Симулейтив

✍🏻 Задача: ежедневный отчёт о продажах Всем привет! На связи Валерия Елпатьевская, ментор курса «Инженер данных» 👋🏻 Порешаем задачу вместе?

Проверяем базу: SQL, дедупликацию, инкрементальную загрузку и Data Quality.

Данные: Есть таблица orders: (order_id INT, order_date DATE, updated_at TIMESTAMP, status VARCHAR, amount DECIMAL), где amount — сумма заказа в валюте. Бизнес-требования: 👉🏻 Отчёт формируется каждый день в 09:00 за вчерашний день. 👉🏻 В расчёт берём только заказы со статусом paid. 👉🏻 Из-за ретраев микросервисов бывают дубли order_id. Если статус менялся, учитываем последнее состояние (updated_at макс). 👉🏻 Нужно посчитать: кол-во заказов, сумму выручки, средний чек. Что нужно сделать: ✍🏻 Написать SQL-запрос (дедупликация + фильтр + агрегаты); ✍🏻 Спроектировать таблицу-витрину (поля + типы данных); ✍🏻 Описать 3-4 шага пайплайна загрузки; ✍🏻 Добавить 2 проверки качества данных (Data Quality). Формат ответа: тезисно. Код для дага в Airflow не нужен. Попробуйте решить самостоятельно в комментариях, а завтра разберём вместе! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Привет! На связи Евгений Буторин, ментор интенсива по SQL 👋🏻 Вам хочется попробовать себя в аналитике, но непонятно, кто такой аналитик на самом деле, что нужно уметь на старте и почему все вокруг твердят именно про SQL? Сегодня вечером приходите на мой вебинар — разберём это на реальных примерах и задачах. Разберём три вещи: 🟠 Кто такой аналитик данных и чем он занимается каждый день на конкретных задачах; 🟠 Какие навыки нужны на старте и куда расти дальше — от первого джуна до руководителя отдела; 🟠 Порешаем пару реальных SQL-задач вместе и разберём, почему без SQL в аналитике никуда. Если присматриваетесь к аналитике или хотите понять, с чего начать, приходите! 📆 21 июля, 19:00 МСК, онлайн ➡️ Ставьте напоминание в календарь, чтобы не забыть! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Ошибка при работе с GROUP BY и HAVING в SQL 💻 Буквально на днях в чате студентов курса-профессии «Аналитик данных» обсуждали интересную тему — почему следующий запрос выводит ошибку?

SELECT company_id, count(*) as cnt
FROM users 
GROUP BY company_id
HAVING cnt > 10

Казалось бы, все логично: мы считаем количество пользователей для каждой компании, а затем оставляем только те компании, у которых более 10 пользователей. Однако всё не так просто. Дело в том, что фильтрация HAVING выполняется системой ещё до того, как произойдёт присвоение алиаса cnt. Поэтому на момент выполнения команды HAVING, система еще понятия не имеет, что это за столбец cnt такой. И выдаёт ошибку:

ERROR: column "cnt" does not exist

Поэтому правильно будет переписать этот запрос так:

SELECT company_id, count(*) as cnt
FROM users 
GROUP BY company_id
HAVING count(*) > 10

Вообще говоря, алиасы столбцов можно использовать только в ORDER BY, в других случаях можно нарваться на ошибку. Хотя есть исключения — например, мы обучаем студентов на СУБД PostgreSQL, а в ней можно использовать алиасы также и в GROUP BY. Но студенты из чата, которые уже устроились аналитиками и работают с другими СУБД (например, MySQL или MS SQL Server), совершенно справедливо отметили, что в них использовать алиасы с GROUP BY нельзя — тоже выдаст ошибку. А чтобы не путаться и избежать ошибок, один из преподавателей дал совет, который гарантированно будет работать всегда:

Никогда не используйте алиасы, кроме как с ORDER BY. Именно так мы показывали в лекциях — это хорошая практика и с точки зрения понятности кода, и с точки зрения избежания ошибок.

