И ещё один вопрос от Натальи:

Наталья, добрый день! Существуют ли в российском найме какие-то общепринятые фреймворки или скор-карты, по которым происходит оценка кандидата на позицию аналитика данных? Интересует по таким аспектам, как аналитическое мышление, продуктовый майндсет, коммуникация со стейкхолдерами и т. д. (кроме хардов и фреймворков типа STAR для презентации своих рабочих кейсов, про это уже многие и так знают). Проще говоря, как вы понимаете, например, что кандидат демонстрирует достаточный уровень в аналитическом мышлении, как вы это оцениваете, на что смотрите и т. д.? Готовы ли вы поделиться с нами такой информацией?)))

Добрый день! Какой глубокий вопрос)

Начнём с того, что в найме, конечно, существуют обоснованные и разработанные критерии оценки кандидата. Другой вопрос, что здесь трудно говорить об универсальности — скорее, каждая компания разрабатывает собственные маркеры, на которые будет обращать внимание специалист при собеседовании (конечно, если это консалтинг, фреймворки будут похожими для разных компаний). Как и во многом, в случае с оценкой аналитики тренды задает крупный бигтех, у которого система отбора часто построена наиболее хорошо.

Давайте попробуем разобраться, на что обращает внимание HR и как это оценивает.

1️⃣ Во-первых, я всегда говорю, что собеседование стартует ещё до начала звонка в зуме. Смотрят на ваши «софты» буквально с первых минут знакомства — грамотная речь, умение вести диалог, пунктуальность и умение организовать себе пространство для спокойного разговора.

2️⃣ Во-вторых, сейчас стараются уходить от прямых вопросов вроде «Насколько вы стрессоустойчивы?». Скорее вас попросят привести конкретный пример ситуации, где вам в кратчайшие сроки нужно было решить сложную проблему. А ещё очень любят давать прикладные кейсы, где проверяется сразу несколько пунктов того самого списка важных качеств (и тут важно не только грамотно ответить, но уметь выстроить диалог с HR-специалистом, задать, если нужно, ему собственные уточняющие вопросы).

3️⃣ В-третьих, если говорить про аналитику, тут обращают внимание на критическое/аналитическое мышление — как вы подходите к решению вопроса, насколько умеете валидировать данные и оценивать их качество, как проверяете источники и держите ли связь с реальностью.

Не менее важно умение включать продуктовый подход и видеть за цифрами пользователей (юнит-экономика, взаимосвязь метрик, удобство). Часто проверяют навыки коммуникации со стейкхолдерами, тут применяются вопросы типа «Как вы объясняете технические термины и проблемы нетехническому специалисту?»

Что ещё очень важно: даже если вам задают обычный на первый взгляд вопрос о вашем опыте и рабочей рутине, всегда лучше самостоятельно приводить конкретные примеры — так вы показываете не только понимание рынка и эффективности своей прошлой роли, но и нацеленность на решение конкретных задач и умение понимать бизнес-логику. Эйчары очень любят примеры и цифры, цифры и примеры (конечно, релевантные, а не про перевод бабушки через дорогу).

Ну, и конечно, необходимо при ответе забыть про «мы сделали, мы посчитали, мы получили результат». Работа в команде — тоже важный навык, но первостепенно услышать профит, который вы давали как специалист на своей конкретной роли.

Итого: приходим в хорошем настроении, помним, что даже самый приятный HR на протяжении всего собеседования вас оценивает, приводим много примеров, легко и играючи вовлекаем рекрутера в диалог, используем Я-формулировки, много рассуждаем.

Для тренировки: сформулируйте для себя подробный, с примерами ответ на вопрос «Что важнее: скорость или точность анализа данных?»

И на этом мы завершаем нашу Q&A-сессию!

Ещё раз спасибо, друзья, за интересные и полезные вопросы! Как видите, у каждого свой карьерный путь, и не всегда получается вникнуть в ситуацию каждого. Но надеемся, этот Q&A был вам полезен 😊

Пишите в комментариях, если хотите ещё подобных разборов ♾

И напоследок напомним: Наталья Рожкова на связи на всех курсах Simulative, где в зависимости от тарифа она поможет вам выстроить карьерный трек и сопроводить в процессе трудоустройства 🧡

➡️ Присоединяйтесь к нам и меняйте свою жизнь к лучшему: simulative.ru

📊 Simulative

Напоминаем: скоро решаем задачи по SQL и готовимся к сентябрю

Через 2 часа вместе с ментором курса «Аналитик данных» Евгением Буториным порешаем реальные бизнес-задачи и расскажем, как найти работу уже к сентябрю.

