🚀 Metabase как первая BI-система: проверяю на практике

В этом году я целенаправленно изучаю BI-аналитику.
А что такое BI-аналитика, если не работа с данными + их визуализация?

Этим постом я открываю серию про инструменты визуализации.
На каждый инструмент я закладываю примерно два месяца: изучить, применить и сделать выводы.

Чтобы не распыляться, все инструменты я буду разбирать через один сквозной проект:
e-commerce с поведенческими событиями пользователей.

Базовый датасет взят с Kaggle, но дальше мы с GPT будем обогащать его синтетическими данными под нужные бизнес-задачи. Хочу, чтобы проект был максимально приближен к реальности. Правда в этом вопросе полностью полагаюсь на GPT 😅

Начинаем с Metabase.

Почему именно он?
Во-первых, в Simulative этот инструмент идёт третьим модулем, сразу после метрик и SQL. То есть уже после первой трети курса предполагается, что ты можешь работать аналитиком «на минималках».

Во-вторых, у Metabase низкий порог входа:
запросы можно писать на SQL, а можно собирать через визуальный конструктор. Фактически ты описываешь, что хочешь увидеть, и система это собирает. Это сильно снижает порог входа в BI-аналитику.

И, в-третьих, Metabase часто используют как первую BI-систему в компаниях, которые только встают на data-driven рельсы.

Про обучение.
GPT утверждает, что Metabase можно освоить за условные часы, даже если опыта с данными немного. Возможно, он слегка оптимист, но по сравнению с другими BI-инструментами Metabase действительно даёт быструю отдачу без долгого онбординга.
Плюс на YouTube полно туториалов: установка, настройка, первые дашборды.

С Metabase я планирую сделать два проекта:
🟠 Executive View — общее понимание, что происходит с бизнесом
🟠 Monitoring & Control — где процессы нестабильны и где находятся точки риска

Буду смотреть, насколько инструмент подходит для этих задач и где начинаются его ограничения.

Ну что, погнали? 😊

💬 А вы использовали Metabase в работе или для обучения? Какие впечатления?

#аналитик_и_визуализация

🐴 Планирование — точно не мой конёк.
Мой конёк — горбунок. С характером и без тормозов!

Вообще-то сегодняшний пост должен был быть про инсайты после первого месяца изучения e-commerce.
Но есть нюанс: я до сих пор в лёгком шоке от того, что именно мы напланировали. Поэтому вместо инсайтов давайте сначала разберёмся с планом. А к выводам я вернусь во втором посте серии. Честно-честно 🤞

План по e-commerce я собирала вместе с ChatGPT (кажется, ему уже пора дать имя).
Сама я в домене ориентировалась очень примерно и решила не изобретать велосипед, а спросить у того, кто не устаёт и не паникует от объёма задач.

Вот что получилось.

Месяц 1. Скелет домена
KPI, воронка, базовая диагностика.
Цель — понять, как вообще работает e-commerce:
🟠 где бизнес зарабатывает деньги
🟠 где обычно «течёт» воронка
🟠 какие метрики считаются базовыми

Месяц 2. Поведение и деньги
Когорты, retention, LTV, сегменты.
Фокус — научиться оценивать ценность пользователей, а не просто считать клики.

Месяц 3. Цены, промо и эксперименты
Здесь будем учиться оценивать эффект, а не просто красиво описывать прошлое.
Промо, A/B, гипотезы — всё по-взрослому.

Все три месяца я работаю с одним и тем же датасетом, который мы немного обогатим синтетическими данными.
Каждый месяц — отдельный проект, отражающий пройденный материал.

Датасет беру из библиотеки материалов Олимпиады DANO за прошлый год.

А ещё, так как значительную часть дня я провожу на прогулках с ребёнком, решила добавить формат «учёбы для ушей».
Нашла подкаст «Практика days» — интервью с предпринимателями и топ-менеджерами из e-commerce.

Почему он мне зашёл:
🟠 много реальных бизнесов и моделей
🟠 разговоры про текущие вызовы
🟠 понимание, чем рынок живёт прямо сейчас и куда смотрит

Не уверена, что это прям must-have для подготовки к собесам в конкретную компанию.
Но для формирования общего контекста — очень даже.

В общем, я продолжаю мучить себя бессонными ночами и наполеоновскими планами.
А вам пока задам вопрос:

💬 Когда вы готовитесь к собеседованию, вы смотрите только конкретную компанию или ещё и всю сферу целиком?

#аналитик_собирает_пазл

Никогда такого не было — и вот опять!

Я снова побежала впереди паровоза.
Паровоз, разумеется, меня догнал. И аккуратно переехал 🚂

Помните мой первый факап с тестовым заданием? Там, где я торопилась и не проверила форматы данных.
После этого я пообещала себе:
всегда внимательно изучать данные перед анализом.

