AI, данные и инженерия
Product Analyst
Product Analyst — это аналитик, который показывает продуктовой команде, что на самом деле делают пользователи и какие изменения в продукте работают.
Также называют: Product Data Analyst, Product Data Scientist, Growth Analyst, Data Analyst (Product), Product Insights Analyst.
Кто такой Product Analyst и чем он занимается?
Product Analyst — это аналитик, который помогает продуктовой команде принимать решения на основе того, что пользователи делают на самом деле, а не того, что о них думают. Он работает с метриками, экспериментами и поведением пользователей и отвечает за то, чтобы команда верила правильным цифрам. Хороший Product Analyst сам приходит к Product Manager с вопросом, который команда ещё не задала. Типичные задачи:
- строит дерево метрик продукта и следит, чтобы метрики считались одинаково;
- проектирует и разбирает A/B-тесты;
- изучает воронку и находит, где и почему пользователи уходят;
- оценивает эффект запущенных фич, в том числе там, где тест провести нельзя;
- разбирается, почему метрика неожиданно выросла или упала.
Когда компании нужен Product Analyst?
Product Analyst нужен, когда у продукта появился заметный трафик и команда запускает изменения быстрее, чем успевает понять, какие из них сработали. Частые триггеры: споры о приоритетах решаются мнением самого громкого, A/B-тесты запускаются, но их результатам никто не доверяет, Product Manager сам пишет SQL по вечерам. Обычно первого аналитика нанимают вскоре после выхода на product-market fit. Если пользователей пока мало, статистика экспериментов работать не будет, и полезнее, чтобы Product Manager сам говорил с пользователями и разбирал базовые метрики.
Чем Product Analyst отличается от Data Analyst?
Product Analyst отличается от Data Analyst тем, что работает на продуктовые решения, а не на отчётность. Data Analyst или BI Analyst чаще делает отчёты и дашборды для бизнеса и отвечает на вопрос «сколько»; Product Analyst сидит рядом с продуктовой командой и отвечает на вопрос «почему и что делать дальше». От Data Scientist его отличает инструментарий: SQL, статистика экспериментов и продуктовое мышление вместо моделей машинного обучения.
Product Analyst и смежные роли: сравнение
| Product Analyst | Data Analyst | Data Scientist | |
|---|---|---|---|
| Отвечает за | Решения продуктовой команды | Отчётность для бизнеса | Модели и прогнозы |
| Главный результат | Проверенная гипотеза, понятная причина | Дашборд, отчёт | Модель, на которую опирается решение |
| С кем работает | Product Manager, дизайн, разработка | Руководители, финансы | Бизнес, ML-команда |
Почему Product Analyst сложно нанять?
Сильного Product Analyst сложно нанять, потому что найти человека с SQL легко, а с продуктовым мышлением и честной статистикой — трудно.
- Под этим названием работают и аналитики, которые выгружают цифры по запросу, и те, кто сам влияет на продукт; по резюме их не отличить.
- Многие кандидаты уверенно запускают A/B-тесты, но не знают, когда результату нельзя верить.
- Продуктовое влияние плохо видно: «провёл 50 экспериментов» не говорит, изменилось ли хоть одно решение.
- Джунов на рынке много, а сеньорных аналитиков с сильной статистикой мало, и их обычно удерживают.
Что выяснить до найма Product Analyst?
- На какие продуктовые решения должна влиять работа этого человека и кто их принимает? Если аналитика не слушают, он превращается в службу выгрузок и уходит.
- Есть ли разметка событий, хранилище и платформа для экспериментов? Если нет, первые месяцы уйдут на их настройку, и нужен аналитик с инженерным опытом.
- Аналитик будет в продуктовой команде или в центральной команде аналитики? От этого зависит, кто его руководитель и кто будет его развивать.
- Какой нужен уровень статистики? Обычные A/B-тесты и сложные дизайны экспериментов в маркетплейсах — разный уровень и разный пул кандидатов.
Где искать Product Analyst?
Product Analysts чаще всего приходят из потребительских приложений, маркетплейсов, финтеха, e-commerce и B2B SaaS с сильной культурой экспериментов, а также из Data Analysts и Data Scientists, которые хотят ближе к продукту. Сильный сигнал в профиле — рассказ о решении, которое команда приняла или отменила после его анализа. NEWHR исследует рынок аналитиков с 2023 года и ищет кандидатов по результатам работы, а не по откликам на вакансию.
Как проверить Product Analyst на интервью?
Product Analyst проверяют задачами на SQL и статистику на реалистичных данных, а затем продуктовым кейсом: метрика упала — найдите причину, или результат теста выглядит хорошо — стоит ли ему верить. Отдельно разбирают прошлый эксперимент кандидата. Со стороны компании участвуют Head of Analytics и Product Manager, с которым аналитик будет работать.
Сильные сигналы:
- прежде чем считать, проверяет, правильно ли собраны данные;
- рассказывает о тесте, результату которого он сам решил не верить, и объясняет почему;
- предлагает следующий вопрос, а не только отвечает на заданный.
Красные флаги:
- называет результат значимым, не спросив про размер выборки и длительность теста;
- описывает работу как выполнение запросов от менеджеров;
- не может связать метрику с тем, что делает пользователь.
Сколько длится поиск Product Analyst?
Первых кандидатов на роль Product Analyst показываем через 5–7 дней после брифа.
Смежные роли
- Data Scientist — строит модели и прогнозы для решений бизнеса, а не разбирает поведение пользователей.
- Data Engineer — строит хранилище и пайплайны, без которых аналитик тратит время на сбор данных.
- Growth Lead — отвечает за рост и запускает эксперименты, которые аналитик помогает оценить.
- Product Engineer — сам смотрит в аналитику и проверяет свои фичи по метрике.