❗️Как получить результат, не написав ни строчки кода ❓

Наткнулась на версию Chat GPT для аналитиков 👇

Называется Data Analyst
Уже по названию понятно, что этот чат настроен на решение аналитических задач.
В отличие от обычного ChatGPT он может выполнять код в реальном времени, анализировать таблицы, которые ему подкидывают и даже строить графики ☕️

Для примера скормила ему csv файл, найденный на просторах Kaggle и попросила сделать визуализацию по US.

Кроме графика ниже чат поделился кодом на python со всеми расчетами, в общем - супер лафа 🙂

Но есть минус - количество запросов в день ограничено без подписки ▶️ придется ждать следующий день 😭

Пример кода для визуализации, который выдал data analyst 👇

import matplotlib.pyplot as plt

# Отфильтруем данные по США
us_data = data[data['country'] == 'United States']

# Построим график для средней продолжительности жизни
plt.figure(figsize=(10, 6))
plt.plot(us_data['year'], us_data['life_expect'], marker='o', label='Средняя продолжительность жизни')

# Настройки графика
plt.title('Средняя продолжительность жизни в США (по годам)', fontsize=14)
plt.xlabel('Год', fontsize=12)
plt.ylabel('Средняя продолжительность жизни (лет)', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.legend(fontsize=12)
plt.show()

#аналитика_всего #ИИ

И график по средней продолжительности жизни в US по моему запросу 👆

Всех с наступающим Новым годом! 🎄

Желаю всем отдохнуть на выходных так, чтобы потом уже не хотелось 💪 и с полными силами врываться в аналитику в 2025!

Я тоже беру себе мини отпуск от тг канала, поэтому вернусь сюда к 10 января с новыми постами 👍

Первое правило курсов по аналитике - никому не рассказывай о своих SQL-скриптах 👇

Во время обучения на аналитика все проходят через решение большого количества SQL-запросов. В начале это простые select-ы с limit или с where, но под конец блока по SQL запросы становятся достаточно массивными.

По неопытности мне казалось, что это чуть ли не вершина успеха ⭐️, так как в одном запросе могли присутствовать и СТЕ и оконные функции.

Выглядит впечатляюще, думала я 🔜 самое время делиться моими супер скриптами с миром 🔜 кидаю это все безобразие в свой git-hub.

Так к концу курса мое портфолио дополнилось примерно десятком разнообразных проектов по SQL. Между собой они связаны не были, и каждый из них решал СУПЕР УЗКУЮ задачу.

В этом и была моя главная ошибка - я посчитала, что наличие этих небольших скриптов в моем портфолио - хороший шаг. Но проблема в том, что для бизнесовых задач эти скрипты - ВООБЩЕ ни о чем не говорят.

Да, на твой гит может заскочить аналитик, который принимает участие в твоем собеседовании и он по ним поймет - что ты умеешь делать, а что нет.

Вот только на рынке требования к SQL довольно похожи и такими работами с курсов никого не удивишь, ведь ты и так это должен уметь делать 🙃

Как итог - лучше потратить свое время на действительно хороший и продуманный пет проект, который не только укажет на наличие технической базы, но и отразит понимание реальных бизнесовых задач.

Ставь ⚡️ - расскажу какой пет-проект будет лучшим решением (с применением SQL)
Ставь 🔥 - расскажу про портфолио в GIT

#SQL #курсы

❓Почему старперский Excel еще требуют в вакансиях ❓

Не знаю, как у вас, но мои отношения с Excel до аналитики были на уровне знаний пары простых функций и построения графиков.

Я на полном серьезе не понимала - зачем он вообще нужен в работе, ведь почти с любой задачей можно спокойно справиться через SQL и Python.

И на первой же работе все мои непонимания столкнулись с суровой реальностью - как бы мне не нравился Excel и как бы сильно я от него не отмахивалась - он тупо БЫСТРЕЕ сделает конкретную задачу 🙃

Все таки смержить две таблички и найти значения за пару кликов мышки будет гораздо быстрее, чем написать даже небольшой скрипт в SQL.

Не будем рассматривать слабые стороны эксельчика, а именно его затупы при очень большом количестве данных. Эксель в этом не силен, так что с миллионными строками в него не суемся.

Мой личный ТОП-функционал, который я не брезгую делать в Excel (он же и единственный):

🟢 Использую ВПР-функции (их кстати часто требуют в вакансиях)
🟢 Делаю сводные таблицы

Делаем выводы - если часто видишь в вакансиях требования к Excel 🔜 стоит задуматься о том, чтобы подтянуть недостающие знания. Уровень сложности не высокий, а жизнь может упростить 🙂

#база

Я ни разу не создавала дашборды на работе ☕️

Во время обучения мне казалось, что построение дашбордов - это тот стек, который точно будет присутствовать в моей жизни. Да и в целом, визуализация в Tableau, Superset, Data lens и т.п. часто занимает отдельный блок на курсах по аналитике.

И уже на первой работе я благополучно этого не делала 🙂

Почему функционал отсутствует ❓

1️⃣ Не во всех компаниях используют дашборды. Вместо них - таблицы с метриками и конверсиями + единичные графики

2️⃣ Эта задача уже может висеть на другом сотруднике 🔜 тебе достанется что-то другое

Поэтому, если визуализация не твое - возрадуйся❗️ Точно можно найти вакансию без неё.
А если душа лежит к дашбодам - ищи вакансию, с требованиями этого стека.

#о_работе

Какой пет-проект будет лучшим решением для твоего портфолио❓

Возвращаясь к результатам мини-голосования тут, разбираем основные детали.

Какие цели будем преследовать в погоне за хорошим пет-проектом❓

🟢 Отражение существующих навыков
🟢 Решение конкретной задачи
🟢 Наличие результата (рабочий скрипт, выводы исследования)

Все эти пункты - must have, но есть еще один, который будет попадать в сердце нанимающей стороны:

🟢 Тема и направление проекта

Простыми словами:

Хочешь попасть в маркетинговую компанию 🔜 делай исследование по рекламе/ опросам

Интересен ритейл 🔜 тебе поможет анализ данных крупных магазинов, подсчет метрик по временным отрезкам, Retention

Мечтаешь работать с мобильными приложениями 🔜 считай конверсии, меры центральной тенденции по времени нахождения пользователя в приложении

Думаю, все уже догадались, что гораздо удобнее, когда нравится одно направление 🙂
В таком случае можно глубже погрузиться в конкретную тему.

Где берем данные ❓

В открытом доступе огромное количество датасетов. Надо только потратить время на поиск того, который подойдет больше других. Как пример - ищем на Kaggle, Github.

Какой проект подойдет всем ❓

Рассмотрим простой проект, для которого понадобится только SQL.
Для этого подбираем себе датасет с покупками. Оффлайн или онлайн - не важно, так как транзакции есть в любом бизнесе.

Что важно - так это длительность сбора данных. Идеально, если в датасете собраны данные за 3 месяца и больше.

Также обращаем внимание на то, чтобы id пользователей повторялись (чтобы были пользователи, которые совершили транзакцию более 1 раза).

Анализ проводим в любой удобной для себя программе. Для желающих использовать Dbeaver есть пост.

Цель проекта - посчитать Retention Rate по когортам. В качестве когорт будут выступать номера недель/месяцев, в которые пользователи совершили свою первую покупку.
Retention можно привязать как к посещениям магазина так и к доходу.

Для завершения делаем выводы и собираем таблицу с процентами (пример ниже 👇).

В результате - у нас выполнена классическая задача продуктового аналитика 🙂

Ставь 🔥 - если пост был полезен
Ставь ⚡️ - если остались вопросы (жду в комментариях)

#пет_проект #SQL

Без слез не взглянешь 🥲 ...

Подумала я, увидев новые иконки в Yandex Music 😠

С одной стороны смотришь и думаешь - ребята, наверное, провели хороший АБ-тест, проверили, что новый дизайн зайдет. Не может же быть что это все - просто прикол.

С другой - я сильно хочу это развидеть и вернуть старые добрые округлые иконки ❤️

🌟 Эффект сопротивления новому во всей красе 🌟

Новые фичи могут принести не только удовольствие от использования продукта, но и полное отторжение.
Причем эффект не обязательно будет окончательный. Метрики могут вернуться к своим старым позициям. Когда ни будь все свыкнутся с этими ужасными изменениями и продолжат пользоваться приложением как ни в чем не бывало.

Кстати ❗️отсутствие подобного эффекта на этапе тестирования может быть связан с тем, что АБ-тест проводится на новых пользователях. Это же, в свою очередь, делается, чтобы минимизировать влияние посторонних факторов на результат.

Как вывод - если ты давно пользуешься приложением, но изменения в нем тебе категорически не нравятся - то, скорее всего, положительный эффект ждут от совершенно другой группы людей 🙂

#аналитика_всего

Сложность задач на работе 💻

Могу сказать сразу - по своим задачам я не чувствую "сложность" в обычном понимании, но часто сталкиваюсь с тем, что сам процесс требует больше времени и сил, чем ожидается.

🟡В работу могут кинуть несложный таск, для которого я буду использовать старые скрипты по аналогичным задачам. Например посчитать результаты сплит-теста.

🟡Ещё один вариант - это несложная задача, которая внезапно становится сложной/ долгой по ряду зависимых и независимых от меня причин 🤪 Старый пост с такой ситуацией

Обычно на простые задачи можно потратить от 30 минут до половины рабочего дня (многое зависит от компании, тут ориентируюсь на свой опыт).

🟡Ну и кроме небольших тасков аналитика могут напрячь длительным исследовательским проектом. На мой взгляд - это самое интересное в работе, так как ты сам решаешь - куда копать.

На предыдущем месте работы я вполне быстро справлялась с большинством задач. Там был довольно большой объем простых фильтраций данных, подсчет метрик, формирование еженедельной/ ежемесячной отчетности. Плюсом шло не очень большое количество таблиц в базе данных ❗️
Наличие четкой системы работы и ограниченность данных сильно упрощает жизнь.