Я даже нашла отличный чек-лист и теперь честно по нему прохожусь: полнота, адекватность, форматы, NULL’ы — всё чётко.

Но, как выяснилось, проверить данные и познакомиться с данными — это вообще-то два разных действия.

Сейчас мы поговорим об очередном факапе: первом проекте по e-com'у.

Для проекта я взяла данные из заданий Олимпиады DANO 2025.
Выбрала датасет SM Lab: воронка онлайн-продаж (Спортмастер).
Файл здоровый — около 7 миллионов строк. В Excel такое, понятно, не покрутишь, поэтому сразу пошла в DBeaver.

Пишу своему верному другу GPT:
— Давай проверим данные по чек-листу.

Проверили. Всё красиво. Можно работать.

И вот тут я делаю ключевую ошибку: начинаю проект «по-взрослому».

Я говорю GPT:
— Делаем проект. С дашбордом. Executive-level. Чтобы ух!

GPT мгновенно входит в роль ментора:
— Отлично. Давай я тебе сейчас без суеты распишу весь план...

В план проекта входила визуализация, поэтому Metabase мы поставили через Docker. Кстати, это реально несложно, особенно если есть нормальная видео-инструкция.

И дальше мы начали считать метрики через questions, то есть через визуальный конструктор.

Я не сопротивлялась.
Во-первых, Metabase у меня всё равно в плане изучения.
Во-вторых, конструктор действительно снижает порог входа.

По ощущениям, для простых запросов конструктор — ок, а вот для вычисляемых столбцов и трендов — танцы с бубном!
Я думаю, что через SQL я бы сделала это быстрее.

В результате я сделала 4 карточки.
Четыре. Карточки. Карл.

Для executive-дашборда.
Которые показывают состояние воронки…
и при этом даже не в виде воронки!

И только в самом конце я вдруг задаю себе вопросы:
🟠 А что вообще происходит с данными?
🟠 Какая общая картина?
🟠 А на что ещё стоило посмотреть?

Спойлер: задавать эти вопросы надо было в самом начале, а не на четвёртый день.

Что получилось по факту

Проект:
🟠 не демонстрационный
🟠 дашборд — откровенно слабый
🟠 времени убито — 4 дня

Зато README от GPT — просто конфетка.
Там даже в разделе «Next steps» аккуратно написано всё то, что мы будем делать в следующий раз.

Я злюсь.
Потому что снова полезла делать «красиво», не разобравшись в сути.
Я даже толком не поняла, что такое executive dashboard, но полезла его строить. Самооценка уровня «Илон Маск, подвинься».

Но есть и хорошая новость.

Я снова на собственных шишках убедилась, как делать не надо.
А это, к сожалению, самый рабочий способ обучения.

Если хотите посмотреть на этот проект и поугарать — добро пожаловать на GitHub 👉 [ссылка на README].
Если есть идеи, замечания или рекомендации на будущее — буду рада.
Только давайте экологично! Что всё плохо и надо дальше учиться я и сама догадываюсь 😎

💬 А у вас бывали моменты, когда вы понимали, что убили кучу времени на ерунду?
Как вы выходили из состояния «Халк крушить»?

#портфолио_аналитика

Metabase: визуализация данных (обзор курса)

Stepik | визуализация | платный
👉 [ссылка на курс]

Этот курс я купила ещё в прошлом году.
Причина банальная: мне казалось, что сама я с визуализацией в Metabase точно не разберусь.
Ну что поделать, если вера в себя иногда уходит в отпуск без предупреждения 🥲

Как я уже писала раньше, Metabase часто используют как первую BI-систему в компаниях.
Порог входа низкий: SQL знать не обязательно, можно работать через конструктор.
Я, кстати, проверяла это на практике в своём первом e-commerce проекте.

Для кого этот курс

Курс рассчитан на абсолютных новичков.
SQL знать не нужно вообще.

Сначала:
работа с запросами в визуальном конструкторе

Потом:
SQL появляется, но код просто дают готовым (писать самому необязательно)

Все лекции в формате видео с демонстрацией интерфейса.
К каждому блоку есть короткие конспекты:
— зачем нужна визуализация
— когда её использовать
— примеры

Если у вас уже есть опыт в BI

Тут возможны два сценария:
— либо вы быстро освоите Metabase
— либо будете плеваться от его простоты и ограничений

Третьего не дано 😅

Что внутри курса

Разбирают:
— установку Metabase (локально, на сервере, в VM)
— конструктор запросов
— SQL-режим
— коллекции
— дашборды
— модели и метрики
— все типы визуализаций

Есть бонусный блок с бизнес-кейсами на SQL.
Но визуализировать их в Metabase нельзя, поэтому для меня это выглядит как приятный, но немного лишний бонус.

