простая уловка с алиасами колонок в SQL

дело в том, что обычно СУБД названия столбцов таблицы воспринимают на латинице в нижнем регистре. А если нужно использовать смешанный регистр или перейти на кириллицу, то нужно применять кавычки.

COALESCE(cost, 0) AS CurrentPrice — колонка будет в итоге в нижнем регистре currentprice

COALESCE(cost, 0) AS "CurrentPrice" — колонка будет с названием точно таким как его указали в кавычках

COALESCE(cost, 0) AS "Текущая цена" - или так сразу на русском задать название для выгрузки, а не менять его потом в Python или вручную.

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.

🎯 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 😉