Степик тестировщик курсы: Тестирование ПО для начинающих — Stepik

Тестирование ПО для начинающих — Stepik

С нуля до QA. Если Вы хотите начать работать в IT, сменить свою сферу деятельности, но не знаете с чего начать, пройти собеседование на тестировщика, подтянуть свои знания по тестированию или просто интересуетесь сферой IT, то этот курс для Вас! Теория тестирования+Web тестирование+тестирование мобильных приложений +…

What you will learn

  • — Теории тестирования.
  • — Ответам на вопросы на собеседовании.
  • — Проходить собеседования на позицию тестировщика.
  • — Тестировать карандаш :).
  • — Тестировать Web сайты.
  • — Тестировать мобильные приложения.
  • — Тестировать API.
  • — Применять техники тест-дизайна.
  • — Составлять тестовую документацию: чек-листы, тест-кейсы, баг-репорты.
  • — Применять SQL запросы.
  • — Применять Git.
  • — Применять Jira.
  • — Применять Postman.
  • — Применять Chrome DevTools.
  • — Применять Android Studio.
  • — Применять Charles Proxy.

About this course

Если Вы хотите начать работать в IT, сменить свою сферу деятельности, но не знаете с чего начать, подтянуть свои знания по тестированию или просто интересуетесь сферой IT, то этот курс для Вас!

В курсе будет рассмотрена теория тестирования, техники тест-дизайна, но безо всякой лишней воды, только то, что действительно пригодится при собеседовании и в работе.

В курсе рассмотрены основные инструменты, с которыми работает тестировщик, а именно: SQL запросы, баг-трекинговая система Jira, тестирование API c помощью Postman, система контроля версий Git, Android Studio, сниффер трафика Charles, тестовые артефакты (чек-листы, тест-кейсы, баг-репорты).

Работая в тестировании, вы независимы от своего рабочего места, работать можно удаленно из любой точки земного шара! Сфера тестирования ПО очень быстро растет, тестированию подвергаются любое программное обеспечение, система, приложение или web-сайт, вакансий в этой области больше, чем соискателей, уровень зарплат в IT выше, чем в других отраслях. Средний заработок тестировщика $ 500-2500.

На курсе рассматриваются вопросы, которые задают на собеседованиях на позицию тестировщика ПО. Пройдя этот курс, Вы сможете пройти собеседование на позицию Junior тестировщика. Главное — верить в себя, в свои силы, двигаться к своей цели, прилагать усилия и у вас обязательно все получится!

По любым вопросам обращайтесь, пожалуйста, в комментарии или в телеграм: @Dimelian

Whom this course is for

— Начинающие тестировщики;
— Junior QA.

Initial requirements

  • Специальных знаний и навыков для прохождения курса не требуется;
  • Интерес к теме и желание развиваться в направлении QA.

Meet the Instructors

Course content

Certificate

Stepik

Price

FAQ

How to pay from the company?

Share this course

https://stepik.org/course/100832/promo

Direct link:

https://stepik. org/100832

подготовка к сертификации ISTQB Foundation — Stepik

Данный курс основан на программе обучения «Сертифицированный тестировщик ПО Базового уровня» ISTQB.
В нем в достаточно сжатом, но достаточном виде представлена официальная программа для обучения а также примеры тестов с сертификационных экзаменов.

About this course

Данный курс основан на официальной программе обучения «Сертифицированный тестировщик ПО Базового уровня» ISTQB и предназначен для подготовки к сдаче сертификационных экзаменов.

Все тестовые задания, представленные в курсе, взяты из реальных экзаменов  ISTQB Foundation Level.

Уведомление об авторских правах © International Software Testing Qualifications Board (далее просто ISTQB®) ISTQB является зарегистрированной торговой маркой International Software Testing Qualifications Board.

Авторские права © 2011 авторы перевода 2011 (Андрей Конушин (председатель), Александр Александров, Алексей Александров, Татьяна Смехнова, Елена Абрамова)
Авторские права © 2011 авторы обновления 2011 (Thomas Müller (председатель), Debra Friedenberg и Рабочая группа Базового уровня ISTQB)
Авторские права © 2010 авторы обновления 2010 (Thomas Müller (председатель), Armin Beer, Martin Klonk, Rahul Verma)
Авторские права © 2007 авторы обновления 2007 (Thomas Müller (председатель), Dorothy Graham, Debra Friedenberg и Erik van Veendendaal)
Авторские права © 2005, авторы (Thomas Müller (председатель), Rex Black, Sigrid Eldh, Dorothy Graham, Klaus Olsen, Maaret Pyhäjärvi, Geoff Thompson и Erik van Veendendaal).
Все права защищены.

Авторы передают свои права International Software Testing Qualifications Board (далее ISTQB). Авторы (владельцы авторских прав в данный момент) и ISTQB (как будущий владелец авторских прав) договорились о следующих условиях использования: Любое частное лицо или обучающая компания могут использовать эту программу как основу для проведения обучающих курсов, если авторы и ISTQB упомянуты как источник и владельцы авторских прав, при этом в любой рекламе таких курсов данная программа может быть упомянута только после письменного уведомления об аккредитации материалов тренингов в национальную коллегию, признанную ISTQB.
Любое частное лицо или группа частных лиц может использовать программу как основу для статей, книг или других производных письменных материалов если авторы и ISTQB упомянуты как источник и владельцы авторских прав программы
Любая национальная ассоциация, признанная ISTQB, может перевести эту программу (или ее перевод) для других сторон.

Whom this course is for

Начинающие тестировщики, а также все желающие систематизировать свои теоретические знания и потренироваться в решении тестов на сдачу сертификационного экзамена.

Initial requirements

Для сертификации по данному направлению нет особых требований, однако ISTQB рекомендует иметь небольшой опыт работы тестировщиком.

Конечно, слегка затруднительно будет проходить этот курс совсем не имея понятия о принципах разработки ПО.

Meet the Instructors

Course content

Certificate

Stepik certificate

Share this course

https://stepik.org/course/16478/promo

Direct link:

https://stepik.org/16478

Тестировщик больших и малых данных: тренды, теория, моя история

Всем привет, меня зовут Александр, я инженер Data Quality, который проверяет данные на их качество. В этой статье пойдет речь о том, как я к этому пришел и почему в 2020 году это направление тестирования оказалось на гребне волны.

,

Мировой тренд

Сегодняшний мир переживает очередную технологическую революцию, одним из аспектов которой является использование разного рода компаниями накопленных данных для продвижения собственного маховика продаж, прибыли и пиара. Похоже, что именно наличие хороших (качественных) данных, а также умелые мозги, способные на них зарабатывать (правильно обрабатывать, визуализировать, строить модели машинного обучения и т. д.), стали сегодня залогом успеха для многих. Если 15-20 лет назад крупные компании занимались плотной работой с накоплением данных и их монетизацией, то сегодня это удел практически всех здравомыслящих людей.

В связи с этим несколько лет назад все порталы по поиску работы по всему миру стали заполняться вакансиями специалистов по данным, так как все были уверены, что, получив в штат такого специалиста, можно построить супермодель машинного обучения, прогнозировать будущее и совершить «квантовый скачок» для компании. Со временем люди поняли, что такой подход почти никогда не работает, так как не все данные, попадающие в руки таких специалистов, подходят для обучения моделей.

И начались запросы от специалистов по данным: «Давайте купим больше данных у тех и тех. …», «Нам не хватает данных…», «Нужны еще данные и желательно качественные…». На основе этих запросов стали выстраиваться многочисленные взаимодействия между компаниями, владеющими тем или иным набором данных. Естественно, это потребовало технической организации этого процесса — подключиться к источнику данных, загрузить их, проверить, что они полностью загружены и т. д. Количество таких процессов стало расти, и сегодня мы получили огромную потребность в другом виде. специалистов – инженеров по качеству данных – тех, кто будет контролировать поток данных в системе (конвейеры данных), качество данных на входе и выходе, делать выводы об их адекватности, целостности и других характеристиках.

