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

➡️ Разбираем возможности Cursor и не только на нашем курсе «ИИ для анализа данных» — присоединяйтесь!

Что делает дашборд действительно эффективным?

Привет, коллеги! С вами снова Евгений Буторин, ментор курса по визуализации данных 👋🏻

Эффективный дашборд — это инструмент, который помогает человеку понять ситуацию и принять действие быстрее, чем без него. Всё остальное вторично. Чтобы этого добиться, важно сочетать дизайн, аналитику и понимание контекста бизнеса.

Вот несколько принципов, которые я использую при построении дашбордов:

1️⃣ Начинайте с решения

Дашборд должен отвечать на конкретные вопросы: что происходит? Почему это происходит? Что нужно сделать? Если нет чёткого набора решений, которые пользователь должен принимать, дашборд превращается в бесполезный инструмент, которым не будут пользоваться.

2️⃣ Один экран — одна мысль

Каждый экран должен иметь одну главную идею, которую пользователь понимает за 5–7 секунд. Если приходится долго искать нужную информацию, то дашборд не выполняет свою функцию.

3️⃣ Минимум графиков, максимум смысла

Лучший дашборд — тот, где нет ни одного лишнего элемента. Чтобы добиться этого, уберите декоративные элементы, сетки и лишние подписи. Используйте простые типы графиков, такие как, линии, столбцы, KPI‑карточки. Избегайте круговых диаграмм, если можно заменить чем-то более читаемым.

4️⃣ Цвет — инструмент, а не украшение

Да, существует корпоративный стиль оформления, но всё-таки цвет должен помогать видеть нужное. Используйте цвет, чтобы выделять аномалии, показывать динамику и группировать данные.

5️⃣ Тестируйте свои дашборды на реальных пользователях

Самый частый провал — это дашборд, который нравится аналитикам, но не помогает бизнесу. Поэтому проверяйте, как пользователи читают ваш дашборд, на что обращают внимание, какие решения принимают, какие выводы делают и какие вопросы остаются без ответа.

6️⃣ Обновляемость и доверие

Потерять доверие очень просто, а вернуть практически невозможно. Поэтому пользователь должен быть уверен, что данные всегда актуальны, корректны и стабильны. Добавьте максимальную дату продажи или дату обновления в шапку и следите, что данные корректны и меры рассчитаны правильно. Чтобы избежать неточностей, фиксируйте прошлые периоды.

Придерживайтесь этих простых правил, и ваши дашборды будут помогать расти бизнесу и вам! И конечно, ставьте реакции, если было полезно 📈

📈 Симулейтив

Основы визуализации данных

Визуализация данных — это искусство превращения данных в понятные и наглядные образы. В эпоху больших данных, когда информация становится ключевым ресурсом, умение визуализировать данные является важным навыком для аналитиков, бизнесменов и исследователей.

В этой статье мы рассмотрим, как правильно визуализировать данные и какие инструменты использовать.

🟠 Читать статью: simulative.ru/blog/data-visualization

📈 Симулейтив

3 варианта ранжирования в Pandas: какой правильный?

Pandas — один из основных инструментов аналитика: с его помощью можно решить огромное количество аналитических задач + он сильно помогает в оптимизации рутинной работы. А ещё его большое преимущество — его вполне реально выучить всего за две недели.

Однако в Pandas есть много тонких моментов, и мы хотим поделиться как раз одним из них. Ниже мы будем описывать свои действия, а на картинке прикрепили таблицу.

✅ Допустим, у вас есть датафрейм Pandas с информацией о менеджерах и их продажах. Ваша задача — отранжировать продажи в рамках каждого менеджера от минимальной до максимальной.

Код для создания датафрейма:

import pandas as pd

df = pd.DataFrame({
    'manager': [1, 1, 2, 2, 2, 3, 4, 4, 4, 4, 4], 
    'sales': [100, 200, 300, 200, 100, 500, 700, 
              700, 700, 600, 800]
})

Сделаем это тремя способами и посмотрим на разницу:

➖ rank
➖ rank + dense
➖ cumcount

➡️ Способ 1: rank

df['rank1'] = (
    df
    .groupby('manager')['sales']
    .rank()
)

Самый простой способ — сделать это с помощью метода rank. И кажется, что всё нормально, но посмотрите на продажи четвёртого менеджера. Всем записям со значением 700 почему-то присвоен ранг 3.

Это связано с тем, что по умолчанию rank ставит средний ранг в группе — в данном случае среднее значение между (2, 3, 4).

Что ещё интересно — после 3 сразу идет 5, то есть ни 2, ни 4 у нас в этом наборе нет.

