Учебные проекты для портфолио — это плохо (и вот почему)

Почти каждый курс по аналитике продаётся через один и тот же аргумент:
«В конце у вас будут проекты для портфолио».

Звучит логично. Но есть нюанс.

Christine Jiang — бывший директор по данным, нанимающий менеджер и автор программы Analytics Accelerator — считает, что учебные проекты не стоит включать в портфолио. И я решила разобрать её аргументацию, потому что она показалась мне логичной.

По мнению Кристин, портфолио — это не про инструменты.
Это не «смотрите, я знаю SQL, Python и Power BI».
Это ответ на вопрос: готов ли человек к реальной работе аналитика.

Поэтому она делит проекты на два типа:

1. Learning projects (учебные)
2. Showing projects (демонстрационные)

Почему учебные проекты — слабое место

Учебные проекты, по мнению Кристин, почти всегда:
🟠 заточены на отработку инструментов, а не на решение бизнес-задач
🟠 используют либо слишком «стерильные», либо слишком учебные датасеты
🟠 не имеют чёткого вопроса и структуры
🟠 фокусируются на том, чем ты пользовался, а не зачем

В глазах нанимающего такой проект читается как:
человек всё ещё учится и пока не готов к продакшену.

Жёстко? Да.
Правда? Тоже да.

Что тогда считается хорошим проектом

Showing projects — это попытка имитировать реальную работу аналитика.

Они показывают:
🟠 доменную экспертизу
🟠 структурное мышление
🟠 умение говорить с бизнесом, а не только с данными

Идеальный источник данных — реальный мир:
стажировки, волонтёрство, рабочие задачи.
Но Кристин честно признаёт, что это сложно, и даже записала отдельное видео о том, где брать данные, если у тебя нет коммерческого опыта.

READY-фреймворк для проектов в портфолио

Чтобы проект выглядел как «боевой», Кристин предлагает использовать фреймворк READY:

R — Representative data
Данные должны быть похожи на рабочие:
грязные, большие, с бизнес-метриками.
Не Kaggle на 3k строк, а условные GoogleAnalytics-данные на 100k+ записей.

E — Exec-driven questions
Не «посмотрим, что есть в данных»,
а конкретные бизнес-вопросы.
Например: как перераспределить маркетинговый бюджет по регионам?

A — Analytical frameworks
Чёткая структура анализа:
очистка → EDA → инсайты → визуализация,
а не набор разрозненных запросов.

D — Data best practices
Чистый SQL, комментарии, читаемость, понимание,
зачем ты используешь CTE, а не «потому что можешь».

Y — Your insights & impact
Не просто «продажи выросли на 12%», а:
за счёт каких сегментов
что с этим делать
какое решение ты рекомендуешь бизнесу

Свою логику Кристин подробно показывает в серии видео Portfolio Playbook, где шаг за шагом проходит весь путь анализа.

В следующем посте серии #аналитик_слушает_советы разберём, как она рекомендует оформлять README проекта, чтобы он соответствовал её представлениям о прекрасном.

💬 А теперь вопрос к вам:
как вы относитесь к учебным проектам из курсов?
Это чисто «тренировка» или их всё-таки можно дотянуть до демонстрационных?

#аналитик_слушает_советы

🤦‍♀️ Как же я люблю наступать на одни и те же грабли

Кажется, только вчера я клялась себе больше не брать одновременно два больших курса.
И вот я снова танцую на тех же самых граблях. Красиво. Уверенно. С огоньком 💃

Да, курс в Simulative я ещё не закончила. Формально там остались визуализация и математика со статистикой. Но, как я уже писала, в этом году я решила осознанно идти в BI-аналитику.

Не просто учиться рисовать красивые графики и дашборды (хотя это тоже надо),
а понимать, как через визуализацию решаются задачи бизнеса.
А для этого, внезапно, нужно чуть больше, чем знать, где в Power BI кнопочки.

В общем, я села составлять себе план обучения.
И тут выяснилось, что фраза «всё можно выучить самостоятельно» немного лукавая.
Потому что собрать себе адекватную программу — это вообще-то отдельный навык.

На YouTube я нашла ровно один вменяемый roadmap по BI.
Хорошо, что образовательные платформы давно уже сделали свои программы и там можно что-то подсмотреть.

