Как начался переход
Меня зовут Анастасия, мне 31 год. До обучения в ИННОПРОГ я работала старшим оператором 1С. С одной стороны, у меня уже был опыт работы с ИТ-системами и понимание, как устроены процессы внутри бизнеса. С другой стороны, я всё чаще понимала, что хочу развиваться не только в сторону поддержки и настройки, а намного глубже разбираться в данных, продуктовых решениях и аналитике.
Переломный момент произошёл, когда мне предложили перейти в продуктовую команду. Это была хорошая возможность для роста, но вместе с ней появилось понимание, что мне не хватает знаний по Data Science, машинному обучению и работе с данными.
До этого у меня не было полноценного опыта в Data Science и ML. Я понимала какие-то базовые вещи и немного работала с данными в рамках 1С, но машинное обучение, Python, модели, библиотеки и аналитический подход были для меня новой областью. Поэтому сначала всё казалось довольно сложным и даже немного пугающим.
Об ИННОПРОГ я узнала случайно, через знакомых и решила попробовать, подкупил формат индивидуального обучения. Для меня было важно, чтобы программу давали не по шаблону, а именно помогали разобраться с теми темами, которые нужны для моего перехода в продуктовую роль.
Как проходило обучение
Обучение началось с базы. Сначала мы разбирали Python, работу с данными, логику написания кода и основные инструменты, которые используются в аналитике и Data Science. Постепенно программа становилась сложнее, появлялись библиотеки для анализа данных, визуализация, основы статистики, метрики, а потом уже темы, связанные с машинным обучением.
Больше всего мне запомнилось, что обучение было сбалансированным. Почти каждую тему мы старались привязать к реальным задачам, по типу как анализировать данные, как искать зависимости, как оценивать результат, как не тупо построить модель, а понять, зачем она нужна и какую пользу может дать продукту.
Самыми сложными для меня были темы, связанные с математикой, статистикой и логикой ML-моделей. В начале было непросто понять, чем отличаются разные подходы, почему модель может ошибаться, как оценивать качество и всё в таком роде. Очень помогали занятия с наставником, в какой-то момент всё постепенно начало складываться в систему.
Занятия проходили спокойно и понятно. Мне нравилось, что можно было задавать любые вопросы, даже если они казались не всегда по учебной части. Особенно полезными были разборы практических заданий, потому что именно на них становилось понятно, где я действительно поняла тему, а где просто повторила пример.
Домашние задания тоже были очень полезными, так как были адекватными и постепенно погружали меня в контекст изучаемого. Со временем появился навык не бояться новых данных и не теряться, когда задача выглядит неопределённой, а это очень частое явление в продукте, задачи без готового ТЗ.
В какой-то момент я заметила, что начала по-другому смотреть на рабочие задачи. Если раньше я воспринимала данные как набор цифр и отчётов, то теперь стала задавать больше правильных вопросов: какие метрики важны, что мы хотим проверить, какие гипотезы можно построить, какие данные нужны для решения.
Какой результат получился
Главный результат для меня: я стала увереннее чувствовать себя в продуктовой роли и начала понимать, как данные могут помогать в развитии продукта.
После обучения мне стало проще общаться с аналитиками и разработчиками, понимать, о чём они говорят, задавать более точные вопросы и участвовать в обсуждении продуктовых решений.
Сейчас я работаю в команде фин. отдела в одном желтом банке и занимаюсь задачами, связанными с развитием внутренних цифровых решений. В работе мне важно понимать пользователей, бизнес-процессы, метрики продукта и то, как на основе данных можно принимать более точные решения.
Особенно пригодились навыки работы с Python, Jupyter Notebook, Power BI и Tableau, базовое понимание Scikit-learn, анализ данных, знание основных моделей машинного обучения и умение оценивать полученные результаты.
Мой отзыв об INNOPROG
В ИННОПРОГ мне понравилось, что обучение было структурированным и при этом гибким. Программа помогала двигаться постепенно, не было резких скачков от понятного до супер непонятного. Для меня было особенно важно, что наставник объяснял материал простым языком и помогал связывать технические темы с реальными рабочими задачами. Благодаря этому обучение не ощущалось оторванным от жизни.
Тем, кто думает идти в ИТ, Data Science или продуктовую аналитику, но сомневается, я бы сказала так: сначала честно прислушайтесь к себе. Не стоит идти туда только из-за зарплат и красивых историй об успешном успехе. ИТ нужно много думать, разбираться, искать решения и иногда долго сидеть над задачей, которая сначала вообще непонятна.
Если вам правда интересно копаться в данных, понимать, как всё устроено, искать ошибки, улучшать процессы и делать что-то полезное для людей или бизнеса, тогда стоит попробовать. И не нужно ждать, что всё сразу будет легко. Но если интерес есть, постепенно многое становится понятнее.
