«Через 5 лет вижу себя все так же счастливым»
Сергей Брыль, Chief Data Science Officer в MacPaw — о data-driven подходе, личном бренде и любопытстве.
Мы запускаем новую рубрику «Естественный интеллект», в которой лидеры украинского IT сами расскажут о себе — что они любят, какие книги читают и верят ли в покорение Марса.
Первый герой рубрики, Сергей Брыль из продуктовой компании MacPaw, поговорил с нами о том, как пришел в IT из банка, зачем завел блог и какие качества ценит в работе и не только.
Карьера
2001-2013 — работа в сфере банковской аналитики
Меня еще со школы интересовало программирование, я любил математику. Но когда я заканчивал школу, эта специальность не была мейнстримом. Программисты только появлялись, они адаптировали программы для бухучета.
По совету родителей я пошел учиться на финансы. Когда окончил вуз, это была определенная интересная работа в банке. Банки тогда начали хорошо развиваться. Они всегда были своего рода информационными центрами с большим количеством данных. Меня это зацепило, и я пошел в банковское дело. Я поработал там в двух отраслях, которые меня интересовали: аналитика банковской деятельности и риск-менеджмент.
2013-2015 — Marketing Data Analyst в NameCheap
В кризис 2009 мне, как аналитику, стало понятно, что в перспективе банки не будут топовой отраслью. В ближайшие 10 лет им нужно хотя бы выкарабкаться из кризиса.
Я начал рассматривать варианты и увидел вакансию маркетинг-аналитика. Решил туда податься, хотя не подходил по требованиям. Я первый раз увидел слово «веб-аналитика» и полез в Гугл, но в конце [описания вакансии] была приписка: «если вы не представляете себе жизнь без анализа данных и умеете работать в Excel, то вы наш кандидат».
Я подался и написал сопроводительное письмо, в котором сказал, что хоть и не соответствую требованиям, но эта фраза про анализ данных в конце — про меня. Меня пригласили на собеседование, которое я прошел. Это была компания NameCheap, сейчас — второй в мире регистратор доменов. Когда я начинал, очень интенсивно обучался, везде, где только мог.
Как показали международные конференции, мы работали на топовом уровне, в Украине мало кто делал вещи, которые делали мы.
2015-2016 — Data Scientist в Wargaming
Узнав о big data, я постепенно превращался в дата-аналитика, который ищет инсайты в данных, применяет более продвинутые техники анализа. Для меня проблема была в том, что я единственный аналитик в компании, мне было не с кем обсудить идеи и сложно было оценить свою эффективность и развитие.
У меня в контактах LinkedIn был директор по data science в Wargaming. Он предложил податься на вакансию. Мне было интересно, потому что это была работа в команде, где есть с кем поговорить и понять, где ты находишься как специалист. Я понимал, что если я туда пройду, это будет подтверждение моей квалификации извне, из компании, в которой экспертиза уже развита. Параллельно ко мне пришло предложение из MacPaw. Мне они очень нравились, но у них тогда не было ds-команды. Поэтому я предпочел Wargaming, переехал в Минск и работал в head office компании.
Команда MacPaw празднует десятилетие компании
2016-... — от Data Scientist к Chief Data Science Officer в MacPaw
Через полгода по семейным обстоятельствам мне пришлось вернуться в Киев. Первой компанией, которой я сообщил, что снова могу рассматривать предложения о работе, была MacPaw. К тому времени я уже получил ответы на свои запросы, а в компании начали развивать направление дата-аналитики. Им как раз был нужен человек, который бы занимался Data Science. Потом я был в роли Area Lead, где отвечал за всю аналитику и data science. Больше года назад я присоединился к executive-команде в роли Chief Data Science Officer.
В каждой роли были свои крутые задачи. Дата-сайентист за год делает около десяти крупных проектов. Расскажу об одном из первых — Multi-channel Marketing Attribution. Это была животрепещущая проблема для маркетинга. Специалисты вынуждены были выбирать среди упрощенных (эвристических) моделей присвоения части value от продажи какому-то из каналов, если человек на своем пути к покупке касался нескольких из них. Я имплементировал data-driven подход, написал об этом статью, и в блоге она стала самой читаемой. Это был ценный для сообщества проект.
