От техподдержки до BI-аналитика: как данные стали моей профессией Мой путь в аналитике начался не с дашбордов и не с ML-моделей, а с тикетов, доступов и SQL-запросов к Oracle в корпоративной поддержке. Тогда я ещё не называл себя аналитиком. Я просто разбирался, почему у пользователя не работает приложение, что именно сломалось в данных и как быстро вернуть системе стабильность. Работа с Oracle, PostgreSQL и MS SQL, выгрузки, правки в таблицах, отчёты по запросу — это была школа, где я понял главное: за каждой цифрой стоит конкретный человек и конкретное решение. Дальше — продуктовая аналитика в банке. Кредитные продукты, клиентское поведение, ad hoc-исследования, воронки и конверсии. Здесь я научился не просто доставать данные, а отвечать на вопрос «что нам делать дальше». Появились ТЗ, коммуникация с бизнес-заказчиками и понимание, что аналитик — это переводчик между бизнесом и инженерами. Потом — BI. Продуктовая отчётность, OLAP-кубы, отчёты в FineBI, оптимизация SQL-процедур и изменение структуры витрин. Этап, на котором пришло понимание: хорошая отчётность — это не про красивые графики, а про доверие к цифрам. Сейчас я работаю на стыке Т-Банка и CloudPayments как риск- и BI-аналитик. Метрики эквайринга: fraud, chargeback, decline rate. Единый источник данных, витрины, дашборды, алерты по критическим показателям, автоматизация на Python. Половина задач — для одной команды, половина — для другой, и моя работа в том числе в том, чтобы у обеих сторон были одинаковые, прозрачные и согласованные метрики. Что я забираю из этого пути: — данные бесполезны без контекста бизнеса; — метрика без методологии — это просто число; — автоматизация освобождает время для того, что действительно требует головы; — и самое сложное в аналитике — не SQL, а договорённость о том, что мы вообще считаем. Сейчас открыт к задачам в продуктовой и BI-аналитике: данные, отчётность, витрины, метрики и решения на их основе. #аналитика #BI #продуктоваяАналитика #SQL #данные #карьера #fintech