Аналитика данных / Data Study
Відкрити в Telegram
Помогаю аналитикам расти в профессии и доходе Курс по продвинутому SQL и автоматизации потоков данных https://datastudy.ru/sql_advanced По всем вопросам: @daniildzheparov Канал в MAX https://max.ru/id591908196110_biz
Показати більше9 453
Підписники
-424 години
-57 днів
-1030 днів
Завантажуємо дані
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
жовтень '26жовт '26
жовтень '26
+47
в 0 каналах
вересень '26
+103
в 0 каналах
Get PRO
серпень '26
+103
в 0 каналах
Get PRO
липень '26
+108
в 0 каналах
Get PRO
червень '26
+102
в 0 каналах
Get PRO
травень '26
+97
в 0 каналах
Get PRO
квітень '26
+158
в 0 каналах
Get PRO
березень '26
+148
в 0 каналах
Get PRO
лютий '26
+146
в 0 каналах
Get PRO
січень '26
+249
в 1 каналах
Get PRO
грудень '25
+310
в 2 каналах
Get PRO
листопад '25
+656
в 1 каналах
Get PRO
жовтень '25
+146
в 1 каналах
Get PRO
вересень '25
+164
в 0 каналах
Get PRO
серпень '25
+206
в 1 каналах
Get PRO
липень '25
+160
в 1 каналах
Get PRO
червень '25
+144
в 1 каналах
Get PRO
травень '25
+164
в 2 каналах
Get PRO
квітень '25
+160
в 3 каналах
Get PRO
березень '25
+214
в 1 каналах
Get PRO
лютий '25
+270
в 1 каналах
Get PRO
січень '25
+314
в 3 каналах
Get PRO
грудень '24
+167
в 0 каналах
Get PRO
листопад '24
+265
в 2 каналах
Get PRO
жовтень '24
+333
в 1 каналах
Get PRO
вересень '24
+216
в 0 каналах
Get PRO
серпень '24
+217
в 0 каналах
Get PRO
липень '24
+294
в 0 каналах
Get PRO
червень '24
+207
в 1 каналах
Get PRO
травень '24
+246
в 0 каналах
Get PRO
квітень '24
+338
в 2 каналах
Get PRO
березень '24
+256
в 0 каналах
Get PRO
лютий '24
+225
в 0 каналах
Get PRO
січень '24
+234
в 1 каналах
Get PRO
грудень '23
+199
в 0 каналах
Get PRO
листопад '23
+166
в 1 каналах
Get PRO
жовтень '23
+267
в 4 каналах
Get PRO
вересень '23
+166
в 0 каналах
Get PRO
серпень '23
+196
в 0 каналах
Get PRO
липень '23
+146
в 0 каналах
Get PRO
червень '23
+124
в 0 каналах
Get PRO
травень '23
+681
в 0 каналах
Get PRO
квітень '23
+93
в 0 каналах
Get PRO
березень '23
+780
в 0 каналах
Get PRO
лютий '23
+167
в 0 каналах
Get PRO
січень '23
+282
в 0 каналах
Get PRO
грудень '22
+480
в 0 каналах
Get PRO
листопад '22
+364
в 0 каналах
Get PRO
жовтень '22
+271
в 0 каналах
Get PRO
вересень '22
+224
в 0 каналах
Get PRO
серпень '22
+395
в 0 каналах
Get PRO
липень '22
+598
в 0 каналах
Get PRO
червень '22
+754
в 0 каналах
Get PRO
травень '22
+570
в 0 каналах
Get PRO
квітень '22
+908
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 18 жовтня | +2 | |||
| 17 жовтня | +1 | |||
| 16 жовтня | 0 | |||
| 15 жовтня | +1 | |||
| 14 жовтня | +2 | |||
| 13 жовтня | +7 | |||
| 12 жовтня | +3 | |||
| 11 жовтня | +6 | |||
| 10 жовтня | +4 | |||
| 09 жовтня | 0 | |||
| 08 жовтня | +5 | |||
| 07 жовтня | +1 | |||
| 06 жовтня | +4 | |||
| 05 жовтня | +3 | |||
| 04 жовтня | +4 | |||
| 03 жовтня | +3 | |||
| 02 жовтня | +1 | |||
| 01 жовтня | 0 |
Дописи каналу
Тонкая грань между ролями: Инженер данных, Аналитик данных, Аналитик-инженер
Всем привет!
