Из Python Backend разработчика в Аналитика данных.

Да да, рассказываю как я свичнулся из одного направления в другое и не пожалел. И до сих пор работаю аналитиком и кайфую

Я уже писал, что в первом моем коммерческом проекте я был разработчиком на python. Работал я там почти пол года. До этого очень много писал свои проекты, ботов, фрилансил. Короче, опыт был, чтобы устроиться на работу на младшую позицию. Но знаете что, в конце концов я сильно выгорел от сплошного кода и задач. Я понял что мне это не нравится и меня это не заряжает.

Мне нравится писать код на python, но я не могу это делать 24/7. Это очень однотипный процесс: пишешь, отлаживаешь, деплоишь. Эта постоянная инженерная рутина начала выжимать.

И тогда я стал думать, что нужно пойти туда, где задачи более разнообразные, кода меньше, но в то же время есть python. Первое что мне пришло в голову, это аналитика данных.

Что меня зацепило:
- Есть python который мне так нравится, но немного вдругом его проявлении.
- Больше работы с цифрами, исследованиями, гипотезами.
- Много SQL — но он ощущается как логические пазлы, а не ручная починка микросервисов.
- Дашборды, визуализация, метрики — всё это даёт ощущение результата быстрее.
- Общение с командой, продуктом, понимание реального влияния — не просто «пишу код», а понимаю, что и зачем меняется.
- Задачи короче, разноплановее, каждый день немного другой.

Мне это нравится больше, потому что для меня важнее видеть смысл и влияние на продукт, чем писать очередной сервис.

Больше всего мне нравится то, что все навыки Python-разработки отлично переносятся в аналитику.
Вся логика, структурирование, мышление — это только плюс. Плюс на собеседованиях, когда у твоих конкурентов есть опыт в аналитике как у тебя, но ты еще и в разработке шаришь. Это сильное преимущество позволило мне быстро устроиться в компанию, где я уже работаю почти 2 года.

В общем я рад что все так обернулось и развиваюсь в этом направлении дальше.

Как применять нормальное распределение в реальной аналитике

Представь, мы работаем дата-аналитиками в новом музыкальном стриминговом сервисе — конкуренте Spotify или SoundCloud. Пользователей приводим двумя способами: через блогеров и через контекстную рекламу. После регистрации они попадают на бесплатный тариф, а часть из них в первый же месяц оформляет подписку.

Наша цель — понять, отличается ли конверсия между двумя рекламными каналами.

📊 Сначала собираем данные по отчетному периоду, считаем конверсию для каждой кампании и смотрим, как она распределена внутри когорты (например, какой процент пользователей успел оплатить подписку за 30 дней).

Чтобы сравнить результативность кампаний, планируем использовать параметрический t-test, но он работает корректно только если данные примерно соответствуют нормальному распределению.

🔍 Проверяем нормальность вот так:

from scipy.stats import normaltest

stat, p_value = normaltest(conversion_A)
print(p_value)

Если p_value > 0.05, всё ок — распределение можно считать нормальным. Если меньше — лучше переходить к непараметрическим методам вроде теста Манна–Уитни.

🧪 Если нормальность подтверждена — запускаем t-тест:

from scipy.stats import ttest_ind

stat, p_value = ttest_ind(conversion_A, conversion_B, equal_var=False)
print(p_value)

Дальше всё просто:
— p_value < 0.05 → разница в конверсии статистически значима, одна кампания действительно сильнее.
— p_value > 0.05 → различий нет, но это повод изучить сегменты глубже.

Почему мы так заморачиваемся с нормальностью? Потому что t-тест при нарушении предположений может ввести в заблуждение: показать «эффект», которого нет, или наоборот — скрыть важный сигнал. А это уже риск для бизнеса: можно отключить рабочий канал или оставить слабый.

​​​​Как понять айтишников?

У вас когда нибудь бывало такое, что слушаете какого то программиста, и не понимаете на каком языке он говорит? У меня тоже.

Так вот, я создал словарик, который простыми словами объясняет сложный ИТ-сленг. Он поможет быстрее разобраться в терминах, упростит общение в команде и сделает обучение комфортнее.

📝Этот глоссарий — не просто шпаргалка, а способ побороть синдром самозванца и перестать чувствовать себя чужим в мире ИТ. Когда я только начинал, мне бы он сэкономил кучу нервов на созвонах, потому что даже в контексте задачи многое оставалось непонятным.

Переходите по ссылке, сохраняйте документ себе и изучайте новые слова 🔥

Классный способ визуализации, который открыл для себя недавно

Сегодня хочу поделиться мощным способом визуализации, который отлично подходит для анализа распределения непрерывной переменной (например, зарплаты) в зависимости сразу от двух категориальных признаков.

В чём суть ?
Берём два категориальных признака (в моём примере — IT-специализация и грейд) и для каждой их комбинации строим boxplot. Это позволяет одним взглядом оценить комплексное влияние двух факторов на целевую переменную.

Какие инсайты можно найти? 💡

Вот что я обнаружил на примере датасета с зарплатами в IT:
• Чёткий рост зарплаты от middle к senior почти во всех специализациях
• В сфере Research and Advanced ML джуны получают неожиданно много — часто больше, чем миддлы в других направлениях. Вероятно, сказывается высокий порог входа и нехватка сильных кадров
• Аномально высокие зарплаты у некоторых джунов (например, 300к у AI Developer) — возможно, это ошибки в данных или уникальные кейсы
• Самый перспективный карьерный рост (по разрыву в зарплате между грейдами) — в ML Engineering, Management и Data Engineering

Как это построить? 🛠

Вот пример кода на Python с seaborn:

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10, 8))
sns.boxplot(x='experience_level', y='salary_in_usd', hue='job_category', data=df, palette='Set2')
plt.title('Зависимость зарплаты от грейда и сферы деятельности', fontsize=15)
plt.xlabel('Грейд')
plt.ylabel('Заработная плата, $ в год')
plt.legend(title='Сфера деятельности')
plt.tight_layout()
plt.show()

Ссылка на датасет

Разбирем продуктовые метрики.

Начнем с ARPU/ARPPU

Определение:
ARPU - средний доход на юзера. Берем сумму продаж допустим за месяц, делим на активных юзеров этого месяца.
ARPPU - тоже самое что и ARPU, но делим на платящих юзеров.

Применение:
Очень часто используется в аб как контрольная метрика. И как любая денежная метрика говорит о "здоровье" продукта, и позволяет прикидывать сколько денег получаем/теряем в динамике. Ее оценивают как в прогнозах так и в презах для инвесторов.

пример расчета в SQL:

WITH revenue_per_user AS (
SELECT
user_id,
SUM(amount) AS revenue
FROM payments
WHERE pay_date BETWEEN '2025-04-01' AND '2025-04-30'
GROUP BY user_id
)
SELECT
ROUND(SUM(revenue)::NUMERIC / (SELECT COUNT(*) FROM users), 2) AS arpu,
ROUND(SUM(revenue)::NUMERIC / COUNT(user_id), 2) AS arppu
FROM revenue_per_user;

Подсветить:
ARPPU это не средний чек!
ARPPU = доход/платников
Сред. чек = доход/ кол-в чеков
ну мало ли кто не понял)

Upd:
Еще бы добавил одну штуку, что «удобность» этих метрик в том, что они составные и позволяют оценить совокупный эффект изменения конверсии и среднего чека (особенно арпу, например базово давая скидку насколько в конверсии в оплату перекрываем)