Симулейтив

#проанализировали_и_поняли

13 сентября — день айтишника. И да, это не повод дарить ежедневник с принтом «SELECT * from users» ☺️ Мы в Симулейтив против шаблонных поздравлений. Собрали чек-лист главных ошибок при поздравлении айтишника — и что сказать/сделать вместо них, чтобы это не звучало как открытка из 2000-х. Листайте карточки ⬆️ Поздравляем вас, дорогие аналитики! С днём тех, кто действительно понимает, что происходит в БД и проде 🧡 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 PostgreSQL vs ClickHouse: что выбрать аналитику в 2026 году 🤔 На вебинаре вместе с Павлом Беляевым разберёмся, чем отличаются строчное и колоночное хранение данных, почему PostgreSQL отлично подходит для одних задач, а ClickHouse — для других, и как эти базы работают в реальных проектах. На вебинаре вы: ➡️ Поймёте на практике, чем отличаются PostgreSQL и ClickHouse и как способ хранения данных влияет на скорость запросов; ➡️ Разберётесь, где PostgreSQL силён, а где начинает проигрывать на аналитических задачах; ➡️ Узнаете, зачем нужен ClickHouse, какие задачи он решает и какие у него есть ограничения; ➡️ Посмотрите живую демонстрацию: один и тот же запрос — и две базы данных; 📆 12 сентября, 12:00 МСК 📹 Спикер — Павел Беляев, тимлид аналитики в Яндекс eLama ➡️ Зарегистрироваться

💻 SQL в действии: запросы, которые должен знать каждый аналитик Для аналитика важно не только знать базовые запросы, но и уметь использовать более сложные конструкции: агрегатные функции, подзапросы, оконные функции и объединения таблиц. Эти навыки помогут находить инсайты, анализировать метрики и строить отчёты на основе больших объёмов данных. 1️⃣ Анализ продаж с использованием агрегатных функций Допустим, у нас есть таблица sales с колонками: sale_id, product_id, region, sale_date, amount. Мы хотим узнать общую сумму продаж и средний чек по регионам:

SELECT 
    region, 
    SUM(amount) AS total_sales, 
    AVG(amount) AS avg_check
FROM sales
GROUP BY region
ORDER BY total_sales DESC;

Этот запрос позволяет быстро понять, какой регион приносит больше всего выручки. 2️⃣ Использование подзапросов для поиска аномалий Предположим, мы хотим найти товары, продажи которых ниже среднего уровня по всем товарам:

SELECT product_id, SUM(amount) AS total_sales
FROM sales
GROUP BY product_id
HAVING SUM(amount) < (
    SELECT AVG(total_sales)
    FROM (
        SELECT SUM(amount) AS total_sales
        FROM sales
        GROUP BY product_id
    ) AS subquery
);

Здесь мы используем подзапрос для вычисления среднего уровня продаж по всем товарам и фильтруем те товары, которые находятся ниже этого уровня. 3️⃣ Оконные функции для анализа трендов Оконные функции позволяют анализировать данные без группировки. Например, найдем кумулятивную выручку (накопительный итог) по датам:

SELECT 
    sale_date,
    SUM(amount) OVER (ORDER BY sale_date) AS cumulative_sales
FROM sales;

Такой запрос поможет увидеть динамику роста выручки за определенный период. 4️⃣ Сравнение текущих и предыдущих периодов Чтобы сравнить продажи текущего месяца с предыдущим, можно использовать оконные функции:

SELECT 
    region,
    DATE_TRUNC('month', sale_date) AS month,
    SUM(amount) AS monthly_sales,
    LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS prev_month_sales,
    SUM(amount) - LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS sales_diff
FROM sales
GROUP BY region, DATE_TRUNC('month', sale_date)
ORDER BY region, month;

Этот запрос покажет динамику продаж по регионам с учетом разницы между месяцами. 5️⃣ Объединение таблиц для анализа Допустим, у нас есть две таблицы: products (с информацией о товарах) и sales (с информацией о продажах). Чтобы получить список товаров с их категориями и общей суммой продаж, используем JOIN:

SELECT 
    p.product_name,
    p.category,
    SUM(s.amount) AS total_sales
FROM products p
LEFT JOIN sales s ON p.product_id = s.product_id
GROUP BY p.product_name, p.category
ORDER BY total_sales DESC;

Такой запрос помогает объединять данные из нескольких таблиц для более глубокого анализа. Попробуйте эти запросы на своих данных и убедитесь в их эффективности! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻 Конвейер данных Всем привет! На связи Павел Беляев — автор канала Тимлидское об аналитике и ментор Симулейтив 👋🏻 Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах. Ценность аналитики заключается в том, что представитель бизнеса может принимать решения на её основе. А для этого данные следует прогнать через несколько процессов и стадий. Я называю этот путь конвейером данных. Конвейер данных включает в себя следующие основные этапы: 1️⃣ Формирование вопросов

Сначала определяется потребность в информации, подбираются метрики и методы анализа, а также составляется перечень необходимых данных.

2️⃣ Сбор данных

Сырые, необработанные данные собираются из источников в аналитическое хранилище (АХ), где и производится всяческая аналитическая «магия». В качестве АХ могут использоваться различные системы управления базами данных (СУБД), например, Clickhouse или PostgreSQL. Запросы к СУБД выполняются на языке SQL. А процессы сбора и транспорта данных осуществляются специальными инструментами, например, Airflow, который «дирижирует» Python-скриптами.

3️⃣ Преобразование данных

Сырые данные «готовятся», а блюдом являются витрины данных: таблицы, содержащие отфильтрованные строки, рассчитанные метрики, сгруппированные сегменты и прочие результаты реализации бизнес-логики. С данными производятся операции фильтрации, объединения, расчета, приведения к нужному виду и т.д. Обычно для этого используются языки SQL или Python.

4️⃣ Визуализация

Витрины служат источниками для отчетов или дашбордов, содержащих графики, чарты, диаграммы и прочую «наглядную красоту», которая помогает пользователю быстро сориентироваться в информации и сделать нужные выводы. Визуализация делается с помощью соответствующих инструментов: Power BI, Data Lens, Looker Studio, Metabase и др.

5️⃣ Анализ

Собственно, процесс изучения, осознания ситуации, а также формирования выводов, ответов на поставленные вопросы. Рассчитанные метрики сопоставляются с некими желаемыми эталонами, изучаются тренды, обнаруживаются и обосновываются выбросы, проседания и т.д.

6️⃣ Решение

На основе выводов решается, достигнуты ли цели, что делать дальше, работает ли новая фича и т. п.

Путь данных весьма насыщен приключениями и этим он интересен! 50 ❤️ — и расскажу, с какими вызовами может столкнуться дата-аналитик в реальной работе! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Как подать себя на собеседовании? 5 советов от того, кто провёл 162 интервью за год Привет! На связи Ева Панкратова, ментор курса «Аналитик данных» 👋🏻 За прошлый год я отсмотрела 500+ резюме и провела 162 собеседования на позиции продуктовых аналитиков. И вот что скажу: чаще всего кандидаты проваливаются не потому, что чего-то не знают. А потому что забывают показать главное — как они думают. Ниже 5 советов, как подать себя на собеседовании:

1️⃣ Не бросайтесь решать задачу с наскока Почти на каждом интервью вам дадут мини-кейс, где намеренно мало вводных. Это не забывчивость интервьюера — это и есть задание. Сильный кандидат сразу замечает пробелы и начинает с вопросов: ➖ О каком продукте и сегменте пользователей речь? ➖ Какую метрику мы считаем целевой и за какой период? ➖ Что уже известно, а что придётся допустить? Слабый начинает накидывать ответы и надеяться, что попадёт. Иногда попадает, но берут не за это.

2️⃣ Думайте вслух Интервьюер не умеет читать мысли — он оценивает ровно то, что услышал. Проговаривайте развилки: «здесь два варианта, я пойду по первому, потому что…», «это допущение может сломаться, если…». Ответ, который вы можете обосновать логикой, ценится выше «правильного» ответа, взявшегося из воздуха.

3️⃣ Нейронки и гугл — не читерство ИИ давно стал обычным рабочим инструментом, и на многих собеседованиях им разрешают пользоваться. Если разрешили — пользуйтесь спокойно, но вслух: покажите, как формулируете запрос и как проверяете то, что вам ответили. Это отличный способ продемонстрировать, как вы разруливаете сложную задачу в реальной работе.

4️⃣ Светлый ум не отменяет хардов Умение думать слабо связано с грейдом: бывают джуны, которые структурируют мысль лучше сеньоров. Но встроить в команду человека, который не пишет код, — боль для всех. Так что SQL, Python и статистика всё равно должны быть в форме: подготовьте оконные функции, дизайн A/B-теста и разбор метрик до автоматизма.

5️⃣ Резюме — это уже первый этап собеседования Из большинства резюме понятно только одно: человек работал работу. Какие задачи были важны и что изменилось благодаря аналитику — загадка. А задача аналитика не в том, чтобы собрать побольше дашбордов или закрыть побольше тикетов. Задача аналитика — заставить данные заработать деньги. Пишите не «строил отчётность», а «перевёл команду на единый источник правды, ad-hoc-запросы сократились на треть».

Помните: у компании нет цели найти самого классного кандидата — ей нужно закрыть вакансию человеком, в котором она уверена. Поэтому от сомнительных кандидатов отказываются быстро. Ваша работа на интервью — не оставить поводов для сомнений. Ставьте 🔥 и сохраняйте к себе! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

#проанализировали_и_поняли

⚡️ Через 5 минут начинаем! Юрий Ламихов уже на месте — через пять минут открываем dbt и с нуля собираем витрину продаж: от сырой таблицы заказов до готовой цепочки моделей с тестами на качество данных. Успевайте подключиться 👀 👉🏻 Зарегистрироваться и подключиться к эфиру

🔥 Сегодня строим витрину продаж на dbt прямо в эфире Сегодня в 18:00 МСК Юрий Ламихов, дата-инженер в Wildberries, разберёт профессию по уровням — что нужно знать джуну, миддлу и сеньору и сколько за это платят на рынке — а затем в live coding с нуля соберёт dbt-проект: превратит сырую таблицу заказов в готовую витрину продаж с тестами на качество данных. ➡️ Регистрация Напоминаем: записи не будет! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 Профессия инженер данных: строим витрину продаж с нуля Хотите разобраться, чем на самом деле занимается дата-инженер, сколько это стоит на рынке и с чего начинать, если решили зайти в профессию? 6 сентября вместе с Юрием Ламиховым, дата-инженером в Wildberries, за час пройдём путь от теории до практики: разберём профессию по уровням и вживую соберём витрину продаж на dbt. На вебинаре вы: ➡️ Узнаете, чем занимается дата-инженер на практике; ➡️ Разберётесь в уровнях профессии: что должен знать джун, миддл и сеньор, и что сейчас происходит с зарплатами и требованиями на рынке; ➡️ С нуля соберёте dbt-проект: превратите сырую таблицу заказов в готовую витрину продаж. 🧑🏻‍💻 Спикер: Юрий Ламихов, дата-инженер в Wildberries 📆 Когда: 6 сентября, 18:00 МСК ➡️ Регистрация Записи не будет. Приходите на живой эфир! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Время учиться аналитике!

⚡️ Через 5 минут начинаем! Евгений Буторин уже на месте — через пять минут открываем интенсив полным разбором профессии аналитика данных: рынок, свежее исследование 2025 года, пара реальных SQL-задач и личный совет, что бы Евгений делал сам, если бы сейчас заходил в аналитику с нуля. Успевайте подключиться, пока не стартовали 👀 👉🏻 Подключиться к эфиру

⭐️ На пути к своей профессии 1 сентября иногда помнят даже те, кто закончил школу двадцать лет назад. И вместе с этим днём почти у каждого всплывает та самая мечта: кем я хотел стать, когда вырасту? В карточках менторы и преподаватели Симулейтив рассказывают, кем видели себя в школьные годы. Иногда мечта сбылась почти буквально, а иногда жизнь развернула на 180 градусов 😄 Листайте карточки и рассказывайте в комментариях, кем вы хотели стать в школе и кем стали теперь? ⬇️ 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🍂 Расписание в сентябре Присоединяйтесь к потокам в сентябре и освойте актуальные и востребованные профессии за 10 недель 📈

🛎️ Напоминаем, что все наши курсы (включая те, что выйдут в течение следующего года) доступны по подписке с выгодой до 70%!

15 сентября 🍂 Профессия «Аналитик данных» Ментор курса: Ева Панкратова, руководитель продуктовой аналитики в Метр Квадратный 23 сентября 🍂 Дата-сайентист Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries 28 сентября 🍂 Профессия «Аналитик данных» Ментор курса: Ева Панкратова, руководитель продуктовой аналитики в Метр Квадратный 🍂 Инженер данных Ментор курса: Валерия Елпатьевская, инженер данных в Альфа-Банке 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 Кто такой аналитик данных? Разбираем профессию с лидом из Альфа-Банка Хотите понять, что вообще происходит с профессией аналитика данных прямо сейчас, и с чего начинать, если решили зайти в неё с нуля? 1 сентября открываем новый поток бесплатного интенсива по SQL — вместе с ментором интенсива Евгением Буториным разберём профессию по полной: от рынка труда до практики! На вебинаре вы: ➡️ Узнаете, кто такой аналитик данных и какие задачи он решает каждый день; ➡️ Разберёте свежее исследование рынка аналитиков данных за 2025 год — что происходит с наймом, зарплатами и требованиями к кандидатам; ➡️ Порешаете пару реальных SQL-задач вместе с ментором; ➡️ Услышите личный совет от Евгения — что бы он делал, если бы прямо сейчас решил зайти в аналитику с нуля. 👨🏻‍💻 Спикер: Евгений Буторин, руководитель CRM-аналитики развития клиентской базы в Альфа Банке, ментор бесплатного интенсива по SQL. 📆 Когда: 1 сентября, 19:00 МСК ➡️ Поставить напоминание в календарь 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

#проанализировали_и_поняли

⚡️ Через 5 минут начинаем! Илья Ковалёв уже на месте — через пять минут разбираем три уровня работы с ИИ в аналитике: от промпта из пяти блоков до процесса, который сам ловит свои ошибки. Заодно покажем, почему один и тот же вопрос про retention даёт разным аналитикам разные числа. Успевайте подключиться 👀 👉🏻 Подключиться к эфиру

💻💻💻💻💻Как использовать ИИ в аналитике на трёх уровнях? Два аналитика посчитали retention по одному и тому же вопросу — один получил 34%, другой 21%. Оба SQL-запроса технически верны, но каждый объяснял нейросети метрику по-разному. Как такое может быть? 29 августа вместе с Ильёй Ковалёвым, тимлидом команды клиентской аналитики в Dodo Brands, разберём, как устроена работа с ИИ на трёх уровнях — от разового промпта до процесса, который сам ловит свои ошибки. На вебинаре вы: ➡️ Узнаете, почему хороший промпт из пяти блоков даёт совсем другой результат, чем «напиши запрос», и увидите это на реальном SQL-примере; ➡️ Разберётесь, как контекст команды выносится из головы аналитика в репозиторий, и почему это меняет качество ответов ИИ; ➡️ Увидите на одной и той же задаче — расчёте retention — все три уровня подряд и разницу в результате; ➡️ Узнаете три правила, которые не меняются ни на одном из уровней. 🧑🏻‍💻 Спикер: Илья Ковалёв, тимлид команды клиентской аналитики в Dodo Brands, автор Telegram-канала Кусочек пиццы 📆 Когда: 29 августа, 12:00 МСК ➡️ Поставить напоминание в календарь 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS