КАКИЕ БЫВАЮТ АНАЛИТИКИ И ЧЕМ ОНИ ОТЛИЧАЮТСЯ🔥
И от наших студентов, и просто от подписчиков мы частенько слышим вопросы в духе:
А какой аналитике вы обучаете? Продуктовой аналитике, бизнес аналитике, системной аналитике, аналитике данных, BI аналитике, финансовой аналитике, дата аналитике?
И такие же вопросы часто задают в контексте «А в какую аналитику мне лучше податься?».
Если честно, такие вопросы нас водят в ступор, потому что аналитика - пожалуй единственная область, где напридумывали так много должностей, которые занимаются зачастую одним и тем же)))
Поэтому сегодня мы собрали в карточках все основные виды аналитиков, описали их различия и выделили синонимичные должности. Чтобы и вы не путались теперь, и мы могли использовать этот пост, как шаблон для ответа на вопрос 😁
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
И от наших студентов, и просто от подписчиков мы частенько слышим вопросы в духе:
А какой аналитике вы обучаете? Продуктовой аналитике, бизнес аналитике, системной аналитике, аналитике данных, BI аналитике, финансовой аналитике, дата аналитике?
И такие же вопросы часто задают в контексте «А в какую аналитику мне лучше податься?».
Если честно, такие вопросы нас водят в ступор, потому что аналитика - пожалуй единственная область, где напридумывали так много должностей, которые занимаются зачастую одним и тем же)))
Поэтому сегодня мы собрали в карточках все основные виды аналитиков, описали их различия и выделили синонимичные должности. Чтобы и вы не путались теперь, и мы могли использовать этот пост, как шаблон для ответа на вопрос 😁
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
👍13❤7🔥7
20 НЕСТАНДАРТНЫХ ИДЕЙ ДЛЯ ПОРТФОЛИО АНАЛИТИКА 🔥
Сегодня мы решили поделиться с вами большой подборкой и собрали аж 20 нестандартных идей для вашего портфолио, с которым вы 100% пройдете любой скриннинг на аналитика.
Важно: это не какие-то проектики про кошечек, API погоды в Лондоне или шаблонные проекты с Хабра. Это реальные коммерческие проекты, которые вы можете сделать уже сегодня!
Забирайте и сохраняйте себе подборку проектов, чтобы всегда иметь под рукой неиссякаемый запас вдохновения 👇🏻
https://simulative.ru/portfolio-ideas
Сегодня мы решили поделиться с вами большой подборкой и собрали аж 20 нестандартных идей для вашего портфолио, с которым вы 100% пройдете любой скриннинг на аналитика.
Важно: это не какие-то проектики про кошечек, API погоды в Лондоне или шаблонные проекты с Хабра. Это реальные коммерческие проекты, которые вы можете сделать уже сегодня!
Забирайте и сохраняйте себе подборку проектов, чтобы всегда иметь под рукой неиссякаемый запас вдохновения 👇🏻
https://simulative.ru/portfolio-ideas
❤9👍4🔥4
Супер-лайфхак для аналитиков про Google Colab 🔥
Наша команда активно использует Google Colab в качестве одной из программ для написания кода на Python. Естественно, нашим студентам мы тоже советуем использовать его для некоторых задач. Но в Google Colab есть несколько неудобных моментов - и решением одного из них на днях поделился наш CEO Андрон в чате студентов Симулятора «Аналитик данных» 👇🏻
✅ Лайфхак про скачивание файла
Хочу поделиться лайфхаком всех лайфхаков. Это мое открытие года (хотя может кто-то и знал).
Я много работаю в Google Colab и частенько бывает, что я оставляю файл на обработку, он 5 часов его обрабатывает, создает мне файл с результатом, а когда я прихожу - среда уже отключена 🥲
Так вот мне всегда было лень посмотреть - а можно ли автоматически скачивать просто файл после обработки. И оказывается можно было не страдать - можно скачивать его автоматически))
И вот этот невероятно сложный код:
Забирайте и передайте это детям по наследству - это очень важно распространить по общественности, чтобы несчастных аналитиков стало меньше! 😁
✅ Заключение
Ну как вам совет, полезный?) Если хотите побольше таких лайфхаков - давайте наберем на этот пост 40 реакций огонечков 🔥 и мы сделаем новый пост в таком формате!
