💻💻💻💻💻 Кто такой аналитик данных? Разбираем профессию с лидом из Альфа-Банка

Хотите понять, что вообще происходит с профессией аналитика данных прямо сейчас, и с чего начинать, если решили зайти в неё с нуля?

1 сентября открываем новый поток бесплатного интенсива по SQL — вместе с ментором интенсива Евгением Буториным разберём профессию по полной: от рынка труда до практики!

На вебинаре вы:
➡️ Узнаете, кто такой аналитик данных и какие задачи он решает каждый день;
➡️ Разберёте свежее исследование рынка аналитиков данных за 2025 год — что происходит с наймом, зарплатами и требованиями к кандидатам;
➡️ Порешаете пару реальных SQL-задач вместе с ментором;
➡️ Услышите личный совет от Евгения — что бы он делал, если бы прямо сейчас решил зайти в аналитику с нуля.

👨🏻‍💻 Спикер: Евгений Буторин, руководитель CRM-аналитики развития клиентской базы в Альфа Банке, ментор бесплатного интенсива по SQL.

📆 Когда: 1 сентября, 19:00 МСК
➡️ Поставить напоминание в календарь

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🍂 Расписание в сентябре

Присоединяйтесь к потокам в сентябре и освойте актуальные и востребованные профессии за 10 недель 📈

🛎️ Напоминаем, что все наши курсы (включая те, что выйдут в течение следующего года) доступны по подписке с выгодой до 70%!

15 сентября

🍂 Профессия «Аналитик данных»
Ментор курса: Ева Панкратова, руководитель продуктовой аналитики в Метр Квадратный

23 сентября

🍂 Дата-сайентист
Ментор курса: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries

28 сентября

🍂 Профессия «Аналитик данных»
Ментор курса: Ева Панкратова, руководитель продуктовой аналитики в Метр Квадратный

🍂 Инженер данных
Ментор курса: Валерия Елпатьевская, инженер данных в Альфа-Банке

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 Профессия инженер данных: строим витрину продаж с нуля

Хотите разобраться, чем на самом деле занимается дата-инженер, сколько это стоит на рынке и с чего начинать, если решили зайти в профессию?

6 сентября вместе с Юрием Ламиховым, дата-инженером в Wildberries, за час пройдём путь от теории до практики: разберём профессию по уровням и вживую соберём витрину продаж на dbt.

На вебинаре вы:
➡️ Узнаете, чем занимается дата-инженер на практике;
➡️ Разберётесь в уровнях профессии: что должен знать джун, миддл и сеньор, и что сейчас происходит с зарплатами и требованиями на рынке;
➡️ С нуля соберёте dbt-проект: превратите сырую таблицу заказов в готовую витрину продаж.

🧑🏻‍💻 Спикер: Юрий Ламихов, дата-инженер в Wildberries

📆 Когда: 6 сентября, 18:00 МСК
➡️ Регистрация

Записи не будет. Приходите на живой эфир!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Как подать себя на собеседовании? 5 советов от того, кто провёл 162 интервью за год

Привет! На связи Ева Панкратова, ментор курса «Аналитик данных» 👋🏻

За прошлый год я отсмотрела 500+ резюме и провела 162 собеседования на позиции продуктовых аналитиков. И вот что скажу: чаще всего кандидаты проваливаются не потому, что чего-то не знают. А потому что забывают показать главное — как они думают.

Ниже 5 советов, как подать себя на собеседовании:

1️⃣ Не бросайтесь решать задачу с наскока

Почти на каждом интервью вам дадут мини-кейс, где намеренно мало вводных. Это не забывчивость интервьюера — это и есть задание. Сильный кандидат сразу замечает пробелы и начинает с вопросов:
➖ О каком продукте и сегменте пользователей речь?
➖ Какую метрику мы считаем целевой и за какой период?
➖ Что уже известно, а что придётся допустить?

Слабый начинает накидывать ответы и надеяться, что попадёт. Иногда попадает, но берут не за это.