Сейчас на задачи я трачу гораздо больше времени из-за того, что работа завязана на событиях аналитики (а это почти каждый шаг пользователя в приложении).

Количество данных больше в разы 🔜 таблиц, соответственно, тоже.
В первые месяцы с таким тяжело разобраться, так как нужно помнить все и сразу (но к такому относятся с пониманием).

Закончу тем, что обычно вам не дают задачу, которую вы не можете осилить.
Ваши навыки и умение писать код уже известны тим-лиду после собеседования или испытательного.
Поэтому, если вы пришли джуном, то можно спокойно ожидать простых задач.

Ждите продолжение про взаимодействие с командой на следующей неделе 🙂

#о_работе

Как аналитик взаимодействует с командой ❓

В продолжении предыдущего поста рассказываю о буднях аналитика 👇

Универсальный ответ на поставленный вопрос найти не так просто, так как каждая компания вправе наполнять команды и раздавать полномочия по своему усмотрению.

В секрете эту информацию не держат, так что ответ можно получить и на собеседовании еще до официальной работы (иногда даже в вакансии на hh).

Для разнообразия посмотрим на всех тех, от кого может прилететь задачка:

🟡 Team-lead/ главный аналитик
Он в курсе всех дел, но часто - только в общих чертах. Тим-лид распределяет задачи между аналитиками и является связующим звеном между руководством и своей командой.
💬 Любые задачи по необходимости

🟡 Продуктовые менеджеры (PM)
Продуктовые менеджеры отвечают за развитие сервиса или приложения. Они хотят понимать, как пользователи ведут себя в продукте: что работает хорошо, а что — нет. Поэтому часто обращаются к аналитику с вопросами про воронку, вовлечение и конверсию.
💬 «Как влияет новый onboarding на конверсию? Стоит ли его дорабатывать?»

🟡 Маркетинг
Маркетологи запускают рекламу и хотят понимать, какие каналы приводят новых пользователей и сколько это стоит. Если реклама неэффективна, её нужно отключать или оптимизировать.
💬 «Мы потратили 100 тысяч на рекламу в Instagram. Сколько пользователей пришло? Окупились ли эти вложения?»

🟡 Разработчики
Программисты создают новые фичи и следят за работоспособностью приложения. Если после обновления что-то пошло не так, аналитик помогает проверить, действительно ли проблема есть.
💬 «Мы выпустили новую версию, и пользователи стали реже заходить в приложение. Это связано с багами или просто совпадение?»

Вывод: Чем больше задач - тем чаще тебя могут тревожить и нагружать 🔜 больше коммуникаций.
Но, всему есть предел, 5 параллельных задач никто на одного аналитика не повесит 🙃

Ставь 🔥 - если пост был полезен
Ставь ⚡️ - если остались вопросы (жду в комментариях)

#о_работе

Иди на стажировку❗️

На этой неделе написала пост на VC по стажировкам, на которые можно податься прямо ⚡️СЕЙЧАС⚡️

Опыт работы не требуют, но определенные технические скиллы нужны.

Три стажировки подойдут продуктовым аналитикам/ аналитикам данных.
Одна - для системного аналитика, и еще одна - для дата-аналитика.

Советую пробовать свои силы (как минимум - для реальной оценки навыков)

Пост читай тут

#стажировки

Для успешной работы помогают простые советские …

Ладно, не буду томить, хочу рассказать про топ-3 софт-скила (на мой взгляд), которые точно пригодятся в работе

Укажу в своем порядке важности 👇

🔘 Критическое мышление

Если результаты получаются немного странными, а ты уже начал в них сомневаться - ты на верном пути. Лучше перепроверить то, в чем ты сомневаешься, чем оставить как есть.
И не бойся задавать глупые вопросы - это может сэкономить кучу времени, и твоего и чужого.

🔘 Тайм-менеджмент

Качественное распределение своего времени и задач - отличный навык.
Обычно от джунов это не сильно требуют, так как задачи поступают в небольшом количестве и под присмотром старших коллег.
Но в будущем - пригодится всем 100 %

🔘 Умение доносить информацию

Графики должны быть подписаны, метрики должны быть названы понятно не только для себя любимого.
Помним, что все задачи мы делаем для кого-то и этот кто-то может вообще не въезжать - что имел в виду аналитик, подписав метрику - user_cnt_p_m
Сюда же можно отнести презентацию выводов по задаче.

Главное не забывать, что аналитик живет не только хардами, есть еще и софтовый мир вокруг 🙃

#стек

Наткнулась на статью от проджект-менеджера по оптимизации своего профиля на LinkedIn.

Это, конечно, не АБ-тест, но вполне неплохое исследование рынка.
Выглядит как очень грамотный подход к улучшению своей воронки по собеседованиям❗️

Советую к прочтению всем, кто пробует силы не только на Hh, но и на других платформах.

🔜 Ссылка на статью

#резюме #аналитика_всего

Когда ПМ просит добавить еще одну метрику в анализ, а ты еще не приступал к написанию скрипта 👇