Как продуктовому аналитику без опыта собрать портфолио: пошаговый план с примерами

«У вас нет опыта? А где ваше портфолио?»

Этот вопрос слышит каждый начинающий продуктовый аналитик на собеседовании. И здесь начинается замкнутый круг:

• Нет опыта → нет кейсов для портфолио

• Нет портфолио → не берут на работу

• Не берут на работу → нет опыта

Реальная история:

Анна закончила курсы по аналитике. Знает SQL, Python, умеет строить дашборды в Tableau. Отправила 47 резюме. Получила 3 ответа. На всех трёх собеседованиях услышала: «Покажите ваши кейсы».

Кейсов нет. Потому что нет опыта. Потому что не берут без кейсов.

Проблема: 80% начинающих аналитиков не знают, как собрать портфолио без реального опыта работы.

Хорошая новость: Портфолио можно (и нужно!) создать самостоятельно. Даже без работы. Даже прямо сейчас.

Статистика, которую нужно знать:

• Портфолио увеличивает шансы получить оффер на 300-400% (по данным исследований в IT-индустрии)

• 70% работодателей смотрят на портфолио важнее, чем на диплом или сертификаты курсов

• Минимум 3-5 качественных кейсов достаточно, чтобы начать получать приглашения на собеседования

• Среднее время на создание одного кейса: 10-20 часов (если знаете, что делать)

Эта статья — для начинающих продуктовых аналитиков, которые хотят:

1. Понять, какие кейсы нужны для портфолио (чтобы не тратить время на лишнее)

2. Найти данные для анализа (бесплатно, легально, без доступа к реальным продуктам)

3. Создать 3-5 сильных кейсов за 1-2 месяца (пошаговый план)

4. Оформить портфолио так, чтобы его смотрели (примеры структуры)

5. Избежать типичных ошибок начинающих (что отталкивает работодателей)

Без воды. Только конкретика. Поехали.

Что такое портфолио продуктового аналитика

Прежде чем создавать портфолио, важно понять, что это такое и зачем оно нужно.

Что входит в портфолио

Портфолио продуктового аналитика — это набор кейсов (проектов), которые демонстрируют ваши навыки:

• Формулировать гипотезы (что проверяем, почему это важно)

• Собирать и чистить данные (SQL, Python, работа с API)

• Проводить анализ (статистика, A/B-тесты, когортный анализ)

• Визуализировать результаты (дашборды, графики, таблицы)

• Делать выводы и рекомендации (что делать бизнесу)

Типичная структура портфолио:

1. Вводная страница: кто вы, что умеете, контакты

2. 3-5 кейсов: каждый кейс — это отдельный проект с описанием задачи, анализа и выводов

3. Технический стек: инструменты, которыми владеете (SQL, Python, Tableau, Excel и т.д.)

4. Контакты: email, Telegram, LinkedIn, GitHub

Чем портфолио аналитика отличается от резюме

Главное отличие: Резюме говорит «я могу». Портфолио показывает «вот что я сделал».

Зачем портфолио начинающему аналитику

Для работодателя:

• Снижает риск найма («Я вижу, что человек реально умеет анализировать»)

• Экономит время («Не нужно давать тестовое — портфолио уже показало уровень»)

• Показывает мотивацию («Если без опыта сделал 5 кейсов — значит, реально хочет работать аналитиком»)

Для вас:

• Увеличивает отклик на резюме (в 3-4 раза, по статистике)

• Даёт преимущество перед кандидатами без портфолио (а таких 80%)

• Помогает пройти собеседование (есть что показать, есть о чём говорить)

• Развивает навыки (делая кейсы, вы реально учитесь)

Статистика: По данным опросов нанимающих менеджеров в IT:

• Портфолио важнее опыта для джуна (42% работодателей берут без опыта, но с хорошим портфолио)

• Портфолио важнее диплома (65% не смотрят на диплом, если есть сильные кейсы)

Какие кейсы нужны в портфолио продуктового аналитика

Не все кейсы одинаково полезны. Некоторые впечатляют работодателей. Другие — наоборот, показывают, что вы не понимаете, чем занимается продуктовый аналитик.

Типы кейсов для продуктового аналитика

1. Анализ метрик продукта

Что это: Вы берёте данные о продукте (например, мобильное приложение) и анализируете ключевые метрики.

Примеры задач:

• Какая конверсия из регистрации в первую покупку?

• Какой процент пользователей возвращается на следующий день (retention)?

• Какие экраны/функции используются чаще всего?