2️⃣ Думайте вслух

Интервьюер не умеет читать мысли — он оценивает ровно то, что услышал. Проговаривайте развилки: «здесь два варианта, я пойду по первому, потому что…», «это допущение может сломаться, если…». Ответ, который вы можете обосновать логикой, ценится выше «правильного» ответа, взявшегося из воздуха.

3️⃣ Нейронки и гугл — не читерство

ИИ давно стал обычным рабочим инструментом, и на многих собеседованиях им разрешают пользоваться. Если разрешили — пользуйтесь спокойно, но вслух: покажите, как формулируете запрос и как проверяете то, что вам ответили. Это отличный способ продемонстрировать, как вы разруливаете сложную задачу в реальной работе.

4️⃣ Светлый ум не отменяет хардов

Умение думать слабо связано с грейдом: бывают джуны, которые структурируют мысль лучше сеньоров. Но встроить в команду человека, который не пишет код, — боль для всех. Так что SQL, Python и статистика всё равно должны быть в форме: подготовьте оконные функции, дизайн A/B-теста и разбор метрик до автоматизма.

5️⃣ Резюме — это уже первый этап собеседования

Из большинства резюме понятно только одно: человек работал работу. Какие задачи были важны и что изменилось благодаря аналитику — загадка. А задача аналитика не в том, чтобы собрать побольше дашбордов или закрыть побольше тикетов. Задача аналитика — заставить данные заработать деньги. Пишите не «строил отчётность», а «перевёл команду на единый источник правды, ad-hoc-запросы сократились на треть».

Помните: у компании нет цели найти самого классного кандидата — ей нужно закрыть вакансию человеком, в котором она уверена. Поэтому от сомнительных кандидатов отказываются быстро. Ваша работа на интервью — не оставить поводов для сомнений.

Ставьте 🔥 и сохраняйте к себе!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻 Конвейер данных

Всем привет! На связи Павел Беляев — автор канала Тимлидское об аналитике и ментор Симулейтив 👋🏻

Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.

Ценность аналитики заключается в том, что представитель бизнеса может принимать решения на её основе.

А для этого данные следует прогнать через несколько процессов и стадий. Я называю этот путь конвейером данных.

Конвейер данных включает в себя следующие основные этапы:

1️⃣ Формирование вопросов

Сначала определяется потребность в информации, подбираются метрики и методы анализа, а также составляется перечень необходимых данных.

2️⃣ Сбор данных

Сырые, необработанные данные собираются из источников в аналитическое хранилище (АХ), где и производится всяческая аналитическая «магия».

В качестве АХ могут использоваться различные системы управления базами данных (СУБД), например, Clickhouse или PostgreSQL.

Запросы к СУБД выполняются на языке SQL. А процессы сбора и транспорта данных осуществляются специальными инструментами, например, Airflow, который «дирижирует» Python-скриптами.

3️⃣ Преобразование данных

Сырые данные «готовятся», а блюдом являются витрины данных: таблицы, содержащие отфильтрованные строки, рассчитанные метрики, сгруппированные сегменты и прочие результаты реализации бизнес-логики.

С данными производятся операции фильтрации, объединения, расчета, приведения к нужному виду и т.д. Обычно для этого используются языки SQL или Python.

4️⃣ Визуализация

Витрины служат источниками для отчетов или дашбордов, содержащих графики, чарты, диаграммы и прочую «наглядную красоту», которая помогает пользователю быстро сориентироваться в информации и сделать нужные выводы.

Визуализация делается с помощью соответствующих инструментов: Power BI, Data Lens, Looker Studio, Metabase и др.

5️⃣ Анализ

Собственно, процесс изучения, осознания ситуации, а также формирования выводов, ответов на поставленные вопросы.

Рассчитанные метрики сопоставляются с некими желаемыми эталонами, изучаются тренды, обнаруживаются и обосновываются выбросы, проседания и т.д.

6️⃣ Решение

На основе выводов решается, достигнуты ли цели, что делать дальше, работает ли новая фича и т. п.

Путь данных весьма насыщен приключениями и этим он интересен!

