Вебинар: чем отличаются направления в аналитике

BI, маркетинговая, продуктовая аналитика — на первый взгляд всё кажется похожим, но на практике задачи и цели сильно различаются.

На вебинаре с Денисом Ивановым разберём реальные кейсы из бизнеса: от продуктовых исследований и маркетинговых кампаний до поддержки дашбордов и BI-отчётов. Вы увидите, какую пользу каждый тип аналитика приносит бизнесу и определитесь, какое направление подходит именно вам.

Что вы узнаете:
➖ Какие направления аналитики существуют: бизнес, продуктовая, маркетинговая, BI, ML — и чем они реально отличаются;
➖ Зачем компании нанимают аналитиков в разных областях и какие задачи они решают;
➖ Какие навыки прокачать новичку, чтобы быть востребованным и универсальным;
➖ Плюсы и минусы каждого направления и где проще стартовать с нуля.

🟠 Записывайте дату и время: 2 октября, 19:00 МСК

💬 Подключайтесь к прямому эфиру, чтобы задать вопросы эксперту и понять, какое направление аналитики подойдёт именно вам!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Всем привет! На связи Андрон, основатель Simulative 👋🏻

7 октября я буду открывать РУBIКОНФ’25 — масштабную data driven-конференцию по бизнес-аналитике и работе с данными. Расскажу, как превратить дашборды из украшений в рабочий инструмент.

Многие думают, что если графики красивые, то и решения будут такими же красивыми. Но на практике всё иначе. И проблема тут не в технологиях, а в подходе. Вы и сами понимаете, как чаще всего это работает. Расписывать боли не буду, с ними почти каждый уже сталкивался. Мы здесь за решениями.

Почему это актуально сейчас:
🟡 AI, автоматизация и поток данных растут, а время на анализ сокращается;
🟡 Красивые отчёты не заменяют понимание, что реально важно;
🟡 Делать дашборд инструментом, а не декором — ключевой навык для аналитика 2025 года.

Приходите, буду рад всех видеть! Онлайн-трансляция тоже будет 😉

➡️ Зарегистрироваться

📊 Simulative

Как устроена работа дата-аналитика в Яндекс eLama

Приветствую, любители аналитики! На связи Павел Беляев, ментор курса «Дата-аналитик» и ведущий канала Тимлидское об аналитике.

Расскажу о том, как устроена работа дата-аналитика у меня в команде — в отделе аналитики Яндекс eLama. Новичкам это поможет представить образ цели, а действующие аналитики смогут сравнить свои задачи с нашими.

В моей команде 5 человек, включая меня, а кроме нас в дата-офисе есть команды дата-инженеров, которые собирают данные, и бизнес-аналитиков, которые визуализируют данные и взаимодействуют с заказчиками.

Таким образом, мы находимся посередине конвейера данных и отвечаем за:

🟠 Разработку и поддержку витрин данных первых слоёв. Это расширенные таблицы с информацией об основных бизнес-сущностях.
🟠 Наш сервис Self-analytics, который позволяет заказчикам получать выгрузки самостоятельно, без нас. Суть раскрыта, например, в моей старой статье на Хабре. С тех пор техническая реализация сменилась, но подход остался.
🟠 Прогнозирование метрик. Вот тут моя замороченная статья о нашем прогнозировании.
🟠 Настройку веб-аналитики. С помощью Google и Яндекс тег-менеджеров ловим события на сайтах компании, шлем в Метрику или GA, а оттуда забираем к себе в хранилище.
🟠 Помощь бизнес-аналитикам в составлении конкретных витрин для BI-отчётов. Узкоспециальные витрины они делают сами, но мы их ревьюим и деплоим.
🟠 Консультирование коллег по вопросам данных в нашем аналитическом хранилище.
🟠 Обслуживание аналитического хранилища: проверка качества данных в первичных витринах, бэкапирование, обновление витрин, документирование и т. д.