➡️ Регистрация

📊 Simulative

Разбор тестового задания на аналитика данных

Новое видео на канале! Вместе с Марией Жаровой, ментором курса «ML-инженер», разберём реальное тестовое задание на позицию аналитика данных. Компания занимается геоаналитикой — помогает выбирать лучшее место под магазин и оказывает консалтинговые услуги для девелоперов и ТЦ.

Смотрите там, где удобно:
📱 YouTube
📱 VK Видео

📈 Симулейтив

Почему аналитика данных — одна из самых перспективных сфер?

Привет, будущие аналитики! С вами Евгений Буторин, ментор курса «Аналитик данных» 👋🏻

Если в 2024 году аналитика уже была «горячей» профессией, то к 2026‑му спрос вырос ещё сильнее. Да, в 2025 году компании снижали расходы, в том числе и на сотрудников, но глобально количество данных постоянно растёт, и количество специалистов для анализа этих данных требуется всё больше.

По данным исследования vc.ru, рынок Big Data растёт на 25–35% ежегодно и этот тренд будет продолжаться. Это означает, что компаний, работающих с данными, становится больше, а значит растёт и потребность в аналитиках. Компании больше не хотят тратить деньги на решения «по наитию». Они хотят принимать решения, основанные на фактах.

Не верите? Просто взгляните на цифры:
🟠 На HH.ru в декабре 2025 — январе 2026 года была 13 681 активная вакансия аналитика данных.
🟠 По данным Finder, в феврале текущего года в России открыто 7 099 вакансий аналитиков разных направлений.
🟠 По данным ГородРабот.ру, на текущий момент 144 741 вакансий, связанных с аналитикой данных. Это включает широкий спектр ролей: Data Analyst, продуктовый‑аналитик, CRM-аналитик и другие.

Даже если учитывать пересечения между площадками, цифры показывают одно: рынок огромный.

Касаемо зарплат аналитиков в 2026 году я нашел следующие вилки:
➖ Junior: 60 000 – 120 000 ₽;
➖ Middle: 120 000 – 200 000 ₽;
➖ Senior: 200 000 – 350 000 ₽;
➖ Lead / Head: 300 000 – 600 000 ₽.

Требования для аналитиков разных уровней, конечно, тоже отличаются:

1️⃣ Junior Data Analyst: SQL, Excel, базовый Python (опционально), BI (опционально).
2️⃣ Middle: A/B‑тесты, продвинутый SQL, автоматизация, продуктовые метрики.
3️⃣ Senior: архитектура данных, сложные модели, управление аналитикой.

Почему именно сейчас стоит рассмотреть смену деятельности? Отдельные профессии угасают, а другие, среди которых аналитика, выходят на первый план. Как видите, вакансий много, рынок растёт, и зарплаты выше среднего по IT на старте. При этом карьерный рост быстрый и предсказуемый.

Так что рекомендую попробовать аналитику — и конечно, на курсе «Аналитик данных», который пройдёт под моим менторством. Я помогу не только освоить необходимые навыки, но и посоветовать, куда двигаться и как оформить свои достижения для дальнейшего трудоустройства!

😶 Записывайтесь на обучение: simulative.ru/data-analyst

📈 Симулейтив

Привет, аналитики! С вами Евгений Буторин, ментор курса «Аналитик данных» 👋🏻

Время порешать задачи!

Мы проводим A/B-тест внутри мобильного приложения. Аудитория: 500 000 уникальных пользователей, которым баннер показывается хотя бы 1 раз за тест (равномерно распределены между группами A и B). Тест длится 14 дней, показы происходят на главном экране, в разделе «Продукты» и в персональных предложениях.

Баннер А:
➖ Показов: 500 000
➖ CTR (доля кликов от просмотров): 2,1%
➖ Конверсия из клика в подачу заявки: 9,8%
➖ Процент одобрения заявки: 62%
➖ Доля одобренных заявок: 71%
➖ Доля активных клиентов с продуктом: 56%

Баннер Б:
➖ Показов: 500 000
➖ CTR: 4,7%
➖ Конверсия из клика в подачу заявки: 5,2%
➖ Процент одобрения заявки: 58%
➖ Доля одобренных заявок: 22%
➖ Доля активных клиентов с продуктом: 50%

Вопросы для расчёта и сравнения:
1️⃣ Сколько кликов и поданных заявок принёс каждый баннер?
2️⃣ Сколько карт примерно одобрено по каждому варианту?
3️⃣ Если компания хочет увеличить количество активных клиентов, какой баннер лучше?