⭐️ Хотите и вы стать крутым аналитиком, которого ищут работодатели? Записывайтесь на курс-профессию — за 10 недель вы получите всё необходимое для старта в профессии и будете готовы к любому собеседованию 🔥 🛎️ Записаться на следующий поток «Аналитика данных»: simulative.ru/data-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

5 навыков фуллстек-аналитика Привет всем! Я Павел Беляев, ментор курса «Fullstack-аналитик» и автор канала Тимлидское об аналитике 👋🏻 Итак, мы осознали, что глобальная задача фуллстека — проводить данные по всему конвейеру:

Сбор — Обработка — Визуализация — Анализ

Каков минимальный набор навыков для такой работы? Давайте разберёмся. 1️⃣ Бизнес-анализ: перевод с «менеджерского» на технический язык данных (и обратно) Заказчик не говорит: «Построй мне витрину данных». Он говорит: «У нас падают продажи, почему?». 📌 Что нужно уметь: разбираться в основных бизнес-процессах, понимать воронки, юнит-экономику и ловко применять метрики (LTV, CAC, Retention, ROI и т. д.).

Курс по фуллстеку начинается с модуля «Продуктовые метрики и методы аналитики», который раскрывает суть бизнес-анализа: что анализировать, зачем и как.

2️⃣ Data Analytics: подготовка данных Данные собраны, и теперь их нужно обработать, создать витрины данных — готовые для анализа таблицы. Это значит очистить сырые данные, объединить, отфильтровать, рассчитать нужные метрики. 📌 Что нужно уметь: SQL. Не просто SELECT/FROM, а уверенное владение JOIN, группировками, подзапросами и оконными функциями. SQL — это главный инструмент для создания качественных витрин данных.

Базовый и продвинутый SQL вместе с огромным количеством близких к реальности задач-примеров даётся в программе курса. Упор на практику особенно важен для постижения этого ремесла.

3️⃣ Data Engineering: добыча сырья Необходимо программирование, чтобы забирать данные из источников, будь то база данных или внешний сервис. Также хорошо бы знать, что такое автоматизация, владеть инструментами, обеспечивающими её. 📌 Что нужно уметь: базовый Python (библиотеки requests и pandas). Умение подключаться к БД и обращаться к API. Знакомство с Apache Airflow (писать даги и таски, скрипты ставить на расписание).

Блок по дата-инженерии в составе курса проясняет всё, что необходимо для сбора данных.

4️⃣ BI и визуализация: упаковка результата Никто не любит смотреть в бесконечные таблицы. Бизнесу нужны графики, по которым за 5 секунд становится понятна ситуация. 📌 Что нужно уметь: владеть современной BI-системой (Superset, PowerBI, Metabase и/или DataLens). Понимать принципы визуализации и назначение видов диаграмм (точечные, круговые, гистограммы и т. д.) и уметь собирать удобные интерактивные дашборды.

В модуле по BI даётся не только рассмотрение популярных систем, но и система советов о том, как сделать дашборд визуально приятным и легко читаемым.

5️⃣ И главный мета-навык: системное мышление. Умение видеть связь между тем, как криво заполнена CRM, и тем, как это исказит финальный график на дашборде. Полноценная способность, даже чутьё — приходит только с опытом, но системное обучение нужным инструментам и умениям — необходимая база для его развития. ✅ Записывайтесь на курс «Fullstack-аналитик»: simulative.ru/fullstack-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Как работать с датами и временем в аналитике? Всем привет! На связи Александр Грудинин, ментор курса «Аналитик данных» 👋🏻 Сегодня поговорим про тему, которая кажется простой, но на практике входит в топ источников багов в аналитике — работа с датами и временем. Самое неприятное, что ошибки с датами сложно заметить. Метрика считается, график строится, всё выглядит правдоподобно... но цифры неверные.

Примеры буду показывать на PostgreSQL, но логика применима и к другим БД.

📌 DATE vs TIMESTAMP DATE — просто календарная дата: 2025-03-15 TIMESTAMP — дата + время: 2025-03-15 14:30:00 Почему важно различать? Вот классический баг:

WHERE created_at = '2025-03-15'

Заказ в '2025-03-15 10:30:00' сюда НЕ попадет! — Рабочий вариант #1 — приведение к дате:

WHERE created_at::date = '2025-03-15'

— Рабочий вариант #2 (есть мнение, что так лучше, но я сам использую предыдущий):

WHERE created_at >= '2025-03-15' AND created_at < '2025-03-16'

📌 Часовые пояса — главная боль Пользователь из Москвы сделал заказ в 1:30 ночи 15 марта. На сервере в UTC это записалось как 14 марта 22:30. Один заказ, два дня. Умножьте на тысячи заказов 🙃 Конвертируем UTC в московское время:

SELECT
 (created_at AT TIME ZONE 'UTC' AT TIME ZONE 'Europe/Moscow')::date AS order_date,
 COUNT(1) AS orders_count
FROM orders GROUP BY 1

В pandas то же самое:

# Указываем что данные в UTC
df['created_at'] = pd.to_datetime(df['created_at']).dt.tz_localize('UTC')
# Конвертируем в Москву
df['created_at_msk'] = df['created_at'].dt.tz_convert('Europe/Moscow')`

Важно: — tz_localize = «эти данные уже в таком поясе, запомни» — tz_convert = «пересчитай из одного пояса в другой» Перепутаете — и получите сдвиг на несколько часов во всех данных 🙂 📌 Ещё одни грабли — формат дат Дата 03/04/2025 — это 3 апреля или 4 марта? Pandas может угадать неправильно. Всегда указывайте формат явно:

df['date'] = pd.to_datetime(df['date'], format='%d/%m/%Y')

Чек-лист для проверки: ✅ Проверяйте тип данных — DATE или TIMESTAMP? ✅ Выясняйте, в каком часовом поясе хранятся данные в источнике данных ✅ Договоритесь с командой о едином часовом поясе для отчётов ✅ Явно указывайте формат при парсинге дат

Ставьте 🔥 и сохраняйте шпаргалку к себе! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 Онлайн-практикум: превращаем SQL-проект в первый кейс для портфолио Если вы уже пробовали решать задачи на SQL, следующий шаг — научиться превращать их в проекты, которые можно показать работодателю. На вебинаре разберём это на практике вместе с Евгением Буториным, ментором бесплатного интенсива по SQL и руководителем CRM-аналитики развития клиентской базы в Альфа Банке. Что будет происходить на вебинаре: ➡️ Разберём финальный SQL-проект и подход к его решению; ➡️ Поймём, как оформить проект так, чтобы он выглядел сильным кейсом в портфолио; ➡️Обсудим, что сейчас происходит на рынке и как заходить в аналитику в 2026 году. 📆 15 июля, 19:00 мск 📌 Поставить напоминание в календарь 📌 Вебинар будет здесь

3 преимущества фуллстека перед узкими специалистами Привет всем! Я Павел Беляев, ментор курса «Fullstack-аналитик», тимлид дата-аналитиков в Яндекс eLama 👋🏻 Fullstack-аналитик сочетает в себе должности дата-инженера, дата-аналитика, BI-аналитика и бизнес-аналитика. Такой набор компетенций позволяет ему работать со всеми этапами конвейера данных:

Сбор — Обработка — Визуализация — Анализ

Почему заказчикам, особенно небольшим, это выгоднее, чем держать 3-4 специалистов для каждой функции? Разберём на примере. Положим, руководство захотело автоматизировать анализ эффективности отдела продаж. Какие выгоды имеет фуллстек перед несколькими узкими специалистами? 1️⃣ Скорость исполнения (или time-to-market) Снижаются временные издержки межкомандного взаимодействия. Сотрудники не тратят время на постановку задач, въезжание в них, а также на паузы между планированием спринтов разных команд аналитики. Менеджер ставит задачу в максимально общем виде: «Хочу понимать, сколько приносит каждый продажник». Аналитик сам продумывает метрики, проектирует отчет, соображает, какие данные понадобятся, пишет интеграцию с CRM, подтягивает фин. данные, всё это соединяет, визуализирует, изучает и презентует заказчику. Это значительно быстрее, чем передача задачи по всем инстанциям от бизнес-аналитика до дата-инженера и обратно. 2️⃣ Цельность информации Смысл не теряется и не искажается при передаче между звеньями, гораздо ниже риск сделать не так, как требовалось. Фуллстек видит образ результата, помнит о нём на всех этапах исполнения: Например, нужны по каждому продажнику: — привлечённый оборот; — затраченное время; — количество успешных и неуспешных сделок. Под эту идею он собирает данные. 3️⃣ Качество результата Когда конвейер разделён, часто возникает эффект «это не на моей стороне». Узкие специалисты не всегда могут оценить качество данных, выявить мусор, так как не видят полной картины, не знают процесса. Фуллстек-аналитик контролирует качество на каждом этапе. Он знает, как «грязные» сырые данные повлияют на финальный график, поэтому устраняет аномалии ещё на этапе их сбора. Вытягивая данные из CRM (как дата-инженер), фуллстек замечает, что менеджеры по-разному ведут карточки: один ставит статус «Оплачено», другой — «Успешная сделка», а третий заносит сумму в комментарии, а не в специальное поле. Узкий дата-инженер просто передал бы эти данные дальше. Узкий аналитик посчитал бы выручку только по статусу «Оплачено», в результате чего KPI отдела оказался бы занижен. Фуллстек же сразу видит проблему глазами бизнеса. Он нормализует эти данные на этапе обработки, пишет скрипт, который приводит все статусы к единому стандарту и только потом строит дашборд. Руководство получает цифры, которым можно верить.

В общем, фуллстек-аналитик — очень востребованный бизнесом специалист. Он выполняет задачу под ключ, экономя заказчику время и нервы и давая качественный результат. Раздумываете, какую нишу в аналитике выбрать, чему учиться? Учитесь работе со всеми этапами конвейера данных — не прогадаете!

✅ Узнать больше о курсе Симулейтив «Fullstack-аналитик»: simulative.ru/fullstack-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🐍 Хотите выделиться на собеседовании? Разбираем алгоритмы сортировки на Python Если вы хотите уверенно пройти интервью и показать глубокое знания, вам обязательно нужно знать алгоритмы сортировки без использования встроенной функции sort в Python. Почему это важно? В реальных задачах и на технических собеседованиях часто проверяют не только умение применять готовые инструменты, но и понимание базовых алгоритмов, их эффективность и особенности. Кандидаты, объясняющие разницу между устойчивой и неустойчивой сортировкой, сразу попадают в топ-лист. В нашем материале: ➖ Разберём 4 ключевых алгоритма с детализацией шагов и визуализацией; ➖ Сравним эффективность: когда O(n²) — это норма, а когда нужен O(n log n); ➖ Покажем реальные примеры кода — от «наивных» реализаций до оптимизированных версий. Что внутри? 🔸 Bubble Sort — почему он «пузырьковый» и зачем его знать; 🔸 Insertion Sort — в каких случаях он быстрее QuickSort; 🔸 Selection Sort — принцип «минимального элемента» на пальцах; 🔸 Merge Sort — как разделяй-и-властвуй спасает при больших данных. 📌 Переходите по ссылке и приступайте к изучению! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Как стать аналитиком через 10 недель? Напоминаем: уже в это воскресенье стартуем с первым потоком профессий «Аналитик данных» и «Fullstack-аналитик» 🔥 Мы убрали всё лишнее и собрали программу, которая даёт за 10 недель ровно то, что нужно джуну для первого оффера — с ментором рядом и чётким планом на каждую неделю. Более того, мы учим не только инструментам, но и их автоматизации с помощью ИИ и тому, как их показывать на собеседовании. Что входит в программу буткемпа: 🔶 SQL — от основ до оконных функций, с задачами с реальных собеседований; 🔶 Python — анализ данных, pandas, визуализация; 🔶 Метрики и продуктовая аналитика; 🔶 BI и Metabase — строите дашборды и умеете рассказывать историю через данные; 🔶 Статистика и A/B-тесты — без этого на большинстве интервью далеко не уйти; 🔶 Карьерный модуль — резюме, позиционирование и разбор реальных интервью. Этого достаточно, чтобы выйти на рынок уже через 2 месяца! А далее вы уже выбираете трек: ⭐️ Аналитик данных, если ваша конечная цель — войти в профессию максимально быстро; ⭐️ Фуллстек-аналитик, если кроме быстрого входа в профессию вы намерены быстро расти внутри неё. Выбирайте профессию и записывайтесь, осталось мало мест: 🔥 Аналитик данных 🔥 Fullstack-аналитик 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🔴 Мы уже в эфире! Павел Беляев только что включил трансляцию — разбираем, для чего аналитику временные ряды и как декомпозиция с фильтрацией отделяют сигнал от шума, а дальше сядем решать живые задачи. Заходите, самое интересное только начинается 👀 ➡️ Подключиться к эфиру

5 сфер, где особенно пригодятся fullstack-аналитики Привет всем! Я Павел Беляев, ментор курса «Fullstack-аналитик» и ведущий канала Тимлидское об аналитике 👋🏻 Давайте сообразим, где особенно ждут фуллстек-аналитиков. В каких компаниях и сферах вы будете нарасхват?

Fullstack-аналитик — это самый желанный кандидат в средних и небольших компаниях, за пределами IT-гигантов (вроде Яндекса или Сбера).

Потому что он самостоятельно сделает аналитику «под ключ». Не нужна целая команда разных специалистов, не нужна сразу огромная инфраструктура. Один фуллстек настроит весь конвейер и даст все ответы. Вот на какие варианты я бы ориентировался, если бы решил отправиться в свободное плавание в качестве фуллстек-аналитика: 1️⃣ Быстрорастущие стартапы (EdTech, AdTech, MedTech) Положим, бизнес-идея выстрелила, продукт запустился и оказался настолько хорош, что число лидов растёт. Растёт и количество данных, а с ними — нестыковок, издержек и нервов на обработку и анализ. Юнит-экономика не сходится, и основатели не понимают, где закрались расхождения. У стартапа нет времени и бюджета нанимать дата-инженера, аналитика и BI-разработчика. Им нужен один «спецназовец», который придет, сам построит систему аналитики с нуля: подключится к базам, посчитает метрики и выведет их на дашборд. 2️⃣ Средний e-commerce и ритейл Вот есть интернет-магазин, к нему подключены 1С:Склад, Битрикс24, Я.Метрика и на него льётся платный трафик из пяти рекламных систем. Данные из этого всего выгружаются кем попало, директор сводит отчетность руками в Excel по выходным. Вы — тот человек, который наконец-то автоматизирует процесс, свяжет клик в Яндекс Директе с реальной отгрузкой со склада. Построите сквозную аналитику и покажете бизнесу реальную маржинальность каждого товара. 3️⃣ Digital и маркетинговые агентства Агентство полного цикла продвигает своих клиентов разными способами — поисковое продвижение, интернет-реклама, ивент-маркетинг и т.д. Все эти активности требуют своих методов сбора данных. Ну а клиенты требуют понятных отчетов: «Сколько денег мне принес каждый вложенный рубль?». И вот вы, фуллстек, по API забираете данные из VK, Яндекс.Директа, GA4, склеиваете их с CRM клиента и создаёте понятный интерактивный дашборд об эффективности маркетинга. За такие решения агентства готовы платить дорого, потому что это удерживает их клиентов. 4️⃣ Продуктовые команды внутри больших корпораций Да, в корпорациях тоже нужны фуллстеки! Часто внутри большого банка создаётся отдельный стартап (например, новое мобильное приложение). Продуктовой команде некогда ждать месяцами, пока неповоротливый центральный Data-отдел корпорации выделит им ресурсы на сбор витрины. Им нужен свой, локальный аналитик-универсал внутри команды, который быстро проверит гипотезы. 5️⃣ Фриланс и консалтинг (b2b) Если вы не хотите работать в найме, фуллстек — идеальная профессия для консалтинга. На рынке тысячи малых бизнесов (сети пекарен, салоны красоты, автосервисы), которые хотят «сделать красиво, как у больших». Вы можете продавать настройку аналитики «под ключ» как проектную услугу. Чек за такую работу измеряется сотнями тысяч рублей. Конечно, здесь нужно уметь и продвигаться, продавать себя. Если вам даётся это легко, то почему нет? Научитесь полному циклу аналитики и работайте на себя.