Когда я был Area Lead, в какой-то момент мы заметили, что члены команды не хотят ездить на конференции в качестве слушателей из-за низкого соотношения пользы к потраченному времени. Топовые специалисты, которые легко могут выступать сами, понимают, что на конференции часть докладов носит промохарактер и пользы от них не так много. Но мне было важно, чтобы ребята получали новые идеи, знания, могли обсуждать проблемы извне. Вариться в собственном соку — плохой вариант.
Поэтому мы создали формат #DataTalks: я нашел интересных специалистов в разных областях (маркетинг, data science, менеджмент). Начал приглашать их для нетворкинга, потому что именно в нем — самая большая польза на конференциях: можно обсудить со спикером, насколько легко достичь того, о чем он рассказал.
Этот формат позволил узнать, как смотрят на данные в других компаниях. Мы начали обмениваться опытом. Со временем формат раскрутился и нашу команду стали приглашать в другие компании — Grammarly, Wix, OLX. Кроме того, мы пообщались с ребятами из ЛУН и Facebook.
Было очень полезно заглянуть на их внутреннюю кухню, понять, какие там боли и как их решают.
Встреча с командой Wix в рамках #DataTalks, 2019 год
Сейчас мои задачи связаны с развитием культуры использования данных для принятия решений. Это масштабный проект, из-за чего у нас так много различных направлений — под каждым есть идеология, почему мы его развиваем и на что влияем через него. Наш core — продуктовая аналитика.
Другие направления поддерживают специальные запросы от продуктов и аналитиков. Есть AI Lab (ML-экспертиза), Data Hub (инженерная экспертиза), MarTech (автоматизация маркетинга с использованием аналитических данных), Market & Customer Research (экспертиза анализа внешних данных). Мы получаем полное видение того, что происходит с продуктами компании и пользователями, применяя внутренние данные и информацию, полученную от пользователей в ходе опросов и интервью. Также есть направление general-аналитики, где мы анализируем другие аспекты деятельности компании.
Каким нужно быть, чтобы работать в data science
Я не могу дать универсальную формулу качеств классного data scientist, потому что нужно учитывать:
- требования позиции;
- культуру компании.
Этим определяется то, какой профиль должен быть у специалиста, чтобы быть в этой роли. Тот, кто хорошо подходит нам, в банке будет страдать. В этом году мы в MacPaw открываем интернатуру, в том числе по нескольким специальностям в data science направлении: можно почти три месяца проработать в компании и узнать, насколько вам подходят наши ценности и требования.
У меня в управлении — общий стек работы с данными: продуктовые аналитики, дата-сайентисты, которые занимаются ML, автоматизация маркетинговых решений (MarTech), дата-инженеры, customer experience research.
Для них мы выделяем такие компетенции:
- data acquisition and analysis (понимание, откуда берутся данные, умение их получить и проанализировать).
- data advocacy (защита и продвижение использования данных в процессе принятия решений).
- domain and business awareness (домен — специализация направления. Например, для продуктовой аналитики — понимание продукта и его бизнес-модели, а для MarTech — понимание маркетинга).
- critical and analytical thinking (критическое восприятие информации, в том числе той, которую аналитик транслирует, — способности проверить самого себя).
У компетенций есть разные уровни развития. Для одной позиции будет достаточно первого уровня, для других нужен второй или третий. Эти же компетенции расширяются в специфических зонах. Для data science, например, важен model building and deployment. Плюс, у каждой роли есть свой skill set — набор инструментов, которыми нужно владеть.
О блоге, канале и личном бренде
Я работал в компании-регистраторе доменов и считал, что должен познакомиться с продуктом с позиции пользователя. Поэтому решил зарегистрировать домен.
Когда я стал его использовать, преследовал две цели: хотел прокачать письменный английский и язык R (понять, насколько хорошо я им пользуюсь, получить фидбек). В команде не было аналитиков, и мне не хватало обратной связи.