Работаем мы спринтами, то есть:

➖ На планировании (по пятницам) набираем задачи на неделю.
➖ Новые задачи идут в бэклог, т. е. пока спринт не кончится, никто не вклинится со своей хотелкой (за редкими исключениями).
➖ Стадии задачи: бэклог → в работе → ревью → приёмка → закрыто.
➖ У сотрудников есть «специализации»: каждое наше направление или группу заказчиков ведёт как минимум двое сотрудников.
➖ Операционка (например, подключение нового источника данных) и квартальные проекты.

Кроме того, у нас есть дежурство. Дежурный аналитик меняется каждую неделю и отвечает за:
➖ мониторинг обновления и качества данных, решение инцидентов;
➖ выдачу доступов;
➖ быстрые задачи, т. е. занимающие не более 2-3 часов;
➖ ответы на вопросы.

Эти задачи у дежурного имеют приоритет над спринтовыми. Конечно, при необходимости ему помогают коллеги.

Чтобы всё это организовать, мы пользуемся таск-трекером, корпоративным мессенджером, календарём, облачным диском, средством для созвонов и другими офисными инструментами.

👨‍💻 Работаем в основном удалённо. 3 раза в неделю созваниваемся на получасовую планерку (дэйлик) и ещё полчаса уходит на планирование спринта. Остальные созвоны ситуативные.

А иногда съезжаемся вместе, чтобы пообщаться и затусить, как же без этого!

Работы у нас много и вся она интересная. Делитесь в комментариях, как устроена работа в вашем отделе 😉

📊 Simulative

📊 Делимся стартами потоков в октябре

Осень — лучшее время для учёбы! Собрали в посте даты потоков для того, чтобы вы подготовились к уверенному старту в новой профессии 😉

🟠 10 октября — BI-аналитик

Научитесь делать понятные визуализации данных и презентовать их бизнесу. Упростите рутинные процессы с помощью понятных графиков. До 7 октября держим ранние цены — -25% на курс!

➡️ Записаться

🟠 17 октября — Авторский тренинг «Продвинутый SQL»

Для тех, кто владеет базовым SQL и хочет повысить свой грейд. Научитесь оптимизировать SQL-запросы и проверить корректность и полноту данных. До 10 октября действует скидка 10% на курс!

➡️ Записаться

🟠 24 октября — Аналитик данных

Сможете с нуля стать аналитиком данных, изучить каждый из инструментов аналитика и прокачать продуктовое мышление. До 8 октября скидка 25% на обучение!

➡️ Записаться

🟠 31 октября — ML-инженер

Освоите основы машинного обучения для уверенного старта карьеры, на практике научитесь создавать модели, строить рекомендательные системы и обучать нейросети. До 22 октября дарим скидку 25% на курс.

➡️ Записаться

📊 Simulative

Привет, аналитики! На связи Денис Иванов, продуктовый аналитик и ментор, автор канала Денис и аналитика.

Я работаю 5+ лет в продуктовой аналитике. Успел поработать в Тинькофф и МТС, а также в больших международных продуктах. У меня есть огромнейший опыт работы с данными и с пониманием пользовательского поведения.

Также я порядка трёх лет занимаюсь менторством и помогаю ребятам войти в аналитику с полного нуля. Я видел разные кейсы на своём пути, поэтому я точно знаю, как понять, какое направление в аналитике интересно именно вам. И если вы хотите разобраться во всех направлениях и понять, в чём разница, то вам точно нужно зайти ко мне на вебинар!

👑 Я покажу живые кейсы и чем реально отличаются разные аналитики. Разложу по полочкам задачи, инструменты и их роль в бизнесе. Дам простой план, как прокачать базу, чтобы быть востребованным — без воды, с примерами и ответами на ваши вопросы.

Хотите понять, куда идти в аналитике и не тратить месяцы на лишнее? Приходите 2 октября в 19:00 МСК, подключайтесь на эфир и берите блокнот. Разберёмся вместе!

➡️ Зарегистрироваться на вебинар

📊 Simulative

6 ситуаций, когда пригодятся навыки из тренинга по продвинутому SQL

Привет всем, кто работает с SQL! Снова на связи Владимир Лунев, автор тренинга «Продвинутый SQL».

В реальной работе аналитика редко бывает достаточно просто написать SELECT *. Гораздо чаще вы сталкиваетесь с задачами, где нужно понять, почему данные ведут себя так, убедиться в их корректности, ускорить расчёт или смоделировать последствия решений. Именно для таких ситуаций и предназначены навыки, которые даёт программа тренинга.

Рассмотрим ряд ситуаций, где нам могут помочь глубокие знания SQL:

➖ Запрос выполняется часами, а решение нужно сегодня
Вы не ждёте помощи от DBA. Вместо этого запускаете EXPLAIN ANALYZE, выявляете проблему: неоптимальное сканирование, раздувание из-за JOIN «1 ко многим», неверная оценка кардинальности. Корректируете структуру запроса, переносите агрегацию, учитываете статистику — и сокращаете время выполнения в десятки раз.

➖ В отчёте подозрительный всплеск или аномалия
Вместо того чтобы сразу делать выводы, вы проверяете качество данных: ищете дубли, NULL-значения, логические противоречия (например, дата отгрузки раньше даты заказа). Пишите скрипты количественной/качественной проверки данных и находите проблему в бизнес-правиле или баг-источнике.

➖ Нужно оценить тренд или предсказать поведение
Вы строите скользящие средние, анализируете задержки между событиями, выявляете аномалии — всё это с помощью оконных функций и продвинутых FRAME-спецификаций (RANGE BETWEEN, нестандартные интервалы). Даже простой линейный тренд можно рассчитать прямо в SQL, чтобы дать количественную оценку динамики.

➖ Вас просят оценить гипотетическое решение: «А что, если…?»
Вы создаёте параметризованные CTE, моделируете несколько сценариев (базовый, оптимистичный, пессимистичный), сравниваете их по ключевым метрикам и готовите данные, готовые к визуализации, без ручной правки в Excel.

➖ Сложная метрика даёт контринтуитивный результат
Вы не принимаете цифру на веру. Проверяете, не искажена ли она перекосом сегментов, неполными данными или ошибкой в агрегации (например, SUM(x)/SUM(y) вместо среднего по сущностям). Перестраиваете расчёт, добавляете фильтрацию внутри окон и получаете корректный показатель.

➖ Требуется проанализировать цепочку событий или иерархию
С помощью WITH RECURSIVE вы восстанавливаете полные пути пользователей, отслеживаете обрывы воронок, выявляете зацикленные процессы и сегментируете по глубине взаимодействия — даже когда исходные данные не хранят порядок явно.

🟡 Эти навыки формируют мышление, ориентированное на данные: критическое, структурированное, нацеленное на качество и причинно-следственные связи. Благодаря им вы не просто получаете информацию — вы понимаете её, проверяете и превращаете в обоснованные решения.

👑 Стать продвинутым SQL-щиком со скидкой

📊 Simulative

BI, маркетинговая, продуктовая — чем вообще отличаются направления в аналитике? Разберёмся на вебинаре

Если вы только начинаете погружаться в аналитику, все термины могут звучать одинаково. Но именно в нюансах скрывается выбор профессии. Одним ближе работа с продуктом и людьми, другим — с цифрами и моделями.

Сегодня на вебинаре с Денисом Ивановым мы разберём реальные кейсы из бизнеса, которые (надеемся) дадут вам ответ на вопрос, какое направление аналитики выбрать.

Что получите на встрече:
✅ Поймёте, какие направления аналитики существуют и чем они реально отличаются;
✅ Узнаете, зачем компании нанимают специалистов разных профилей и какие задачи они решают;
✅ Разберётесь, какие навыки стоит прокачать новичку;
✅ Оцените плюсы и минусы каждого направления и поймёте, где проще начать путь.

Подключайтесь сегодня в 19:00 МСК и задавайте вопросы эксперту в прямом эфире!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Представляем ментора на новом потоке «Аналитика данных»

И это… Александр Грудинин, Lead Data Analyst в AdTech Holding!

В августе мы уже знакомились, но напомним основные факты про ментора:

1️⃣ Моё первое знакомство с данными началось в Т-Банке, и тогда я понял, что мало просто знать Excel — нужно разбираться в данных так, чтобы они рассказывали истории.

2️⃣ Потом был опыт работы в других крупных банках — Юникредит, Промсвязьбанк, Газпромбанк. Там я углублял знания в SQL, Python и BI инструментах, погружался в автоматизацию, а также принимал участие в создании аналитической инфраструктуры.

Тогда приходило понимание, что аналитика — это не просто цифры, а решения. Один правильно построенный отчёт может сэкономить часы работы целой команде и принести значительную прибыль для бизнеса.

3️⃣ Сейчас я работаю в AdTech Holding — международной компании, которая занимается рекламой в интернете. Здесь я работаю с большими данными и сложными аналитическими системами. Продолжаю учиться сам и параллельно помогаю другим аналитикам и новичкам разобраться в предмете.

Главное, что я понял за эти годы: аналитика — это не про идеальные знания всех инструментов. Это про то, чтобы задавать правильные вопросы, не бояться пробовать и постоянно учиться.

Поток стартует 24 октября, а до этого времени у вас есть возможность подключиться на супервыгодных условиях — со скидкой 25%!

🔗 Записаться на поток

📊 Simulative

Разбираем рабочий день джуна в прямом эфире

Как будет выглядеть ваш день в роли джуниор-аналитика? На вебинаре разберём, какие задачи чаще всего встречаются у новичков: от ad-hoc запросов и дашбордов до исследований и маркетинговой аналитики.

Встреча будет особенно полезна тем, кто только присматривается к профессии.

Вместе с Александром Грудининым, Lead Data Analyst в AdTech Holding, мы пройдёмся по реальным рабочим ситуациям, посмотрим и обсудим, какие навыки нужны джуну на старте для того, чтобы с первого дня приносить пользу бизнесу. А главное — сможете задать вопросы и понять, насколько вам подходит работа аналитиком данных.

В ходе вебинара разберём:
➖ Какие бывают форматы задач аналитика: продуктовые, маркетинговые, исследовательские;
➖ В каких форматах происходит планирование задач и кто является их заказчиком;
➖ В каких форматах нужно презентовать результаты (от дашбордов до коротких отчётов);
➖ Что нужно знать джуну, чтобы чувствовать себя уверенно в первые месяцы работы;
➖ Какие проекты стоит добавить в портфолио, чтобы заинтересовать работодателя: посмотрим на поиск работы глазами нанимающего специалиста.

❗️ Встречаемся 7 октября в 19:00 МСК.

♾ Подключайтесь в прямой эфир, чтобы задать вопросы и понять, подходит ли вам профессия аналитика данных!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Привет! Это Кристина Желтова, и я рада сообщить, что буду менторить на следующем потоке курса «ML-инженер»! 🔥

Напомню новоприбывшим основные факты о себе:

1️⃣ Работаю уже более 5 лет в области машинного обучения и Data Science. Сейчас активно развиваю аналитические решения и ML-продукты на сеньорных и руководящих позициях. Сейчас работаю директором по разработке моделей в Газпромбанке.

2️⃣ У меня богатый опыт в области классического машинного обучения: реализовывала проекты по оптимальному размещению АТМ и торговых точек с использованием геопространственной аналитики, разрабатывала систему кредитного скоринга с нейросетевыми моделями, а также решения для модерации контента, построения RAG-пайплайнов и систем матчинга текстов с помощью NLP и LLM моделей.

3️⃣ Я преподаю на курсах по машинному обучению, глубокому обучению и анализу естественного языка в ведущих российских вузах: ИТМО, УрФУ и ЧелГУ.

4️⃣ Выпускница магистратуры по искусственному интеллекту ИТМО × Napoleon IT, где также выступаю ментором и экспертом образовательных программ.

До 15 октября можно записаться на курс по самым ранним ценам, успевайте!

➡️ Узнать подробнее о курсе и оставить заявку

📊 Simulative

Привет, команда Simulative на связи! 🚀

Напоминаем, что у нас есть бесплатный курс «Основы ML» — база по машинному обучению, которую можно освоить с нуля.

Машинное обучение уже перестало быть узкой нишей: оно проникает в аналитику, маркетинг, финансы, медицину и IT. Даже аналитикам, которые пока не планируют карьеру в ML, такие навыки дают серьёзное преимущество — понимание моделей, умение работать с прогнозами и готовить данные для более сложных задач.

На курсе вы:
🟠 Шаг за шагом соберёте свои первые модели даже без глубоких знаний Python и математики;
🟠 Прокачаете портфолио с реальными проектами и мини-контестами на Kaggle;
🟠 Получите поддержку комьюнити и преподавателя-эксперта.

И всё это бесплатно! А главное, практично: мы не ограничиваемся теорией, вы сразу пробуете инструменты, которые востребованы на рынке.

➡️ Если вы учитесь на аналитика или уже работаете им — добавьте себе навык, который выделит вас среди коллег.

Записывайтесь и начинайте свой путь в ML сегодня!

➡️ Зарегистрироваться на бесплатный курс

📊 Simulative

Снова команда Simulative на связи!

На этот раз добавили в курсы небольшую, но важную фичу: заметки ✨

Теперь во время просмотра занятий можно конспектировать важное и закреплять полученные знания!

В заметки можно писать текст, а также сохранять некоторые блоки — например, видео и блоки кода. В дальнейшем добавим возможность прикреплять фото и галерею.

Опробовать вы можете уже сейчас на курсах Simulative.

Ну как, полезная функция? Пишите в комментариях, чего ещё не хватает — всё передадим в заботливые руки продуктовой команды 🧡

📊 Simulative

Привет! На связи Александр Грудинин, Lead Data Analyst в компании AdTech Holding, ментор курса «Аналитик данных».

Один из самых недооценённых навыков аналитика — умение упаковать результаты так, чтобы их поняли и коллеги, и менеджер по продукту, и маркетолог, и CEO. Можно три дня анализировать данные и найти ценные инсайты, но если отправить результаты в неправильном формате, их либо не поймут, либо не прочитают вообще.

Формат коммуникации зависит от трёх ключевых факторов: кто будет читать, какая цель и как часто результаты будут использоваться. Именно эти параметры определяют, нужен ли вам интерактивный дашборд или достаточно короткого сообщения в чате.

Основные форматы:

➖ Интерактивные дашборды (Tableau, Power BI, Superset и т. д.) — для регулярного мониторинга метрик продуктовыми командами и маркетологами. Дашборды могут отличаться уровнем детализации и степенью проработки, в зависимости от указанных выше факторов. И на самом деле это тема на ещё один пост 🙂
➖ Презентации (PowerPoint, Google Slides, Miro) — для встреч, в том числе с руководством, где важны ключевые выводы без лишних деталей.
➖ Текстовые отчёты (Notion, Confluence, Google Docs/Word, локальная wiki) — для детальных ad hoc-анализов с описанием методологии и рекомендациями.
➖ Сообщения в чатах (Slack, Telegram и т. п.) — для оперативных ответов с одним-двумя графиками и кратким выводом.
➖ Email-рассылки — для регулярных еженедельных или ежемесячных отчётов широкому кругу стейкхолдеров.
➖ Jupyter Notebooks, SQL-скрипты — для воспроизводимого технического анализа, который изучат другие аналитики.
➖ Таблицы (Excel, Google Sheets) — для детальных данных, которые нужно изучать построчно.

Кроме того, часто встречаются гибридные форматы аналитических записок. Здесь вы делитесь как основными выводами для коллег из бизнеса, так и ходом анализа вместе с кодом и всеми деталями — для желающих погрузиться в контекст и ход анализа.

🤔 Если вы только думаете о том, чтобы начать учиться, и пока что имеете слабое представление о том, какой он — рабочий день аналитика, регистрируйтесь на вебинар, который пройдёт уже завтра, 7 октября. На нём мы разберём рабочий день джуна и вы получите представление о профессии из первых уст.

✅ Зарегистрироваться на вебинар

📊 Simulative

Практикуем SQL на кейсе интернет-магазина

SQL — ключевой инструмент аналитика, но уметь писать запросы недостаточно. Главная задача — превратить сырые данные в понятные бизнес-решения.

На вебинаре с Вугаром Дамировым мы разберём реальный кейс e-commerce и покажем полный цикл работы: от написания SQL-запроса до визуализации выводов в Superset. Вы увидите, как аналитик находит точки роста для бизнеса и какие конкретные метрики нужно уметь извлекать из базы.

На вебинаре расскажем:
➖ Как писать SQL-запросы для извлечения ключевых бизнес-метрик на примере данных интернет-магазина;
➖ Как находить драйверов и аутсайдеров продаж, чтобы оптимизировать ассортимент и маркетинговые усилия;
➖ Как определить самых ценных клиентов (с высоким средним чеком AOV) и сезонность продаж для точного планирования;
➖ Как визуализировать SQL-выводы в инструментах типа Superset (или BI-аналогах), чтобы результат был понятен руководителю;
➖ Как находить и представлять ценные инсайты для бизнес-заказчиков.

❗️ Встречаемся 8 октября в 19:00 МСК

♾ Подключайтесь к прямому эфиру, чтобы задать Вугару вопросы по SQL, бизнес-кейсу и инструментам визуализации. Получите готовый мини-проект для своего портфолио!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Приветствую, любители аналитики! На связи Павел Беляев, ментор курса «Аналитик данных», ведущий Тимлидского об аналитике.

Известно, что главные hard skills для аналитика данных — это Python и SQL. Расскажу, для каких задач они используются у нас в eLama.

⚡️ SQL
Прежде всего, это язык «общения» с базами данных, будь то источники или аналитическое хранилище. Чтобы что-то положить в БД или взять оттуда, мы прибегаем к SQL, даже если операция производится из Python-скрипта.

Например, вот так выглядит выполнение запроса к Clickhouse:

from clickhouse_driver import Client  # библиотека для работы с Clickhouse
from env import YANDEX_TOKEN, CLICKHOUSE_HOST, CLICKHOUSE_USER, CLICKHOUSE_PASSWORD
client = Client(  # создаем подключение
    host=CLICKHOUSE_HOST, 
    port=9000,
    user=CLICKHOUSE_USER, 
    password=CLICKHOUSE_PASSWORD
)
query = "SELECT * FROM datamart.data_table"
result = client.execute(query)  # исполняем SQL-запрос

Кроме того, большую часть преобразований данных, то есть реализацию витрин данных, мы производим тоже на SQL. Код преобразований в виде представлений (view), как и сами данные, располагается в аналитическом хранилище (в нашем случае — в Clickhouse). Представления — это, по сути, сохранённые запросы, к которым можно обращаться как к таблицам.

Код представлений может быть довольно велик и сложен, но всё же остаётся более наглядным и удобным для чтения, чем Python-код, выполняющий аналогичные действия.

⚡️ Python
Его используем для автоматизации работы с данными, а также для сложных расчётов, неосуществимых на SQL. К задачам автоматизации можно отнести:

➖ Сбор и транспорт сырых данных из источников (БД, API, файлы и т. д.) в аналитическое хранилище;
➖ Выполнение регулярных задач: обновление витрин данных, проверка качества данных, поиск устаревших витрин и т. д.

Сложные вычисления, такие как прогнозирование, кластеризация, классификация тоже реализуются средствами Python, ведь в нём имеется огромный арсенал библиотек, закрывающих любые потребности аналитика.

Наконец, на питоне можно создавать свои сервисы для заказчиков не-аналитиков. Например, у нас имеется:
➖ Self-Service, позволяющий пользователю, не зная кода, установить в формочке нужные параметры и получить выгрузку с данными;
➖ Сегментатор, который извлекает сегменты юзеров по заданным критериям;
➖ Классификатор тематик, определяющий тематику указанного сайта по его контенту и другие.

Все они написаны на Python.

Python — невероятно мощный инструмент благодаря своей компактности, простоте и многофункциональности. И при этом он быстро интегрирует в себя новые тренды. Например, использование нейросетей в питоне — дело нескольких строк кода!

Словом, SQL это база, а Python — это серьёзная работа. Каким языком чаще пользуетесь вы и для каких задач?

📊 Simulative

Хотите не просто работать с данными, а превращать их в понятные и ценные инсайты для бизнеса?

Курс «BI-аналитик» поможет прокачать этот навык и освоить профессию, которая востребована во всех компаниях, где решения принимаются на основе данных.

На курсе вы:
🟠 Разберётесь в ключевых продуктовых метриках и поймёте, как их использовать в аналитике;
🟠 Научитесь визуализировать данные и создавать понятные, логичные и красивые дашборды;
🟠 Освоите работу с Power BI и Superset — двумя самыми популярными BI-системами;
🟠 Поймёте, как устроены базы данных и хранилища на примере PostgreSQL и Clickhouse, и научитесь писать SQL-запросы.

Успевайте — уже в эту пятницу стартует новый поток! Залететь в него можно со скидкой 25% ✨

Если хотите научиться объяснять бизнесу цифры простым языком и строить решения на основе данных — присоединяйтесь!

➡️ Оставить заявку

📊 Simulative

Привет! Это Владимир Лунев, автор тренинга «Продвинутый SQL». Принёс вам задачу под вечер по анализу продаж в интернет-магазине электроники. Пишите в комментариях решение, завтра опубликуем верный ответ:

Интернет-магазин продаёт смартфоны, ноутбуки и аксессуары. Все заказы хранятся в одной таблице (orders). Менеджер хочет понять, какие товары приносят больше всего выручки и как обстоят дела с возвратами и даёт поручение аналитику.

Таблица orders
    order_id     SERIAL PRIMARY KEY,
    customer_id  INTEGER,
    product_name TEXT,
    category     TEXT CHECK (category IN ('smartphone', 'laptop', 'accessories')),
    order_date   DATE,
    amount       NUMERIC(10,2),
    is_returned  BOOLEAN

❓ Найдите общую сумму невозвращённых заказов (is_returned = FALSE) за март 2024 года по каждой категории.

➖ Выведите category и total_revenue (сумма amount).
➖ Отсортируйте по убыванию выручки.

Какой из запросов, написанных аналитиком, верен?

A)

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    order_date >= '2024-03-01' 
    AND order_date < '2024-04-01'
    AND is_returned = FALSE
GROUP BY 
    category
ORDER BY 
    total_revenue DESC;

B)

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    order_date >= '2024-03-01' 
    AND order_date < '2024-04-01'
GROUP BY 
    category
HAVING 
    is_returned = FALSE
ORDER BY 
    total_revenue DESC;

C)

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    EXTRACT(MONTH FROM order_date) = 3
    AND is_returned IS DISTINCT FROM TRUE
GROUP BY 
    category
ORDER BY 
    total_revenue DESC;

📊 Simulative

Всем привет! На связи Кристина Желтова, ментор курса «ML-инженер» 👋

Помните свой первый проект в ML? У меня это было аж десять лет назад — ещё в колледже, когда я пыталась создать модель для кластеризации музыки, чтобы находить похожие, но не полностью идентичные аудиозаписи (не как в Shazam! 😅).

Сейчас задача звучит как вполне решаемая, но в то время, в мире, где не было готовых курсов, понятных гайдов, а scikit-learn только-только начинал набирать популярность, каждый алгоритм приходилось писать с нуля, продираясь сквозь англоязычные научные статьи. Довольно часто из-за очевидных ошибок кластеризация не заводилась или работала не так, как должна, и не было GPT, чтобы подсказать, где ошибка.

Однако самое сложное было не в математике или программировании. Самое сложное — это отсутствие комьюнити. Не было Telegram-чатов с экспертами, YouTube-каналов с разборами алгоритмов, понятных курсов без математической жести.

Но знаете что? В итоге оно получилось, заработало, а со временем пришло понимание алгоритмов, накопилась база знаний, появились пет-проекты, первая работа в ML, хотя путь был в разы сложнее, чем мог бы быть с правильным наставничеством.

Сильно позже, когда я уже начала преподавать, у меня была чёткая цель: стать тем ментором, которого мне так не хватало. Я знаю, каково это — тонуть в статьях, книгах, курсах, не понимая, как структурировать свой путь и применить теорию на практике.

Сейчас, работая над курсом «ML-инженер», я делаю то, о чём когда-то мечтала — адаптирую сложный материал для людей разного уровня, превращаю математические формулы в понятные объяснения и показываю, как теория работает в реальных проектах.

Приглашаю вас присоединиться и начать путь в машинном обучении без боли и страхов, под руководством опытного ментора 🧡

➡️ Записаться на поток ML-инженера со скидкой 25%

📊 Simulative

Разбираем задачу по анализу продаж в интернет-магазине электроники

Условия задачи и вопрос тут, а мы делимся решением 👇

Правильный ответ: A (ставьте 🎉, если решили верно)

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    order_date >= '2024-03-01' 
    AND order_date < '2024-04-01'
    AND is_returned = FALSE
GROUP BY 
    category
ORDER BY 
    total_revenue DESC;

Почему верно:
➖ Фильтр по дате: >= '2024-03-01' AND < '2024-04-01' — включает весь март 2024, не включает апрель, надёжно для DATE и TIMESTAMP.
➖ Фильтр по возвратам: is_returned = FALSE — включает только невозвращённые, исключает TRUE и NULL.
➖ Группировка: GROUP BY category — по условию задачи.
➖ Сортировка: ORDER BY total_revenue DESC — по убыванию выручки.
➖ Результат соответствует задаче.

B — ошибка: неправильное использование HAVING

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    order_date >= '2024-03-01' 
    AND order_date < '2024-04-01'
GROUP BY 
    category
HAVING 
    is_returned = FALSE
ORDER BY 
    total_revenue DESC;

➖ Ошибка: HAVING is_returned = FALSE — неправильно, потому что HAVING используется только для агрегатных функций (например, HAVING SUM(amount) > 1000). is_returned — обычное поле, а не агрегат.
➖ СУБД (например, PostgreSQL) выдаст ошибку, запрос не выполнится, и задача не будет решена.

C — ошибка. Здесь допущены логические и смысловые ошибки

SELECT 
    category,
    SUM(amount) AS total_revenue
FROM 
    orders
WHERE 
    EXTRACT(MONTH FROM order_date) = 3
    AND is_returned IS DISTINCT FROM TRUE
GROUP BY 
    category
ORDER BY 
    total_revenue DESC;

➖ Нет фильтра по году: EXTRACT(MONTH FROM order_date) = 3 — включает все марты всех лет, а не только 2024.
➖ Неправильная обработка NULL: is_returned IS DISTINCT FROM TRUE — включает NULL, т. е. заказы, статус которых неизвестен, как если бы они не были возвращены.
➖ NULL IS DISTINCT FROM TRUE — TRUE-строка попадает в сумму.
➖ Результат: завышенная выручка, включая заказы из других лет и с неизвестным статусом.

📊 Simulative