Вопрос от Сергея:
Здравствуйте, Андрон.
Вопрос кратко: как именно ваш курс «Аналитик данных» поможет выстроить аналитику для МИКРОкомпаний?
Если подробно, причины вопроса вот в чём.
По роду занятий я имею дело с владельцами микробизнеса (ИП, ООО численностью в основном 2-3 человека) — это наши клиенты.
Виды деятельности: в основном мелкая розничная торговля, бытовые услуги, реже грузоперевозки, очень редко мелкое производство.
Я хочу научиться делать аналитику для своих клиентов и предлагать ее в качестве доп. услуги.
У наших клиентов нет веб-сайтов , CRM-систем и т.п. Есть только данные о фхд в 1С и может быть какие-то личные записи.
И я не понимаю, как делать аналитику для них и не понимаю, нужна ли она им вообще.
Прямой разговор с клиентами не дает результата — я не могу внятно объяснить потенциальную пользу аналитики, клиенты не понимают, о чём вообще речь.
Возможно, нашим клиентам действительно интересно отслеживать только лишь какие-то финансовые показатели, которые уже имеют место быть в 1С.
В ходе поисков подходящего обучения стал вашим подписчиком. Пока что наблюдаю за школой со стороны — мне нравится, но предполагаю, что обучение направлено на подготовку аналитиков для средних и крупных компаний, с развернутой ИТ-инфраструктурой, непрерывными маркетинговыми исследованиями, с конверсиями, LTV, DAU/WAU/MAU и т. п.
И если рассматривать вложение в обучение на вашем курсе, то также не могу понять, что я получу на выходе в плане пользы построения аналитики для наших клиентов-микробизнесов.
Но точно могу сказать, что этим бизнесам, испытывающим сейчас и без того серьезную фискальную и административную нагрузку, не нужны доп. расходы в виде развернутых СУБД-серверов, BI-систем и т. п.
Ещё могу сказать, что технические навыки (SQL, Python, BI) преподаваемые в школе (при всём уважении) не являются для меня самоцелью, т. к. могу получить их самостоятельно или в другом месте. Также мне не нужно трудоустройство после курса.
Самое главное, что мне нужно понять: подойдет ли курс «Аналитик данных» для микробизнесов наподобие описанных выше и почему? В каком объёме (целиком или может это будут отдельные блоки), или не подойдет вообще? Нужна профессиональная и правдивая информация для принятия решения.
Дайте, пожалуйста, свое видение.
❤1
Друзья, спасибо за ваши вопросы! Надеемся, ответы были вам полезны 🧡
Напомним, какие курсы упоминал Андрон, и ждём вас в числе наших студентов:
🟠 Курс «Аналитик данных»: simulative.ru/data-analyst
🟠 Курс «Fullstack-аналитик»: simulative.ru/fullstack-analyst
Остаёмся на связи!
Напомним, какие курсы упоминал Андрон, и ждём вас в числе наших студентов:
Остаёмся на связи!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🔥3👍1
Симулейтив
Практика: прокачиваем SQL на реальных задачах Приготовили для вас новый формат эфиров! На практическом стриме с Евгением Буториным, ментором курса «Аналитик данных» и руководителем CRM-аналитики в Альфа Банке, разберём четыре реальные задачи, которые часто…
Евгений Буторин подготовил четыре реальные задачи аналитика, которые мы будем решать на стриме. Вы увидите живые примеры кода и подходы к оптимизации сложных запросов.
Напоминаем, что это новый формат, и будем рады обратной связи!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤3👍2
Старты обучения в мае 🪴
Уже готовы к майским праздникам? Не забудьте запланировать обучение — а мы подскажем, когда завершаем наборы. Смотрите календарь⬆️
8 мая
🌿 Аналитик данных
Ментор курса: Александр Грудинин, Lead Data Analyst в AdTech Holding
🌿 BI-аналитик
Ментор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
15 мая
🌿 Инженер данных
Ментор курса: Валерия Елпатьевская, инженер данных в Альфа-Банке
🌿 Временные ряды
Автор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
18 мая
🌿 Fullstack-аналитик
Ментор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
22 мая
🌿 Дата-сайентист
Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries
🌿 ML-инженер
Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries
🌿 DL-инженер
Ментор курса: Евгения Анкудинова, дата-сайентист в Avito
25 мая
🌿 A/B-тестирование
Автор курса: Аслан Байрамкулов, руководитель направления алгоритмических продуктов в ЦУМ
29 мая
🌿 Аналитик данных
Ментор курса: Александр Грудинин, Lead Data Analyst в AdTech Holding
Ждём вас на наших курсах!
📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS
Уже готовы к майским праздникам? Не забудьте запланировать обучение — а мы подскажем, когда завершаем наборы. Смотрите календарь
Напоминаем, что все наши курсы (включая те, что выйдут в течение года с момента покупки) доступны по подписке с выгодой до 70%!
8 мая
🌿 Аналитик данных
Ментор курса: Александр Грудинин, Lead Data Analyst в AdTech Holding
🌿 BI-аналитик
Ментор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
15 мая
🌿 Инженер данных
Ментор курса: Валерия Елпатьевская, инженер данных в Альфа-Банке
🌿 Временные ряды
Автор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
18 мая
🌿 Fullstack-аналитик
Ментор курса: Павел Беляев, тимлид аналитиков данных в Яндекс eLama
22 мая
🌿 Дата-сайентист
Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries
🌿 ML-инженер
Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries
🌿 DL-инженер
Ментор курса: Евгения Анкудинова, дата-сайентист в Avito
25 мая
🌿 A/B-тестирование
Автор курса: Аслан Байрамкулов, руководитель направления алгоритмических продуктов в ЦУМ
29 мая
🌿 Аналитик данных
Ментор курса: Александр Грудинин, Lead Data Analyst в AdTech Holding
Ждём вас на наших курсах!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2🔥2👍1
Всем привет! На связи Мария Жарова, ментор курсов «ML-инженер» и «Дата-сайентист» 👋🏻
В одной небезызвестной соцсети с картинками собираю задачи с собеседований, которые хорошо прокачивают аналитическое мышление. Даже если они вам не попадутся, полезно потренироваться 😁
Небольшую подборку собрала тут. А ещё больше задач ищите по нику simulative_official❤️
📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS
В одной небезызвестной соцсети с картинками собираю задачи с собеседований, которые хорошо прокачивают аналитическое мышление. Даже если они вам не попадутся, полезно потренироваться 😁
Небольшую подборку собрала тут. А ещё больше задач ищите по нику simulative_official
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7🔥4👍1
Два вебинара с Павлом Беляевым на этой неделе!
Тимлид дата-аналитиков в Яндекс eLama будет разбирать тестовое задание и решать задачи по прогнозированию в прямом эфире. Присоединяйтесь❤️
Регистрируйтесь и добавляйте события к себе в календарь, чтобы не забыть!
📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS
Тимлид дата-аналитиков в Яндекс eLama будет разбирать тестовое задание и решать задачи по прогнозированию в прямом эфире. Присоединяйтесь
⭐️ 5 мая, 19:00 МСК — «Разбираем тестовое на аналитика данных в Lamoda»
На вебинаре решим реальное тестовое аналитика: разберём структуру заказов и позиций, посчитаем нужные метрики и увидим, как к таким задачам подходит практикующий аналитик.➡️ Зарегистрироваться
⭐️ 7 мая, 19:00 МСК — «Решаем задачи по временным рядам»
Покажем, как строить прогнозы на реальных данных, объясним, зачем это нужно бизнесу, и напишем рабочий код прямо на стриме.➡️ Зарегистрироваться
Регистрируйтесь и добавляйте события к себе в календарь, чтобы не забыть!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4 3❤2
Как выявить выбросы в данных?
Всем привет, я Павел Беляев, ведущий канала Тимлидское об аналитике и автор нового курса Симулейтив «Временные ряды» 👋🏻
Одна из самых «популярных» проблем аналитика — выбросы в данных.
Выброс — это значение, которое сильно отличается от остальных. Датчик глюкнул, данные съехали при выгрузке, случилось что-то аномальное. Если не поймать баг, статистика будет искажена, модель будет учиться на мусоре, и в отчёты попадёт ложь. Поэтому выбросы следует постоянно детектировать — или разово перед началом анализа, если это единичное исследование.
Привожу три распространённых способа выявления выбросов:
➖ Ящик с усами (Box Plot)
Визуальный метод. Строите график — и сразу видите точки, которые торчат за «усами». Никакой математики руками, просто смотрите глазами. Хорош для быстрого первичного осмотра данных.
Минус: показывает, где выброс, но не говорит, сколько их, и не автоматизируется легко.
➖ Межквартильный размах (IQR)
Математическая основа того же ящика. Считаем разницу между 75-м и 25-м перцентилем (Q1 и Q3) — это и есть IQR. Всё, что выходит за границы Q1−1.5×IQR и Q3+1.5×IQR — выброс.
Плюс: не зависит от формы распределения, устойчив к самим выбросам. Работает даже на кривых данных.
➖ Z-score
Считаем, на сколько стандартных отклонений точка далека от среднего. Это число обозначается как |z|. Обычно если |z| > 3 — подозрительно, возможно выброс.
Минус: предполагает нормальное распределение. Если данные скошены, метод будет ошибаться. К тому же сами среднее и сигма чувствительны к выбросам.
Все эти методы очистки мы рассмотрим в новом курсе «Временные ряды» — с кодом и подробными пояснениями.
🛎️ Записывайтесь, скоро стартуем: simulative.ru/time-series
📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS
Всем привет, я Павел Беляев, ведущий канала Тимлидское об аналитике и автор нового курса Симулейтив «Временные ряды» 👋🏻
Одна из самых «популярных» проблем аналитика — выбросы в данных.
Выброс — это значение, которое сильно отличается от остальных. Датчик глюкнул, данные съехали при выгрузке, случилось что-то аномальное. Если не поймать баг, статистика будет искажена, модель будет учиться на мусоре, и в отчёты попадёт ложь. Поэтому выбросы следует постоянно детектировать — или разово перед началом анализа, если это единичное исследование.
Привожу три распространённых способа выявления выбросов:
Визуальный метод. Строите график — и сразу видите точки, которые торчат за «усами». Никакой математики руками, просто смотрите глазами. Хорош для быстрого первичного осмотра данных.
Минус: показывает, где выброс, но не говорит, сколько их, и не автоматизируется легко.
Математическая основа того же ящика. Считаем разницу между 75-м и 25-м перцентилем (Q1 и Q3) — это и есть IQR. Всё, что выходит за границы Q1−1.5×IQR и Q3+1.5×IQR — выброс.
Плюс: не зависит от формы распределения, устойчив к самим выбросам. Работает даже на кривых данных.
Считаем, на сколько стандартных отклонений точка далека от среднего. Это число обозначается как |z|. Обычно если |z| > 3 — подозрительно, возможно выброс.
Минус: предполагает нормальное распределение. Если данные скошены, метод будет ошибаться. К тому же сами среднее и сигма чувствительны к выбросам.
Что выбрать?✅ Если быстро посмотреть глазами → Box Plot;✅ Если надёжная автоматическая очистка → IQR;✅ Если данные близки к нормальным → Z-score.
На практике используют несколько методов сразу и сравнивают результат.
Все эти методы очистки мы рассмотрим в новом курсе «Временные ряды» — с кодом и подробными пояснениями.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5🔥4 1