В общем, фуллстек-аналитик востребован везде, где у бизнеса появились данные, есть желание расти, но нет бюджета (или желания) раздувать штат.

⭐️ Записывайтесь на новый формат курса — вначале вас ждёт 10-недельный интенсив, где дадут только самое необходимое для старта, а затем углубляйтесь в различные аспекты профессии и становитесь востребованным специалистом! ✅ Записаться: simulative.ru/fullstack-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻Временные ряды: для чего нужны и что полезного они дают аналитику? Если вы работаете с данными, которые меняются со временем — поздравляю, вы уже работаете с временными рядами. Методы анализа временных рядов позволяют отделить реальный сигнал от шума, понять, что именно движет вашими данными, и строить прогнозы, которым можно доверять. Вместе с Павлом Беляевым, руководителем группы дата-аналитиков в Яндекс eLama и автором курса «Временные ряды», разберём на мастер-классе ключевые задачи временных рядов в аналитике. Отдельно поговорим о декомпозиции и фильтрации: зачем они нужны, как применяются и где чаще всего ошибаются.

И конечно, не обойдётся без практики: вместе с вами сядем и плотно попитоним в прямом эфире 😁

Если вы хотите увереннее работать с динамикой метрик, лучше понимать поведение данных и не путать сигнал с шумом, ждём вас на мастер-классе! 📆 9 июля, 19:00 МСК, онлайн ➡️ Поставить напоминание в календарь 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

4 «подводных камня» на пути аналитика Всем привет! На связи Александр Грудинин, ментор профессии «Аналитик данных» 👋🏻 Как у начинающих аналитиков, так и у студентов я вижу одинаковые «подводные камни», о которые спотыкаются почти все в начале своего пути. Делюсь своими наблюдениями и что с ними делать:

1️⃣ Перестройка мышления Самое сложное — начать видеть за метриками бизнес, а не просто числа в таблице. Студент научился считать метрики, видит, что CR просел на 5%, но не может объяснить, что это значит для бизнеса, какие гипотезы проверить и что с этим делать. Именно этот переход от технического к бизнес-мышлению даётся далеко не сразу.

2️⃣ SQL и мышление таблицами В жизни любого аналитика рано или поздно появляются JOIN’ы, и в чате появляется знакомое сообщение: «Я всё понял… пока не попробовал объединить таблицы». И проблема тут не в синтаксисе, а в умении мысленно держать структуру данных — понимать, как строки соединяются, какие ключи пересекаются и почему количество строк вдруг увеличилось в два раза или появились дубли. Это то самое «табличное мышление», которое приходит только с практикой.

3️⃣ Понимание данных перед анализом Часто студенты сразу набрасываются на данные, не разобравшись, как вообще они устроены: какие есть пограничные случаи (corner cases), пропуски, странные значения, какая логика формирования витрин данных и т. п. Например, берут таблицу заказов, считают выручку — и получают очень красивую сумму. А потом оказывается, что в выборку попали и отменённые заказы. Аналитик должен уметь останавливаться и сначала понять данные, прежде чем их крутить.

4️⃣ Оптимальный код Когда объём данных становится чуть больше, чем игрушечный, выясняется, что неоптимальный код — это не просто некрасиво, а больно. Кто-то пишет подзапросы в подзапросах, и бывает, что до последнего не агрегируют данные или, делая аналитику за последние 30 дней, тянут данные на всю глубину таблицы. Потом всё это крутится минутами, а иногда и падает. Именно здесь приходит понимание, зачем смотреть план выполнения запросов, для чего нужны оконные функции, индексы и как важен чистый, читаемый и оптимальный код.

⭐️ Эти сложности можно легко преодолеть на нашей профессии «Аналитик данных» — есть структурированная программа с реальными бизнес-кейсами и поддержка ментора. Тем более, недавно коллеги полностью переработали формат: теперь это 10-недельный интенсив, где вам дадут только самое необходимое для старта в карьере! ✅ Записаться на профессию: simulative.ru/data-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🔴 Мы уже в эфире! Евгений Буторин только что включил трансляцию — разбираем, кто такой аналитик данных и какие навыки нужны на старте, и вот-вот сядем решать живые SQL-задачи. Заходите, самое интересное только начинается 👀 ➡️ Подключиться к эфиру

Тренд, сезонность, цикличность, шум: как не перепутать сигнал с помехой? Всем привет, с вами Павел Беляев, руководитель команды аналитиков в Яндекс eLama и автор курса «Временные ряды» 👋🏻 Немножко о базе, а точнее — о декомпозиции временных рядов. Что это такое и зачем оно нужно? Вот перед нами график продаж и на нём ясно видно падение в январе. Это катастрофа? Или так было всегда? А может, это просто случайный выброс? Чтобы ответить на этот вопрос, нужно понять, из чего вообще состоит любой временной ряд. Подавляющее большинство рядов в «природе» можно разложить на компоненты. Разберём их на примере продаж интернет-магазина одежды 📈 Тренд — долгосрочное направление измеряемой величины Если год за годом выручка растёт — это тренд вверх. Если аудитория постепенно уходит — тренд вниз. Тренд отвечает на вопрос: куда движется процесс в целом, если убрать все краткосрочные колебания? Не следует принимать краткосрочный рост за тренд. Две недели роста после акции — это реакция на разовый шок, а не тренд. Эффект закончится — и ряд вернётся на прежний уровень. 📈 Сезонность — повторяющиеся колебания с фиксированным периодом Продажи зимней одежды растут каждый октябрь-ноябрь и падают каждый март. И так каждый год. Причём сезонность прослеживается не только в рамках года, но и внутри недели — например, трафик-менеджеры пополняют рекламные сервисы чаще всего в понедельник. Ключевое слово здесь — фиксированный период. Как правило, он привязан к календарю. Если вы знаете, что каждую пятницу трафик на сайте выше — это сезонность с периодом в одну неделю. Так что не стоит паниковать из-за январского спада или праздновать декабрьский пик как собственную заслугу. 📈 Цикличность — колебания без фиксированного календарного периода Звучит похоже на сезонность, но это другое. Экономические циклы, волны спроса, изменения потребительского поведения — всё это цикличность. Период может быть 2 года, а может 7 лет — заранее не угадаешь. Именно поэтому цикличность сложнее всего выделить и спрогнозировать. Она прячется в данных и часто маскируется под тренд. 📈 Шум (остаток) — всё, что не объяснили первые три компонента Внезапная публикация у блогера, сбой на сайте, праздник в конкретный вторник. Случайные, непредсказуемые отклонения. Хороший аналитик стремится к тому, чтобы остаток представлял собой белый шум — без паттернов и без автокорреляции. Если в остатках ещё видна структура, значит модель что-то недоуловила и над её качеством нужно ещё поработать. Почему это важно на практике? Если смотреть на смешение всех этих компонентов, можно принять неверные выводы и решения: — Реагируете на шум как на тренд → ненужные изменения в стратегии; — Не видите сезонность → неправильное планирование запасов и бюджетов; — Путаете цикл с трендом → ошибочные долгосрочные прогнозы. Декомпозиция временного ряда — это первый шаг любого нормального анализа. Прежде чем строить модели, нужно понять что вообще происходит в ваших данных. Как это делается технически? В Python достаточно нескольких строк:

from statsmodels.tsa.seasonal import seasonal_decompose

result = seasonal_decompose(df['sales'], model='additive', period=12)
result.plot()

И вы получаете четыре отдельных графика: тренд, сезонность, остаток. То, что раньше выглядело как хаос, вдруг обретает структуру! Это только первый шаг. Дальше — тесты на стационарность, выбор модели, прогнозирование.

📌 Всё это мы разбираем на курсе «Временные ряды» — от базовых понятий до прогнозирования с помощью Prophet и XGBoost, с практикой на реальных данных в Python. Присоединяйтесь!

📈 Изучить временные ряды: simulative.ru/time-series 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Привет! На связи Евгений Буторин, ментор интенсива по SQL 👋🏻 Вам хочется попробовать себя в аналитике, но непонятно, кто такой аналитик на самом деле, что нужно уметь на старте и почему все вокруг твердят именно про SQL? Сегодня вечером приходите на мой вебинар — разберём это на реальных примерах и задачах. Разберём три вещи: 🟠 Кто такой аналитик данных и чем он занимается каждый день на конкретных задачах; 🟠 Какие навыки нужны на старте и куда расти дальше — от первого джуна до руководителя отдела; 🟠 Порешаем пару реальных SQL-задач вместе и разберём, почему без SQL в аналитике никуда. Если присматриваетесь к аналитике или хотите понять, с чего начать, приходите! 📆 7 июля, 19:00 МСК, онлайн ➡️ Ставьте напоминание в календарь, чтобы не забыть! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Ошибка целочисленного деления в SQL 🔥 Проверяя работы наших студентов на курсе, мы раз за разом сталкиваемся с одними и теми же ошибками. И сейчас мы расскажем вам об одной из таких ошибок при написании SQL-запросов в PostgreSQL. ✅ Описание проблемы Мы привыкли, что в математике можно просто разделить одно число на другое и получить результат, даже если нацело числа не делятся — получится десятичная дробь. Однако SQL не всегда работает так, как мы ожидаем… Например, в PostgreSQL, если вы делите два целых числа, результат будет целым числом, без дробной части:

SELECT a/b FROM demo
# если a и b целые, получаем столбец целых чисел

SELECT 1 / 2
# такое деление вернет 0

Примеры кажутся синтетическими, однако если вы делаете какую-то сложную агрегацию и вычисления с операцией деления, то вы можете даже не заметить эту ошибку, так как получите некий результат. Просто он будет неверным.

Примечание: в большинстве других СУБД, таких как MySQL, подобные запросы вернут десятичные дроби, как и ожидается.

✅ Решение проблемы Чтобы избежать неоднозначностей при выполнении вычислений, всегда лучше явно указывать преобразование типов. Например:

SELECT a::NUMERIC/b FROM demo
SELECT a*1.0/b FROM demo
SELECT CAST(1 AS FLOAT)/2 FROM demo

Используя любую из этих конструкций, вы приводите числитель (можно знаменатель) к дробному формату, а значит и результатом деления будет дробь.

🛎️ Если вы хотите познакомиться с SQL и узнать ещё больше классных фишек, приходите на наш бесплатный интенсив по SQL с менторской поддержкой! Вы научитесь писать первые SQL-запросы и решать задачи, положите первый проект в портфолио и получите сертификат о прохождении курса.

Записывайтесь, стартуем уже завтра! 📌 Зарегистрироваться на интенсив 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Всем привет! На связи Алёна Лесихина, продуктовый аналитик и автор Telegram-канала Select * from аналитика 👋🏻 В новой статье для Симулейтив я продолжаю обозревать GitHub Actions на примере пет-проекта для аналитика. В прошлый раз я подробно описала гайд по работе с GitHub Actions. Статья будет полезна начинающим аналитикам в поисках хорошего проекта для своего портфолио. В этой части разбираю подход к выбору проекта и источника данных, к сбору и анализу данных и представлению результатов своей работы. 📌 Читать статью: simulative.ru/blog/github-actions-2 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Мы уже в эфире! Андрон Алексанян только что включил трансляцию — разбираем рынок аналитики 2026, отвечаем на главный вопрос «заменит ли ИИ» и вот-вот сядем писать живой SQL к реальным данным. Заходите, самое интересное только начинается 👀 ➡️ Подключиться к эфиру