Потом я пришел к тому, что недостаточно просто постить, о блоге должны знать. Я вступал в аналитические группы на LinkedIn и постил ссылки на статьи. Постепенно блог начал расти. Когда я с кем-то знакомился, люди видели у меня в профиле блог, заходили. Он стал своего рода резюме: человек читает, о чем я пишу, и может понять, стоит ли со мной общаться и на каком уровне. Нетворкинг, появление блога — это вклад в личный бренд.
Насколько он важен для рядового data scientist — зависит от задач, которые человек ставит перед собой. Считаю, что любому, кто хочет быть влиятельным в своей сфере, личный бренд нужен. Без него вряд ли можно чего-то добиться. Но это обоюдная история: демонстрация достижений развивает личный бренд.
Сейчас я взял паузу — думаю о том, в каком направлении развивать блог. Потому что вопросы, о которых я планирую рассуждать, уже не подходят широкому кругу читателей. Люди, которые ищут ответы на них, — это скорее C-level, которые думают, как развивать культуру использования данных в компаниях.
Telegram-канал — отдельный от блога проект, он русскоязычный. Канал распространения контента диктует то, на каком языке он будет.
Это эксперимент, там органические подписчики. Он начинался как канал о визуализации данных. Сейчас я думаю, каким контентом его наполнять и оставлять ли вообще.
О счастье
Через 5 лет вижу себя все так же счастливым. Тема счастья сейчас очень актуальна. Мы подвержены негативу из соцсетей, у нас куча соблазнов, которые заставляют нас быть непродуктивными. Люди, которые думают над этой проблемой, говорят, что важно оставаться счастливым.
Для меня счастье — это общечеловеческие ценности. Счастье моей семьи, возможность заниматься тем, что нравится (как сейчас), и видеть свой вклад в дело, которое я хочу развивать. В какой роли — не столь важно.
Блиц-вопросы
Качества, которые цените в других
- Сочетание искренности и открытости — когда человек готов говорить откровенно и при этом готов принимать честную информацию о себе.
- Любопытство — люди, с которыми я работаю, чаще всего им обладают. Это основополагающее качество для развития.
- Чувство юмора. Если человек умеет шутить и понимает шутки, это говорит о достаточно высоком интеллекте.
Но почти у каждого качества есть и положительная, и отрицательная сторона. Например, любопытство, с одной стороны, помогает развиваться. С другой — в жизни надо уметь расставить приоритеты, от чего-то отказаться, даже если это очень интересно. Качества должны дополнять друг друга. Хороший лидер замечает неидеальность сплава качеств в своих сотрудниках, старается развивать недостающие элементы и находить подходящие для человека цели.
Что посоветуете прочесть?
- ProZorro. Зробити неможливе в українській владі
Это книга про нашу реальность и про то, как бороться с трудностями.
- TED TALKS. Слова меняют мир. Первое официальное руководство по публичным выступлениям
Куратор TED Крис Андерсон развеивает мифы о public speaking, говорит о том, как важно найти свой стиль и развивать его, а не следовать наставлениям.
Если бы не дата-аналитика, то…
Я был бы врачом. Отец и бабушка были врачами, и я другой профессии для себя не видел, пока у меня не появился компьютер. До сих пор думаю, что это хорошая, правильная профессия — и при этом одна из самых недооцененных обществом.
Любимая вещь на письменном столе
Я люблю чистый стол, у меня нет лишнего. Дома на нем появляются рисунки, открытки, поделки — творения рук моих детей. На столе в офисе — только моя белая чашка для кофе и чая.
Любимый рабочий инструмент
В то время, когда я был дата-сайентистом, — язык R. Сейчас — Notion и Todoist (для менеджмента личных процессов).
Когда мы полетим на Марс?
Когда бы это ни произошло — если застану, я буду радоваться. Но мне сложно давать оценки, как скоро это случится, потому что у меня мало данных.
Фото: MacPaw, Сергей Брыль