Инструменты: SQL (для извлечения данных), Python (pandas, matplotlib для анализа), Tableau/Power BI (дашборды).

Почему это важно: Это базовая задача любого продуктового аналитика — понимать, как работает продукт.

2. A/B-тестирование

Что это: Вы проектируете и анализируете A/B-тест (эксперимент).

Примеры задач:

• Проверить, увеличит ли новая кнопка "Купить" конверсию в покупку

• Сравнить две версии онбординга: какая лучше удерживает пользователей?

• Оценить, повлияет ли изменение цены на выручку

Инструменты: Python (scipy, statsmodels для статистических тестов), Excel (для расчётов).

Почему это важно: A/B-тесты — это то, чем продуктовые аналитики занимаются постоянно. Без этого навыка вас не возьмут.

3. Когортный анализ

Что это: Анализ поведения групп пользователей во времени.

Примеры задач:

• Как меняется retention для пользователей, зарегистрированных в январе vs феврале?

• Какая когорта приносит больше всего выручки через 3 месяца?

• Улучшилось ли удержание пользователей после обновления приложения?

Инструменты: SQL (для группировки данных), Python (pandas для когорт), визуализация (heatmap когорт).

Почему это важно: Когортный анализ — один из самых мощных инструментов для понимания продукта.

4. Анализ воронок (funnel analysis)

Что это: Анализ пути пользователя от первого касания до целевого действия.

Примеры задач:

• Воронка регистрации: на каком этапе отваливается больше всего пользователей?

• Воронка покупки: где теряем клиентов?

• Сравнение воронок для разных источников трафика

Инструменты: SQL, Python, Tableau.

Почему это важно: Воронки помогают находить проблемы в продукте. Это частая задача продуктового аналитика.

5. Анализ юнит-экономики

Что это: Расчёт прибыльности продукта через метрики LTV, CAC, payback period.

Примеры задач:

• Рассчитать LTV (Lifetime Value) пользователя

• Оценить CAC (Customer Acquisition Cost) по разным каналам

• Понять, через сколько месяцев окупается привлечение клиента

Инструменты: Excel, Python.

Почему это важно: Продуктовый аналитик должен понимать, зарабатывает ли продукт деньги.

Минимальный набор кейсов для портфолио

Что ОБЯЗАТЕЛЬНО должно быть (минимум):

1. Анализ метрик продукта (базовый кейс, показывает, что вы понимаете продукт)

2. A/B-тест (показывает знание статистики и экспериментов)

3. Когортный анализ или воронка (показывает углублённое понимание поведения пользователей)

Опционально (если есть время):

1. Анализ юнит-экономики (плюс для финтех-продуктов)

2. SQL-кейс (сложный запрос с подзапросами, JOIN, оконными функциями)

Итого: Достаточно 3-5 кейсов. Лучше сделать 3 сильных кейса, чем 10 слабых.

Чего НЕ должно быть в портфолио

Ошибки, которые отталкивают работодателей:

❌ Учебные датасеты (Titanic, Iris, Wine Quality) — это кейсы для Data Scientist, не для продуктового аналитика

❌ Анализ без бизнес-контекста («Я построил график» — и что? Какой вывод? Что делать дальше?)

❌ Только визуализация (красивые дашборды без объяснения, зачем они нужны)

❌ Кейсы не по специальности (например, анализ цен на недвижимость — это для DS, не для продуктового аналитика)

❌ Слишком простые кейсы (описательная статистика без выводов и рекомендаций)

Правило: Каждый кейс должен отвечать на вопрос: «Если бы я был продуктовым аналитиком в компании, как бы этот анализ помог бизнесу?»

Где брать данные для кейсов

Главный вопрос начинающих аналитиков: «Где взять данные, если у меня нет доступа к реальным продуктам?»

Хорошая новость: Данных полно. Плохая новость: нужно знать, где искать.

Публичные датасеты

1. Kaggle Datasets

Что это: Крупнейшая платформа с бесплатными датасетами.

Где: kaggle.com/datasets

Что подойдёт для продуктового аналитика:

• E-commerce datasets (данные интернет-магазинов: заказы, пользователи, товары)

• Mobile app datasets (данные о пользователях приложений)

• User behavior datasets (логи действий пользователей)

Примеры:

• Online Retail Dataset — данные интернет-магазина (500K транзакций)

• Google Analytics Sample — реальные данные GA

• Instacart Market Basket Analysis — данные службы доставки продуктов

Плюсы: Большой выбор, бесплатно, легально.

Минусы: Данные часто требуют чистки; не всегда есть описание бизнес-контекста.

2. Google Dataset Search

Что это: Поисковик по датасетам от Google.

Где: datasetsearch.research.google.com

Как искать: Вводите запросы типа:

• "ecommerce dataset"

• "mobile app user behavior"

• "subscription product data"

Плюсы: Находит датасеты, которых нет на Kaggle.

Минусы: Качество данных варьируется.

3. Публичные API

Что это: Некоторые компании предоставляют API с данными для анализа.

Примеры:

• GitHub API — данные о репозиториях, коммитах, пользователях

• Twitter API — данные о твитах, пользователях (ограниченный доступ)

• Reddit API — посты, комментарии, активность пользователей

• Spotify API — данные о треках, исполнителях, плейлистах

Плюсы: Актуальные данные, можно собрать свой уникальный датасет.

Минусы: Требуется знание Python (requests, API-запросы).

4. Открытые данные компаний

Некоторые компании публикуют данные для исследователей:

• Airbnb: insideairbnb.com/get-the-data — данные о листингах

• Yelp: yelp.com/dataset — отзывы, рейтинги ресторанов

• Amazon: Amazon Review Data — отзывы на товары

• Steam: Steam Game Data — данные об играх

Плюсы: Реальные продуктовые данные.

Минусы: Ограниченный выбор тематик.

Как генерировать синтетические данные

Если не нашли подходящий датасет — создайте свой.

Инструменты для генерации данных:

1. Python (библиотека Faker)

from faker import Faker
import pandas as pd
import random

fake = Faker('ru_RU')

# Генерируем 10000 пользователей
users = []
for i in range(10000):
    user = {
        'user_id': i,
        'registration_date': fake.date_between(start_date='-2y', end_date='today'),
        'country': random.choice(['Россия', 'Беларусь', 'Казахстан']),
        'device': random.choice(['iOS', 'Android', 'Web']),
        'first_purchase_date': None  # заполним позже
    }
    users.append(user)

df_users = pd.DataFrame(users)

2. Mockaroo

Что это: Веб-сервис для генерации данных.

Где: mockaroo.com

Как использовать:

1. Выбираете поля (user_id, date, email и т.д.)

2. Указываете типы данных

3. Скачиваете CSV

Плюсы: Быстро, без кода.

Минусы: Ограничение 1000 строк в бесплатной версии.

Когда использовать синтетические данные:

• Когда нужны специфические данные (например, SaaS-продукт с подписками)

• Когда хотите полный контроль над структурой данных

• Когда нужно продемонстрировать конкретную гипотезу

Важно: Если используете синтетические данные, обязательно укажите это в кейсе. Не выдавайте их за реальные.

Как использовать данные легально

Правила:

1. Публичные датасеты: Проверьте лицензию (обычно CC BY, MIT — можно использовать с указанием источника)

2. API: Читайте Terms of Service (обычно данные можно использовать для личных проектов)

3. Синтетические данные: Можно использовать без ограничений

Что НЕЛЬЗЯ:

❌ Брать данные из компании, где вы работали (NDA, конфиденциальность)
❌ Парсить сайты без разрешения (нарушение ToS)
❌ Использовать персональные данные пользователей без согласия

Что МОЖНО:

✅ Публичные датасеты с открытой лицензией
✅ Данные через API (с соблюдением лимитов)
✅ Синтетические данные (с указанием, что они синтетические)

Пошаговый план создания кейса

Теперь разберём, как создать кейс от начала до конца. На примере.

Шаг 1: Выбираете тему и задачу

Пример темы: Анализ retention пользователей мобильного приложения для доставки еды.

Бизнес-задача: Понять, сколько пользователей возвращается в приложение через 1 день, 7 дней, 30 дней. Найти факторы, влияющие на retention.

Почему эта задача: Retention — ключевая метрика для любого продукта. Если пользователи не возвращаются, продукт умрёт.

Что нужно сделать:

1. Посчитать retention по дням (Day 1, Day 7, Day 30)

2. Построить retention curves

3. Провести когортный анализ (сравнить разные месяцы регистрации)

4. Найти факторы, влияющие на retention (платформа, источник трафика, первая покупка)

5. Дать рекомендации

Шаг 2: Находите или создаёте данные

Что нужно:

Таблица пользователей:

Таблица активности:

Где взять:

• Kaggle (ищем "food delivery", "user retention", "mobile app")

• Генерируем через Python Faker (если не нашли подходящий)

Шаг 3: Чистите данные

Типичные проблемы:

• Пропуски (NULL values)

• Дубликаты

• Неправильные форматы дат

• Выбросы (аномальные значения)

Код (Python):

import pandas as pd

# Загружаем данные
df_users = pd.read_csv('users.csv')
df_events = pd.read_csv('events.csv')

# Проверяем пропуски
print(df_users.isnull().sum())

# Удаляем дубликаты
df_users = df_users.drop_duplicates(subset=['user_id'])

# Приводим даты к формату datetime
df_users['registration_date'] = pd.to_datetime(df_users['registration_date'])
df_events['event_date'] = pd.to_datetime(df_events['event_date'])

# Удаляем пользователей без registration_date
df_users = df_users[df_users['registration_date'].notnull()]

Что писать в кейсе:

«Данные содержали 1523 пропуска в поле first_order_date (пользователи, которые ещё не сделали заказ). Это нормально, оставили как есть.

Удалили 42 дубликата по user_id. Привели даты к формату datetime.»

Шаг 4: Проводите анализ

Расчёт retention:

# Retention = доля пользователей, вернувшихся через N дней

def calculate_retention(df_users, df_events, days):
    retention = {}

    for day in days:
        # Для каждого пользователя: вернулся ли он через {day} дней?
        returned_users = []

        for user_id, reg_date in zip(df_users['user_id'], df_users['registration_date']):
            target_date = reg_date + pd.Timedelta(days=day)

            # Проверяем, был ли event в этот день (±1 день)
            user_events = df_events[(df_events['user_id'] == user_id) &
                                     (df_events['event_date'] >= target_date) &
                                     (df_events['event_date'] < target_date + pd.Timedelta(days=1))]

            if len(user_events) > 0:
                returned_users.append(user_id)

        retention[f'Day {day}'] = len(returned_users) / len(df_users) * 100

    return retention

retention = calculate_retention(df_users, df_events, [1, 7, 14, 30])
print(retention)
# {'Day 1': 42.3, 'Day 7': 28.5, 'Day 14': 18.2, 'Day 30': 12.1}

Шаг 5: Визуализируете результаты

Retention curve:

import matplotlib.pyplot as plt

days = [1, 7, 14, 30]
retention_values = [42.3, 28.5, 18.2, 12.1]

plt.figure(figsize=(10, 6))
plt.plot(days, retention_values, marker='o', linewidth=2, markersize=8)
plt.title('Retention Curve', fontsize=16)
plt.xlabel('Days since registration', fontsize=12)
plt.ylabel('Retention (%)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

Когортный анализ (heatmap):

import seaborn as sns

# Retention по месяцам регистрации
cohort_retention = df_users.groupby('registration_month').apply(...)
# (детальный код опустим для краткости)

sns.heatmap(cohort_retention, annot=True, fmt='.1f', cmap='RdYlGn')
plt.title('Cohort Retention Heatmap')
plt.show()

Шаг 6: Делаете выводы и рекомендации

Плохой вывод:

❌ «Day 1 retention = 42%. Day 30 retention = 12%.»

Хороший вывод:

✅ «Проблема: Day 1 retention составляет 42%, что на 10-15 п.п. ниже бенчмарка для food delivery приложений (50-55%). К 30 дню остаётся только 12% пользователей.

Причины:

• Пользователи, не сделавшие заказ в первый день, возвращаются в 3 раза реже (14% vs 52%)

• Android-пользователи имеют на 8 п.п. ниже retention, чем iOS (возможно, проблемы с производительностью приложения)

• Когорта января 2024 показала на 5 п.п. лучше retention, чем февраль (запустили реферальную программу в январе)

Рекомендации:

1. Стимулировать первый заказ: Промокод на первый заказ в течение 24 часов после регистрации (гипотеза: это повысит Day 1 retention с 42% до 50%)

2. Исправить баги на Android: Провести аудит производительности приложения на Android

3. Масштабировать реферальную программу: Январская когорта показала лучший retention (+5 п.п.) — стоит продолжить реферальную механику

Ожидаемый эффект: Повышение Day 30 retention с 12% до 15-17% (дополнительно 3-5 тысяч активных пользователей в месяц)»

Видите разницу? Второй вариант показывает:

• Понимание бизнеса (сравнение с бенчмарками)

• Глубину анализа (нашли причины)

• Практическую пользу (конкретные действия, а не просто «надо улучшить»)

Шаг 7: Оформляете кейс

Структура кейса:

1. Контекст и задача (1-2 абзаца)

2. Данные (откуда взяли, что содержат)

3. Методология (что делали: SQL запросы, Python код, статистические тесты)

4. Результаты (графики, таблицы, цифры)

5. Выводы и рекомендации (что делать бизнесу)

6. Ссылка на код (GitHub / Jupyter Notebook)

Формат:

• Notion / Google Docs (текст + скриншоты графиков)

• Jupyter Notebook (код + текст + графики в одном файле)

• GitHub README.md (+ ссылка на notebook)

Важно: Кейс должен быть самодостаточным. Человек должен понять задачу и решение, не запуская ваш код.