Чего не хватило

Мне не хватило подробного разбора пользовательских выражений в режиме конструктора.
Автор честно отправляет в документацию, аргументируя это тем, что иначе курс раздуется до бесконечности. В целом — fair enough.

Итог

Курс очень практичный.
После него вы точно будете понимать:
— как устроен Metabase
— куда нажимать
— как собрать дашборд

Но если вам не нужно, чтобы вас вели за ручку, то:
— на YouTube полно туториалов
— при установке Metabase есть тестовая база, на которой можно спокойно тренироваться

Моя субъективная оценка (критерии тут)

Полезность: 3/5
Практика: 3/5
Подача: 4/5

Если вы только начинаете путь в BI — курс может быть хорошей точкой входа.
Если уже работали с визуализаций, даже в excel, то разберётесь и без него 😉

💬 Как думаете, курсы по инструментам — must have или лишняя трата денег?

#курсес_ресурсес

Где мои данные, чувак?

Когда я только начала думать о проектах для портфолио, я упёрлась в очень простой вопрос:
а где вообще брать данные?

На курсах, конечно, датасеты дают. Но есть нюанс.
Если один и тот же датасет дают сотне студентов, то и проекты в портфолио у них потом выглядят… почти одинаково 🤭

В какой-то момент я захотела разобраться:
— где брать данные
— как понять, подходят ли они для портфолио
— и как не сделать очередной «проект как у всех»

Так что этим постом я открываю новую рубрику — буду разбирать источники данных.
Начнём с самого очевидного и самого спорного.

Kaggle

Kaggle — это платформа с открытыми датасетами и соревнованиями по анализу данных и ML.
Данные туда загружают компании, исследователи и сами пользователи.

Там можно найти вообще всё:
— продажи, заказы, клиенты
— маркетинг и рекламу
— финансы, медицину, образование, ритейл

Плюс, у Kaggle есть свои курсы — от основ программирования до ML и computer vision.

Звучит идеально. Но, как всегда, есть «но».

В чём проблема с Kaggle

Большинство датасетов там:
— слишком чистые
— с минимумом пропусков и аномалий
— без реального бизнес-контекста

Оценка реалистичности данных в разных источниках колеблется от низкой до средне-высокой.

При этом Kaggle:
— отлично подходит для первых шагов
— хорош для знакомства с инструментами
— норм для самого первого проекта

Но если говорить про портфолио, тут и начинаются претензии:
— датасеты не уникальны
— проекты получаются «как у всех»
— легко скатиться в копипаст чужих решений

Как выжать из Kaggle максимум

Если уж брать данные оттуда, то стоит немного подшаманить и:
— придумать бизнес-контекст
— сформулировать вопросы от «заказчика»
— делать выводы и рекомендации, а не просто графики и код

Потому что без этого проект выглядит как учебное упражнение (learning project), а не как работа аналитика (showing project).

Ирония момента

Многие аналитики — от Simulative до западных YouTube-менторов — в один голос говорят:
«Kaggle — плохо, не используйте».

Но при этом:
— альтернатив почти не предлагают
— или предлагают… свои курсы 😅

Так что Kaggle — это не зло.
Это просто инструмент, с которым нужно понимать ограничения.

💬 А вы как относитесь к Kaggle?
Пользуетесь им или «титаникоподобные» датасеты уже вызывают нервный тик?

#аналитик_ищет_данные

🎙 Что важно в BI-аналитике на практике, а не в курсах

Когда ты осваиваешь новую профессию в одиночку, ощущение примерно такое же, как у ёжика в тумане.
Да, сейчас можно открыть ChatGPT, нагенерить себе роадмап и бодро по нему пойти. Но всегда есть сомнения.

В такие моменты особенно ценен опыт человека, который уже работает в профессии, куда ты только целишься.

Поэтому сегодня я открываю рубрику с интервью и пригласила Алису Ручкину — автора канала «Датавиз в BI».

Алиса поделилась своим реальным BI-путём и ответила на вопросы, которые чаще всего волнуют начинающих BI-аналитиков.
___
1) Как ты пришла в BI и с чего начинался путь?

По основному образованию я инженер-железнодорожник и на 4-5 курсе дополнительно училась на экономиста. После универа я 7,5 лет работала менеджером по импорту и организовывала международные контейнерные перевозки.

2020 год стал для меня поворотным:
🤩из-за карантинных ограничений в мире сильно пострадала логистика, поэтому на работе сильно возрос уровень стресса.
🤩я попробовала работать удалённо и не захотела возвращаться в офис.
🤩я вышла замуж и поняла, что не хочу работать по вечерам и выходным, что в логистике просто невозможно, потому что это сфера с ненормированным графиком

Поэтому в сентябре 2020 года я пошла учиться на аналитика данных в «Яндекс-Практикум» (17-я когорта).

