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

☝️ Через час встречаемся на вебинаре с Вугаром Дамировым!

🏃‍♂️ Успеть зарегистрироваться

📊 Simulative

Сколько вы зарабатываете?

Не пишите в комментариях, а то мы обзавидуемся 😁

А вот коллегам из NewHR можно рассказать — они готовят очередное исследование рынка аналитиков и приглашают вас поучаствовать.

Что исследуют?
🟠 Зарплаты аналитиков и их динамику;
🟠 Рейтинг работодателей для аналитиков;
🟠 Где и как работают аналитики;
🟠 Как меняется зона ответственности аналитиков;
🟠 Как аналитики ищут работу и выбирают работодателя;
🟠 Чему учатся аналитики и каких экспертов котируют.

Зачем это вам?
Держать руку на пульсе, корректировать свой карьерный трек и знать, чего хочет бизнес от аналитиков и чего хотят сами аналитики.

Опрос займёт около 20 минут. Все участники получат ранний доступ к результатам и приглашение на закрытый эфир с инсайтами исследования 😱

♾ Заполнить опросник

📊 Simulative

Погружаемся в инженерию данных вместе с Георгием Семеновым

Да, он снова будет ментором на следующем потоке курса «Инженер данных»! Напомним факты о нём:

🟠 Более 14 лет Георгий управляет IT-проектами и продуктами, командами инженеров и аналитиков. Последние 7 лет внедрял и развивал аналитические решения и платформы на сеньорных и руководящих позициях в компаниях VK, Wildberries, СТС, ЦУМ, ВТБ. В настоящее время партнёр и CDO в стартапе Ai-Minds.

🟠 У Георгия большой опыт в области Data Governance, Data Architecture, Data Engineering и Business Intelligence. Работал с различными технологиями и архитектурами данных, инфраструктурами от одного до сотен серверов, десятков петабайт данных и десятков тысяч датасетов. Вывел в прод сотни пайплайнов и десятки дата-продуктов, включая ML-сервисы.

🟠 Кроме того, Георгий преподаёт анализ данных в НИУ ВШЭ, а также провёл более 150 индивидуальных консультаций, поэтому в его менторской экспертизе можно не сомневаться!

До 22 октября можно записаться на поток с Георгием по самым ранним ценам — со скидкой 25%!

➡️ Узнать подробности и оставить заявку

📊 Simulative

С чего начинается путь аналитика: Excel, SQL или Python?

Привет, аналитики! На связи Александр Грудинин, ментор курса «Аналитик данных».

Любой путь в аналитику начинается с освоения фундамента, и этим фундаментом почти всегда выступает Excel. Именно он в самой доступной форме знакомит новичка с сутью работы — табличными данными. В Excel вы учитесь мыслить строками и столбцами, осваиваете базовые, но незаменимые операции: сортировку, фильтры, формулы и сводные таблицы. Это необходимая база, которая развивает «чувство данных» и готовит к работе с более сложными инструментами.

Однако в реальной работе данные редко живут в одном файле, они хранятся в базах данных. Здесь в игру вступает SQL — язык для их извлечения, который образует мощную связку с Excel. С помощью SQL вы запрашиваете и получаете гигантские массивы информации, а затем часто выгружаете их в привычный Excel. Эта комбинация — ежедневная рутина аналитика для быстрой проверки гипотез и подготовки отчетов.

Когда объёмов данных становится слишком много даже для связки SQL и Excel, а для анализа требуются сложные вычисления или автоматизация, на сцену выходит Python. С помощью его мощных библиотек, таких как Pandas, можно эффективно обрабатывать огромные датасеты, проводить сложный анализ и строить модели. Python — это ваш швейцарский нож для решения множества задач.

❓ Так какой же путь выбрать новичку? Идеальная траектория — осваивать инструменты поэтапно: начните с Excel, чтобы понять основы, затем уверенно овладейте SQL, чтобы самостоятельно доставать любую информацию. И уже после этого переходите к Python для углублённой аналитики и автоматизации. Такая последовательность создаст самый прочный фундамент для вашей карьеры.

👇 Расскажите в комментариях, с чего вы начали свой путь в аналитике?

📊 Simulative

Как построить карьеру в машинном обучении, если вы уже знаете Python

Если вы работаете с Python — пишете скрипты, анализируете данные или автоматизируете задачи — вы можете сделать следующий шаг и применить эти навыки в машинном обучении.

ML — одна из самых быстрорастущих областей IT с высокими зарплатами и сложными задачами. На вебинаре от Кристины Желтовой, директора по разработке моделей в Газпромбанке, вы получите пошаговый план, как стать ML-инженером.

В ходе вебинара разберём:
➡️ Из каких сфер чаще всего приходят в профессию ML-инженера;
➡️ Какие задачи решают специалисты в этой области;
➡️ Какие навыки, технологии и инструменты потребуются для старта в профессии;
➡️ Как перейти от теории к работе с реальными моделями и решению проблем бизнеса.

❗️ Встречаемся 15 октября в 19:00 МСК.

💬 Обязательно ждем вас в лайве — вы сможете напрямую задать свои вопросы Кристине Желтовой и выстроить личный план перехода в профессию ML-инженера!

➡️ Зарегистрироваться на вебинар

📊 Simulative

Желаем вам отдохнуть на выходных! И пусть дела подождут 😉

📊 Simulative

😶🍏🍏🍏😶
😶🍎🍎🍎😶
😶🍏🍏🍏😶

Отлично, вы рассортировали яблоки по контейнерам! А теперь сортируем данные с помощью ORDER BY:

https://simulative.ru/blog/sql-order-by

📊 Simulative