Примеры кейсов для портфолио

Разберём 3 полноценных примера кейсов.

Кейс 1: Анализ конверсии в подписку (SaaS-продукт)

Контекст:

«Проанализировал конверсию пользователей в платную подписку для SaaS-продукта (аналог Notion / Trello). Цель: понять, почему конверсия из trial в paid составляет только 8%, хотя бенчмарк индустрии — 15-20%.»

Данные:

• Таблица пользователей (100K строк): user_id, registration_date, plan (trial/paid/churned)

• Таблица активности: user_id, date, actions_count (количество действий в день)

• Источник: синтетические данные (сгенерированы через Python Faker)

Методология:

1. Построил воронку конверсии: Registration → Trial → Paid

2. Провёл когортный анализ: Сравнил конверсию по месяцам регистрации

3. Проанализировал поведение: Сравнил активность пользователей, которые конвертировались vs не конвертировались

4. Проверил гипотезу: Влияет ли количество действий в первые 7 дней на конверсию?

Результаты:

• Воронка: Registration (100%) → Active in trial (68%) → Paid (8%)

• Главная проблема: 32% пользователей вообще не активировались (не совершили ни одного действия)

• Факторы, влияющие на конверсию:

• Пользователи, совершившие 10+ действий в первые 7 дней, конвертируются в 5 раз чаще (34% vs 7%)

• Пользователи, пригласившие хотя бы 1 коллегу, конвертируются в 3 раза чаще (21% vs 7%)

Выводы и рекомендации:

1. Улучшить онбординг: 32% не активируются → добавить туториал, email-цепочку с обучением

2. Стимулировать командную работу: Дать бонус (скидку 20%) за приглашение коллеги в первые 7 дней

3. Настроить триггеры: Если пользователь не сделал 5+ действий в первые 3 дня → отправить письмо с примерами использования

Ожидаемый эффект: Повышение конверсии с 8% до 12-14%.

Ссылка на код: GitHub

Кейс 2: A/B-тест новой функции оплаты

Контекст:

«Спроектировал и проанализировал A/B-тест для e-commerce сайта. Гипотеза: добавление функции "Купить в 1 клик" увеличит конверсию в покупку.»

Данные:

• 20,000 пользователей (10K в группе A, 10K в группе B)

• Группа A (control): стандартная корзина

• Группа B (test): кнопка "Купить в 1 клик"

• Источник: Kaggle dataset (модифицированный)

Методология:

1. Рассчитал размер выборки (power analysis): Для обнаружения эффекта +2 п.п. конверсии нужно 8,500 пользователей в каждой группе (при α=0.05, β=0.2)

2. Проверил корректность сплита: Группы A и B одинаковы по полу, возрасту, источнику трафика (p > 0.05 для всех признаков)

3. Провёл тест: Z-test для пропорций

4. Рассчитал доверительный интервал для разницы в конверсии

Результаты:

Выводы:

• Конверсия выросла на 0.9 п.п. (с 3.2% до 4.1%, p=0.032 < 0.05) → статистически значимо

• Средний чек снизился на 340₽ (p=0.067 > 0.05) → не значимо, но есть тенденция

• Revenue per user вырос на 24₽ (p=0.048 < 0.05) → в итоге выгодно

Интерпретация:

«Кнопка "Купить в 1 клик" снижает барьер к покупке → больше пользователей покупают, но покупают более дешёвые товары (импульсивные покупки). В итоге выручка на пользователя всё равно растёт (+18%).»

Рекомендации:

• Раскатать на 100% (тест успешен)

• Мониторить долгосрочные эффекты: Проверить через 30 дней, не упал ли LTV пользователей (если люди покупают дешёвые товары, они могут реже возвращаться)

Ссылка на код: Jupyter Notebook

Кейс 3: Когортный анализ churn для подписочного сервиса

Контекст:

«Проанализировал churn (отток) пользователей подписочного сервиса (стриминг музыки). Цель: понять, какие когорты уходят быстрее и почему.»

Данные:

• 50K пользователей с подписками

• Данные за 12 месяцев (январь 2024 - декабрь 2024)

• Источник: публичный датасет Spotify (модифицированный)

Методология:

1. Построил retention cohorts: Сколько % пользователей остаются через 1, 3, 6, 12 месяцев?