Хочу визуально и понятно показать весь процесс работы с данными в компаниях, а из этого поймем у какой роли какая выделяется зона ответственности.
Инженер данных (DE) отвечает за:
- поддержание инфраструктуры и сервисом DWH (само хранилище, ETL, очереди сообщений и все что с этим связано)
- выполнение дата-контрактов по загрузке сырых данных из систем-источников
- написание мониторингов и алертингов чтобы быть уверенным что потоки данных работаю как ожидается
- написание витрин данных по запросу продуктовых команд, где нет своих ресурсов аналитиков
Аналитик данных (DA) отвечает за:
- пониманием бизнес-задач для анализа данных, поиск нужных данных и определение метрик
- проверку данных в источнике и написание дата-контрактов, чтобы данные из источника попали в DWH хранилище
- описание бизнес-логики и разработку витрин данных с нужной под бизнес-задачу логикой
- проведение процесса анализа данных, поиска закономерностей, трендов и т.д.
- создание визуальных и понятных бизнесу отчетов, донесение смысла анализа до бизнеса на их языке смыслов
- создание нужных бизнесу и команде автоматизаций (джобы различные, отправки уведомлений с данными, алертинг по данными, рассылки и прочее)
И как вы уже можете заметить основное отличие в том, что
Инженер - человек техники, который при помощи кода и технологий пишет надежные потоки данных.
Аналитик - человек мышление, чей мозг и аналитические мысли превращают простые таблицы в гипотезы, выводы и читаемые отчеты для бизнеса.
И довольно часто в компаниях даже где есть и та и другая выделенная роль есть потребность в том, чтобы аналитики умели делать инженерную часть работы, а инженеры часть аналитической работы. А в каких-то компаниях прямо явно ищут fullstack-специалистов, которые умеют объединять в себе компетенции аналитика и инженера в одном лице. Отсюда и возникает роль под названием Аналитик-инженер.
Именно на это объединение компетенций будет направлен как наш практический интенсив, так и практический курс
| 2 | По плану на следующей неделе провести 2-х или даже 3-х дневный практический интенсив по разработке аналитического решения от начала и до конца
От поставленной бизнес-задачи ➡️ До готового аналитического отчета
Покажу как совмещаю аналитические и инженерные навыки для этого и буду консультировать по поводу практического обучения. Оно не каждому подойдет, поэтому интенсив это хороший формат попробовать себя в роли аналитика-инженера и понять надо оно вам или нет.
Уже готовлю песочницу и инфраструктуру, где сможете сами повторять действия за мной.
Материалы будут в группе ➡️Вступить | 778 |
| 3 | Почему аналитику важно иметь инженерные навыки работы с данными
Расскажу из своего опыта те основные моменты, которые мне помогли дорасти до текущих результатов с помощью сильных hard-навыков
1️⃣Не бояться сложных задач и их реализации
Как следствие приобретенные навыки помогали мне всегда брать задачи более сложные и выходящие часто за мою основную зону ответственности. Навыки разбираться в технических мелочах, инфраструктуре, логах ошибок и пробовать новые инструменты дает мне преимущество перед другими аналитиками, которые не выходят из своей зоны привычных инструментов. Реализация таких задач показывает компании насколько ты ценный сотрудник и дает тебе возможность расти внутри по грейду и в заработке.
🔡Дополнительные проекты
В свободное от основной работы время я или меня находят находят проекты, в которых как правило нужно сделать всю работу под ключ. От подключения к источникам данных, выгрузки в аналитическую базу, определение модели хранения данных, настройка ETL процессов и построение отчетов для бизнеса. Сейчас это еще все ускоряет AI, но без фундаментальных знаний как строится правильная работа с платформой данных не получится сделать качественное решение, которое будет приносить пользу заказчику в аналитике и его операционной отчетности. Небольшие компании не располагают бюджетом держать свою команду инженеров данных + аналитиков, поэтому они находятся в поиске "швейцарского ножа" или оутсорс-компании, которая по контракту сделает им нужный объем работы под ключ.