После защиты дипломного проекта весной 2021 года я устроилась аналитиком SQL в «НЛМК-ИТ». В том же году осенью я перешла в «ПИК-Индустрию» на позицию Junior BI-аналитика.

В апреле 2022 года я пришла в «Уралсиб» на позицию BI-аналитика в Службе управления данными. Это по сути центр компетенций по данным, поэтому помимо разработки дашбордов в FineBI я проводила вебинары и консультировала других разработчиков компании.

В 2023 году я перешла в компанию T2 (тогда Tele2) на похожую позицию в Дата-Офис, где и работаю по сей день.

2) Какие навыки оказались реально важными в работе, а какие переоценены?

Из хард-скиллов реально важным оказался SQL, поэтому в первый год работы я активно проходила разные SQL-тренажёры.

Из софт-скиллов считаю важным быть проактивным и идти до конца. Умение напоминать о себе и дожимать — очень важный скилл при удалённой работе.

По моему BI-опыту, переоценено знание Python. В некоторых компаниях он нужен, но лично мне до сих пор не пригодился.

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?

Каждый день я использую FineBI.
Что мне нравится:
🤩его гибкость. В нём много аналитических функций и есть опция Custom Chart, которая позволяет создавать нестандартные визуализации без JS, HTML или CSS кода
🤩понятный интерфейс. Возможно, это субъективно, потому что с FineBI я работаю почти 4 года и к нему уже привыкла😁

Почему у меня дёргается глаз:
🤩новые версии могут сильно отличаться от предыдущих, поэтому какой-то функционал может перестать работать, требуется время на адаптацию и обновление инструкций
🤩есть небольшие бесячие нюансы (например, в графиках нельзя откатить изменения в создаваемых калькуляциях)

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?

🤩обозначает сроки, хотя бы приблизительно
🤩не перебивает, если заказчик начинает рассказывать что-то на бизнесовом. Может показаться, что он отдаляется от сути, да и в целом всё непонятно, но хороший BI-аналитик пытается выудить из этого что-то ценное для аналитики
🤩объясняет простыми словами, а не техническим языком, если что-то невозможно реализовать или просто не работает
🤩не ставит перед проблемой, а предлагает решение

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?

🤩лучше узнать, чем занимается BI-аналитик. Возможно, что эта работа вообще не понравится
🤩хорошенько потренировать SQL
🤩сделать портфолио или пет-проект, чтобы было что показать на собеседовании. Не уверена, что вы будете подробно рассказывать о своих работах, но само их наличие поможет выделиться на фоне других кандидатов.

___
Алиса, большое спасибо, что поделилась своим опытом!

💬 А какой вопрос задали бы вы на моём месте?

#аналитик_берёт_интервью

📝 README как лицо проекта: фреймворк для портфолио аналитика

В прошлый раз мы разбирали подход Christine Jiang к проектам в портфолио и почему учебные кейсы чаще вредят, чем помогают.
Сегодня продолжим и посмотрим как именно она предлагает оформлять проект, а точнее README, чтобы его было не стыдно показать нанимающему менеджеру.

Спойлер: README — это не «описание файлов в репозитории».
Это ваш финальный аналитический артефакт.

Принципы, на которых Кристин настаивает

По её опыту, сильные аналитики всегда держат в голове три вещи:
🟠 ясность важнее сложности, функция важнее «красоты»
🟠 ответ на вопрос «и что?» должен быть понятен сразу
🟠 всегда думайте об уровнях детализации

Отсюда и рекомендации по GitHub:
🟠 один репозиторий = один проект
🟠 README = обложка проекта и итог всей аналитической работы

Структура README, которая работает

Кристин предлагает следующую логику документа.

1. Background / Overview
Контекст и цель проекта, написанные не от первого лица.
Без «мне было интересно...», «я решил попробовать...».
Текст должен выглядеть как внутренний аналитический документ компании.

2. Data Structure Overview
Описание структуры данных и домена.
Желательно добавить ERD (entityrelationship diagram), чтобы сразу было понятно, с чем вы работали.

3. Executive Summary
Короткое резюме для занятых стейкхолдеров.
Самое важное, без деталей, по существу.

4. Insights Deep Dive
Расшифровка ключевых выводов из executive summary.
3–4 абзаца с логикой, цифрами и пояснениями.
Здесь же уместен скрин high-level дашборда.

5. Recommendations
Рекомендации и следующие шаги.
Именно здесь вы отвечаете на главный вопрос:
зачем вообще проводился этот анализ и что бизнесу с этим делать.

А где код?

Код, SQL-запросы и технические детали — по ссылкам.
Если кому-то важно, он посмотрит.
Захламлять README техническими подробностями не нужно — это и есть разделение уровней детализации.

Хороший README — это документ, который можно показать стейкхолдеру.