2. Рассчитал churn rate по месяцам

3. Сегментировал по факторам: План подписки (Individual, Family, Student), источник регистрации (organic, ads, referral)

Результаты:

Retention heatmap (по месяцам):

Ключевые находки:

• Когорта марта показала на 6-10 п.п. лучше retention → в марте запустили реферальную программу

• Family plan удерживает на 15 п.п. лучше, чем Individual (Month 6: 63% vs 48%)

• Студенты имеют худший retention (Month 6: 38%) — предположительно из-за низкой цены подписки (нет commitment)

Выводы и рекомендации:

1. Масштабировать реферальную программу: Мартовская когорта показала лучший retention → стоит продолжить механику

2. Стимулировать переход на Family plan: Добавить скидку 20% на первый месяц Family для Individual-пользователей

3. Пересмотреть Student plan: Либо поднять цену, либо добавить ограничения (например, только 30 часов прослушивания в месяц)

Ожидаемый эффект: Снижение churn на Month 6 с 52% до 45-47%.

Ссылка на код: GitHub

Как оформить портфолио

Недостаточно сделать кейсы. Нужно правильно их показать.

Платформы для размещения портфолио

1. Notion (РЕКОМЕНДУЕТСЯ)

Почему:

• Красивое оформление (без кода)

• Легко вставлять графики, таблицы, код

• Можно поделиться публичной ссылкой

Как сделать:

1. Создаёте страницу Notion

2. Добавляете разделы: "Обо мне", "Кейсы", "Контакты"

3. Каждый кейс — отдельная подстраница

4. Публикуете и делитесь ссылкой

Пример структуры:

📊 Портфолио продуктового аналитика

👤 Обо мне
- Кто я: "Начинающий продуктовый аналитик, закончил курс ..."
- Навыки: SQL, Python (pandas, matplotlib), Tableau, A/B-тесты
- Контакты: email, Telegram, LinkedIn, GitHub

📁 Кейсы
  → Кейс 1: Анализ retention
  → Кейс 2: A/B-тест
  → Кейс 3: Когортный анализ churn

💻 GitHub
- Ссылка на репозиторий с кодом

2. GitHub Pages

Почему:

• Бесплатный хостинг

• Интеграция с GitHub (где лежит код)

• Подходит для технических специалистов

Как сделать:

1. Создаёте репозиторий your-username.github.io

2. Пишете портфолио в Markdown (README.md)

3. GitHub автоматически публикует как сайт

Минусы: Требуется знание Markdown и базовых настроек GitHub.

3. Телеграм-канал

Почему:

• Просто (не нужно настраивать Notion / GitHub)

• Можно постить кейсы постепенно

• Легко поделиться ссылкой

Как сделать:

1. Создаёте публичный канал

2. Постите кейсы (текст + скриншоты графиков)

3. Закрепляете пост с оглавлением

Минусы: Менее профессионально выглядит, чем Notion.

Структура страницы с кейсом

Обязательные элементы:

1. Заголовок: Чёткое название ("Анализ retention для food delivery приложения")

2. Тэги: SQL, Python, Retention, Cohort Analysis

3. Краткое описание (2-3 предложения): Что сделали, какой результат

4. Контекст и задача: Какую бизнес-проблему решали

5. Данные: Откуда взяли, что содержат, сколько строк

6. Методология: Что делали (шаги анализа)

7. Результаты: Графики, таблицы, цифры

8. Выводы и рекомендации: Что делать бизнесу

9. Ссылка на код: GitHub / Jupyter Notebook

Опционально:

• Сложности: С чем столкнулись, как решили

• Что бы улучшили: Если бы делали ещё раз

Ошибки в оформлении

❌ Только код без объяснений

Плохо:

df.groupby('user_id').agg({'event': 'count'})

Хорошо:

«Посчитал количество событий для каждого пользователя:

df.groupby('user_id').agg({'event': 'count'})

В среднем пользователь совершает 12 действий в день.»

❌ Графики без подписей

Плохо: Вставили график, не объяснили, что на нём.

Хорошо: «На графике видно, что retention падает с 42% (Day 1) до 12% (Day 30). Это на 10 п.п. ниже бенчмарка индустрии.»

❌ Нет бизнес-контекста

Плохо: «Средний чек = 4,230₽».

Хорошо: «Средний чек = 4,230₽, что на 15% выше, чем у конкурентов (3,680₽). Это может быть как преимуществом (больше выручка), так и риском (дорого для клиентов).»

Типичные ошибки начинающих

Ошибка 1: Слишком простые кейсы

Проблема: Кейс показывает только описательную статистику без инсайтов.

Пример плохого кейса:

«Проанализировал датасет о пользователях.

• Средний возраст: 32 года

• 60% мужчины, 40% женщины

• Средний чек: 4,500₽

Вывод: Это интересные данные.»

Почему плохо: Это не анализ, а просто .describe(). Нет гипотез, нет инсайтов, нет рекомендаций.

Как исправить: Задайте вопрос. Например:

• Почему средний чек у женщин на 20% выше?

• Влияет ли возраст на частоту покупок?

• Какие сегменты пользователей приносят больше всего выручки?

Ошибка 2: Нет бизнес-контекста

Проблема: Технический анализ без объяснения, зачем это бизнесу.

Пример:

«Построил когортный анализ retention. Вот heatmap. [график]»

Почему плохо: Не понятно:

• Что означают эти цифры?

• Хороший это retention или плохой?

• Что делать с этой информацией?

Как исправить: Добавьте контекст:

«Retention через 30 дней = 12%. Это на 8 п.п. ниже бенчмарка индустрии (20%). Если повысим retention до 15%, это даст +3,000 активных пользователей в месяц и +6M₽ выручки в год.»

Ошибка 3: Учебные датасеты

Проблема: Используете Titanic, Iris, Wine Quality.

Почему плохо: Эти датасеты для практики Data Science, не для продуктового аналитика. Работодатель подумает, что вы не понимаете разницу.

Как исправить: Используйте данные, связанные с продуктами:

• E-commerce (заказы, пользователи)

• SaaS (подписки, активность)

• Мобильные приложения (события, retention)

Ошибка 4: Нет ссылки на код

Проблема: В кейсе только текст и графики, но нет кода.

Почему плохо: Работодатель не может проверить, как вы пишете код.

Как исправить: Выложите код на GitHub и дайте ссылку.

Совет: Код должен быть чистым:

• Комментарии к ключевым строкам

• Понятные названия переменных

• Без захардкоженных путей (/Users/yourname/data.csv → плохо)

Ошибка 5: Слишком длинные кейсы

Проблема: Кейс на 50 страниц с кодом на каждый шаг.

Почему плохо: Работодатель не будет читать всё. Ему нужна суть.

Как исправить:

• В портфолио: Краткое описание (2-3 экрана)

• В GitHub: Полный код и данные

Правило: Кейс должен читаться за 5-7 минут.

Как продвигать портфолио

Недостаточно создать портфолио. Нужно, чтобы его увидели.

Где размещать ссылку на портфолио

1. В резюме

• В шапке резюме: "Портфолио: notion.so/your-link"

• В разделе "О себе": "Вы можете посмотреть мои кейсы: ..."

2. В сопроводительном письме

«Прикладываю ссылку на моё портфолио: [ссылка]. Там 3 кейса, которые демонстрируют мой опыт анализа retention, A/B-тестов и когортного анализа.»

3. В профиле LinkedIn

• В разделе "Featured": Добавить ссылку на портфолио

• В About: "Портфолио: [ссылка]"

4. В Telegram / соцсетях

Если ищете работу через знакомых, каналы с вакансиями — дайте ссылку на портфолио.

Как рассказывать о портфолио на собеседовании

Сценарий 1: Вас спрашивают: «У вас есть опыт?»

❌ Плохо: "Нет, я только закончил курсы."

✅ Хорошо: "Коммерческого опыта пока нет, но я сделал 3 кейса для портфолио. Например, проанализировал retention для food delivery приложения и нашёл, что пользователи, не сделавшие первый заказ в течение 24 часов, уходят в 3 раза чаще. Могу показать."

Сценарий 2: Вас спрашивают: «Расскажите о своём проекте»

Структура ответа:

1. Контекст: «Анализировал retention для мобильного приложения»

2. Задача: «Цель была понять, почему только 12% пользователей остаются через 30 дней»

3. Что сделали: «Построил когортный анализ, сравнил платформы и источники трафика»

4. Результат: «Нашёл, что главная проблема — пользователи не делают первый заказ. Предложил дать промокод на первый заказ в течение 24 часов.»

Время: 1-2 минуты на один кейс.