3️⃣Быстрый switch между профессиональными ролями
Для себя я понимаю, что могу проще и гораздо быстрей перейти на позицию data engineer полноценно с моими навыками аналитика-инженера. И если мне такой карьерный трек покажется привлекательным, то для меня не составит труда пойти по нему.
Поэтому кросс-функциональные технические навыки на стыке аналитики и инженерии данных я считаю максимально полезными.
➡️26 октября приглашаю всех в группу, кто хочет также на практике получить эти навыки с моей поддержкой в рамках практического обучения на рабочих задачах
Завтра открою доступ в группу, где проведем мини-интенсив и чуть более глубокое погружение в процесс обучения. | 981 |
| 4 | Ищу Лида в команду маркетинговой аналитики. Важен опыт управления командой из 5+ аналитиков.
Если готовы рассмотреть вакансию, присылайте мне @daniildzheparov
Перешлите своим знакомым, кому будет интересно 🤝 | 1 097 |
| 5 | Самое время серьезно задуматься о сохранности ваших данных. В первую очередь стоит делать банковские выписки о ваших остатках по счетам и скачивать их локально на свои устройства или отправлять на почту. Пусть будут снэпшоты ваших счетов на бумажке, а не только в приложении банка. Ну и все остальные важные документы, цифровые договора с разных платформ также сохраняйте на свои устройства.
Сейчас все очень хрупко и если кажется что чего-то произойти не может, то это только может так казаться, к сожалению( Поэтому давайте максимально обезопасим себя сами в случае возможных сбоев инфраструктуры и аварий на дата-центрах.
Самая лучшая перестраховка для отказоустойчивого хранения данных - сделать несколько копий данных в разных местах и видах хранения. Этого придерживаются компании со своими серверами и данными и называется это репликацией и бэкапами. Поэтому придерживайтесь такого же подхода самостоятельно | 1 584 |
| 6 | Почему-то у некоторых аналитиков отсутствует самое главное
И это не знание инструментов или конкретных технологий. Это больше и в сто раз важней - аналитическое мышление.
Самое ценное, когда аналитик не просто в тупую идет и выполняет задачу, а когда он прежде начинает размышлять, строить гипотезы, задавать уточняющие вопросы, искать причино-следственные связи. Но про это так мало где говорят. Всем в первую очередь почему-то важно зазубрить навык, научиться писать код. А как это потом применять многие не понимают и теряются полностью на собеседованиях когда им задаешь какие-то ситуационные задачи и сценарии, в которых нет правильного ответа.
Я хочу видеть как люди думают, рассуждают, оценивают, выдвигают гипотезы. Это то, что дает мне понимание, что это перспективный аналитик и его можно научить инструментам и сделать еще сильней.
Не стоит недооценивать, когда в вакансиях явно прописано "умение аналитически мыслить". Это не красивая фраза - это суть и ценность аналитика.
Согласны? | 1 423 |
| 7 |  Какие преимущества дает витрина при анализе данных
1️⃣ выше скорость обработки данных. это одна физическая таблица, где уже хранятся все нужные и подготовленные данные для анализа. а значит не тратятся повторно ресурсы на выполнение сложных запросов для очистки, подготовки и преобразования данных. это очень важно, когда например данные используются в BI отчетах, где нужна быстрая скорость отклика дашборда на запрос пользователей
🔡 автоматизация. стоит один раз написать логику обработки данных и поставить ее на обновление с нужным расписанием. и у тебя всегда под рукой готовые данные для анализа без сотен строк запросов и десяток открытых вкладок скриптов
3️⃣переиспользование другими аналитиками. другим аналитикам и тебе не нужно погружаться повторно во все детали обработки и очистки данных каждый раз. достаточно использовать витрину с уже готовыми в ней данными
Процесс создания витрины можно разбить на несколько этапов
➡️ Понять для какой задачи тебе нужны данные.
Витрина данных может быть построена для одной задачи, но как правило ее делают наиболее универсальной, чтобы можно было закрывать несколько задач. Например, для задач Клиентской аналитики можно собрать витрину с целевыми действиями клиента в продукте, туда же вывести косты или выручку по этим целевым действиям, добавить базовую информацию о клиенте. Тогда по одной витрине можно сразу рассчитать продуктовую воронку, конверсии из этапа в этап, посчитать retention, RFM-анализ или даже LTV (Lifetime value).
