💻💻💻💻💻Что меняется в работе дата-инженера, когда данных становится в тысячу раз больше?

Пока данных немного, их можно забрать из двух источников, обработать на Python и положить в базу. Но затем бизнес растёт. Данные уже измеряются терабайтами, обновляются постоянно, а руководитель хочет видеть новые показатели на дашборде с задержкой не больше минуты. Старая архитектура перестаёт справляться — и дата-инженеру нужно спроектировать новую.

На вебинаре разберём три версии одной задачи:
1️⃣ Объединяем данные сайта и CRM в базовом пайплайне.
2️⃣ Увеличиваем объём до терабайта и добавляем Airflow и PySpark.
3️⃣ Переходим к обновлению в реальном времени и подключаем стриминг, Kafka и распределённое хранилище.
4️⃣ На этих примерах покажем, как меняется мышление специалиста по мере роста: от выполнения отдельных задач до проектирования архитектуры под требования бизнеса.

🎙Спикер — Андрей Вильмов, Data Engineer в IBS. Ранее — CTO «ПерилаГлавСнаб», CEO и сооснователь FlowAI.

📆 20 сентября, 18:00 мск.
❗️Необходима регистрация!

➡️ Зарегистрироваться на вебинар

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

💻💻💻💻💻Как устроена работа аналитика в среднем бизнесе?

Хотите понять, чего ждать, если устраиваетесь аналитиком в среднюю компанию — из чего состоит рабочий день, какие инструменты нужно знать и как вопрос бизнеса превращается в решение?

23 сентября вместе с Павлом Беляевым покажем аналитический контур Яндекс eLama глазами дата-аналитика: от сбора данных до принятия решений.

На вебинаре вы:
➡️ Поймёте, чем аналитику в среднем бизнесе предстоит заниматься каждый день;
➡️ Пройдёте весь конвейер данных: сбор, обработку и создание витрин, визуализацию, анализ и принятие решений;
➡️ Узнаете, как живёт витрина данных: от вопроса бизнеса и ТЗ до поддержки, обновления и вывода из эксплуатации;
➡️ Увидите технический стек команды и инструменты собственной разработки, в том числе с вайб-кодингом.

🧑🏻‍💻 Спикер: Павел Беляев, руководитель группы дата-аналитиков в Яндекс eLama, ментор курсов «BI-аналитик» и «Fullstack-аналитик».

📆 Когда: 23 сентября, 19:00 МСК
➡️ Зарегистрироваться на вебинар

Записи не будет. Приходите на живой эфир!

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

Что происходит между вопросом бизнеса и готовым дашбордом?

Сегодня в 19:00 покажем этот путь изнутри на примере аналитического контура eLama.

Павел Беляев, лид команды аналитики, разберёт:
➖ Как в компании получают и формулируют аналитические задачи;
➖ Как собирают и обрабатывают данные;
➖ Как проектируют витрины и поддерживают их после запуска;
➖ Как устроен конвейер от источника до визуализации;
➖ Какие инструменты аналитик использует каждый день;
➖ Как результат анализа возвращается бизнесу и превращается в решение.

Посмотрим на реальный стек в eLama: ClickHouse, PostgreSQL, Airflow, Python, SQL, DataLens и внутренние инструменты команды.

Эфир подойдёт новичкам, которые хотят понять, что ждёт их после трудоустройства, и действующим аналитикам, которым интересно сравнить свой подход с процессами внутри eLama.

📆 Сегодня, 23 сентября, в 19:00 МСК
➡️ Не пропустить вебинар

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

💻💻💻💻💻 Собираем ETL-пайплайн на данных GitHub

Как данные проходят путь от внешнего сервиса до базы и готового дашборда?

25 сентября разберём этот процесс на практике вместе с Валерией Елпатьевской, инженером данных в Альфа-Банке. Возьмём GitHub как источник: получим данные о репозиториях, коммитах и языках программирования, обработаем их и загрузим в локальную базу DuckDB.

На вебинаре вы:
➡️ Пройдёте весь ETL целиком: Extract — получите данные из источника, Transform — очистите и преобразуете, Load — загрузите в базу;
➡️ Увидите классическую задачу дата-инженера через работающий код и конкретный результат;
➡️ Построите дашборды и посмотрите, какие выводы можно сделать из данных GitHub;
➡️ Поймёте, чем рабочий пайплайн отличается от кода в одном Jupyter Notebook, и как разбить обработку на отдельные скрипты.

Подойдёт и тем, кто хочет познакомиться с Data Engineering, и аналитикам, которым интересно научиться самостоятельно собирать данные для анализа.

🧑🏻‍💻 Спикер: Валерия Елпатьевская, инженер данных в Альфа-Банке, ментор курса Симулейтив «Инженер данных».

📆 Когда: 25 сентября, 19:00 МСК
➡️ Зарегистрироваться на вебинар

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

Сегодня собираем ETL-пайплайн на данных GitHub — от источника до дашборда

Сегодня в 19:00 покажем, как данные проходят путь от внешнего сервиса до базы и готового дашборда на реальном источнике, GitHub.

Валерия Елпатьевская, инженер данных в Альфа-Банке, разберёт:

➖ Extract — как получить данные о репозиториях, коммитах и языках программирования;
➖ Transform — как их очистить и преобразовать;
➖ Load — как загрузить результат в локальную базу DuckDB;
➖ Как собрать из этого дашборд и какие выводы можно сделать по данным GitHub.

Пройдём весь пайплайн не в виде схемы на слайде, а через работающий код и конкретный результат — заодно разберём, чем рабочий пайплайн отличается от кода в одном Jupyter Notebook.

Эфир подойдёт тем, кто хочет познакомиться с Data Engineering, и аналитикам, которым интересно научиться самостоятельно собирать данные для анализа!

📆 Сегодня, 25 сентября, в 19:00 МСК
➡️ Не пропустить вебинар

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

💻💻💻💻💻 Как работает ML-инженер — на примере поиска похожих текстов

Пользователь вводит запрос своими словами, а в карточке товара — совсем другие формулировки. Но поиск всё равно должен понять, что речь об одном и том же товаре. Простого совпадения слов для этого недостаточно — нужно, чтобы компьютер научился работать со смыслом текста.

29 сентября вместе с Марией Жаровой, ML-инженером в команде рекомендаций Wildberries, разберём профессию и сразу проверим её на практике: решим задачу поиска похожих текстов — механику, которая лежит в основе поиска, рекомендаций и умных подсказок.

На вебинаре вы:
➡️ Узнаете, чем занимается ML-инженер каждый день — от постановки задачи и экспериментов до внедрения модели в продукт;
➡️ На практике решите задачу поиска похожих текстов: подготовите данные, проверите простой статистический подход и найдёте его ограничения;
➡️ Увидите, что меняется при переходе к нейросетям — и почему более сложное решение не всегда самое подходящее;
➡️ Поймёте, подходит ли вам эта работа — искать закономерности, ставить эксперименты и превращать их в рабочие решения.

🧑🏻‍💻 Спикер: Мария Жарова, ML-инженер в команде рекомендаций Wildberries, ментор курса «Дата-сайентист».

📆 Когда: 29 сентября, 19:00 МСК
➡️ Зарегистрироваться на вебинар

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

⭐️ Уже сегодня: как ML-инженер учит компьютер находить смысл в тексте

Сегодня покажем профессию ML-инженера изнутри и решим реальную задачу — поиск похожих текстов, даже если в них использованы разные слова. На одном понятном примере увидим, как ML превращается в функцию знакомого цифрового продукта.

Эфир подойдёт новичкам: предварительное погружение в ML не требуется!

📆 Сегодня, 29 сентября, 19:00 МСК

➡️ Не пропустить вебинар

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

⭐️ Топ метрик, которые должен уметь считать каждый аналитик

Рекламные метрики — это не просто цифры в отчёте, а язык, на котором с вами говорит вся воронка. Но если не понимать, что стоит за каждой аббревиатурой, легко упустить момент, где утекает бюджет, и принять решение вслепую.

Подготовили для вас методичку с разбором каждой метрики, формулами расчёта и реальным кейсом рекламной кампании — от показов объявления до оплаченной консультации.

Что разбираем в материале:
✅ Чем Impressions отличается от Reach и почему это важно;
✅ На каком этапе воронки теряются деньги — на CR1 или на CR2;
✅ Какую метрику смотреть в первую очередь: CPL или CPQL.

Обязательно сохраните методичку к себе, чтобы не потерять!

✅ Получить методичку

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