Тренд на Data Quality инженеров пришел к нам из США, где в разгар бушующей эпохи капитализма никто не готов проиграть битву за данные. Ниже я предоставил скриншоты с двух самых популярных сайтов по поиску работы в США: www.monster.com и www.dice.com — на которых представлены данные на 17 марта 2020 года по количеству размещенных вакансий, поступивших, по ключевым словам : Качество данных и специалист по данным.

www.monster.com

www.dice.com

Очевидно, что эти профессии никак не конкурируют друг с другом. Скриншотами я просто хотел проиллюстрировать текущую ситуацию на рынке труда с точки зрения запросов на инженеров по качеству данных, которым сейчас требуется гораздо больше, чем специалистам по данным.

В июне 2019 года EPAM, реагируя на потребности современного ИТ-рынка, выделила качество данных в отдельную практику. Инженеры по качеству данных в ходе своей повседневной работы управляют данными, проверяют их поведение в новых условиях и системах, контролируют актуальность данных, их адекватность и актуальность. При всем при этом, в практическом смысле Data Quality инженеры действительно уделяют немного времени классическому функциональному тестированию, НО сильно зависит от проекта (позже приведу пример).

Обязанности инженера по качеству данных не ограничиваются рутинными ручными/автоматическими проверками на «нули, количество и суммы» в таблицах БД, а требуют глубокого понимания потребностей бизнеса заказчика и, соответственно, умения трансформировать существующие данные в подходящую бизнес-информацию.

Data Quality Theory

Чтобы наиболее полно представить себе роль такого инженера, давайте разберемся, что же такое Data Quality в теории.

Качество данных — Один из этапов Data Management (весь мир, который мы оставим вам для самостоятельного изучения) и отвечает за анализ данных по следующим критериям:

Думаю не стоит расшифровывать каждый из точки (теоретически они называются «измерениями данных»), они достаточно хорошо описаны на картинке. Но сам процесс тестирования не предполагает жесткого копирования этих признаков в тест-кейсы и их проверки. В Data Quality, как и в любом другом виде тестирования, необходимо прежде всего отталкиваться от требований к качеству данных, согласованных с участниками проекта, принимающими бизнес-решения.

В зависимости от проекта Data Quality инженер может выполнять различные функции: от обычного автоматизированного тестировщика с поверхностной оценкой качества данных, до человека, который проводит их глубокое профилирование по вышеуказанным критериям.

Очень подробное описание управления данными, качества данных и связанных процессов хорошо описано в книге под названием «DAMA-DMBOK: Свод знаний по управлению данными: 2-е издание» . Я настоятельно рекомендую эту книгу в качестве введения в эту тему (ссылку на нее вы найдете в конце статьи).

Моя история

В ИТ-индустрии я прошел путь от младшего тестировщика продуктов до ведущего инженера по качеству данных в EPAM. После примерно двух лет работы тестировщиком у меня появилась твердая уверенность, что я проводил абсолютно все виды тестирования: регрессионное, функциональное, стрессовое, стабильности, безопасности, пользовательского интерфейса и т. д. — и перепробовал большое количество инструментов тестирования, поработав на одновременно на трех языках программирования: Java, Scala, Python.

Оглядываясь назад, я понимаю, почему набор моих профессиональных навыков оказался таким разнообразным — я участвовал в проектах, связанных с работой с данными, большими и маленькими. Именно это привело меня в мир большого количества инструментов и возможностей для роста.

Чтобы оценить разнообразие инструментов и возможностей для получения новых знаний и навыков, достаточно взглянуть на картинку ниже, на которой изображены самые популярные из них в мире «Data & AI».

Такого рода иллюстрации ежегодно составляет один из известных венчурных капиталистов Мэтт Терк, родом из разработки программного обеспечения. Вот ссылка на его блог и фирму венчурного капитала, где он работает в качестве партнера.

Особенно быстро я профессионально рос, когда был единственным тестировщиком на проекте или, по крайней мере, в начале проекта. Именно в такой момент вам приходится нести ответственность за весь процесс тестирования, и у вас нет возможности отступить, только вперед. Сначала это было пугало, но теперь все преимущества такого теста для меня очевидны:

  • Вы начинаете больше общаться со всей командой, так как нет прокси для общения: ни тест-менеджера, ни коллег-тестировщиков.
  • Погружение в проект становится невероятно глубоким, и вы владеете информацией обо всех составляющих, как в общих чертах, так и в деталях.
  • Разработчики смотрят на вас не как на «того парня из тестировщика, который не понимает, что он делает», а скорее, как на равного, приносящего невероятную пользу команде своими самотестами и ожиданием багов в конкретной узел продукта.
  • В результате вы более эффективны, более квалифицированы, более востребованы.