➡️ Написать логику сборки и преобразования данных.
Если все данные уже есть в одной базе данных или хранилище, логику можно писать на SQL. Если требуется собирать данные из разных источников, можно подключить Python. В любом случае именно на этом шаге определяется то, как данные будут выглядеть в таблице - на каком уровне детализации, какие данные отфильтровать вовсе, чем обогатить через join, какие поля добавить расчетные, как агрегировать показатели и многое другое.
➡️ Определить логику обновления данных.
В зависимости от задачи и от самих данных можно следовать разной логики обновления. И для этого стоит определить несколько ключевых факторов
- частота обновления данных (раз в час, 2 раза в день и т.п.)
- объем данных
- инкрементальное обновление или полная перезагрузка
- хранить ли исторические данные. какой SCD-тип обновления выбрать
➡️ Автоматизировать логику обновления.
Здесь нам понадобятся навыки junior+ или middle инженера данных, чтобы использовать Python и доступные нам ETL инструменты. В зависимости от логики обновления данных можно будет использовать разные инструменты: Apache Airflow, Apache Kafka, Apache NiFi, Cloud Functions, PySpark и другие. Главное - сделать так, чтобы данные в нашу витрину попадали в нужном формате (логикой преобразований) и в нужном расписании (логика обновления).
Сейчас этот процесс проходят на практике мои ученики, выполняя 2-й спринт по созданию витрин данных. Туда входят витрины для маркетингового отчета на базе данных Яндекс Метрики, а также витрина для исследования целевых продуктовых действий CJM (клиентского пути). Совсем скоро объявлю набор в следующую практическую группу | 1 263 |
| 8 |  Что такое аналитическая витрина данных
Представь, тебя попросили создать аналитический отчет для отслеживания необходимых метрик: количество успешно закрытых сделок отделом продаж и количество новых привлеченных клиентов на каждый день, а также конверсию в продажу.
Результатом может быть дашборд, обновляющаяся Google-таблица или даже ежедневное сообщение от бота с рассчитанными метриками.
Для реализации отчета тебе скорее всего понадобиться создать таблицу, но изначально данные могут быть разрознены и храниться в разных местах, иметь необработанный вид и непроверенное качество.
Ты как аналитик сделал 2 шага
1️⃣ Собрал данные с помощью SQL в одну таблицу. очистил, обогатил, посчитал метрики.
2️⃣ Сделал автоматизацию, чтобы данные в этой таблице обновлялись по нужному для анализа расписанию
Такая таблица для твоей задачи и будет являться витриной данных 👇
Витрина данных (Data Mart) - таблица с достаточным, очищенным, преобразованным набором данных для решения конкретной аналитической задачи или набора подобных задач.
Если хочешь правильно работать с данными и делать качественный и полезный бизнесу анализ - ты это просто обязаны знать. Не зря на всех схемах хранилищ данных указывается слой Data Marts. На картинке это слой между данными в аналитическом хранилище (или может быть обычная база данных) и конечными отчетами для пользователей.
Про процесс создания витрин и преимущества их для аналитики распишу в отдельном посте. Это сильно упрощает и оптимизирует аналитику данных и сокращает время сборки дашбордов и других отчетов. Ставь реакции 👍 если хочешь узнать про аналитические витрины больше | 1 174 |
| 9 |  Жена поздравила меня с днём учителя 😊😍 | 1 379 |
| 10 |  Чтобы вы понимали, у нас чатик аналитиков на работе назывался anal_party
Через что только не пройдешь, лишь бы аналитиком стать … | 1 708 |
| 11 |  С учеником на менторинге проработали задание по созданию дерева метрик - как результат он реализовал это для своего бизнеса.
В аналитике нельзя делать глобальный вывод по одной метрике. Есть много зависимостей, которые видны при критическом мышлении как одна метрика влияет на другие, а те в свою очередь влияют еще на ряд показателей | 1 765 |
| 12 | Как изменился за последние 2 года | 2 158 |
| 13 | AI ассистентов много не бывает...