➡️ Способ 2: rank + dense

df['rank2'] = (
    df
    .groupby('manager')['sales']
    .rank(method='dense')
)

Есть способ немного «улучшить» ранжирование, сделав ранг «плотным». Это значит, что не будет разрывов, как в предыдущем случае.

Давайте снова посмотрим на 4 менеджера — теперь у него все значения 700 имеют ранг 2, а после него логично идёт ранг 3. Это уже сильно лучше!

➡️ Способ 3: cumcount

df['rank3'] = (
    df
    .sort_values(['manager', 'sales'])
    .groupby('manager')['sales']
    .cumcount() + 1
)

А что, если мы вообще не хотим повторять ранги, даже если значения совпадают? Тогда можно воспользоваться методом cumcount, который просто ранжирует значения по порядку, даже если они совпадают.

По сути, мы получаем аналог функции ROW_NUMBER в SQL, что также полезно в некоторых ситуациях.

Теперь вы сможете подбирать нужный вариант в зависимости от задачи. А на бесплатном курсе по Pandas мы разбираем все эти функции с нуля — присоединяйтесь, чтобы освоить нужную для аналитика библиотеку!

🟠 Зарегистрироваться на курс: simulative.ru/pandas

📈 Симулейтив

📈 Главный пост этого канала

Мы Симулейтив — образовательная платформа по обучению аналитиков и других специалистов в сфере данных. Наша фишка — обучение на кейсах из реального бизнеса и индивидуальный подход к студентам.

Несколько фактов о нас:
➡️ Учим не для экзаменов, а для реальных задач — наши студенты работают на уникальном симуляторе, отрабатывая практические кейсы из бизнеса.
➡️ Преподаватели-практики — эксперты в своей области, которые знают, что важно здесь и сейчас.
➡️ Карьера, а не просто сертификат — сопровождаем в процессе трудоустройства, помогаем лучшим найти работу или прокачать текущую.
➡️ Сообщество, а не просто курсы — мы не просто учим аналитике, а создаём среду, где каждый может развиваться и обмениваться опытом.
➡️ Лучшая оценка платформы (8,8) — по версии исследования одного из крупнейших сообществ аналитиков в России Left Join.
➡️ Школе всего 3 года, но нам доверились уже более 2 000 студентов. При этом средняя оценка материалов нашими студентами — 9,7.

🧑‍💻 Симулейтив — это ещё и комьюнити
Мы верим, что аналитика — это не удел любителей, а мощный инструмент для любого бизнеса. Поэтому мы регулярно делимся статьями, бесплатными полезными материалами и проводим открытые вебинары и стримы.

❤️ Наши лучшие материалы и посты:
➖ Ошибка фильтрации в SQL
➖ Шпаргалка по Pandas
➖ Проект выпускницы Симулейтив
➖ Типовая ошибка джунов: LEFT JOIN + WHERE
➖ Как быстро познакомиться с датасетом, прежде чем писать код

📌 Также у нас есть отдельный Telegram-канал для инженеров машинного обучения и дата-сайентистов — про то, как устроены настоящие ML/DL‑системы и какие навыки ценятся на рынке.

Наши основные программы:
✅ Аналитик данных — освоите всё, что необходимо аналитику данных: аналитическое мышление, Python, SQL, математику и статистику, А/В-тесты и визуализацию.
✅ Визуализация данных — научитесь делать красивые и полезные дашборды в Power BI, Superset и Metabase.
✅ Инженер данных — научитесь разрабатывать архитектуру данных, освоив весь необходимый стек дата-инженера.
✅ Инженер машинного обучения — научитесь создавать модели машинного обучения, строить рекомендательные системы и обучать нейронные сети.
✅ Аналитик полного цикла — станете универсальным специалистом, который в одиночку может выстроить аналитику любому бизнесу.

⭐️ В каждой программе есть VIP-опция, где мы сопровождаем студента в процессе трудоустройства с персональным треком обучения.

❗️ Записывайтесь на консультацию — расскажем о платформе, подберём программу под ваш запрос и ответим на все возникшие вопросы!

Вебинары этой недели 🍃

Поговорим про построение ETL/ELT-процессов и узнаем, как построить карьеру в аналитике 👨🏻‍💻

📌 10 марта, 19:00 МСК — Как инженеру данных проектировать хорошие ETL/ELT-процессы

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

➡️ Зарегистрироваться на вебинар

📌 11 марта, 19:00 МСК — SQL и карьера в аналитике: что происходит на рынке на самом деле?

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.

➡️ Зарегистрироваться на вебинар

Регистрируйтесь на вебинары и добавляйте к себе в календарь, чтобы не забыть!

📈 Симулейтив