По мере роста проекта на 100% я стал наставником для тестировщиков, которые приходили к нему повторно, обучал их и передал полученные знания. При этом, в зависимости от проекта, я не всегда получал от руководства специалистов по автотестированию самого высокого уровня и была необходимость либо обучать их автоматизации (для желающих), либо создавать инструменты для их использования в повседневная деятельность (средства генерации данных и загрузки их в систему, инструмент для проведения нагрузочного тестирования/тестирования стабильности «быстро» и т. д.).

Пример конкретного проекта

К сожалению, из-за обязательств по неразглашению я не могу подробно рассказать о проектах, над которыми работал, но приведу примеры типовых задач Data Quality Engineer на одном из проектов.

Суть проекта заключается в реализации платформы подготовки данных для обучения моделей машинного обучения на их основе. Заказчиком выступила крупная фармацевтическая компания из США. Технически это был кластер Kubernetes, взбирающийся на инстансы AWS EC2, с несколькими микросервисами и базовым проектом с открытым исходным кодом EPAM — Legion, адаптированным к потребностям конкретного клиента. Процессы ETL были организованы с использованием воздушного потока Apache и перемещены данные из систем клиентов SalesForce AWS S3 Buckets. Далее на платформу был развернут docker-образ модели машинного обучения, которая обучалась на последних данных и производила прогнозы на основе интерфейса REST API, интересующие бизнес и решающие конкретные задачи.

Визуально все выглядело примерно так:

На этом проекте было много функционального тестирования, а учитывая скорость разработки фич и необходимость поддерживать темп релизного цикла (двухнедельные спринты), необходимо было сразу подумать об автоматизации тестирования наиболее критичных узлов системы. Большая часть самой платформы с Kubernetes была покрыта самотестированием, реализованным на основе Robot framework + Python, но их также нужно было поддерживать и расширять. Кроме того, для удобства заказчика создан GUI для управления моделями машинного обучения, встроенными в кластер, а также возможность указать, куда и куда передавать данные для обучения модели. Это обширное дополнение повлекло за собой расширение автоматических функциональных проверок, которые в основном выполнялись с помощью вызовов REST API и небольшого количества тестов пользовательского интерфейса end-2-end. Примерно на экваторе всего этого движения к нам присоединился ручной тестировщик, который отлично справился с приемкой тестирования версий продукта и общением с заказчиком по поводу принятия следующего релиза. Кроме того, благодаря приходу нового специалиста мы смогли задокументировать нашу работу и добавить несколько очень важных ручных проверок, которые было сложно сразу автоматизировать.

И, наконец, после того, как мы добились стабильности с помощью платформы и надстройки с графическим интерфейсом над ней, мы начали создавать конвейеры ETL с использованием групп доступности баз данных Apache Airflow. Автоматизированный контроль качества данных осуществлялся путем написания специальных DAG Airflow, которые проверяли данные по результатам процесса ETL. В рамках этого проекта нам повезло, и заказчик предоставил нам доступ к обезличенным наборам данных, на которых мы и проводили тестирование. Мы построчно проверяли данные на соответствие типам, наличие битых данных, общее количество записей до и после, сравнение преобразований, выполненных ETL-процессом для агрегации, изменение имен столбцов и прочего. Кроме того, эти проверки были масштабированы на разные источники данных, например, помимо SalesForce, еще и на MySQL.

Проверки качества итоговых данных проводились уже на уровне S3, где они хранились и были готовы к использованию для обучения моделей машинного обучения. Для получения данных из финального CSV-файла, лежащего в корзине S3, и их проверки был написан код с использованием клиента boto3.

Также было требование со стороны заказчика хранить часть данных в одном S3 Bucket’е, часть в другом. Для этого также требовалось написать дополнительные проверки для проверки достоверности такого рода.

Обобщенный опыт работы на других проектах

Пример наиболее обобщенного списка действий инженера по обеспечению качества данных:

  • Подготовить тестовые данные (действительные/неверные/большие/маленькие) с помощью автоматизированного инструмента.
  • Загрузите подготовленный набор данных в первоисточник и проверьте его готовность к использованию.
  • Запустить ETL-процессы для обработки набора данных из исходного хранилища в конечное или промежуточное с использованием определенного набора настроек (по возможности задать настраиваемые параметры для ETL-задачи).
  • Проверка данных, обрабатываемых процессом ETL, на предмет их качества и соответствия бизнес-требованиям.

При этом основной упор при проверках должен быть сделан не только на то, что поток данных в системе отработан и дошел до конца (что является частью функционального тестирования), а главным образом на проверке и валидации данных на предмет соответствия ожидаемым требованиям, выявления аномалий и прочего.

Приборы

Одним из приемов такого контроля данных может быть организация цепных проверок на каждом этапе обработки данных, так называемая в литературе «цепочка данных» – контроль данных от источника до точки конечного использования . Такие проверки чаще всего реализуются путем написания валидирующих SQL-запросов. Понятно, что такие запросы должны быть максимально облегченными и проверять качество отдельных фрагментов данных (метаданные таблиц, пустые строки, NULL, ошибки в синтаксисе — другие обязательные атрибуты проверки).

В случае регрессионного тестирования, в котором используются готовые (неизменяемые/малоизменяемые) наборы данных, готовые шаблоны для проверки данных на качество (описания ожидаемых метаданных таблицы; строчные выборочные объекты, которые могут быть выбраны случайным образом в ходе теста , можно сохранить в коде автотеста) и т. д.).

Также во время тестирования приходится писать тестовые ETL-процессы с использованием таких фреймворков, как Apache Airflow, Apache spark или даже облачный инструмент Gcp dataprep, Gcp dataflow и т.д. вышеперечисленных инструментов и еще эффективнее, как проводить функциональное тестирование (например, существующих ETL-процессов на проекте), и использовать их для проверки данных. В частности, для Apache Airflow есть готовые операторы для работы с популярными аналитическими базами, например GCP BigQuery. Самый простой пример его использования уже описан. поэтому поэтому повторяться не буду.

Кроме готовых решений никто не запрещает вам продавать свои техники и инструменты. Это будет полезно не только для проекта, но и для самого Data Quality Engineer, который тем самым прокачивает свой технический кругозор и навыки кодирования.

Как это работает на реальном проекте

Хорошей иллюстрацией последних абзацев про «цепочку данных», ETL и повсеместные проверки является следующий процесс из одного из реальных проектов:

Здесь разные данные (естественно, подготовленные нами) попадают во входную «воронку» нашей системы: действительные, недействительные, смешанные и т. д., затем фильтруются и попадают в промежуточное хранилище, затем их снова ждет ряд преобразований и помещает в конечное хранилище , из которого, в свою очередь, будет выполняться аналитика, построение витрин данных и поиск бизнес-идей. В такой системе, не проверяя функционально работу ETL-процессов, мы ориентируемся на качество данных до и после преобразований, а также на переход к аналитике.

Суммируя вышеизложенное, независимо от места, где я работал, я везде участвовал в проектах Data, которые сочетали в себе следующие функции:

  • Только с помощью автоматизации можно проверить некоторые случаи и добиться удобного для бизнеса цикла выпуска.
  • Тестировщик на таком проекте является одним из самых уважаемых членов команды, так как приносит большую пользу каждому из участников (ускоренное тестирование, хорошие данные от Data Scientist, выявление дефектов на ранних стадиях).
  • Неважно, работаете вы на своем оборудовании или в облаке — все ресурсы абстрагируются в кластер, такой как Hortonworks, Cloudera, Mesos, Kubernetes и т. д.
  • Проекты строятся на микросервисном подходе, распределенные и параллельные преобладают вычисления.

Отмечу, что при тестировании в области Data Quality специалист по тестированию смещает свой профессиональный фокус на код продукта и используемые инструменты.