Установил себе в VS Code еще один плагин SourceCraft, это разработка code-ассистента от Яндекса. Можно через свой аккаунт быстро авторизоваться без сложной технической настройки и начать кодить. Отличное решение, если не хотите отдавать десятки-сотни 💰 за клод/курсор или аналоги | 2 162 |
| 14 |  Поставил себе цель закрывать кружок активности каждый день
Листая статистику в приложении Здоровья, ужаснулся что в некоторые дни у меня бывают максимально «нездоровые». Передвижение максимум от рабочего стола до холодильника, иногда еще обратно 😅
Теперь 2 часа вечером гуляю)
P.S. Люди с постоянной дисциплиной к спорту, вы красавчики, я прям завидую вам 🤝 | 2 168 |
| 15 |  +2Давно Маркизы не было в ленте, уверен вы соскучились по шоколадной булке ♥️
P.S. вы ей тоже нравитесь, каждый пост пишется под ее чутким контролем) | 2 015 |
| 16 | Задумываетесь ли вы, что AI-агенты уже сейчас сами принимают решения в физическом мире?
И я хочу сказать, что это происходит в крупных бизнесах, которыми мы с вами пользуемся ежедневно
Послушал доклад Станислава Макеева «AI-managed Лавка: как AI становится управляющим слоем физического мира»
Главные мысли, которые зацепили:
🎒 Самой Лавке уже 7 лет и, как и любой оффлайновый бизнес, она обросла множеством процессов, завязанных на людей. Встроить в эти процессы AI-агентов становится непростой задачей, поэтому внедрение идет постепенное: сначала AI-агент дает рекомендации по процессу, супервайзер валидирует эти решение. Потом, AI можно отдавать принятие решений и валидировать их на более высоком уровне через бизнес-метрики и других агентов.
🎒 Второй подход - это представить, что Лавка строится с нуля, но есть предыдущий опыт и текущие технологии. Таким образом выделяется поле для эксперимента. И это уже не «натянуть AI на текущие процессы», а сделать, где это возможно, AI-managed решение с учетом всего опыта и общего контекста компании
🎒 Я уже слышал от знакомых, что в Яндексе экспериментируют с применением AI в продуктовых командах. И судя по докладу этот эксперимент показывает, что в принципе граница между профессиональными ролями может стираться:при наличии соответствующих AI-инструментов backend-разработчик может писать front end, или наоборот, или брать на себя менеджерские задачи. А эффективность таких команд возросла втрое . При этом багов и обращений в поддержку не увеличилось.
Отдельно Станислав подчеркивает с какими трудностями они сталкивались на всем пути и как их решали. Рад, что мы живем в таком времени стремительного развития технологий. И тот кто за ними следует, обязательно останется востребованным 😎 | 1 873 |
| 17 | Команда DevCrowd запустила ежегодное исследование специалистов по работе с данными.
В этом году фокус на том, как меняется профессия: что AI реально сделал с составом работы, где проходят границы между дата-сайентистом, ML- и MLOps-инженером, что происходит с порогом входа в профессию и рынком труда. Часть вопросов задается третий год подряд, что дает реальную динамику, а не просто срез.
Опрос анонимный, у меня занял до 15 минут. В ноябре ребята опубликуют отчет с результатами.
Пройти опрос здесь ➡️ https://survey.devcrowd.ru/data-2026 | 1 405 |
| 18 | 🎯 Задача с собеседования
Есть таблица transactions с транзакциями клиентов. Для каждого клиента нужно посчитать выручку за последние 90 дней, а также долю выручки от топ‑3 категорий в этой сумме. При этом в отчёт должны попасть только клиенты, у которых общая выручка за период больше 50 000 ₽
Это часто попадающиеся формулировки задач на интервью, здесь проверяют сразу несколько вещей — работу с датами, оконные функции, агрегацию с фильтрацией по результату и умение не усложнять запрос лишними слоями.
Решение:
WITH client_stats AS (
SELECT
client_id,
category,
amount,
SUM(amount) OVER (PARTITION BY client_id) AS total_client_revenue,
RANK() OVER (
PARTITION BY client_id
ORDER BY SUM(amount) OVER (PARTITION BY client_id, category) DESC
) AS category_rank
FROM transactions
WHERE created_at >= CURRENT_DATE - INTERVAL '90 days'
)
SELECT
client_id,
total_client_revenue,
SUM(amount) FILTER (WHERE category_rank <= 3) AS top3_categories_revenue,
ROUND(
100.0 * SUM(amount) FILTER (WHERE category_rank <= 3) / NULLIF(total_client_revenue, 0),
2
) AS top3_share_pct
FROM client_stats
GROUP BY client_id, total_client_revenue
HAVING total_client_revenue > 50000
ORDER BY total_client_revenue DESC;
Если сразу решишь такое на собесе, покажешь свой сильный навык в SQL:
✅ Фильтрация по итоговой метрике через HAVING — сразу видно понимание разницы между WHERE и HAVING.
✅ Доля топ‑3 считается без отдельного подзапроса — логика в одном слое, легко читать и поддерживать.
✅ Используется FILTER для наглядности и эффективности, а NULLIF страхует от деления на ноль.
✅ Работа с окном по 90 дням и ранжирование категорий — типичный паттерн для продуктовой аналитики.
Ставь реакции если пост полезен 😉 | 1 590 |
| 19 | Автоматизация процессов - одна из самых популярных задач аналитиков, это подтверждают и опросники.
Это очень точно подметили в подкасте «Доверительный интервал». Но самое интересное в том, как аналитики уже используют AI для своих задач.
Очень близка мысль от Саши Исакова (руководитель группы разработки аналитических ИИ-решений в Лавке) про Knowledge Base. Это единое место, где описываются данные, метаданные, методологии расчета метрик, созданные дашборды и многое другое.
Это позволяет использовать все накопленные знания и работы аналитиков для использования в AI-инструментах.
Представьте, у вас есть чат с ИИ, который в курсе всего, что сделала когда-либо ваша аналитическая команда. И это может ускорить работу самому аналитику над написанием новых скриптов, поиском данных, разработки дерева метрик. Так и снять с него часть рутины, например adhoc-задачи, ответы на вопросы в чате и высвободить это время под творческий подход и исследования!
И в этом у меня сильно перекликается мысль с подходом к Data Governance - это управление данными, которое с развитием AI приобретает очень высокую важность. Не просто какие таблицы в хранилище, а описанная информация о том, какие данные лежат в таблице, какие метрики из нее считаются, какие витрины и отчеты строятся и т.д.
Но всегда есть нюансы) Даже если будет такая супер-идеальная база знаний, всегда найдется костыль, технический долг или бизнес-договоренность, о которых лучше знают люди на местах - сами аналитики. И вот без учета таких деталей не получится переиспользовать вслепую весь описанный Knowledge Base в соседней команде или, например, бизнес-подразделении, потому что там своих нюансов будет много 😅
Аналитики - это хранители нюансов и деталей о текущем аналитическом подходе. AI - это помощник аналитика, который может ускорить работу и закрыть рутину, учитывая все эти нюансы с его внимательным контролем. | 1 483 |
| 20 | «Пока отложу обучение, т.к. нет сейчас возможности применять это на работе»
➡️А может ты не видишь возможность, потому что не знаешь как ее реализовать?
➡️Может ты сам не можешь создать эту возможность и поменять подход к работе, потому что насмотренности нет, которую обучения дают?
➡️Может ты не можешь найти другую работу, потому что не хватает тех самых навыков, которые пока откладываешь изучать?
Лично мне приходят идеи как применять тот или иной навык после того, как я на обучении пойму на примерах и практике как другие люди используют это.
И после у тебя открываются глаза как-будто шире, начинаешь видеть и притягивать возможности к себе, а не «ждать» когда меня спросят и после этого идти учиться этому.
У маленьких детей кажется больше желания узнавать новое и находить тут же этому применение, чем у многих взрослых, к нашему сожалению.
Представьте, врач подходил бы так к своему обучению. К нему пришел пациент, а врач ему скажет: «ой, я этого не знаю, раньше потребности не было. А вот сейчас появилась, пойду ка обучусь сначала, а потом вас вылечим.»
Впитывайте из своей сферы в себя все как губки, если это пересекается с вашими целями развиваться, но даже если вы на текущий момент не видите этому применения здесь и сейчас, пока мозг не засох! | 1 583 |
