Привет! Георгий Семенов, ментор потока «Инженер данных», на связи 👋🏻

Продолжаем говорить о дежурствах. Как проходит дежурство инженера данных и какие инструменты ему помогают?

Обычно план дежурного на день такой:
1. Собрать актуальный список инцидентов и определить приоритет их обработки;
2. Обрабатывать их в порядке приоритета, периодически проверяя, не появилось ли новых критичных инцидентов.

В зрелых инженерных командах есть система инцидент-менеджмента, которая собирает инциденты в одном месте, определяет их критичность и позволяет инженеру коммуницировать с пользователями, централизованно уведомляя их о проблемах и сроках их устранения.

Идеальный расклад, когда дежурный просто берёт инциденты подряд из очереди, которая волшебным образом уже отсортирована в этой системе. Но в реальности дежурный всё равно должен включать голову и самостоятельно корректировать приоритеты. В первую очередь потому, что помимо критичности задачи важна ещё и скорость ее устранения. Например, часто бывает выгодно за полчаса сделать пару чуть менее срочных задач, прежде чем приступить к самой критичной, которая займёт весь день. Но оценка сложности решения — это задача творческая, автоматизировать которую не так-то просто.

Что делать, когда такой системы нет? Попытаться её создать 🙂

А до тех пор дежурному инженеру придётся постоянно переключаться между тремя «экранами»: панелью мониторинга пайплайнов, списком входящих обращений и алерт-сообщениями. Объединяя информацию из этих трёх точек, инженер составляет полный список инцидентов.

Разберёмся подробнее, что скрывается за каждым из этих «экранов»:

💻 Панель мониторинга пайплайнов
Обычно это стартовая страница оркестратора (например, Airflow), где видно все пайплайны и их статус, и можно быстро понять, какие из них упали или зависли. Отсюда можно провалиться в конкретный пайплайн, посмотреть подробные логи и попытаться локализовать быстро проблему, т. е. найти её причину.

В процессе локализации часто приходится также обращаться к дашбордам с техническими графиками, когда есть подозрение, что ошибки связаны не с данными или кодом пайплайнов, а с софтом или железом. Такие дашборды инженеры часто делают отдельно в Grafana — своём любимом инструменте мониторинга систем.

💻 Список входящих обращений
Иногда бывает так, что проблема есть, но мониторинг/алертинг по каким-то причинам её не подсвечивает. В таком случае входящие обращения — единственный способ обнаружить проблему. Они могут поступать в таск-трекер, чат поддержки, на почту или куда-то ещё. И дежурный должен просматривать и реагировать на них, особенно если есть срочные запросы от пользователей. Но наличие нескольких разных чатиков и трекеров, с которыми надо работать, серьёзно снижают скорость решения проблем.

💻 Алерт-сообщения
У инженеров часто настроен автоматический алертинг: об ошибках в работе пайплайнов, о проблемах в самих данных, о критических состояниях платформы. Алерты отправляют в Telegram-бота или специальный приватный канал в рабочем мессенджере. Они очень удобны для оперативного обнаружения критичных проблем, особенно в течение дня (вы ведь не будете каждые 5 минут смотреть на панель мониторинга).

Однако часто в канал льются вперемешку все ошибки, включая неприоритетные, и этот «экран» превращается в свалку. Важно не допускать этого и по-разному алертить об инцидентах разного уровня критичности.

За скобками остался сам процесс локализации решения инцидента, но это отдельный вид искусства, о котором можно говорить часами.

Зеленых пайплайнов вам, друзья! До встречи на курсе «Инженер данных» 🙂

📊 Simulative

Вебинар: реальный путь в BI — от автора канала «Дашбордец»

Telegram-канал «Дашбордец» — это не просто сообщество про дашборды и графики. Сообщество объединяет в себе реальные истории людей, которые нашли себя в аналитике. Дарья, автор канала, прошла этот путь сама — без профильного образования и IT-опыта.

На вебинаре она честно расскажет, как в BI приходят люди «не из цифр»: бывшие маркетологи, экономисты, преподаватели и даже юристы. Разберём живые кейсы — кто как менял профессию, что помогло не сдаться и почему первый дашборд почти всегда кривой (и это нормально).

➡️ Зарегистрироваться на вебинар

О чём поговорим:
🟠 Реальные сценарии входа в BI без технической базы: шаги, ошибки и работающие стратегии.
🟠 Истории учеников и коллег: от стажировок до роста внутри компании.
🟠 Страхи, которые мешают начать, и как с ними справиться, если кажется, что «слишком поздно».
🟠 Почему BI — это один из самых быстрых и осмысленных способов войти в мир данных.

❗️ Встречаемся 14 ноября в 19:00 МСК

➡️ Зарегистрироваться на вебинар

📊 Simulative

Всем привет! На связи Андрон, основатель Simulative 👋🏻

Есть одна штука в аналитике, которая мне кажется самой сложной — как с точки зрения работы над ней, так и просто морально.

💭 Представьте ситуацию (а может, вы как раз сейчас её проживаете) — вы потратили уйму времени на изучение всяких питонов, баз данных, метрик, BI-систем и прочего. Затем вы практиковались генерировать гипотезы / искать инсайты / делать ценные выводы и иже с ним. «Вот это я красавчик» — думаете вы.

А потом жизнь подкидывает простую задачку — например, проанализировать, почему упали продажи или как увеличить оборачиваемость. Вы уверены в себе на 100% — вы к этому шли и сейчас проявите себя по полной. А потом садитесь работать... и понимаете, что не можете ничего решить — всё как в тумане... Все конверсии какие-то одинаково средние и одинаково нормальные, причины падения не прослеживаются, у данных слишком много признаков и непонятно, под каким углом на них посмотреть, чтобы хотя бы что-то вменяемое увидеть.

💡 И приходит понимание, что это была не «просто задачка» — это был полноценный «босс», как в компьютерной игре. И вы ему только что проиграли. А самое страшное, что в голове ноль идей: а что надо сделать, чтобы не проиграть в следующий раз?

Уверен, что ситуация жизненная) Я с таким сталкивался многократно и все мои знакомые тоже — предположу, что выборка достаточно репрезентативна и с таким сталкиваются все.

Это и есть самая сложная штука в аналитике — научиться даже в самой непонятной ситуации делать выводы.

📍 Рано или поздно каждый будет вынужден признать, что аналитика — это туман. Здесь нет чётких алгоритмов в формате «делай так, смотри сюда и смотри под таким углом — найдёшь ответ». И есть две вещи, которые позволяют в этом тумане эффективно искать решения:

1. В аналитике, как в отношениях между людьми или в бизнесе, — есть ряд паттернов / принципов / техник / законов, которыми можно пользоваться, чтобы эффективно докапываться до правильного ответа. И вот эти паттерны можно освоить/изучить.

2. Практика и насмотренность. Когда ты после первого шага загрузил в свою голову набор паттернов и техник, нужно довести их до автоматизма, чтобы твоя нейронка (мозг) научилась автоматически строить ассоциативную связь в формате «такую ситуацию я уже видел — давай глянем сюда и под таким углом». Это просто нужно тренировать — каждый день будет получаться все лучше и лучше.

🎯 Именно об этом будет мой тренинг «Как делать аналитику». Мы вместе разберём, как из тумана неопределённости вытащить ясные выводы, увидеть настоящие точки роста и не теряться, когда данных слишком много, а ответов ноль. Всё через реальные кейсы и работу с настоящими данными.

А моя цель проста: чтобы вы перестали бояться «боссов» в аналитике и научились побеждать их системно.

➡️ Записаться на тренинг

📊 Simulative

«Сколько времени нужно закладывать на обучение на курсах?»

Этот вопрос нам часто задают подписчики и студенты как в комментариях, так и на вебинарах.

Если коротко — всё зависит от вас. От вашего стартового уровня, привычки к учёбе и того, насколько быстро вы схватываете материал.

Но чтобы было проще ориентироваться, рассказываем, как мы проектировали программу. Мы закладывали формат, комфортный для взрослого человека с работой или учёбой:

⌨️ 3–4 часа вечером, несколько дней в неделю.

Такой темп позволяет стабильно двигаться вперёд, не выгорая и не выпадая из ритма жизни.

📆 В среднем программа рассчитана на 8 месяцев, на продвинутом и VIP-тарифах можно идти в своём темпе. На базовом тарифе проверка проектов идёт по расписанию, но все материалы остаются у вас навсегда.

Главное — не гнаться за чужим темпом. Лучше учиться регулярно и осознанно — тогда знания точно осядут, а не пролетят мимо.

Выбирайте курсы Simulative со скидкой до 35% и двигайтесь навстречу новым знаниям 💪🏻

📊 Simulative

Типовая ошибка джунов в аналитике: неверная агрегация данных

Привет! Это Вячеслав Потапов, ментор потоков «Аналитика данных» и «BI-аналитика» (кстати, стартуем сегодня!).

Одна из самых частых ошибок начинающих аналитиков — неправильно считать метрики при объединении данных из разных таблиц. Ошибка кажется мелкой, но может полностью сломать выводы и привести к неверным решениям.

Допустим, у вас есть две таблицы:

orders (заказы):

order_id  user_id  revenue
1  101  1 200
2  102  800
3  101  600

users (пользователи):

user_id  city
101  Москва
102  Казань

Задача: посчитать выручку по городам.

Многие начинающие аналитики пишут такой SQL:

select 
    city,
    sum(revenue) 
from orders
join users using(user_id);

И вроде работает. Но когда в users появляются дубликаты user_id (что в реальных данных происходит постоянно), метрика взлетает в 2-3 раза.

Почему? Потому что JOIN превращает строки вот во что:

user_id 101 = два дубликата в users

Каждая строка в orders умножается ×2, и сумма revenue становится неверной.

Ваш график растёт, менеджер радуется… а потом узнает, что таблица пользователей грязная, и реального роста не было.

Почему так происходит?

Любой JOIN работает как декартово произведение подходящих строк. Если справа две строки на одного user_id, то каждая строка слева размножается. Это не ошибка SQL, это ошибка логики аналитика.

Как правильно? Есть три безопасных паттерна.

1️⃣ Убедиться, что правая таблица уникальна:

select 
    city,
    sum(revenue)
from orders o
join (
    select distinct user_id, city from users
) u using(user_id)
group by 1;

2️⃣ Агрегировать users заранее:

select 
    city,
    sum(revenue)
from orders o
left join (
    select user_id, max(city) as city
    from users
    group by user_id
) u using(user_id)
group by city;

3️⃣ Делать агрегацию до JOIN, если возможно:

with revenue_by_user as (
    select user_id, sum(revenue) as user_rev
    from orders
    group by user_id
)
select city, sum(user_rev)
from revenue_by_user r
join users u using(user_id)
group by city;

Вывод:
➖ JOIN'ы редко ломают SQL;
➖ JOIN'ы часто ломают аналитику.

Потому что источник проблемы — дубликаты в данных, о которых джуны обычно не знают или не думают.

Будьте внимательны: неправильная агрегация — это один из главных способов ошибиться на реальных задачах.

📊 Simulative

🤔 Кажется, что аналитика — это чисто технарская история. Но вот что видим мы:

1️⃣ На самом деле туда переходят юристы, маркетологи, преподаватели без технической базы. Главное — умение учиться и интерес к данным.

2️⃣ Первый дашборд у всех кривой — и это нормально. На старте важнее логика, чем идеальный код.

3️⃣ В BI заходят в 30, 35 и даже в 40+. Это одна из самых доступных точек входа в IT.

😎 Разберём сегодня на вебинаре все страхи и реальные кейсы вместе с Дарьей Дашбордец Бароновой — она расскажет свою историю входа в BI.

Ждём всех сегодня в 19:00 МСК!

➡️ Зарегистрироваться

📊 Simulative

🏃‍♂️ Успеть за выгодой 🏃‍♂️

📊 Simulative

Вебинар: как ML-инженеры помогают бизнесу зарабатывать больше

ML — это не только сложный код и пугающая математика. Базовые методы доступны каждому, главное — уметь решать бизнес-задачи.

На вебинаре с Марией Жаровой — ML-инженером из команды рекомендательных систем Wildberries и автором канала Easy data, разберём, как ML-специалисты приносят реальный доход бизнесу. Покажем конкретные задачи персонализации, прогнозирования и оптимизации, за которые компании платят ML-инженерам солидные зарплаты.

Что вас ждёт на вебинаре:
➖ Почему ML-инженер требуется почти в любой сфере бизнеса;
➖ Какие задачи ML-инженеры решают на практике;
➖ Какие навыки потребуются для трудоустройства — на примере реальных вакансий;
➖ Практика: сегментация клиентов для предоставления персональных скидок.

❗️ Встречаемся 19 ноября в 19:00 МСК

💬 Регистрируйтесь, чтобы узнать, подходит ли вам профессия ML-инженера. После регистрации — подарим полную карту компетенций: что реально нужно знать, чтобы уверенно чувствовать себя в профессии.

➡️ Зарегистрироваться на вебинар

📊 Simulative

Привет, друзья! Команда Simulative на связи 🧡

28 ноября стартует новый поток курса «Аналитик данных» с менторским сопровождением — это не просто обучение, а совместная работа с экспертом, который поможет пройти путь до результата.

➡️ Забронировать место

Наш ментор нового потока — Илья Ковалев:
🟠 Старший аналитик данных Dodo Brands и автор канала Кусочек пиццы;
🟠 Более 6 лет в анализе данных и бизнес-аналитике;
🟠 Выстраивал e2e-аналитику для международного развития компании: маркетинговая, операционная, клиентская аналитика;
🟠 Активно работал с BI: создавал витрины вместе с DWH, дашборды для внутренних и внешних партнеров с командой BI;
🟠 A/B-тестирование: дизайнил и запускал A/B-тесты, внедрял Causal Inference-методы, мета-анализ A/B-тестов;
🟠 Развивал людей и процессы: активно собеседует и менторит аналитиков, выстраивает взаимодействие с стейкхолдерами.

❗️ На курсе ментор будет рядом на каждом этапе: от установки целей до финального проекта. Он поможет разобраться в сложных темах, ответит на вопросы и поделится реальными инсайтами из индустрии.

Если хотите учиться у практиков и получить живую обратную связь — присоединяйтесь к потоку!

➡️ Узнать больше

Запрос: прочитать статью.
Подзапрос: выписать полезную информацию:

https://simulative.ru/blog/sql-subqueries

📊 Simulative

👩‍💻 Подборка советов по улучшению кода в Python

Как мастер, вы хотите, чтобы ваш код был не просто функциональным, но и красивым как произведение искусства. Или как нейрокомменты под нашими постами 😄

Для аналитиков, дата-инженеров и вообще всех, кто работает с Python, мы подготовили подборку приёмов по созданию кода, который будет читаться как хорошо написанная книга.

Что вы узнаете:

➖ Как использовать длинные, но информативные имена переменных, функций и классов.
➖ Как упаковывать код для повышения читаемости и удобства использования.

Эти техники уже проверены на практике и помогли нашим аналитикам данных создавать качественный код.

💿 Забирайте файл, сохраняйте себе и делитесь с коллегами: https://clck.ru/3QKCrA

📊 Simulative

Готовим ещё один полезный вебинар: как стать аналитиком данных в 2026 году

В 2026 году спрос на аналитиков данных продолжит расти: компании ищут людей, умеющих превращать хаотичные данные в понятные бизнес-решения. Для новичков этот путь кажется сложным — сотни курсов, противоречивые советы, непонятно что и в каком порядке учить, страхи, что не получится осилить программирование или математику.

Павел Беляев, руководитель группы аналитиков в eLama, провёл десятки собеседований, нанимал джунов и знает, что требуется от аналитиков на рынке. На вебинаре он разложит по полочкам, как пройти путь от самого нуля до трудоустройства максимально быстро — без воды, шаблонных советов и устаревших подходов.

➡️ Зарегистрироваться на вебинар

На вебинаре разберём:
🟠 Чёткий пошаговый план выхода на первую работу — только актуальные навыки и инструменты.
🟠 Свежие кейсы новичков: ошибки, решения и быстрый результат.
🟠 Инсайты нанимающего менеджера: что важно на собесах и в резюме в 2026 году.
🟠 Свежие требования из реальных вакансий — составим чёткую картину ожиданий работодателей.

❗️ Встречаемся 20 ноября в 19:00 МСК

💬 Всем зарегистрировавшимся дарим полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения.

➡️ Зарегистрироваться на вебинар

📊 Simulative

Ваш знак, чтобы начать обучение!

По многочисленным просьбам продлеваем акцию к Чёрной пятнице до конца ноября!

🎁 Только до 30 ноября — скидки до 35% на все платные курсы Simulative.
Это возможность пройти программу, после которой студенты уже через 5-6 месяцев выходят на первую работу в аналитике.

Что вы получаете, присоединившись сейчас:
🟠 Структурный путь в аналитику;
🟠 Поддержку менторов-практиков и ревью проектов;
🟠 Готовые проекты в портфолио, с которыми не стыдно идти на собес;
🟠 Доступ к закрытому комьюнити и карьерной поддержке.

Если вы давно хотели перейти в аналитику — это лучший момент, чтобы сделать первый шаг.

➡️ Оставить заявку и зафиксировать скидку

📊 Simulative

Плюсы работы аналитиком данных:
1. Много платят 💵
2. Есть удалёнка ⌨️
3. Большой спрос на специалистов 🔥

Минусы:
1. Нужно быть стрессоустойчивым 🫠
2. Монотонная работа 🖱
3. Переработки — это норма 🤯

Рассказали в статье, кто такой аналитик данных и чем он занимается, а также какие навыки полезно освоить для старта:

https://simulative.ru/blog/who-is-data-analyst

💡 А уже 20 ноября на вебинаре с Павлом Беляевым разберём, как стать аналитиком данных в 2026 году — с примерами, ошибками из опыта и разбором вакансий.

📌 Зарегистрироваться на вебинар

📊 Simulative