Отличительные особенности тестирования качества данных

Кроме того, для себя я выделил следующие (сразу оговорюсь ОЧЕНЬ обобщенно и исключительно субъективно) отличительные черты тестирования в Data (Big Data) проектах (системах) и других областях:

полезные ссылки

  1. Теория: DAMA-DMBOK: Свод знаний по управлению данными: 2-е издание.
  2. Учебный центр EPAM
  3. Рекомендуемые материалы для начинающих Data Quality Engineer:
    1. Бесплатный курс Stepik: Introduction to Databases.
    2. Учебный курс LinkedIn: Основы науки о данных: инженерия данных.
    3. Артикул:
      • Бизнес-аналитика и качество данных;
      • ETL-тестирование;
      • Что такое профилирование данных? Процесс, лучшие практики и инструменты;
      • Генерация тестовых данных: что такое, как, пример, инструменты;
      • 5 методов генерации тестовых данных, которые необходимо знать.
    4. Видео:
      • Концепции качества данных | Учебник по качеству данных | Учебное пособие по хранению данных;
      • Профилирование данных с помощью SSIS;
      • Профилирование данных и конвейерная обработка с помощью Spark.

Заключение

Качество данных — Это очень молодое перспективное направление, быть частью которого значит быть частью стартапа. Попав в Data Quality, вы окунетесь в большое количество современных технологий, которые востребованы, но самое главное – у вас появятся огромные возможности для генерации и реализации ваших идей. Вы можете использовать подход постоянного совершенствования не только на проекте, но и для себя, постоянно развиваясь как специалист.

Путь выпускника ИТМО Станислава Красноярова от штатного сотрудника к собственному бизнесу

После учебы в Университете ИТМО в начале 2000-х Станислав Краснояров прошел путь от штатного ИТ-специалиста до основателя собственного бизнеса. ITMO.NEWS поговорил с ним о предпринимательстве как о нескончаемой череде вызовов и лучшем способе самосовершенствования.

Станислав Краснояров окончил нынешнюю Школу компьютерных технологий и управления и в 2005 году получил специальность инженера-системотехника. Будучи студентом, ему посчастливилось получить предложение о работе от компании известных IT-предпринимателей Ратмира Тимашева и Андрея Баронова. , а позже – работать в российских филиалах нескольких международных компаний.

Сейчас Станислав Краснояров ведет собственный бизнес — небольшую компанию Redsteep, в которой работает 10 сотрудников и которая занимается исключительно международными стартапами.

Об учебе в ИТМО и непрерывном образовании

Я учился в третьем классе, когда увидел игровые компьютеры Atari и с тех пор хотел стать программистом. Ну, у меня тоже было желание стать музыкантом в девятом классе, но, познакомившись с некоторыми из них, я понял, что это не для меня. Затем у меня появился собственный ZX Spectrum, и я немного программировал на Basic. В то время не было ни книг, ни онлайн-курсов, поэтому с синтаксисом языка приходилось разбираться методом проб и ошибок.

Компьютер ZX Spectrum. Фото: artstation.com

Когда я учился в школе, к нам приезжала приемная комиссия, которая рассказывала нам о различных бесплатных программах в вузах, в том числе в Университете ИТМО. Я хорошо сдал экзамены, и мои баллы позволили мне учиться в Санкт-Петербурге.

Я из маленького городка Тюменской области, поэтому у меня были очень большие ожидания от городского вуза. Я думал, что все будет на высшем уровне, я буду заниматься с учениками лучших школ России, и я наконец не буду самым умным в классе.

На самом деле все не так. Мои сокурсники мало интересовались учебой и карьерой: из ста студентов только десять в итоге стали настоящими программистами. Мне учеба показалась скучной, особенно когда были онлайн-лекции из Массачусетского технологического института и Беркли, и я увидел, что им понадобился всего один семестр, чтобы научиться переписывать планировщик ядра Linux. Понятно, что это очень сложно (вся моя группа провалилась бы, и даже я не получил бы «хорошо» за этот курс), но все же я ожидал чего-то подобного.

лекции Массачусетского технологического института. Фото: ocw.mit.edu

Так или иначе, я закончил университет, получил степень и до сих пор продолжаю посещать различные курсы, так как их много в Интернете. Мне нравится идея непрерывного образования. В 2013 году я прошел курсы по машинному обучению, статистике и алгоритмам на Coursera и Stepik. Потом я прошел курс по нейронным сетям, потому что хотел развивать свою компанию в этой сфере — мы выполнили один такой заказ, но дальше дело не пошло.

Потом я попала на бизнес-образование, а именно начала больше узнавать о маркетинге и продажах – это для меня совершенно новый мир. В последнее время увлекся управлением проектами: всем, что касается CustDev, юнит-экономики, запуска и стратегии развития стартапа. На самом деле, есть больше курсов, которые я хотел бы пройти, чем времени, которое у меня есть на учебу.

О начале карьеры и собственного бизнеса

На втором курсе у меня уже была постоянная работа. На самом деле, когда я искал работу, я мало что знал о рынке, но мне повезло с моей первой компанией. Это была Aelita Software Ратмира Тимашева и Андрея Баронова — сейчас мы бы назвали это стартапом, но тогда таких терминов не было. В 2004 году они продали бизнес своим основным конкурентам — американской Quest Software, и я некоторое время продолжал работать в их дочерней компании. Я прошел путь от тестировщика до программиста, и это дало мне больше знаний и опыта, чем я мог получить в университете. Потом я работал в БЦК (Бизнес-вычислительный центр) — это была чисто российская компания с русским менеджментом — и она мне совсем не нравилась. А потом были два замечательных года в компании OpenWay, которая занимается разработкой процессинговых систем для банковских карт. Штаб-квартира этой компании находилась в Бельгии, а руководство находилось в Санкт-Петербурге.

Я начал заниматься фрилансом за три года до основания собственной компании и пытался совмещать это с основной работой. Потом вышел первый iPhone, и мне было интересно научиться писать для него программы. Так что мы с друзьями, которые еще были студентами, иногда встречались по вечерам и пытались разобраться, как там все устроено. Потом у нас был заказ на портирование игры с Flash на iPhone и нам удалось это сделать за полгода. Мы взяли еще один подобный заказ, но он оказался полным провалом. Мы думали, что сможем завершить этот проект еще и за полгода, но в итоге ушло более двух с половиной лет — то есть я просчитался в срок в пять раз.

Программирование для iPhone. Фото: shutterstock.com

Однако, когда мы, наконец, завершили этот проект, по какой-то причине у нас появился новый. Именно тогда я решил уйти и взял с собой одного из моих коллег. Остальные мои сотрудники были набраны в течение восьми лет развития компании.

По сути, я всегда хотел заниматься бизнесом, еще со школы. И как только у меня появилась возможность, я ухватилась за нее – уволилась с основной работы и устроилась на новую, но только для себя. Было бы глупо с моей стороны пропустить это. Я хотел быть сам себе боссом. Было своего рода испытанием узнать, смогу ли я справиться с этим или нет. Первые два-три года у меня были проблемы с деньгами, но сейчас все идет отлично.

О компании и работе с международными клиентами

Наша компания совсем небольшая, всего десять сотрудников. Мы работаем с клиентами со всего мира, разрабатываем мобильные и веб-приложения, предлагаем различные решения для автоматизации процессов. Нам интереснее работать со стартапами, у которых уже есть выручка, потому что мы не только хороши в разработке, но и немного в управлении продуктом. То есть мы не просто создаем системы, но и улучшаем определенные бизнес-показатели — и это хорошо видно по конкретным цифрам, таким как повышение производительности труда сотрудников, доходов и т. д.

Допустим, есть крупная бухгалтерская компания, в которой работает тысяча человек. На подготовку ежемесячного отчета у них уходит десять часов. Затем мы предлагаем им свои услуги и вместе с сотрудниками этой компании разрабатываем программное обеспечение, позволяющее им составить отчет всего за восемь часов. То есть до нас бухгалтер мог работать с десятью клиентами одновременно, а с нашей системой — с 15. Соответственно, сумма выручки на одного работника вырастает в полтора раза. Еще один хороший пример — проект Hopper HQ, который мы сделали с нуля и до сих пор развиваем. Это планировщик постов в Instagram, который позволяет SMM-специалистам сэкономить массу времени и выполнять свою работу намного эффективнее (особенно при работе с несколькими аккаунтами одновременно).

Штаб-квартира Хоппера. Фото: redsteep.com

Мы ориентированы исключительно на международный рынок: я не вижу смысла продавать услуги в России, если я могу продавать их за границу. Просто мне приятнее работать с международными заказчиками, потому что у них другая культура общения. У них нет проблем с доверием, и нет необходимости часами пытаться доказать, кто вы такой. Они изначально считают, что вы специалист. Так что главное поддерживать этот уровень профессионализма. А в России мы тратим много времени и сил на то, чтобы убедить клиентов нам доверять.

О предпринимательских способностях и делегировании полномочий

Конечно, когда ты работаешь на себя, у тебя гораздо больше свободы. У вас всегда есть выбор: работать дольше и зарабатывать больше денег или работать меньше и затянуть пояс на месяц или около того. Первые шесть лет мне приходилось работать усерднее, чем когда-либо прежде.

Презентация Станислава Красноярова. Фото: соцсети

Теперь у меня есть команда, и я стараюсь не ввязываться в работу над проектами, даже если мне это интересно. Так у меня больше свободного времени и я могу уехать на месяц, выключить телефон и быть уверенной, что и без меня все будет хорошо. Дело в хорошо выстроенных процессах и доверии к команде. Однако долгое время мне было сложно выводить себя из проектов — тут мне на помощь пришли коучинг и психология. Помню, когда моя команда впервые начала общаться с клиентом без меня, я выдохнул и подумал про себя: «Почему я не сделал этого раньше?».

Я всегда изо всех сил пытаюсь заставить себя делать то, что важно, а не то, к чему меня тянет. Когда наша компания была маленькой, меня невозможно было вытащить из некоторых проектов. Я мог бы часами программировать, но это не то, чем я должен заниматься. Мне приходится заниматься маркетингом, продажами и нетворкингом, потому что, чтобы делегировать, нужно сначала понять, как это делается. Я не могу просто нанять маркетолога, который придет в мой бизнес и сразу разберется, как продавать мой продукт и кто его целевая аудитория, и сделает все за меня — к сожалению, так не работает. По крайней мере я таких случаев не знаю.

Красная Круть. Фото: redsteep.com

Конечно, специалист по маркетингу лучше поиграет с креативными элементами и настроит рекламную кампанию. Но никто не поймет, кто наша целевая аудитория, каковы ее потребности, что для них важно и каковы их критерии отбора — а я пока не очень хорошо в этом разбираюсь.

Проходил ли я курсы? Да. Они помогли мне? Не так много. Все не так просто. Просто курсов недостаточно, нужно заслужить доверие потенциальных покупателей. Это медленный процесс установления связей и построения отношений.

О самореализации и возвращении на работу

Презентация Станислава Красноярова. Фото: социальные сети

Я не думаю, что полностью реализовал себя и сделал все, что хотел. У меня уже есть много новых целей. Теперь моя главная задача — перестать рассматривать процесс продаж как случайный и спорадический и начать понимать, как это происходит. Это бесконечный процесс: всегда есть место для совершенствования, а проблемы следуют одна за другой. Это трудный, но увлекательный путь.

Предпринимательство помогает вам максимально развиваться как личности, потому что объем знаний, которые вам необходимо приобрести и освоить, просто огромен. Я не имею в виду объем профессиональных навыков: вам не нужно понимать все лучше, чем ваши сотрудники, наоборот, чем квалифицированнее ваши сотрудники, тем спокойнее вас это делает. Иногда я даже жалею, что я программист, потому что понимаю код и вижу, где мои сотрудники лажают. Если бы я этого не понимал, мне было бы все равно, и я бы не вмешивался, когда это не нужно.

Но предприниматель должен знать основы маркетинга и продаж, понимать, как строить процессы, разбираться в финансах, уметь строить отношения с людьми. Вы не можете быть успешным предпринимателем, не зная основ, и это огромный простор для роста. А когда ты наемный работник, то таких преимуществ от собственного роста нет и, соответственно, меньше давление.

Редкрут. Фото: redsteep.com

Сейчас я бы не стал работать программистом, потому что я гораздо полезнее как руководитель — человек, который может довести проект до успешного завершения. Если бы кто-то показал мне действительно крутой проект, сказал, что я именно тот человек, который им нужен, описал, сколько денег я могу принести компании — и сколько я могу получить — и при этом я увидел бы возможность профессионального роста , то, конечно, мне было бы интересно.