У Кристин есть:
🟠 шаблон README, который можно взять за основу
🟠 разборы реальных портфолио, присланных подписчиками тут [ссылка] и тут [ссылка]

В целом, её канал — кладовая практичных советов без воды и мотивационных лозунгов.

💬 Как вам такой фреймворк?
Стал бы понятнее ваш проект, если оформить README именно так, или вы бы что-то поменяли?

#аналитик_слушает_советы

BI аналитик — это дизайнер от аналитики?

Когда я думала, чем заняться в последний год декрета и параллельно усилить себя как аналитика, я решила углубиться в BI-аналитику. В моей голове это выглядело так: BI — это про красивые графики, аккуратные дашборды и людей с хорошим вкусом. Ну, дизайнеры, только с данными 🤭

Поэтому в плане обучения у меня сначала появились инструменты визуализации. Логично же!

А потом я начала копать глубже и задаваться простым вопросом: а кто вообще такие BI-аналитики и зачем они нужны бизнесу?
И тут картинка начала разваливаться.

Оказалось, что BI-аналитик — это не «рисовальщик дашбордов», а человек, который помогает бизнесу принимать решения. Через отчёты, метрики и интерактивные визуализации, но всё же про решения, а не про красоту.

Ключевая задача BI-аналитика — понять цель заказчика:
что именно он хочет видеть, какие решения собирается принимать и в каком формате ему нужна информация. А дальше уже начинается работа с данными, логикой и визуализацией.

Лучше всего разницу между ролями показывает их сравнение.

Data-аналитик сфокусирован на данных.
Его основная цель — объяснить прошлое и ответить на вопросы: «что произошло?» и «почему так вышло?»

Он криминалист / детектив: изучает улики (данные), ищет причины и мотивы событий, которые уже произошли.

BI-аналитик сфокусирован на бизнесе.
Его цель — мониторить настоящее и держать руку на пульсе, отвечая на вопросы: «как у нас дела прямо сейчас?» и «где нужно вмешаться?».

Отличную аналогию привела LLM'ка: инженер-проектировщик информационных табло. Создаёт и поддерживает большие информационные дисплеи на вокзале (дашборды), куда стекаются данные о всех поездах (метриках), чтобы диспетчеры (менеджеры) видели ситуацию в реальном времени.

Product-аналитик сфокусирован на продукте и будущем.
Его главный вопрос: «как сделать продукт лучше?».
Это про эксперименты, гипотезы и влияние на развитие продукта.

Это своего рода учёный, как Док Браун («Назад в будущее») 🤭

Если совсем коротко:
Data — объясняет прошлое
BI — поддерживает принятие решений
Product — влияет на будущее продукта

Это не уровни «сложности» аналитиков (мы же не в компьютерные игры играем), а разные зоны ответственности.

Нагляднее всего разницу видно, когда все три аналитика смотрят на одну и ту же бизнес-ситуацию. Вот тут примеры [ссылка на github], если хотите посмотреть.

💬 А у вас, в вашей области деятельности, были моменты «узнал в только что лет»?

#аналитик_и_визуализация

Не доходит через голову, дойдет через ноги руки

Мне кажется, моя учительница по математике именно так и говорила. И знаете, она оказалась права.

Я уже не первый раз наступаю на одни и те же грабли: начинаю анализ с метрик, а не со знакомства с данными. Ведь прежде чем поцеловать парня, надо хотя бы его имя спросить! Хотя… 😅

В этот раз я решила действовать радикально.
Если теория не закрепляется — значит будет практика!

Я наказала «наградила» себя челленджем:
10 guided projects, а потом ещё 10 полностью самостоятельных. Почему это хорошая связка я писала тут.

Что такое guided project?
Это когда ты повторяешь за кем-то более опытным. Например, за «экспертом» на YouTube.

Знаете, есть когнитивное искажение — «эффект авторитета».
Мы склонны верить человеку просто потому, что он звучит уверенно и имеет какой-то статус.

Я наткнулась на серию видео турецкого дата саентиста по EDA (exploratory data analysis) в pandas на книжном датасете с Kaggle.
Целая серия из 10 видео. Думаю: «ну всё, ща как научусь!»

Идёт третья минута анализа.
Он видит минимальный год выпуска книги «минус 590».
И… просто удаляет строку.

Хм... Ну, как бы, ладно...

Четвёртая минута анализа.
21 пропущенное значение в колонке «Название».
Что делает эксперт? Правильно, просто удаляет строки.

Не проверяет, не смотрит соседние колонки, не оценивает долю пропусков. Просто удаляет...

Я сижу, брови ползут вверх, думаю: «это, конечно, супер странно, но он же дата саентист, он же знает что делает, да?»

