что-либо — использовать это на практике), я был способен адекватно отвечать на большинство вопросов по этому языку.
Как и ожидалось, в Питере рынок интересных вакансий сильно меньше и зарплаты примерно на 30% ниже. Петербург в этом отношении — город региональный, не питайте иллюзий, дорогие петербуржцы. Ну что же, я был совсем не против переезда в Москву или в любое другое приличное место — благо мне собраться было — только подпоясаться (ну или так казалось — на самом деле вещей набралось на десяток коробок, даже при том, что многое было отправлено на свалку), а Питер уже порядком надоел своим отвратным климатом.
Здесь стоит сделать небольшое отступление и ещё раз повторить, что зарплаты в Москве значительно выше, чем в других регионах, поэтому если вы понаехали в белокаменную и ищете, где бы приткнуть свой замкадный зад — не стесняйтесь просить больше, чем, как вам кажется стоит ваш труд, потому что даже так вы скорее всего продешевите. В IT зарплаты на более-менее квалифицированных позициях начинаются с пятизначных цифр. Возможно, в послекоронавирусную эпоху благодаря распространению удалёнки этот перекос исправится, но пока всё так.
В итоге мой выбор пал на Qiwi-банк, который искал data scientist'a в отдел CRM-аналитики карты рассрочки «Совесть». Помимо меня в этом отделе было два инженера данных, один аналитик данных, две девушки, занимающиеся разработкой коммуникационных кампаний, и руководитель.
Головной офис Qiwi располагается главной высотке Северного Чертаново, недалеко от которой мы сняли себе однушку. Это, кстати, отдельный кайф, когда до работы идти 10 минут и на обеденном перерыве ты можешь смотаться перекусить или вздремнуть к себе домой.
Пару слов плюсах и минусах этой работы, начну с плюсов. В Qiwi очень крутой и современный офис, в котором приятно проводить время и куда частенько водят экскурсии. Безлимитный кофе, частичная компенсация затрат на питание, дизайнерские интерьеры, парковка для сотрудников — эти и разные другие плюшки, привычные для крупных технологических кампаний тут присутствуют.
Другой важный плюс — это умеренный рабочий ритм. Меня не загружали десятками задач и не ставили невыполнимых сроков. Я бы сказал, что все там работают на расслабоне, иногда даже чересчур.
В список важных для меня преимуществ можно отнести наличие здоровых партнёрско-дружеских отношений между руководителями и сотрудниками, а также молодой коллектив, с которым ты на одной волне.
Ну и ещё один плюс — крутые корпоративы и хорошая работа HR отдела в целом. Внутри компании постоянно происходит какая-то движуха: приглашаются известные лекторы, проводятся мастер-классы, организовываются беговые, читальные и другие клубы. На свой ДР я выиграл неплохую аудиосистему, а в честь ДР компании за городом был организован фестиваль на 3000 человек с безлимитными кальянами и прочими радостями жизни, где на четырёх сценах выступали Little Big, простигосподи Билан и ещё популярные среди молодёжи поп и техно исполнители, имена которых я уже подзабыл.
Главным же минус этой компании для меня в том, что она довольно некомпетентна в принятии решений на основе данных. Во всём Qiwi нет сильного отдела по работе с данными, а те специалисты, что всё-таки имеются, завязаны на решении ad-hoc задач по запросу бизнеса — посчитать то одно, то другое. Для меня было удивительно, что во всей этой огромной компании практически нет постоянно работающих DS-сервисов, типа рекомендательных систем или моделей сегментации.
В Совести эта проблема стояла ещё острее. Достаточно сказать, что во всем проекте я один занимался построением предиктивных моделей, которых до этот практически не было. Одним из первых проектов было создание модели входа (её начинали делать ещё до меня) и модели оттока. Модель оттока — базовая и простейшая модель, предсказывающая вероятность того, что клиент совершит действие, свидетельствующее об его активности в течении следующих N дней. Модель входа, соответственно, предсказывает вероятность совершения клиентом покупки в течении N дней после выдачи карты.
Помимо этого, я проводил A/B тесты коммуникационных кампаний, делал информационную панель, где показывались результаты этих тестов и другие параметры кампаний, делал ещё несколько предиктивных моделей и, конечно, занимался ad hoc аналитикой.
В целом мне нравилась эта работа — новые задачи, новые инструменты и методы, новый город в конце концов. После универа это было как глоток свежего воздуха, я отдыхал душой.
Но были и некоторые проблемы. Становилось заметно, что руководство не особо понимало куда развивать продукт и, что самое главное для конкретно меня, как в этом развитии может помочь анализ данных. После увольнения непосредственного руководителя, который, видимо, тоже подметил эти тенденции и перешёл в конкурирующий банк, отправившись развивать его отделение в Китае, наш отдел остался практически без присмотра. С одной стороны, это было забавно — можно было приходить и заниматься своими делами, но всё-таки я не за тем уходил, чтобы опять бесцельно протирать штаны в офисе. Пришло время сделать бессовестный шаг и идти дальше.
За две недели я посетил около десятка собеседований в поисках места, которое меня бы устраивало. Следует заметить, что сфера аналитики очень разнообразна, а названия специальностей очень размыты. Очень часто в вакансиях, где написано громкое слово data scientist на самом деле ищется data analyst. Первый обычно занимается построением предсказательных моделей машинного обучения, второй — делает статистические тесты, дашборды, отвечает на вопросы бизнеса (ad hoc аналитика). Для первого важно знание алгоритмов машинного обучения, для второго актуальнее владение Excel, SQL, Tableau и знание статистических тестов.
Я, конечно, искал вакансии data scientist'a в чистом виде и в итоге остановился на Мвидео-Эльдорадо, где сейчас занимаюсь рекомендательными системами. В этом месте меня ещё на этапе собеседования привлёк адекватный руководитель (коллеги, кто читает это, не говорите Володе) и сама сфера ритейла, которая, наверное, самая разнообразная в плане задач, решаемых при помощи данных. Здесь можно очень круто развиваться и я частенько занимаюсь решением рабочих и околорабочих задач в свободное время просто потому, что интересно.
По прошествии девяти месяцев оказалось, что идея уйти из Совести была чертовски правильной, особенно в свете её продажи основному конкуренту и сокращения по этой причине значительной части штата. Как-то так сложилось, что мне всегда везло с работой. Думаю, на каждом этапе своего развития я устраивался в оптимальном для себя месте. Надеюсь, так будет и дальше.