Пишите ответы в комментариях — завтра дам своё решение 👇🏻

📈 Симулейтив

🧠 Задайте вопрос специалисту по ИИ

Продолжаем сессию вопросов и ответов! Своей экспертизой и советом готова помочь автор курса «ИИ для анализа данных» Марина Ермак 👋🏻

Она прошла путь от стажёра-аналитика и с нуля выстроила процессы между аналитикой, разработкой и бизнесом. Внедряла нейросетевые решения в HR‑процессы, выступала на конференциях HR API и Skolkovo Startup Village, публиковалась на Хабре. Ведёт тренинги по системному и критическому мышлению.

Если у вас есть вопросы по использованию нейросетей и в целом ИИ в работе аналитика, пишите их в форму ниже! Марина выберет самые интересные вопросы и разберёт их здесь, в канале @simulative_official.

Не упустите шанс получить совет от топового эксперта!

✍️ Задать вопрос: https://forms.gle/johX3sEiTt7SwFcn9

📈 Симулейтив

Всем привет! Вчера вы решали задачу по аналитике баннеров — попробуйте вначале решить сами. Под спойлером решение:

Баннер А
➖ Показы: 500 000
➖ CTR = 2,1% → кликов = 500 000 × 0,021 = 10 500
➖ Конверсия в заявку = 9,8% → подано заявок = 10 500 × 0,098 = 1 029
➖ Одобрено = 1 029 × 62% ≈ 638
➖ Выдано = 638 х 71% = 453
➖ Активные клиенты с продуктом = 453 × 56% ≈ 254

Баннер Б
➖ Показы: 500 000
➖ CTR = 4,7% → кликов = 500 000 × 0,047 = 23 500
➖ Конверсия в заявку = 5,2% → подано заявок = 23 500 × 0,052 = 1 222
➖ Одобрено = 1 222 × 58% = 709
➖ Выдано = 709 х 22% = 156
➖ Активные клиенты с продуктом = 156 × 50% = 78

Ответы на вопросы:

1. Сколько кликов и заявок принёс каждый баннер?
Баннер А: 10 500 кликов → 1 029 заявок
Баннер Б: 23 500 кликов → 1 222 заявки

2. Сколько продаж одобрено по каждому варианту?
Баннер А: 453 продажи
Баннер Б: 156 продаж

3. Если компания хочет увеличить количество активных клиентов, какой баннер лучше?
Разница очень большая: 254 активных против 78. Баннер А даёт значительно больше активных клиентов.

📈 Симулейтив

Вебинар: как инженеру данных проектировать хорошие ETL/ELT-процессы

ETL/ELT-процессы (они же пайплайны) — основа любой дата-инженерной системы. Именно пайплайны собирают и превращают сырые данные в структурированную информацию, на которую опираются аналитики и бизнес. Но как спроектировать процесс правильно, чтобы данные поставлялись стабильно, а пайплайны не ломались при каждом изменении на стороне источника?

На вебинаре c Георгием Семеновым разберём ключевые подходы к построению пайплайнов, поговорим о важных инженерных деталях и покажем, из чего складываются надёжные дата-процессы в крупных компаниях.

❗️ Встречаемся 10 марта в 19:00 МСК

💬 Подключайтесь к эфиру, чтобы задать Георгию вопросы про архитектуру данных и тонкости построения стабильных пайплайнов!

➡️ Зарегистрироваться на вебинар

📈 Симулейтив

Зачем аналитикам может пригодиться DL?

Привет! На связи Евгения Анкудинова, дата-сайентист в Avito и ментор курса «DL-инженер» 👋🏻

Многие думают, что deep learning стоит изучать, только если вы собираетесь полностью поменять карьерный трек и перейти в DL-инженеры. На самом деле, это далеко не всегда так, и знания, полученные при изучении DL, могут пригодиться в различных профессиях, например, в аналитике. Посмотрим на причины внимательнее 🙂

✅ Работа аналитика напрямую связана с данными и с количеством доступных признаков, по которым можно делать те или иные выводы. DL здесь может выступать одним из инструментов, расширяющих спектр доступной информации. Например, вам необходимо проанализировать, как часто пользователи запрашивают информацию о каком-то типе товаров. В качестве базового метода подойдут регулярные выражения, но нейронные сети работают со смыслом текста и не требуют ручного подбора ключевых слов, что позволяет избежать временных затрат самого аналитика.