Осознание,что это неправильные пчелы неправильный эксперт у меня пришло тогда, когда он не смог написать функцию, потому что всё время не угадывал с названием колонки. А знаете почему? Потому что названия колонок никто не проверял перед тем, как приступить к работе, а там пробелов тьма тьмущая…

В общем, я решила, что это не тот человек, у которого я хочу учиться. А ведь он ещё и курсы свои продаёт…

Я не ищу идеального инструктора.
Я просто набиваю руку.

Интенсивная практика по EDA реально начинает работать как буткэмп.
Да, из-за этого в e-com у меня будет не три проекта, а два, если повезёт.
Но лучше меньше, да лучше!

И главное — больше никаких «он эксперт, ему виднее».
А с датасетом попробуйте поработать, он хорошо под EDA подходит.

💬 Как вы проверяете экспертность человека?

#портфолио_аналитика

Pandas для анализа данных (обзор курса)
Stepik | аналитика | платный
[ссылка на курс]

Продолжаем расчищать авгиевы конюшни купленных впрок курсов. Сегодня на очереди третий пройденный мною курс по Pandas. Я устроила себе буткэмп по EDA, и мне показалось логичным пройти дополнительный курс и получить корочку. Как говорится, без бумажки — ты букашка!

Первый пройденный курс мне не очень понравился, второй, наоборот, очень понравился, но он короткий. А вот этот вызывает у меня смешанные чувства, и я расскажу почему.

Для кого этот курс

Этот курс рассчитан примерно на 35 часов прохождения. За это время можно выучить многое.

Но абсолютным новичкам он вряд ли подойдёт. Попадаются задачи, где потребуются навыки в Python. Мне немного не хватило знаний, пришлось прибегать к помощи чат-бота 😅

Что внутри курса

Курс состоит из видеолекций. В каждом уроке присутствует достаточное количество задач на отработку теории. Часто приходится вспоминать пройденный материал.

В этом курсе нет конспектов, поэтому приходилось создавать их самой. С одной стороны, это здорово. Говорят, что составление конспектов положительно влияет на запоминание информации.

С другой стороны, записи получаются немного хаотичными. Наверное, было бы лучше сначала полностью посмотреть весь урок, понять его структуру, а потом уже делать конспект.

Чего не хватило

Первое, чего мне не хватило, — это представленных в виде конспекта (или комментария) датафреймов или серий, которые разбираются на уроке в видео.

Позиция автора такова: в реальном мире вам никто ничего не будет предоставлять, поэтому сами делайте себе конспекты, сами создавайте датафреймы для практики и вообще пошли вы к чёрту!

В общем, я поняла, как набегают 35 часов практики — переписывание датафреймов с экрана довольно ресурсозатратное занятие.

Второе — мне не понравилось, как автор отвечает на комментарии. С одной стороны, спасибо, что он вообще присутствует на курсе.

Но ответы в духе «Где у меня такое сказано?» и «Мне в голову не приходит хороший пример, чтобы было понятно, в чём суть функции concat и когда её стоит применять» не добавляют ему очков.

Есть задачи, где не совсем понятно, в каком виде нужно предоставить вывод или какую функцию использовать. Приходится играть в угадайку: «А что хотел сказать автор?» 🤨

Итог

Я впервые оказалась в ситуации, когда подошла к курсу, уже имея практический опыт работы. С одной стороны, я понимаю, как то, что рассказывает автор, применяется в жизни, потому что уже сделала несколько guided projects по EDA. С другой стороны, часть курса показалась мне пока чисто теоретической.

Стала бы я рекомендовать этот курс? Честно, не знаю. Задач на отработку много, но манера общения автора меня останавливает.

На YouTube-канале автора курса, где выложены лекции курса, можно найти промокод на скидку, если вам будет интересно.

Моя субъективная оценка (критерии тут)

Полезность: 4/5
Практика: 4/5
Подача: 3/5

А теперь у меня к вам пара вопросов:

💬 Хватит ли знаний, полученных при выполнении проекта «под диктовку», для реальной работы или обязательно нужно пройти целый курс?

💬 Стали бы вы до конца проходить курс, если вам не нравится манера общения автора? При этом, к самому материалу претензий практически нет.

#курсес_ресурсес

Успешная карьера или счастливая жизнь? А можно оба варианта?

По неведомой мне причине у меня в голове всегда была установка: либо успешная карьера, либо свободная жизнь и путешествия. Третьего не дано!

Я не представляла, что можно по-другому. А моя знакомая Лена, продакт в Авито, на своём примере показывает, что не только можно, но и нужно совмещать работу и жизнь.

Последние четыре года она работает в крупных зарубежных и российских компаниях на удалёнке. Она, как никто другой, умеет совмещать работу и путешествия: проводила зумы на фоне египетских пирамид и даже с острова Пасхи.

В этом году мне возвращаться в офис, а так хотелось бы работать удалённо. Неужели удалёнке конец?

У Лены есть классные посты со списками компаний, которые нанимают профессионалов, а не «охранников клавиатуры»:
топ-10 российских и зарубежных компаний

А если вы думаете пожить за границей, у неё есть отличный пост «кому на Руси жить хорошо» «Где работать на удалёнке?»

Заглядывайте в канал, пока он не стал мейнстримным! 😎

💬 Проведём перекличку: вы в офисе трудитесь или на гибриде? В чистую удалёнку я уже не верю 🤭

Три в ряд или морковка на ферме?

В комментариях ко вчерашнему посту мы поднимали тему о том, что в офис не хочется ездить, потому что дорога занимает чертову уйму времени, которое очень сложно потратить продуктивно.

Вы когда-нибудь обращали внимание на то, что люди смотрят, уткнувшись в свои телефоны в транспорте? Мне бы хотелось сказать, что они там книги читают, не возить же с собой «кирпичи». И именно это «повсеместно люди читают» было одним из сильных впечатлений от Москвы, когда я в первый раз сюда приехала в командировку. Правда было это лет десять назад 🤭

Но сейчас я замечаю, что многие люди сидят в играх. И, на мой взгляд, самая популярная игра это «три-в-ряд». Да будь я проклята, если скажу, что сама не залипаю в ней! Правда у меня одно условие - такое нельзя ставить на телефон, поэтому я за компьютером мужа балуюсь, когда он уходит на тренировку.

Ведь так здорово просто бездумно потыкать эти шарики, да получить легкий дофамин. И знаете кто виноват в моей зависимости? Аналитики! Игровые аналитики!

В этом году я взялась изучать домены, в которых мне было бы интересно попробовать свои силы. Так вот книга Василия Сабирова «Игра в цифры. Как аналитика позволяет видеоиграм жить лучше» это отличный старт для изучения игровой индустрии. 

Эта книга дает отличное представление об этом домене и понятно рассказывает, как именно применение аналитических инструментов помогает оптимизировать игровой процесс на всех его этапах.

В книге описаны не только важные для игры метрики, воронки конверсий и механики монетизации, но и «типичный» рабочий день игрового аналитика.

Эта книга отличное пособие не только для начинающего игрового аналитика, но и для аналитика вообще, потому что показывается взаимосвязь явлений и метрик. Становится понятно зачем мы эти метрики считаем и как они отражаются на реальном мире. 

Я бы рекомендовала прочитать эту книгу, хотя бы для того, чтобы знать, как нас сажают на игровой  крючок 😎

💬 А какое у вас guilty pleasure [тайное удовольствие]?

#книги_и_мысли

А может быть, ну его, эти ваши дашборды?

Перед тем как полностью переписать свою карьеру, карьерные консультанты советуют побольше узнать о типичном рабочем дне человека, который уже работает в этой профессии.

Но я не встречала никого, кто пошёл бы расспрашивать незнакомых людей о том, «кому на Руси жить хорошо?».

Хорошо, что в сегодняшних реалиях можно послушать подкаст или почитать интервью и узнать, что же на самом деле представляет собой ваша будущая работа.

Сегодня мы продолжаем снимать розовые очки, и поможет мне в этом Маша Аничкова — тимлид команды BI-аналитиков в Авито и автор канала «Пирожки и бары | про BI»
---
1) Как ты пришла в BI и с чего начинался путь?

В этом плане меня жизнь немного помотала 🙂
Я была стажером в HR, затем младшим финансовым аудитором в Big4, затем финансовым аналитиком в строительной компании.

По курсам я изучила SQL, PowerBI, базовый Python и перешла в коммерческую аналитику в Ozon - опыт в аудите и знание бизнес-метрик мне пригодились на отборе.

В Ozon я уже много работала с витринами данных и с дашбордами, поэтому это было во многом похоже на работу BI-аналитика. И только придя в Авито я стала уже полноценным биайщиком 🥰

2) Какие навыки оказались реально важными в работе, а какие переоценены?

Реально важны - сильный SQL, умение делать дашборды (скорее с точки зрения понимания структуры, метрик и т.п.).

Переоцененным считаю требования к знанию конкретной BI-системы - если есть опыт, то переключиться с одной BI-системы на другую можно довольно быстро (кроме редких исключений).
К счастью, многие работодатели это понимают🙂

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?

У нас своя BI-система на базе Redash - наши разработчики уже добавили много классных фичей, но иногда всплывают мелочи, которые бесят.

Например, если на графике включить группировку по году, и при этом стоит фильтр на текущий год, то есть остаётся только одно значение - то на графике не будет одной точки с этим значением, он будет пустой. Мне иногда жалуются пользователи, думая что дашборд сломался 😢 Поэтому я завела фичареквест нашим разработчикам и жду, когда они это поправят 💔
Плюсы - гибкость и возможность доработать всё, что нужно.

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?

Он не старается сделать крутой дашборд, он в первую очередь вникает, какую задачу/проблему бизнеса нужно решить. Иногда для этого не нужен сверхсложный дашборд, в котором будет всё.
Иногда для этого вообще не нужен дашборд 🙂

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?

Первое - очень круто прокачать SQL (включая оптимизацию запросов и виды баз данных), базовый Python, научиться делать дашборды - благо это всё можно освоить на курсах.
Требования к джунам растут, и сейчас критично важно иметь сильную базу.

Второе (желательно) - получить практический опыт дашбордов, чтобы научиться правильно работать со структурой дашборда, собирать требования и тп. Это можно сделать также на некоторых курсах, или например на пет-проектах + найти ментора хотя бы на 1-2 встречи и обсудить с ним свои проекты.

---
Маша, большое спасибо, что поделилась своим опытом!

💬 Как вы относитесь к менторству? Был ли у вас опыт в этом деле?

#аналитик_берёт_интервью

Redash: ближе к российским реалиям

Продолжаем разбор инструментов визуализации.
Первым инструментом был Metabase, почитать можно [тут] и [тут].

Почему именно он?

Наверняка все, кто хочет попасть в аналитику, знают, что SQL — один из базовых кирпичиков аналитических навыков. Про Excel вам такое скажут не всегда, но поверьте, его знать тоже надо! И многие аналитики рекомендуют бесплатный курс по SQL от Karpov.Courses

Я тоже его проходила, и мне он очень понравился.

Именно на этом курсе я впервые столкнулась с Redash: мы писали запросы и делали визуализации «не отходя от кассы».

С инструментом достаточно легко разобраться. Я не стала искать дополнительные материалы, чтобы сначала познакомиться с Redash, а уже потом проходить курс по SQL. Но такие ресурсы, конечно, есть:

Stepik: Основы работы в Redash [бесплатно]

Этот курс я не проходила, потому что считаю, что использовать политизированные данные в обучающем курсе немного неуместно. Если вас это не смущает, можете посмотреть. У курса есть и другие минусы, в основном связанные с подачей материала. Но абсолютное большинство студентов считают его хорошим стартом.

YouTube: Getting Started with Redash

Компания Redash разместила плейлист, где рассказывает, как работать с инструментом [на английском]. Там объясняют, как подключаться к базе, как писать SQL-запросы и как строить дашборды. В целом — необходимый минимум для старта.

Освоить Redash несложно, но SQL знать обязательно. Здесь нет никакого drag-and-drop [перетаскивания] элементов. С одной стороны, вы точно понимаете, что и как агрегируется. С другой — порог входа становится выше.

Визуализаций достаточно. Графики функциональные, но минималистичные: продвинутой стилизации нет. Зато они удобны для ad-hoc [ситуативного] анализа.

И если про Metabase часто говорят лишь то, что она «используется как первая BI-система», то Redash реально применяется в российских компаниях. Например, в Авито.

В следующий раз посмотрим на дашборды, которые мне удалось собрать, подробнее сравним их с Metabase и разберёмся, почему одни аналитики любят Redash, а другие — нет.

💬 А вы знакомы с Redash?

#аналитик_и_визуализация
#инструменты_визуализации

Попытка засчитана!

Помните пост в котором я жаловалась, что ничегошеньки не успеваю: времени мало, а нагрузка получилась большой?

Благодаря вашим комментариям под тем постом я через пару дней поняла, где продолбалась!

Дело в том, что при разработке планов для каждого проекта я давала ИИ следующий контекст:
«У меня есть два свободных часа в день...».

Искин [кажется, я фантастики перечитала] выдавал хороший план, рассчитанный строго на два часа в день… для каждого из четырёх проектов!
Ну и у кого в этой ситуации оказалось больше интеллекта?

Неудивительно, что всё пошло прахом уже к концу первого месяца. Да и проект по EDA [exploratory data analysis] занимает больше времени, чем мне хотелось бы. Об этом проекте расскажу в пятницу.

Но, разобравшись с этой ошибкой, я решила допустить новую и влезла в analysis paralysis [паралич анализа].

Раньше я пользовалась только одной нейронкой, чтобы генерить планы по захвату мира. Она ведь оплаченная, значит должна работать хорошо.

Но, благодаря Ане, мои горизонты в использовании нейронок настолько расширились, что теперь я использую четыре, и каждая генерит хорошие планы.
И вот теперь главный вопрос: кому верить? Не было печали…

В общем, я решила себя понять, простить и начать проект по изучению доменов сначала.

У меня на канале посты идут циклично, и на каждый домен выделено три месяца. Со следующего месяца начинаем [не опять, а снова] изучать e-commerce.

И, надеюсь, в этот раз всё получится так, как надо 😉

💬 А вам какие истории интереснее читать: про успех или про факап получение опыта?

#аналитик_тоже_человек