Если сильно упростить, BI-аналитика у всех выглядит примерно так:
🟠 понимать данные: откуда они берутся и что с ними делать
🟠 владеть инструментами анализа и визуализации
🟠 уметь рассказывать историю через данные
🟠 хотя бы в общих чертах понимать, как устроена data-инфраструктура в компании

Параллельно я решила подключить GPT и пошла двумя путями:
1️⃣ описала, что именно хочу изучать, и попросила собрать план
🔟 закинула ему программы разных курсов и попросила сделать из них roadmap

И внезапно первый вариант оказался ближе к тому, что мне нужно. Я убрала инструменты анализа (SQL, Python) и BI-план получился более сфокусированным именно на смысле профессии.
А инструменты визуализации я буду изучать отдельно.

Но, конечно, внутренний червячок сомнений никуда не делся:
🟠 а вдруг план не оптимальный?
🟠 а вдруг ребята из курсов знают лучше?
🟠 а вдруг я сейчас изобретаю велосипед?

Вот это, пожалуй, главный минус самостоятельного обучения:
ты всё время сомневаешься, туда ли идёшь.

Но я люблю эксперименты.
Буду набивать шишки, по ходу дела корректировать план и делиться с вами тем, что работает, а что нет.

💬 А вы когда-нибудь составляли себе программу обучения с нуля? Можете поделиться лайфхаками?

#аналитик_визуализирует

🍸 Любите ли вы бары так, как люблю их я?

Если вы сейчас представили барную стойку, танцы и коктейли — притормозите 😅

Сегодня хочу познакомить вас с Машей — автором канала «Пирожки и бары | про BI».
Маша — тимлид BI-аналитиков в Avito с 5+ годами опыта в аналитике.
А значит, человек, который точно знает, как делать не только красивые, но и полезные бизнесу дашборды.

Вы могли заметить, что в этом году я активно смотрю в сторону BI.
И если учиться, то только у тех, кто:
🟠 работает с реальными заказчиками,
🟠 живёт в требованиях, правках и «а можно ещё вот тут добавить»,
🟠 и при этом умеет объяснять сложное простым языком.

У Маши как раз такой контент.

Если вы уже строите дашборды или только собираетесь, очень советую начать с этих постов:
🟠 5 вопросов для сбора требований к дашборду
🟠 Чек-лист хорошего дашборда

Есть и моя любимая тема — курсы и обучение. Например:
🟠 Большая подборка ресурсов для изучения SQL для разных уровней

Но BI — это не только серьёзные лица и метрики.
У Маши есть отдельная рубрика #bi_вредные_советы, где можно и посмеяться, и узнать себя:
🟠 Как выбесить аналитика: вредные советы для заказчиков
🟠 Как выбесить заказчика: вредные советы для аналитиков

Если вам откликается BI, с реальными кейсами, юмором и пользой —
очень рекомендую заглянуть в «Пирожки и бары | про BI»!

💬 А как дела у вас с этим?
Вы больше по барам или по bar chart'ам?

🚀 Metabase как первая BI-система: проверяю на практике

В этом году я целенаправленно изучаю BI-аналитику.
А что такое BI-аналитика, если не работа с данными + их визуализация?

Этим постом я открываю серию про инструменты визуализации.
На каждый инструмент я закладываю примерно два месяца: изучить, применить и сделать выводы.

Чтобы не распыляться, все инструменты я буду разбирать через один сквозной проект:
e-commerce с поведенческими событиями пользователей.

Базовый датасет взят с Kaggle, но дальше мы с GPT будем обогащать его синтетическими данными под нужные бизнес-задачи. Хочу, чтобы проект был максимально приближен к реальности. Правда в этом вопросе полностью полагаюсь на GPT 😅

Начинаем с Metabase.

Почему именно он?
Во-первых, в Simulative этот инструмент идёт третьим модулем, сразу после метрик и SQL. То есть уже после первой трети курса предполагается, что ты можешь работать аналитиком «на минималках».

Во-вторых, у Metabase низкий порог входа:
запросы можно писать на SQL, а можно собирать через визуальный конструктор. Фактически ты описываешь, что хочешь увидеть, и система это собирает. Это сильно снижает порог входа в BI-аналитику.

И, в-третьих, Metabase часто используют как первую BI-систему в компаниях, которые только встают на data-driven рельсы.

Про обучение.
GPT утверждает, что Metabase можно освоить за условные часы, даже если опыта с данными немного. Возможно, он слегка оптимист, но по сравнению с другими BI-инструментами Metabase действительно даёт быструю отдачу без долгого онбординга.
Плюс на YouTube полно туториалов: установка, настройка, первые дашборды.

С Metabase я планирую сделать два проекта:
🟠 Executive View — общее понимание, что происходит с бизнесом
🟠 Monitoring & Control — где процессы нестабильны и где находятся точки риска

Буду смотреть, насколько инструмент подходит для этих задач и где начинаются его ограничения.

Ну что, погнали? 😊

💬 А вы использовали Metabase в работе или для обучения? Какие впечатления?

#аналитик_визуализирует

🐴 Планирование — точно не мой конёк.
Мой конёк — горбунок. С характером и без тормозов!

Вообще-то сегодняшний пост должен был быть про инсайты после первого месяца изучения e-commerce.
Но есть нюанс: я до сих пор в лёгком шоке от того, что именно мы напланировали. Поэтому вместо инсайтов давайте сначала разберёмся с планом. А к выводам я вернусь во втором посте серии. Честно-честно 🤞

План по e-commerce я собирала вместе с ChatGPT (кажется, ему уже пора дать имя).
Сама я в домене ориентировалась очень примерно и решила не изобретать велосипед, а спросить у того, кто не устаёт и не паникует от объёма задач.

Вот что получилось.

Месяц 1. Скелет домена
KPI, воронка, базовая диагностика.
Цель — понять, как вообще работает e-commerce:
🟠 где бизнес зарабатывает деньги
🟠 где обычно «течёт» воронка
🟠 какие метрики считаются базовыми

Месяц 2. Поведение и деньги
Когорты, retention, LTV, сегменты.
Фокус — научиться оценивать ценность пользователей, а не просто считать клики.

Месяц 3. Цены, промо и эксперименты
Здесь будем учиться оценивать эффект, а не просто красиво описывать прошлое.
Промо, A/B, гипотезы — всё по-взрослому.

Все три месяца я работаю с одним и тем же датасетом, который мы немного обогатим синтетическими данными.
Каждый месяц — отдельный проект, отражающий пройденный материал.

Датасет беру из библиотеки материалов Олимпиады DANO за прошлый год.

А ещё, так как значительную часть дня я провожу на прогулках с ребёнком, решила добавить формат «учёбы для ушей».
Нашла подкаст «Практика days» — интервью с предпринимателями и топ-менеджерами из e-commerce.

Почему он мне зашёл:
🟠 много реальных бизнесов и моделей
🟠 разговоры про текущие вызовы
🟠 понимание, чем рынок живёт прямо сейчас и куда смотрит

Не уверена, что это прям must-have для подготовки к собесам в конкретную компанию.
Но для формирования общего контекста — очень даже.

В общем, я продолжаю мучить себя бессонными ночами и наполеоновскими планами.
А вам пока задам вопрос:

💬 Когда вы готовитесь к собеседованию, вы смотрите только конкретную компанию или ещё и всю сферу целиком?

#аналитик_собирает_пазл

Никогда такого не было — и вот опять!

Я снова побежала впереди паровоза.
Паровоз, разумеется, меня догнал. И аккуратно переехал 🚂

Помните мой первый факап с тестовым заданием? Там, где я торопилась и не проверила форматы данных.
После этого я пообещала себе:
всегда внимательно изучать данные перед анализом.

Я даже нашла отличный чек-лист и теперь честно по нему прохожусь: полнота, адекватность, форматы, NULL’ы — всё чётко.

Но, как выяснилось, проверить данные и познакомиться с данными — это вообще-то два разных действия.

Сейчас мы поговорим об очередном факапе: первом проекте по e-com'у.

Для проекта я взяла данные из заданий Олимпиады DANO 2025.
Выбрала датасет SM Lab: воронка онлайн-продаж (Спортмастер).
Файл здоровый — около 7 миллионов строк. В Excel такое, понятно, не покрутишь, поэтому сразу пошла в DBeaver.

Пишу своему верному другу GPT:
— Давай проверим данные по чек-листу.

Проверили. Всё красиво. Можно работать.

И вот тут я делаю ключевую ошибку: начинаю проект «по-взрослому».

Я говорю GPT:
— Делаем проект. С дашбордом. Executive-level. Чтобы ух!

GPT мгновенно входит в роль ментора:
— Отлично. Давай я тебе сейчас без суеты распишу весь план...

В план проекта входила визуализация, поэтому Metabase мы поставили через Docker. Кстати, это реально несложно, особенно если есть нормальная видео-инструкция.

И дальше мы начали считать метрики через questions, то есть через визуальный конструктор.

Я не сопротивлялась.
Во-первых, Metabase у меня всё равно в плане изучения.
Во-вторых, конструктор действительно снижает порог входа.

По ощущениям, для простых запросов конструктор — ок, а вот для вычисляемых столбцов и трендов — танцы с бубном!
Я думаю, что через SQL я бы сделала это быстрее.

В результате я сделала 4 карточки.
Четыре. Карточки. Карл.

Для executive-дашборда.
Которые показывают состояние воронки…
и при этом даже не в виде воронки!

И только в самом конце я вдруг задаю себе вопросы:
🟠 А что вообще происходит с данными?
🟠 Какая общая картина?
🟠 А на что ещё стоило посмотреть?

Спойлер: задавать эти вопросы надо было в самом начале, а не на четвёртый день.

Что получилось по факту

Проект:
🟠 не демонстрационный
🟠 дашборд — откровенно слабый
🟠 времени убито — 4 дня

Зато README от GPT — просто конфетка.
Там даже в разделе «Next steps» аккуратно написано всё то, что мы будем делать в следующий раз.

Я злюсь.
Потому что снова полезла делать «красиво», не разобравшись в сути.
Я даже толком не поняла, что такое executive dashboard, но полезла его строить. Самооценка уровня «Илон Маск, подвинься».

Но есть и хорошая новость.

Я снова на собственных шишках убедилась, как делать не надо.
А это, к сожалению, самый рабочий способ обучения.

Если хотите посмотреть на этот проект и поугарать — добро пожаловать на GitHub 👉 [cсылка на README].
Если есть идеи, замечания или рекомендации на будущее — буду рада.
Только давайте экологично! Что всё плохо и надо дальше учиться я и сама догадываюсь 😎

💬 А у вас бывали моменты, когда вы понимали, что убили кучу времени на ерунду?
Как вы выходили из состояния «Халк крушить»?

#портфолио_аналитика

Metabase: визуализация данных (обзор курса)

Stepik | визуализация | платный
👉 [ссылка на курс]

Этот курс я купила ещё в прошлом году.
Причина банальная: мне казалось, что сама я с визуализацией в Metabase точно не разберусь.
Ну что поделать, если вера в себя иногда уходит в отпуск без предупреждения 🥲

Как я уже писала раньше, Metabase часто используют как первую BI-систему в компаниях.
Порог входа низкий: SQL знать не обязательно, можно работать через конструктор.
Я, кстати, проверяла это на практике в своём первом e-commerce проекте.

Для кого этот курс

Курс рассчитан на абсолютных новичков.
SQL знать не нужно вообще.

Сначала:
работа с запросами в визуальном конструкторе

Потом:
SQL появляется, но код просто дают готовым (писать самому необязательно)

Все лекции в формате видео с демонстрацией интерфейса.
К каждому блоку есть короткие конспекты:
— зачем нужна визуализация
— когда её использовать
— примеры

Если у вас уже есть опыт в BI

Тут возможны два сценария:
— либо вы быстро освоите Metabase
— либо будете плеваться от его простоты и ограничений

Третьего не дано 😅

Что внутри курса

Разбирают:
— установку Metabase (локально, на сервере, в VM)
— конструктор запросов
— SQL-режим
— коллекции
— дашборды
— модели и метрики
— все типы визуализаций

Есть бонусный блок с бизнес-кейсами на SQL.
Но визуализировать их в Metabase нельзя, поэтому для меня это выглядит как приятный, но немного лишний бонус.

Чего не хватило

Мне не хватило подробного разбора пользовательских выражений в режиме конструктора.
Автор честно отправляет в документацию, аргументируя это тем, что иначе курс раздуется до бесконечности. В целом — fair enough.

Итог

Курс очень практичный.
После него вы точно будете понимать:
— как устроен Metabase
— куда нажимать
— как собрать дашборд

Но если вам не нужно, чтобы вас вели за ручку, то:
— на YouTube полно туториалов
— при установке Metabase есть тестовая база, на которой можно спокойно тренироваться

Моя субъективная оценка (критерии тут)

Полезность: 3/5
Практика: 3/5
Подача: 4/5

Если вы только начинаете путь в BI — курс может быть хорошей точкой входа.
Если уже работали с визуализаций, даже в excel, то разберётесь и без него 😉

💬 Как думаете, курсы по инструментам — must have или лишняя трата денег?

#курсес_ресурсес

Где мои данные, чувак?

Когда я только начала думать о проектах для портфолио, я упёрлась в очень простой вопрос:
а где вообще брать данные?

На курсах, конечно, датасеты дают. Но есть нюанс.
Если один и тот же датасет дают сотне студентов, то и проекты в портфолио у них потом выглядят… почти одинаково 🤭

В какой-то момент я захотела разобраться:
— где брать данные
— как понять, подходят ли они для портфолио
— и как не сделать очередной «проект как у всех»

Так что этим постом я открываю новую рубрику — буду разбирать источники данных.
Начнём с самого очевидного и самого спорного.

Kaggle

Kaggle — это платформа с открытыми датасетами и соревнованиями по анализу данных и ML.
Данные туда загружают компании, исследователи и сами пользователи.

Там можно найти вообще всё:
— продажи, заказы, клиенты
— маркетинг и рекламу
— финансы, медицину, образование, ритейл

Плюс, у Kaggle есть свои курсы — от основ программирования до ML и computer vision.

Звучит идеально. Но, как всегда, есть «но».

В чём проблема с Kaggle

Большинство датасетов там:
— слишком чистые
— с минимумом пропусков и аномалий
— без реального бизнес-контекста

Оценка реалистичности данных в разных источниках колеблется от низкой до средне-высокой.

При этом Kaggle:
— отлично подходит для первых шагов
— хорош для знакомства с инструментами
— норм для самого первого проекта

Но если говорить про портфолио, тут и начинаются претензии:
— датасеты не уникальны
— проекты получаются «как у всех»
— легко скатиться в копипаст чужих решений

Как выжать из Kaggle максимум

Если уж брать данные оттуда, то стоит немного подшаманить и:
— придумать бизнес-контекст
— сформулировать вопросы от «заказчика»
— делать выводы и рекомендации, а не просто графики и код

Потому что без этого проект выглядит как учебное упражнение (learning project), а не как работа аналитика (showing project).

Ирония момента

Многие аналитики — от Simulative до западных YouTube-менторов — в один голос говорят:
«Kaggle — плохо, не используйте».

Но при этом:
— альтернатив почти не предлагают
— или предлагают… свои курсы 😅

Так что Kaggle — это не зло.
Это просто инструмент, с которым нужно понимать ограничения.

💬 А вы как относитесь к Kaggle?
Пользуетесь им или «титаникоподобные» датасеты уже вызывают нервный тик?

#аналитик_ищет_данные

Пятилетка за три года в аналитике

О том как сделать так же — читай на канале Маши, senior-аналитика и лида из Альфа, декомпозиция и отвага.

Маша много пишет про найм, собесы и резюме, так как сама постоянно ищет аналитиков к себе в команду. Вот несколько постов для знакомства👇

— Что ждет IT-школы в самом ближайшем будущем?

— Юридический разбор ученического договора

— Почему оффер может быть выше, чем сумма, указанная в резюме

— Как вести себя, если к тебе на собес пришла жена знакомого разраба с накрученными 5 годами опыта?

Бодро, весело, с огоньком 🔥

Подписывайтесь на канал
💻 декомпозиция и отвага
Впереди много интересного!

💬 А вы делали что-то по принципу "пятилетка за три года"? Например, планировали выучить язык за 5 лет, а приехали в страну и уже через неделю шпрехали лучше местных?

🎙 Что важно в BI-аналитике на практике, а не в курсах

Когда ты осваиваешь новую профессию в одиночку, ощущение примерно такое же, как у ёжика в тумане.
Да, сейчас можно открыть ChatGPT, нагенерить себе роадмап и бодро по нему пойти. Но всегда есть сомнения.

В такие моменты особенно ценен опыт человека, который уже работает в профессии, куда ты только целишься.

Поэтому сегодня я открываю рубрику с интервью и пригласила Алису Ручкину — автора канала «Датавиз в BI».

Алиса поделилась своим реальным BI-путём и ответила на вопросы, которые чаще всего волнуют начинающих BI-аналитиков.
___
1) Как ты пришла в BI и с чего начинался путь?

По основному образованию я инженер-железнодорожник и на 4-5 курсе дополнительно училась на экономиста. После универа я 7,5 лет работала менеджером по импорту и организовывала международные контейнерные перевозки.

2020 год стал для меня поворотным:
🤩из-за карантинных ограничений в мире сильно пострадала логистика, поэтому на работе сильно возрос уровень стресса.
🤩я попробовала работать удалённо и не захотела возвращаться в офис.
🤩я вышла замуж и поняла, что не хочу работать по вечерам и выходным, что в логистике просто невозможно, потому что это сфера с ненормированным графиком

Поэтому в сентябре 2020 года я пошла учиться на аналитика данных в «Яндекс-Практикум» (17-я когорта).

После защиты дипломного проекта весной 2021 года я устроилась аналитиком SQL в «НЛМК-ИТ». В том же году осенью я перешла в «ПИК-Индустрию» на позицию Junior BI-аналитика.

В апреле 2022 года я пришла в «Уралсиб» на позицию BI-аналитика в Службе управления данными. Это по сути центр компетенций по данным, поэтому помимо разработки дашбордов в FineBI я проводила вебинары и консультировала других разработчиков компании.

В 2023 году я перешла в компанию T2 (тогда Tele2) на похожую позицию в Дата-Офис, где и работаю по сей день.

2) Какие навыки оказались реально важными в работе, а какие переоценены?

Из хард-скиллов реально важным оказался SQL, поэтому в первый год работы я активно проходила разные SQL-тренажёры.

Из софт-скиллов считаю важным быть проактивным и идти до конца. Умение напоминать о себе и дожимать — очень важный скилл при удалённой работе.

По моему BI-опыту, переоценено знание Python. В некоторых компаниях он нужен, но лично мне до сих пор не пригодился.

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?

Каждый день я использую FineBI.
Что мне нравится:
🤩его гибкость. В нём много аналитических функций и есть опция Custom Chart, которая позволяет создавать нестандартные визуализации без JS, HTML или CSS кода
🤩понятный интерфейс. Возможно, это субъективно, потому что с FineBI я работаю почти 4 года и к нему уже привыкла😁

Почему у меня дёргается глаз:
🤩новые версии могут сильно отличаться от предыдущих, поэтому какой-то функционал может перестать работать, требуется время на адаптацию и обновление инструкций
🤩есть небольшие бесячие нюансы (например, в графиках нельзя откатить изменения в создаваемых калькуляциях)

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?

🤩обозначает сроки, хотя бы приблизительно
🤩не перебивает, если заказчик начинает рассказывать что-то на бизнесовом. Может показаться, что он отдаляется от сути, да и в целом всё непонятно, но хороший BI-аналитик пытается выудить из этого что-то ценное для аналитики
🤩объясняет простыми словами, а не техническим языком, если что-то невозможно реализовать или просто не работает
🤩не ставит перед проблемой, а предлагает решение

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?

🤩лучше узнать, чем занимается BI-аналитик. Возможно, что эта работа вообще не понравится
🤩хорошенько потренировать SQL
🤩сделать портфолио или пет-проект, чтобы было что показать на собеседовании. Не уверена, что вы будете подробно рассказывать о своих работах, но само их наличие поможет выделиться на фоне других кандидатов.

___
Алиса, большое спасибо, что поделилась своим опытом!

💬 А какой вопрос задали бы вы на моём месте?

#аналитик_берёт_интервью