50 ❤️ — и расскажу, с какими вызовами может столкнуться дата-аналитик в реальной работе!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻 SQL в действии: запросы, которые должен знать каждый аналитик

Для аналитика важно не только знать базовые запросы, но и уметь использовать более сложные конструкции: агрегатные функции, подзапросы, оконные функции и объединения таблиц. Эти навыки помогут находить инсайты, анализировать метрики и строить отчёты на основе больших объёмов данных.

1️⃣ Анализ продаж с использованием агрегатных функций

Допустим, у нас есть таблица sales с колонками: sale_id, product_id, region, sale_date, amount. Мы хотим узнать общую сумму продаж и средний чек по регионам:

SELECT 
    region, 
    SUM(amount) AS total_sales, 
    AVG(amount) AS avg_check
FROM sales
GROUP BY region
ORDER BY total_sales DESC;

Этот запрос позволяет быстро понять, какой регион приносит больше всего выручки.

2️⃣ Использование подзапросов для поиска аномалий

Предположим, мы хотим найти товары, продажи которых ниже среднего уровня по всем товарам:

SELECT product_id, SUM(amount) AS total_sales
FROM sales
GROUP BY product_id
HAVING SUM(amount) < (
    SELECT AVG(total_sales)
    FROM (
        SELECT SUM(amount) AS total_sales
        FROM sales
        GROUP BY product_id
    ) AS subquery
);

Здесь мы используем подзапрос для вычисления среднего уровня продаж по всем товарам и фильтруем те товары, которые находятся ниже этого уровня.

3️⃣ Оконные функции для анализа трендов

Оконные функции позволяют анализировать данные без группировки. Например, найдем кумулятивную выручку (накопительный итог) по датам:

SELECT 
    sale_date,
    SUM(amount) OVER (ORDER BY sale_date) AS cumulative_sales
FROM sales;

Такой запрос поможет увидеть динамику роста выручки за определенный период.

4️⃣ Сравнение текущих и предыдущих периодов

Чтобы сравнить продажи текущего месяца с предыдущим, можно использовать оконные функции:

SELECT 
    region,
    DATE_TRUNC('month', sale_date) AS month,
    SUM(amount) AS monthly_sales,
    LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS prev_month_sales,
    SUM(amount) - LAG(SUM(amount)) OVER (PARTITION BY region ORDER BY DATE_TRUNC('month', sale_date)) AS sales_diff
FROM sales
GROUP BY region, DATE_TRUNC('month', sale_date)
ORDER BY region, month;

Этот запрос покажет динамику продаж по регионам с учетом разницы между месяцами.

5️⃣ Объединение таблиц для анализа

Допустим, у нас есть две таблицы: products (с информацией о товарах) и sales (с информацией о продажах). Чтобы получить список товаров с их категориями и общей суммой продаж, используем JOIN:

SELECT 
    p.product_name,
    p.category,
    SUM(s.amount) AS total_sales
FROM products p
LEFT JOIN sales s ON p.product_id = s.product_id
GROUP BY p.product_name, p.category
ORDER BY total_sales DESC;

Такой запрос помогает объединять данные из нескольких таблиц для более глубокого анализа.

Попробуйте эти запросы на своих данных и убедитесь в их эффективности!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 PostgreSQL vs ClickHouse: что выбрать аналитику в 2026 году 🤔

На вебинаре вместе с Павлом Беляевым разберёмся, чем отличаются строчное и колоночное хранение данных, почему PostgreSQL отлично подходит для одних задач, а ClickHouse — для других, и как эти базы работают в реальных проектах.

На вебинаре вы:
➡️ Поймёте на практике, чем отличаются PostgreSQL и ClickHouse и как способ хранения данных влияет на скорость запросов;
➡️ Разберётесь, где PostgreSQL силён, а где начинает проигрывать на аналитических задачах;
➡️ Узнаете, зачем нужен ClickHouse, какие задачи он решает и какие у него есть ограничения;
➡️ Посмотрите живую демонстрацию: один и тот же запрос — и две базы данных;

📆 12 сентября, 12:00 МСК
📹 Спикер — Павел Беляев, тимлид аналитики в Яндекс eLama

➡️ Зарегистрироваться

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS