💾 Где качать SQL, когда курс уже окончен, а работа ищется?
(или даже когда работа есть, но мозг просит разминки)

🔹 pgexercises – 80 задач на PostgreSQL: простые запросы, JOIN’ы, агрегаты, рекурсия — классика жанра.
🔹 sql-ex.ru – русскоязычный тренажёр, есть задачи по уровням и хорошие объяснения.
🔹 W3Schools SQL – база упражнений для новичков, плюс сразу можно тестить код.
🔹 SQL Academy – курс с задачами по MySQL, удобно отработать базу и подготовиться к собеседованиям.
🔹 SQL Fiddle – песочница для запросов, если просто нужно что-то быстро проверить без локальной базы.
🔹 ITResume – платформа с задачами по SQL, Python и Data Science. Часть бесплатная.
🔹 HackerRank, LeetCode, StrataScratch – задачи с собесов из FAANG и не только. Хороший способ понять, что ты не всё забыл. Есть платные и бесплатные части, однако бесспорно, они остаются самыми популярными ресурсами для набивания руки.

👉 Добавляй в закладки. Это не просто “порешать задачки”, это способ остаться в тонусе между обучением и практикой.

📌 Больше аналитики, SQL и не только — в Data Kad 🐼

#sql #python #аналитика #data #карьера #sqlзадачи #sqlпрактика #datascience #учёба #практика #разработка #junior #jobsearch #datakad

📊 Красивые цифры, которые ничего не значат

Метрики тщеславия (Vanity metrics) — это показатели, которые выглядят впечатляюще, но почти ничего не говорят о реальном состоянии бизнеса.

10 000 регистраций.
1 000 000 просмотров.
+30% роста аудитории.

Звучит красиво. Но что из этого можно сделать? Какое решение принять?

🧠 Проблема не в цифрах. Проблема в том, что они не связаны с действием.

Метрика полезна, если после неё можно сказать: «Значит, нам нужно сделать X, чтобы продолжить рост».

Vanity metric вызывает только: «О, круто» — или — «О, плохо». И всё. Ни выводов, ни гипотез, ни идей.

🔎 Как распознать метрику тщеславия?

1️⃣ Она не отвечает на вопрос «почему?». Изменение есть — а причин нет.
2️⃣ Она не помогает принять решение. Вы не можете сказать, что конкретно нужно изменить.
3️⃣ Она не сегментируется. Общая цифра без разбивки по каналам, когортам, источникам.
4️⃣ Она не связана с деньгами или ценностью. Много регистраций — но платят ли? Возвращаются ли?
5️⃣ Она не отражает поведение. Число пользователей есть — а активность, retention, LTV — неизвестны.

📈 Классический пример:
Количество установок приложения.

Без retention, without activation, без повторных действий — это просто красивая цифра для отчёта. Дьявол — всегда в деталях. А там же кроется и пища аналитика.

📌 Хорошая метрика всегда:
— связана с бизнес-целью
— поддаётся влиянию
— помогает принять конкретное решение
— показывает динамику, а не статичную точку

И да, иногда “неприятная” метрика полезнее красивой.

📍 Аналитика — это не про большие числа. Это про правильные вопросы и правильные показатели полезные бизнесу.

Напишите в комментариях, если нужно больше примеров или же какой у вас есть опыт работы с такими метриками?

#analytics #metrics #vanitymetrics #productanalytics #datakad #data #growth #kpi

🌿 Не забудь подписаться на канал DataKad. Здесь про аналитику, ИИ, IT.

📊 Vanity metrics (примеры, которые выглядят красиво… но опасны)

В прошлом посте говорил про метрики тщеславия.
Теперь — примеры где вы можете на них наткнуться уже завтра.

1️⃣ “У нас 50 000 просмотров видео!”

Звучит круто. Но вопрос:
Сколько человек досмотрели?
Сколько перешли по ссылке?
Сколько подписались?

Просмотры — это просто загрузка видео в плеере.
Алгоритм мог дать трафик. Люди могли уйти через 5 секунд.

📌 Для контента полезнее смотреть:
— удержание (retention)
— CTR по обложке
— конверсию в подписку
— переходы в описание

2️⃣ “У нас 10 000 зарегистрированных пользователей”

Накопительным итогом. За всё время.
Но:
— сколько активных пользователей?
— сколько дошли до следующих этапов пользователя?
— сколько оплатили подписку?

Историческая база почти всегда растёт.
Это не показатель текущего здоровья продукта.

📌 Гораздо важнее:
— completion rate
— активность по модулям
— повторные покупки

3️⃣ “У нас высокий DAU”

Если вы работаете с SaaS или сервисом.

Высокий DAU может означать:
— бесплатный трафик
— мотивационные акции
— пользователей, которые “зашли посмотреть”

Но если:
— нет платных действий
— нет роста LTV
— нет конверсии

…то это просто нагрузка на инфраструктуру.

📌 Смотрите:
— DAU/MAU
— конверсию в платные действия
— retention по когортам

4️⃣ “+5 000 подписчиков в Telegram / Instagram”

Подписчики — красивая цифра.

Но:
— читают ли?
— реагируют ли?
— пишут ли комментарии?
— переходят ли по ссылкам?

10 000 пассивных подписчиков ≠ 500 активных.

📌 Важнее:
— ER (engagement rate)
— охват на пост
— переходы
— доля активной аудитории

5️⃣ “Сайт вырос по pageviews на 40%”
Классика.
Pageviews — это загрузка HTML.

Но:
— bounce rate?
— время на странице?
— глубина просмотра?
— конверсия в лид?

Трафик может вырасти за счёт нерелевантного источника.
Бизнес от этого не вырастет.

📌 Смотрите:
— конверсию
— CPL
— поведение по каналам
— качество лидов

6️⃣ “Миллион загрузок приложения”
Миллион загрузок ≠ миллион пользователей.

Сколько удалили?
Сколько вернулись?
Сколько оплатили подписку?

Microsoft в своё время перестала хвастаться продажами Xbox и начала публиковать MAU — активных пользователей.
Продать приставку ≠ создать экосистему.

📍 Общий тест на vanity metric простой:

Если после просмотра цифры вы не можете ответить:
«Какое конкретное решение я приму?» — скорее всего, перед вами красивая, но бесполезная метрика. Необходим контекст и, возможно, ее повторное использование в составе другой.

Аналитика начинается там, где заканчивается восторг от больших чисел.

💬 Получился даже небольшой гайд по метрикам. Поддержите 🔥 - если понравился пост.

#analytics #metrics #vanitymetrics #productanalytics #datakad #data #kpi #growth

🌿 Не забудь подписаться на канал DataKad. Здесь про аналитику, ИИ, IT.

📊 Где брать датасеты для обучения?

В четверг на канале выйдет новый ролик, где я разбираю один из самых частых вопросов от учеников:

Где брать реальные данные для практики?

Потому что читать про SQL, Python или аналитику — это одно. А вот работать с живыми датасетами — совсем другое. Даже тренажеры в большинстве своем не помогают, так как ведут вас за ручку. Работа наедине с датасетом - заставляет вас быть ответственнее и самостоятельно принимать решения и выводы.

Чтобы вы могли сразу попробовать — я собрал ресурсы, о которых говорю в видео. Сохрани, чтобы не потерять 🛟

🔹 Kaggle datasets

Огромная библиотека датасетов почти по любой теме: бизнес, спорт, финансы, маркетинг, медицина, социальные исследования.

🔹 Google Dataset Search

По сути Google для датасетов. Можно искать наборы данных по ключевым словам и находить источники по всему интернету.

🔹 Data.gov

Открытые государственные данные США. Похожие порталы есть и у многих других стран.

🔹 UCI Machine Learning Repository

Один из старейших репозиториев датасетов для ML, который существует уже несколько десятилетий. Многие известные учебные задачи берут данные именно отсюда.

🔹 WHO Global Health Observatory

Международные статистические данные по здравоохранению. Можно анализировать демографию, болезни, продолжительность жизни и многое другое.

🔹 Stack Overflow Developer Survey

Ежегодный срез мирового IT-сообщества: зарплаты, технологии, демография разработчиков, тренды индустрии. Анонимизированные данные доступны с 2011 года.

🎥 В видео в четверг расскажу:
— зачем вообще нужны датасеты в обучении
— как использовать их для SQL, Python, ML и BI
— почему грязные данные иногда полезнее идеальных
— где искать данные кроме популярных платформ

Самостоятельная работа с данными — важная часть обучения. Без них аналитика превращается в теорию.

#data #datasets #analytics #sql #python #datascience #datakad

Новый ролик на канале!

Недавно выкладывал пост с источниками датсетов. В видео рассказал зачем они нужны, как их использовать, где брать и самое главное! Как не выгореть на первом пет проекте.

Видео поможет всем, кто практикует навыки работы с данными, формирует портфолио и хочет разнообразия и автономности в учебе!

Приятного просмотра)

#датасеты
#data
#datascience
#dataanalytics
#sql
#python
#petproject

📉 Почему одни становятся сеньорами за 3 года, а другие остаются джунами годами?

Ученики часто задают вопрос:
👉 “Сколько нужно работать, чтобы стать мидлом?”
И честный ответ — нет такой цифры.

Можно проработать 3 года и вырасти до сильного специалиста. А можно 5 лет делать одно и то же… и остаться на том же уровне.

📌 Грейд — это не стаж. Это набор навыков.

Разница между уровнями не в количестве лет, а в том, как вы думаете и работаете.

Если упростить:
🔹 Джун - выполняет задачи по инструкции
🔹 Мидл - решает задачи самостоятельно
🔹 Сеньор - понимает, какие задачи вообще нужно решать
*меняется в зависимости от компании. Маленький стартап и бигтех под одну гребенку нельзя.

📊 Разберем несколько кейсов:

🔹 Умение разбираться в задаче, а не ждать полное ТЗ
Джуну дают: “сделай отчёт по продажам”
Он делает ровно то, что сказали, по аналогии с опытом.

Мидл задаёт вопросы:
— за какой период?
— по каким сегментам?
— какая цель отчёта?
— что хочет понять бизнес?

Сеньор может сказать:
👉 “Отчёт не решит проблему. Нужно посмотреть воронку и причины падения конверсии.” Суть в понимании потребности бизнеса и корректировки задачи на этом этапе.

🔹 Способность принимать решения, а не просто выполнять
Джун: “Какой график построить?”
Мидл: выбирает и аргументирует (например, почему нужен cohort, а не просто line chart)

Сеньор:
👉 выбирает подход + понимает последствия. например: “если считать так — мы завысим результат из-за ретеншна новых пользователей и какой вариант объективно покажет всю картину”

🔹 Понимание бизнес-контекста, а не только инструментов
Джун умеет SQL / Python
Мидл понимает, что считает
Сеньор задаёт вопрос:
👉 “А как это влияет на деньги?”

Пример:
Можно улучшить CTR → выглядит хорошо
Но сеньор проверит:
👉 выросла ли выручка или просто кликов стало больше

🔹 Навык объяснять и защищать решения
Джун показывает результат
Мидл объясняет, как получил
Сеньор:
👉 объясняет так, чтобы понял бизнес и строит прогнозы

Пример:
Не “конверсия упала на 2%”
А:
👉 “мы теряем X € в месяц из-за падения конверсии на этом этапе”

🔹 Ответственность за результат, а не за задачу
Джун: сделал задачу → закрыл тикет
Мидл: проверил результат
Сеньор:
👉 отвечает за эффект

⚠️ Где застревают многие:

- делают одинаковые задачи годами
- не выходят за рамки “своей зоны”
- не анализируют свои решения
- не учатся думать шире, чем код / дашборд

📍 Главное:
Карьерный рост - это не про “досидеть до мидла”.
Это про переход от:

👉 “мне сказали что делать”
к
👉 “я понимаю, что нужно сделать и зачем”

#карьера #it #аналитика #datascience #junior #middle #senior #рост #datakad
🌿 Не забудь подписаться на канал DataKad. Здесь про аналитику, ИИ, IT.

🤖 ИИ сделал работу Junior проще. Но стать Junior от этого почему-то стало сложнее.

Парадокс, который всё чаще замечаю в аналитике.
Ещё несколько лет назад умение самостоятельно написать SQL-запрос, обработать данные в Python или собрать расчёт в Power BI уже было довольно существенной частью ценности начинающего аналитика.

Сегодня многое из этого можно сделать вместе с ИИ.

Не помнишь синтаксис оконной функции? ChatGPT напишет.
Нужно объединить несколько таблиц в pandas? Claude напишет код.
Не получается DAX? Скорее всего, после нескольких итераций тоже получите рабочую формулу.

Казалось бы, вход в профессию должен был стать проще.
Но происходит интересная вещь: если базовую техническую работу теперь сделать легче, сама по себе способность её выполнить становится менее ценным преимуществом и требования постепенно смещаются выше.

🧩 Уже недостаточно просто написать SQL. Нужно понять, правильно ли соединены таблицы и не размножились ли строки.

📊 Недостаточно посчитать метрику. Нужно понимать, действительно ли она отвечает на вопрос бизнеса.

🔎 Недостаточно получить результат от ИИ. Нужно уметь проверить данные и заметить, что вполне убедительный ответ на самом деле неверный.

💬 Недостаточно построить график. Нужно объяснить, какой вывод из него следует и что с этим делать.

Получается забавная ситуация.

ИИ снижает порог выполнения задачи, но одновременно повышает порог ценности специалиста за счет изменения качества и цели решаемых задач.

И, как мне кажется, особенно сильно это затрагивает именно Junior-позиции. Потому что значительная часть задач, на которых раньше начинающий специалист набирался опыта, теперь автоматизируется быстрее всего. Но я бы не делал из этого вывод, что «джуны больше не нужны».

Скорее меняется то, чему стоит учиться: SQL, Python, Power BI и другие инструменты никуда не исчезают. Без понимания их работы сложно хотя бы проверить то, что сгенерировал ИИ. Просто к ним всё раньше приходится добавлять то, что раньше чаще ассоциировалось с Middle: самостоятельность, понимание данных, бизнес-контекст и способность критически оценивать результат. Как результат - вопросы на собеседованиях все чаще звучат по этим темам, чем только по техническим моментам.

📍Поэтому сегодня я бы учился не только отвечать на вопрос «как это сделать?», но и гораздо чаще задавал два других:
«Что именно я считаю?» и «зачем это нужно бизнесу?»

Возможно, именно они постепенно становятся главными вопросами начинающего аналитика.

А как вам кажется: ИИ упростил вход в IT или, наоборот, поднял планку для новичков?

#аналитика #карьера #junior #dataanalytics #ai #искусственныйинтеллект #sql #python #powerbi #обучение #datakad