Публикация кейсов в публичном доступе

Плюсы:

• Дополнительная видимость (могут найти через поиск)

• Показывает экспертизу

• Может привести к job offer напрямую (рекрутеры ищут аналитиков через статьи)

Где публиковать:

• Habr: Статьи по аналитике (большая аудитория IT-специалистов)

• Medium: Англоязычная аудитория

• VC.ru: Бизнес-аудитория (подойдёт для кейсов с бизнес-фокусом)

Формат: Статья = ваш кейс + пояснения для широкой аудитории.

Совет: Не обязательно публиковать все кейсы. Достаточно 1-2 лучших.

Чек-лист: готово ли ваше портфолио

Пройдите этот чек-лист перед отправкой портфолио работодателям.

Контент

• Есть минимум 3 кейса

• Каждый кейс показывает разные навыки (например: анализ метрик, A/B-тест, когортный анализ)

• Кейсы связаны с продуктовой аналитикой (не Titanic, не анализ цен на недвижимость)

• Каждый кейс содержит: контекст, данные, методологию, результаты, выводы, рекомендации

• Есть ссылки на код (GitHub / Jupyter Notebook)

Оформление

• Портфолио размещено на платформе (Notion / GitHub Pages / личный сайт)

• Есть вводная страница с информацией о вас и навыках

• Есть контакты (email, Telegram, LinkedIn)

• Графики и таблицы хорошо читаются

• Нет опечаток и грамматических ошибок

Технические детали

• Код на GitHub чистый (комментарии, понятные названия переменных)

• Данные доступны (либо в репозитории, либо ссылка на источник)

• Jupyter Notebooks выполнены (все ячейки с выводами)

• Нет захардкоженных путей в коде

Бизнес-контекст

• В каждом кейсе понятно, какую бизнес-задачу решали

• Есть выводы и рекомендации (не просто цифры и графики)

• Рекомендации конкретные (не «надо улучшить», а «запустить промокод на первый заказ»)

• Оценён ожидаемый эффект (где возможно)

Доступность

• Ссылка на портфолио работает (проверьте в режиме инкогнито)

• Портфолио открывается без авторизации

• Портфолио адаптивно (читается с телефона)

Если на все пункты ответили "да" — ваше портфолио готово!

Сколько времени нужно на создание портфолио

Реалистичный план:

• 1 кейс: 10-20 часов (поиск данных, анализ, оформление)

• 3 кейса: 30-60 часов

• Оформление портфолио: 5-10 часов

Итого: 35-70 часов = 1-2 месяца при работе 2-3 часа в день.

Примерный график (8 недель):

Важно: Не делайте всё за неделю. Лучше потратить 2 месяца, но сделать качественно.

Заключение: начните прямо сейчас

Давайте подведём итоги.

Что вы узнали:

1. Портфолио обязательно для начинающего продуктового аналитика. Без него шансы получить оффер стремятся к нулю.

2. Минимум 3-5 кейсов достаточно, чтобы начать получать приглашения на собеседования.

3. Типы кейсов: Анализ метрик продукта, A/B-тестирование, когортный анализ, анализ воронок, юнит-экономика.

4. Данные: Kaggle, публичные API, синтетические данные (с указанием, что они синтетические).

5. Структура кейса: Контекст → Данные → Методология → Результаты → Выводы и рекомендации → Ссылка на код.

6. Бизнес-контекст важнее техники: Работодателю важно не то, что вы знаете Python, а то, что вы можете решить бизнес-задачу.

7. Оформление имеет значение: Notion, GitHub Pages, или личный сайт — выберите удобную платформу.

Что делать прямо сейчас:

Шаг 1: Выберите первый кейс (30 минут)

Определите тему:

• Анализ retention для мобильного приложения?

• A/B-тест для e-commerce?

• Когортный анализ для подписочного сервиса?

Шаг 2: Найдите данные (1-2 часа)

Kaggle → поиск по ключевым словам → скачайте датасет.

Шаг 3: Поставьте дедлайн (сейчас)

«Я закончу первый кейс за 2 недели.»

Шаг 4: Начните анализ (сегодня)

Не ждите «идеального датасета». Начните с того, что есть. Совершенство — враг выполнения.

Последний совет: Не откладывайте.

Многие начинающие аналитики думают: «Сначала пройду ещё один курс, потом сделаю портфолио». Это ловушка. Вы никогда не будете «готовы на 100%».

Лучший способ научиться — делать. Ваш первый кейс будет несовершенным. Это нормально. Второй будет лучше. Третий — ещё лучше.

Через 2 месяца у вас будет портфолио. Через 3 месяца — первые собеседования. Через 4-6 месяцев — первый оффер.

Начните сегодня.

Удачи! 🚀

А лучшие вакансии для аналитиков ищите на сайте hirehi.ru