Наша команда активно использует Google Colab в качестве одной из программ для написания кода на Python. Естественно, нашим студентам мы тоже советуем использовать его для некоторых задач. Но в Google Colab есть несколько неудобных моментов - и решением одного из них на днях поделился наш CEO Андрон в чате студентов Симулятора «Аналитик данных» 👇🏻
✅ Лайфхак про скачивание файла
Хочу поделиться лайфхаком всех лайфхаков. Это мое открытие года (хотя может кто-то и знал).
Я много работаю в Google Colab и частенько бывает, что я оставляю файл на обработку, он 5 часов его обрабатывает, создает мне файл с результатом, а когда я прихожу - среда уже отключена 🥲
Так вот мне всегда было лень посмотреть - а можно ли автоматически скачивать просто файл после обработки. И оказывается можно было не страдать - можно скачивать его автоматически))
И вот этот невероятно сложный код:
from google.colab import files
files.download('Static banner data.xlsx')
Забирайте и передайте это детям по наследству - это очень важно распространить по общественности, чтобы несчастных аналитиков стало меньше! 😁
✅ Заключение
Ну как вам совет, полезный?) Если хотите побольше таких лайфхаков - давайте наберем на этот пост 40 реакций огонечков 🔥 и мы сделаем новый пост в таком формате!
🔥72👍9❤7👎2
Приглашаем на персональную экскурсию в Симулятор! 🔥
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
❤3👍3🔥3
Как писать красивый код на Pandas 🔥
Одна из самых классных фишек Pandas, которой многие не пользуются - это
Большая проблема кода на Pandas в том, что его сложно читать - у нас либо слишком длинные строки с последовательным применением методов, либо куча лишних переопределений переменных. Например, вариант 1:
Вариант 2:
А вот, как пишут код на Pandas люди, которые шарят в Pandas и любят красивый код:
Этот код писал один из членов нашей команды, Даниил. Чтобы понять его на 100%, надо немного погрузиться в задачу и понимать Pandas, но одно можно сказать точно - это максимально красиво и удобно! Согласны?
Делается
1. Вся последовательность команд оборачивается в скобки
2. Каждая новая операция переносится на новую строку
А если еще красиво оформить отступы (как в примере), то вообще будет отлично! В основном, IDE, в которой вы пишите код, делает это за вас.
Кстати, в рамках нашего Симулятора «Аналитик данных» мы ежемесячно проводим живые мастер-классы на разные темы, и скоро Даниил будет проводить как раз мастер-класс про использование Pandas на максималках🔥
Так что приходите к нам в Симулятор «Аналитик данных», чтобы стать крутым аналитикоми освоить кучу отраслевых фишек. Как раз и на мастер-класс Даниила еще успеваете😁
Одна из самых классных фишек Pandas, которой многие не пользуются - это
method chaining или цепочки методов. Большая проблема кода на Pandas в том, что его сложно читать - у нас либо слишком длинные строки с последовательным применением методов, либо куча лишних переопределений переменных. Например, вариант 1:
# Здесь у нас длинная строка с кучей методов - все в кашу
df.do().do_more().do_something_else()...
Вариант 2:
# Здесь каждое действие делается в отдельной строке
# так еще и лишнее переопределение df происходит
df = df.do()
df = df.do_more()
df = df.do_something_else()
...
А вот, как пишут код на Pandas люди, которые шарят в Pandas и любят красивый код:
redistributed_orders_amount = (
area_orders_agg.drop(columns="warehouse_name")
.rename(columns={"preferred_warehouse": "warehouse_name"})
.query("~is_local_delivery")
.groupby(group_fields)["orders_amount"]
.sum()
.rename("redistributed_orders_amount")
)
Этот код писал один из членов нашей команды, Даниил. Чтобы понять его на 100%, надо немного погрузиться в задачу и понимать Pandas, но одно можно сказать точно - это максимально красиво и удобно! Согласны?
Делается
method chaining очень просто (в коде выше видно):1. Вся последовательность команд оборачивается в скобки
2. Каждая новая операция переносится на новую строку
А если еще красиво оформить отступы (как в примере), то вообще будет отлично! В основном, IDE, в которой вы пишите код, делает это за вас.
Кстати, в рамках нашего Симулятора «Аналитик данных» мы ежемесячно проводим живые мастер-классы на разные темы, и скоро Даниил будет проводить как раз мастер-класс про использование Pandas на максималках
Так что приходите к нам в Симулятор «Аналитик данных», чтобы стать крутым аналитикоми освоить кучу отраслевых фишек. Как раз и на мастер-класс Даниила еще успеваете
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥19👍10❤4
Важный совет при написании кода на Python 🔥
Когда мы пишем код, мы зачастую обращаем внимание только на ошибки - просто потому что скрипт перестает работать. Например, ошибка о том, что переменная не определена или что не существует функции, которую мы пытаемся вызвать.
Однако есть еще предупреждения (warnings). Очень часто они сигнализируют о том, что в текущей версии библиотеки ваш код отработает нормально, а вот в будущих версиях сломается. И бывает, что этот момент наступает очень быстро! Расскажем на своем примере.
Когда мы записывали модуль по Pandas для Симулятора «Аналитик данных», в некоторых местах у нас выскакивали такие ворнинги. Однако мы их проигнорировали, потому что последние 5 лет этот код работал корректно и мы банально привыкли писать код именно так. А потом случилась подлянка…
Python быстро выпустил несколько крупных обновлений, а вслед за этим обновился и Pandas. И некоторый код действительно перестал работать! 🥲
Поэтому на днях мы провели полную ревизию модуля, обновили все блокноты с кодом, написали все комментарии и отревьюили все задачи. Теперь все актуально и доступно как старым студентам, так и новым 🔥
Если интересно, что именно сломалось после обновления версии - смотрите наши карточки, разобрали пару примеров. Если хотите обучиться аналитике - приходите к нам в Симулятор. А лучше и то, и другое 😁
Когда мы пишем код, мы зачастую обращаем внимание только на ошибки - просто потому что скрипт перестает работать. Например, ошибка о том, что переменная не определена или что не существует функции, которую мы пытаемся вызвать.
Однако есть еще предупреждения (warnings). Очень часто они сигнализируют о том, что в текущей версии библиотеки ваш код отработает нормально, а вот в будущих версиях сломается. И бывает, что этот момент наступает очень быстро! Расскажем на своем примере.
Когда мы записывали модуль по Pandas для Симулятора «Аналитик данных», в некоторых местах у нас выскакивали такие ворнинги. Однако мы их проигнорировали, потому что последние 5 лет этот код работал корректно и мы банально привыкли писать код именно так. А потом случилась подлянка…
Python быстро выпустил несколько крупных обновлений, а вслед за этим обновился и Pandas. И некоторый код действительно перестал работать! 🥲
Поэтому на днях мы провели полную ревизию модуля, обновили все блокноты с кодом, написали все комментарии и отревьюили все задачи. Теперь все актуально и доступно как старым студентам, так и новым 🔥
Если интересно, что именно сломалось после обновления версии - смотрите наши карточки, разобрали пару примеров. Если хотите обучиться аналитике - приходите к нам в Симулятор. А лучше и то, и другое 😁
👍12🔥4❤2
Шпаргалка для аналитика: XYZ-анализ 🔥
Многие знают про ABC-анализ - это один из основных инструментов принятия решений в бизнесе, если у вас большая ассортиментная линейка. Абсолютно любой аналитик обязан знать этот анализ, т.к. он используется в огромном количестве бизнесов. Мы уже неоднократно про него рассказывали и даже делали карточки - как делать ABC-анализ в SQL.
Но сегодня хотим рассказать про другой, не менее важный анализ, про который многие не знают: XYZ-анализ.
✅ Основная идея
Если коротко, то XYZ-анализ - это метод оценки устойчивости спроса на товар. Мы оцениваем продажи за несколько предыдущих периодов (например, за предыдущие 12 месяцев) и делаем вывод - товар продается стабильно или спрос «прыгает». Группа X - спрос стабильный, Y - не очень стабильный, Z - вообще не стабильный (часто это сезонные или акционные товары).
✅ Какие можно сделать выводы
На основании XYZ можно сделать выводы про закупку товара или переоценку. Вот несколько примеров:
- Если товар в группе А по объему продаж (то есть по ABC-анализу видим, что он продается много) и в группе Х по устойчивости спроса, то можно делать заказ «впритык» - посчитать прогноз спроса на основании предыдущих продаж и не делать большой товарный запас. Это сэкономит деньги на закупку и увеличит оборачиваемость. Если в группе Z - надо заказывать с запасом.
- Если товар в группе С по маржинальности (то есть по ABC-анализу видим, что мы зарабатываем с 1 проданнолй штуки мало денег) и в группе Х по устойчивости спроса, то можно смело поднимать цену. Скорее всего, либо спрос на него не упадет, либо мы моментально увидим это и откатим цену назад. Если в группе Z - лучше не делать резких движений.
✅ Как опеределить группу товара
- Берем продажи товара за несколько предыдыдущих периодов (например, 12 месяцев)
- Считаем коэффициент вариации
- Если до 10% - группа Х, если до 25% - группа Y, если выше 25% - группа Z
✅ Заключение
XYZ-анализ - такой же необходимый инструмент для аналитика, как и ABC-анализ. Именно поэтому в нашем Симуляторе «Аналитик данных» мы разбираем его сразу в нескольких модулях - делаем его и в SQL, и в Pandas.
Хотите тоже стать востребованным аналитиком, обучившись на кейсах из реального бизнеса? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
Многие знают про ABC-анализ - это один из основных инструментов принятия решений в бизнесе, если у вас большая ассортиментная линейка. Абсолютно любой аналитик обязан знать этот анализ, т.к. он используется в огромном количестве бизнесов. Мы уже неоднократно про него рассказывали и даже делали карточки - как делать ABC-анализ в SQL.
Но сегодня хотим рассказать про другой, не менее важный анализ, про который многие не знают: XYZ-анализ.
✅ Основная идея
Если коротко, то XYZ-анализ - это метод оценки устойчивости спроса на товар. Мы оцениваем продажи за несколько предыдущих периодов (например, за предыдущие 12 месяцев) и делаем вывод - товар продается стабильно или спрос «прыгает». Группа X - спрос стабильный, Y - не очень стабильный, Z - вообще не стабильный (часто это сезонные или акционные товары).
✅ Какие можно сделать выводы
На основании XYZ можно сделать выводы про закупку товара или переоценку. Вот несколько примеров:
- Если товар в группе А по объему продаж (то есть по ABC-анализу видим, что он продается много) и в группе Х по устойчивости спроса, то можно делать заказ «впритык» - посчитать прогноз спроса на основании предыдущих продаж и не делать большой товарный запас. Это сэкономит деньги на закупку и увеличит оборачиваемость. Если в группе Z - надо заказывать с запасом.
- Если товар в группе С по маржинальности (то есть по ABC-анализу видим, что мы зарабатываем с 1 проданнолй штуки мало денег) и в группе Х по устойчивости спроса, то можно смело поднимать цену. Скорее всего, либо спрос на него не упадет, либо мы моментально увидим это и откатим цену назад. Если в группе Z - лучше не делать резких движений.
✅ Как опеределить группу товара
- Берем продажи товара за несколько предыдыдущих периодов (например, 12 месяцев)
- Считаем коэффициент вариации
- Если до 10% - группа Х, если до 25% - группа Y, если выше 25% - группа Z
✅ Заключение
XYZ-анализ - такой же необходимый инструмент для аналитика, как и ABC-анализ. Именно поэтому в нашем Симуляторе «Аналитик данных» мы разбираем его сразу в нескольких модулях - делаем его и в SQL, и в Pandas.
Хотите тоже стать востребованным аналитиком, обучившись на кейсах из реального бизнеса? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
🔥9❤8👍6
ЛАЙФАХ: КАК ЧИТАТЬ GOOGLE SHEETS В PANDAS 🔥
Недавно мы делали пост о том, как автоматически скачивать файлы после обработки в Google Colab. И после этого один из наших студентов напомнил нам еще об одной классной фишке - как читать содержимое Google-таблиц в Pandas!
Мы, например, почти не используем Excel внутри компании - работаем именно с гугл-таблицами, потому что это банально удобней. И каждый раз скачивать эксельку, чтобы прочитать ее в Pandas - очень неудобно.
Поэтому вот четкий порядок действий, как это сделать:
1. Создайте гугл-таблицу
2. Расшарьте ее с правами на чтение (хотя бы)
3. Добавьте к ссылке в конце
4. Вставьте полученную ссылку в
Итоговый код вы можете посмотреть в блокноте по ссылке: ссылка.
💯💯💯
Хотите освоить еще больше фишечек и стать крутым аналитиком? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
Недавно мы делали пост о том, как автоматически скачивать файлы после обработки в Google Colab. И после этого один из наших студентов напомнил нам еще об одной классной фишке - как читать содержимое Google-таблиц в Pandas!
Мы, например, почти не используем Excel внутри компании - работаем именно с гугл-таблицами, потому что это банально удобней. И каждый раз скачивать эксельку, чтобы прочитать ее в Pandas - очень неудобно.
Поэтому вот четкий порядок действий, как это сделать:
1. Создайте гугл-таблицу
2. Расшарьте ее с правами на чтение (хотя бы)
3. Добавьте к ссылке в конце
export?format=csv4. Вставьте полученную ссылку в
read_csvИтоговый код вы можете посмотреть в блокноте по ссылке: ссылка.
💯💯💯
Хотите освоить еще больше фишечек и стать крутым аналитиком? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
🔥28👍6❤3🤩2
БОЛЬШАЯ МЕТОДИЧКА ПО РЕКЛАМНЫМ МЕТРИКАМ 🔥
Недавно мы делали пост про основные продуктовые метрики в маркетинге, которые должен знать каждый аналитик. Это действительно очень важная тема, ведь маркетинг - двигатель любого бизнеса и самая большая статья расходов в компании.
Поэтому сегодня мы подготовили для вас большую методичку по рекламным метрикам - с бизнесовыми примерами, способами расчета и объяснениями.
Забирайте методичку по ссылке 👉 simulative.ru/guide-to-advertising-metrics
Недавно мы делали пост про основные продуктовые метрики в маркетинге, которые должен знать каждый аналитик. Это действительно очень важная тема, ведь маркетинг - двигатель любого бизнеса и самая большая статья расходов в компании.
Поэтому сегодня мы подготовили для вас большую методичку по рекламным метрикам - с бизнесовыми примерами, способами расчета и объяснениями.
Забирайте методичку по ссылке 👉 simulative.ru/guide-to-advertising-metrics
🔥10👍5❤3
ОШИБКА ФИЛЬТРАЦИИ В SQL 🔥
Одна из самых распространенных ошибок в SQL - неправильная фильтрация данных, если в столбце присутствуют значения NULL.
Что за ошибка ✅
Например, у нас в Симуляторе есть легкая задачка - отфильтровать всех пользователей, у которых поле
Обычно студенты пишут такой запрос:
И вроде бы все логично, но если проверить внимательно, то мы увидим, что потерялось около 80% записей!
Почему так происходит ✅
Если мы обратимся к документации, то в описании оператора WHERE увидим:
А теперь идем в документацию оператора
Таким образом, получается, что все строки с
Как исправить ✅
Исправить это можно, например, с помощью оператора
Заключение ✅
Теперь вы на 100% знаете, почему эта ошибка возникает и как с ней бороться. Будьте внимательны - на больших данных обнаружить ее очень сложно, а она может привести к ужасным погрешностям при расчетах.
Как вам такой разбор - зашел?) Давайте наберем 50 реакций на этот пост и мы разберем в таком формате еще одну распространенную ошибку 🔥
Одна из самых распространенных ошибок в SQL - неправильная фильтрация данных, если в столбце присутствуют значения NULL.
Что за ошибка ✅
Например, у нас в Симуляторе есть легкая задачка - отфильтровать всех пользователей, у которых поле
company_id не равно 1. При этом в этом поле у многих записей стоит NULL.Обычно студенты пишут такой запрос:
select *
from users
where company_id != 1
И вроде бы все логично, но если проверить внимательно, то мы увидим, что потерялось около 80% записей!
Почему так происходит ✅
Если мы обратимся к документации, то в описании оператора WHERE увидим:
Синтаксис оператора: WHERE «условие». «условие» - это любое выражение типа BOOLEAN. Всё, что не true, исключается из результата.
А теперь идем в документацию оператора
!= и видим: Если один из элементов сравнения равен NULL, то возвращается NULL, а не true/false.
Таким образом, получается, что все строки с
NULL выпадают из выборки, потому что такое сравнение возвращает NULL, а фильтр WHERE такие строки игнорирует. Как исправить ✅
Исправить это можно, например, с помощью оператора
COALESCE, который заменит NULL на другое число (например, -1, т.к. его гарантированно не будет в этом столбце):select *
from users
where coalesce(company_id, -1) != 1
Заключение ✅
Теперь вы на 100% знаете, почему эта ошибка возникает и как с ней бороться. Будьте внимательны - на больших данных обнаружить ее очень сложно, а она может привести к ужасным погрешностям при расчетах.
Как вам такой разбор - зашел?) Давайте наберем 50 реакций на этот пост и мы разберем в таком формате еще одну распространенную ошибку 🔥
🔥102👍6🎉5❤3
Приглашаем на персональную экскурсию в Симулятор! 🔥
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔹 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔹 Почему 95% новичков не могут найти работу и как не попасть в их число
🔹 Как выглядит идеальное портфолио (на примере реальных людей)
🔹 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, перейдите по ссылке 👉🏻 ссылка
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔹 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔹 Почему 95% новичков не могут найти работу и как не попасть в их число
🔹 Как выглядит идеальное портфолио (на примере реальных людей)
🔹 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, перейдите по ссылке 👉🏻 ссылка
🔥5❤4👍3
Бесплатный тест для проверки ваших навыков в аналитике данных 🔥
Мы постоянно общаемся с начинающими и уже опытными аналитиками, и вопрос объективной проверки своих знаний очень актуален. Начинающие не понимают, готовы ли они выходить на рынок труда (или наоборот переоценивают себя), а опытные испытывают синдром самозванца.
Чтобы решить эту проблему, мы с командой собрали для вас большой тест для проверки навыков в аналитике данных, который вы можете пройти совершенно бесплатно!
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Тест состоит из 3 секций - Продуктовое мышление, SQL и статистика + A/B-тестирование. Тест состоит из вопросов, на которые обязательно должен уметь отвечать каждый начинающий (и тем более практикующий) аналитик. Так что обязательно проверьте себя, чтобы оценить свои знания на бизнесовых задачах.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Мы постоянно общаемся с начинающими и уже опытными аналитиками, и вопрос объективной проверки своих знаний очень актуален. Начинающие не понимают, готовы ли они выходить на рынок труда (или наоборот переоценивают себя), а опытные испытывают синдром самозванца.
Чтобы решить эту проблему, мы с командой собрали для вас большой тест для проверки навыков в аналитике данных, который вы можете пройти совершенно бесплатно!
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Тест состоит из 3 секций - Продуктовое мышление, SQL и статистика + A/B-тестирование. Тест состоит из вопросов, на которые обязательно должен уметь отвечать каждый начинающий (и тем более практикующий) аналитик. Так что обязательно проверьте себя, чтобы оценить свои знания на бизнесовых задачах.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
🔥18👍7🎉3