🤔 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

Всем привет, это Андрон, основатель Simulative 👋🏻

С момента анонса тренинга «Как делать аналитику» самым частым вопросом, пожалуй, стал вопрос — каким уровнем знаний нужно обладать, чтобы тренинг был полезным. Решил написать про это прям отдельный пост)

А подойдёт ли мне тренинг, если я уже действующий аналитик?

Да, 100% подойдёт. Если вы уже работаете — это прекрасно, вы сможете сразу перекладывать все концепции, которые мы изучаем, на свои бизнес-кейсы. Эффект от обучения в таком случае будет ещё сильнее. Кроме того, вы сможете сразу задавать вопросы — не абстрактно, а по своим конкретным ситуациям.

С точки зрения сферы тренинг довольно универсальный — там и про B2B, и про B2C, и про ecom/ритейл, и про EdTech, и про сервисы, и про услуги — абсолютно разные вертикали бизнеса, так что каждый найдёт для себя что-то интересное.

➡️ Регистрация ⬅️

А подойдёт ли мне тренинг, если я только учусь на аналитика?

И ответ снова — да. Если вы только учитесь, за счёт тренинга вы сможете сразу сформировать правильное мышление и понимание «А зачем я вообще всё это делаю?». Кроме того, у вас будет огромное конкурентное преимущество: через нас проходит много начинающих аналитиков, и поверьте — подавляющее большинство испытывает огромные сложности с продуктовыми кейсами. А у вас этот скилл будет активирован за счёт тренинга.

Сейчас во время учёбы вы просто пишете код и строите какие-то когортные отчёты. А после тренинга вы будете видеть эти когорты насквозь и вопроса «как это применять» у вас точно не возникнет.

Чтобы комфортно себя чувствовать во время тренинга, достаточно знать продуктовые метрики. Если вы учитесь у нас на курсе по аналитике данных — это как раз модуль по продуктовым метрикам. Кстати, а на втором и третьем тарифе мы открываем вам этот модуль в подарок, причём сразу после оплаты — до тренинга у вас ещё будет время подготовиться.

А подойдёт ли мне тренинг, если я менеджер / продакт / маркетолог?

Если вы принимаете решения на основе данных, то да. Например, если работаете с ассортиментом, категорийным менеджментом, закупками и прочим — занятия по оптимизации больших ассортиментных матриц будут вам очень полезны. А если вы маркетолог или менеджер, то занятия по когортам, реверс-инжинирингу, юнитке и прочему — вообще маст-хэв.

В общем, тренинг действительно довольно универсальный. Первый поток мы запускали с прицелом только на одну группу, но после анализа фидбека от студентов я существенно пересобрал всю программу — самих занятий стало больше, некоторые темы поменялись, внутрянка самих занятий изменилась, добавились кардинально новые темы.

Если вам такое интересно — записывайтесь через бота, ещё успеваете по ранним ценам, но осталось всего три дня. Следующий поток будет не скоро, поэтому если вам актуально, лучше вписывайтесь сейчас)

➡️ Регистрация ⬅️

📊 Simulative

Как считать retention: от базовых формул до продвинутых метрик

Привет! На связи Илья Ковалев, ментор курса «Аналитик данных» 👋🏻

Retention или возвращаемость — одна из ключевых метрик в аналитике продукта. Она позволяет ответить на вопрос: сколько пользователей, зарегистрировавшихся в определенный день, вернулись на N-й день?

Привлечь нового пользователя гораздо дороже, чем удержать существующего, поэтому важно следить за этой метрикой. Если retention низкий — пользователи оттекают быстрее, чем успевают принести прибыль компании, и вы просто сжигаете бюджет на привлечение.

Формула простая:

Retention Day N = (Количество пользователей вернувшихся на N-й день / Общее количество пользователей в когорте) x 100%

Например, 1000 пользователей зарегистрировались 1 января. 300 из них вернулись 8 января (Day 7). Retention Day 7 = 300/1000 = 30%.

Очевидно, что каждый раз считать возвращаемость вручную — задача не для дата-аналитика, поэтому смоделируем запрос в SQL.

Допустим, у нас есть таблица events с событиями пользователей формата user_id | event_timestamp | event_name и мы хотим посчитать retention в окнах 1/7/14/30 дней.

Тогда, чтобы посчитать retention, нам необходимо:
1. Найти дату первой активности каждого пользователя (cohort_date);
2. Для каждой активности пользователя посчитать, на какой день после регистрации она произошла;
3. Посчитать, сколько уникальных пользователей было активно на каждый day_number;
4. Поделить на размер когорты.

SQL-запрос будет выглядеть так:

WITH first_activity AS (
  SELECT 
    user_id,
    MIN(DATE(event_timestamp)) AS cohort_date
  FROM events
  GROUP BY user_id
),

user_activity AS (
  SELECT 
    e.user_id,
    fa.cohort_date,
    DATE(e.event_timestamp) AS activity_date,
    DATE_DIFF(DATE(e.event_timestamp), fa.cohort_date, DAY) AS day_number
  FROM events e
  JOIN first_activity fa USING (user_id)
),

cohort_sizes AS (
  SELECT 
    cohort_date,
    COUNT(DISTINCT user_id) AS cohort_size
  FROM first_activity
  GROUP BY cohort_date
)

SELECT 
  ua.cohort_date,
  ua.day_number,
  COUNT(DISTINCT ua.user_id) AS returned_users,
  COUNT(DISTINCT ua.user_id) * 100.0 / cs.cohort_size AS retention_rate
FROM user_activity ua
JOIN cohort_sizes cs USING (cohort_date)
WHERE ua.day_number IN (1, 7, 14, 30)
GROUP BY ua.cohort_date, ua.day_number, cs.cohort_size
ORDER BY ua.cohort_date, ua.day_number;

Какие окна retention смотреть, зависит от типа продукта и от частотности сервиса. Для частотных сервисов обычно смотрят на:

🟠 Retention Day 1 — критичный показатель для всех продуктов. Показывает качество онбординга. Если пользователь не вернулся на следующий день, он скорее всего не вернётся вообще.

🟠 Retention Day 7. Показывает, прошёл ли пользователь период «знакомства» с продуктом.

🟠 Retention Day 30 — долгосрочное удержание. Если пользователь активен через месяц, он с большой вероятностью останется надолго.

Для низкочастотных (B2B-сервисов, фудтеха) окно возвращаемости может быть выше.

Практические советы:

1️⃣ Всегда смотрите retention в разрезе когорт, а не общий по всей базе. Когорты могут сильно различаться.

2️⃣ Сегментируйте retention по источникам трафика. Часто оказывается, что дорогой канал приводит пользователей с низким retention.

3️⃣ Retention — это про продукт, а не про маркетинг. Если Retention Day 1 низкий — проблема в онбординге или в product-market fit.

4️⃣ Не путайте retention и churn. Churn = 1 - Retention. Если retention 30%, то churn 70%.

5️⃣ Сравнивайте retention до и после запуска фичей. Это один из лучших способов оценить их влияние на продукт.

Retention — базовая метрика для любого продукта. Научитесь считать её правильно, и вы сможете отвечать на главный вопрос: возвращаются ли пользователи в ваш продукт?

📊 Simulative

Привет! На связи Мария Жарова, ML-engineer Wildberries 👋

Если вы когда-нибудь работали с данными пользователей, то знаете: клиенты — это не одна большая одинаковая масса. Это скорее разношёрстная толпа со своими привычками, поведением и желанием покупать (или не покупать). И в какой-то момент бизнесу жизненно важно разобраться:

Кому давать скидки? Кому показывать премиум-ассортимент? А кто вообще просто заходит «посмотреть», но никогда ничего не покупал?

И здесь часто начинается хаос:
🟠 Маркетинг говорит: «Давайте дадим скидку всем!»
🟠 Финансы хватаются за голову: «Нет, давайте никому не дадим!»
🟠 А дата-сайентист сидит посередине и вспоминает, что есть простой способ разложить клиентов по полочкам, причём без высшей математики, без нейросетей и без миллионных бюджетов.

И этот способ — кластеризация! Она помогает автоматически «увидеть» эти сегменты, исходя из закономерностей в данных: группирует похожих клиентов, исходя из их поведения / предпочтений и т. д. Получается как будто маленькая карта характеров: можно найти лояльных фанатов бренда, охотников за скидками и холодных наблюдателей.

И каждому сегменту можно сделать уникальное, индивидуальное, а главное — интересное именно им предложение 😊 И на практике это работает куда лучше, чем гадать интуитивно.

Хотите разобраться, как это сделать своими руками? Приходите сегодня на вебинар, где мы разберём:
➖ Что такое кластеризация на понятных примерах (без страшных формул);
➖ Какие существуют рецепты подготовки данных, чтобы модель действительно увидела осмысленные сегменты;
➖ Как интерпретировать кластеры и превращать их в пользу для бизнеса.

Если хотите наконец понять, как машины «видят» группы там, где людям кажется сплошной шум, — присоединяйтесь 👇

➡️ Зарегистрироваться на вебинар

📊 Simulative

Soft skills в ML: почему навык коммуникации критичнее знания SOTA?

Привет! На связи Кристина Желтова, ментор курса «ML-инженер» 👋🏻

Среди начинающих специалистов бытует мнение, что ключ к карьерному успеху — крепкие харды и знание нюансов свежих архитектур и технологий. Без hard skills действительно невозможно успешно решать рабочие задачи, однако практика показывает, что именно «софты» часто становятся решающим фактором карьерного роста ML-инженера.

Список инструментов в ML-стеке постоянно расширяется, новые архитектуры появляются каждый месяц, но кое-что остаётся неизменным — необходимость работать с людьми, объяснять решения и адаптироваться к изменениям.

Многие исследования показывают, что команды с высоким эмоциональным интеллектом демонстрируют лучшую производительность. В ML-проектах, где техническая сложность идет рука об руку с неопределённостью результата, этот показатель выкручен на максимум.

🤔 Представьте ситуацию: вы потратили месяцы на разработку качественной и технически мощной антифродовой модели, но когда пришло время презентации перед стейкхолдерами, ваша техническая экспертиза стала барьером в коммуникации — нюансы предобработки, архитектурные особенности модели, даже ML-метрики и результаты валидации часто звучат для заказчиков как «белый шум», за которым они пытаются разглядеть что-то важное и понятное для себя, если у них ещё остались на это силы и время.

Когда-то давно у меня была подобная ситуация, когда во время демонстрации результатов и дорожной карты решения я радостно рекламировала крутые подходы с топологическим анализом данных и мощной аналитикой для улучшения моделей, хотя по сути их интересовало далеко не это.

Основные советы, которые помогут сразу быть на одной волне с заказчиком можно уместить в несколько тезисов:

➖ Начинайте коммуникацию с проблемы. Не с архитектуры модели и тяжеловесных подробностей, а с задачи, которую решаете и возможных бизнес-эффектов решения.
➖ Объясняйте не только возможности модели, но и её ограничения. Это строит доверие и предотвращает нереалистичные ожидания.
➖ Подстраивайте презентацию и рассказ под аудиторию. Краткий и ёмкий отчет для руководства, более подробные слайды для менеджеров проектов и технические детали для коллег-разработчиков.

Но главное — не противопоставляйте soft skills и hard skills, развивайте их параллельно. Глубокие технические знания дают возможность успешно решать задачи, а развитые «мягкие» навыки помогают эффективно презентовать эти задачи и извлекать из них максимальную пользу для карьеры.

Кстати, с хардами я могу помочь! Уже завтра стартует новый поток курса «ML-инженер», где вы научитесь создавать модели машинного обучения, строить рекомендательные системы и обучать нейросети. Время пришло, решайтесь!

➡️ Записаться на поток

📊 Simulative

❗️ Павел Беляев ждёт всех в 19:00 по МСК

Поговорим, как выйти аналитику на первую работу в 2026 году, разберём кейсы новичков и инсайты нанимающего менеджера из Яндекс eLama 🦾

➡️ Регистрация

📊 Simulative