✅ Другой важный аспект работы как аналитиков, так и в принципе сотрудников крупных компаний — коммуникация с коллегами. Для успешной коммуникации с соседними командами необходимо хотя бы в общих словах понимать, чем они занимаются. К тому же, часто аналитики работают в связке с DL- и ML-инженерами, и в задачах, связанных с анализом обученной модели, необходимо понимать, что именно внутри этой модели происходит. Сейчас даже активно появляются вакансии вокруг LLM, например, в командах, разрабатывающих метрики оценки работоспособности моделей.

✅ Третий важный пункт, который стоит подсветить, — развитие карьеры. При переходе на достаточно высокий грейд вы, как аналитик, можете столкнуться с тем, что для дальнейшего роста от вас просят обладать какими-то специфическими, отличающими вас от других коллег навыками. Одним из таких навыков может стать deep learning.

На нашем курсе по DL вы сможете познакомиться со всеми базовыми и продвинутыми моделями, которые расширят ваш багаж знаний как аналитика и позволят вам выгодно выделяться на фоне остальных кандидатов.

🔸 Записаться на курс: simulative.ru/dl-engineer

📈 Симулейтив

3 фишки Power BI, о которых вы ещё не знаете

Привет, коллеги! С вами снова Евгений Буторин, ментор курса «BI-аналитик» 👋🏻

В Power BI есть вещи, которые реально улучшают отчёты, но о них молчат в туториалах для новичков. Забирайте 3 рабочих приёма по настройке взаимодействий, формулам и оптимизации:

1️⃣ Edit Interactions — жёсткий контроль логики связей в отчёте

Новички часто не знают, что визуалы, как и фильтры, можно «развязать». По умолчанию каждый график фильтрует остальные, и иногда это ломает смысл отчёта.

Чтобы это исправить, зайдите в Format и кликните Edit interactions. Можно отключить фильтрацию, оставить только подсветку или полностью убрать влияние.

Например, график по регионам не должен менять глобальный KPI сверху. Вы отключили влияние, и отчёт стал логичнее — снизился риск принятия неверного решения.

2️⃣ HASONEVALUE — корректные итоги

Представьте себе ситуацию, что нам нужно, чтобы данные по месяцам были не уникальные, а в «Итого» уникальные. Как этого добиться?

Нам на помощь приходит функция HASONEVALUE, которая пишется следующим образом:

Measure := IF(HASONEVALUE(‘table’[product]), distinctcount(client_id), count(client_id))

Функция HASONEVALUE() помогает проверить, выбран ли один элемент.

3️⃣ Performance Analyzer — ищем, что реально тормозит

Когда отчёт начинает грузиться долго, новички винят DAX. Но часто проблема не в долгой работе самого DAX’a, а в слишком большом количестве визуалов, детализированных таблицах, тяжёлых фильтрах или неоптимальных мерах.

Чтобы узнать причину, зайдите в раздел View и кликните на Performance Analyzer. Он показывает, сколько времени выполняется запрос и какой визуал самый медленный.

После этого вы сможете целенаправленно решить проблему медленной работы и оптимизировать дашборд.

Ставьте 🔥, если было полезно и хотите продолжение!

📈 Симулейтив

SQL и карьера в аналитике: что происходит на рынке на самом деле?

SQL был и остаётся главным инструментом аналитика данных. Но достаточно ли просто уметь писать запросы, чтобы построить успешную карьеру? И какие требования к аналитикам сейчас предъявляют компании?

На вебинаре c Евгением Буториным разберёмся, как знание SQL помогает решать реальные бизнес-задачи и почему это база, на которую смотрят работодатели в первую очередь. Поговорим о текущей ситуации на рынке труда в аналитике: что изменилось, какие навыки нужны сейчас и где искать возможности для роста.

➡️ Регистрируйтесь на вебинар

Что обсудим на вебинаре:
➖ Что такое SQL и почему без него аналитику данных не обойтись;
➖ Чем SQL помогает бизнесу — решим реальные задачи из практики;
➖ Какой набор навыков нужен аналитику сегодня (по версии эксперта из Альфа Банка);
➖ Что изменилось на рынке и как выстроить карьерный путь от джуна до руководителя.

❗️ Встречаемся 11 марта в 19:00 МСК

💬 Подключайтесь к эфиру, чтобы не только прокачать навыки, но и задать Евгению вопросы про карьеру, найм и реальную работу в аналитике!

➡️ Регистрируйтесь на вебинар

📈 Симулейтив