🏃‍♂️ 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

Приглашаем на день открытых дверей Simulative

Привет, на связи Андрон 👋

В 2023 году я основал Simulative, потому что видел одну проблему: большинство людей, которые заканчивают обучение, так и не находят работу. Они учились год-два, но на собеседованиях, оказывалось, что учили они не то. За последние два года мы трудоустроили множество студентов благодаря тому, что учим самому необходимому на реальных кейсах бизнеса.

Приглашаю на день открытых дверей Simulative, на котором обсудим:
➖ Как мы прошли путь от первых студентов до более 2 000 учеников;
➖ Что такое курсы-симуляторы, и как студенты учатся на кейсах из реального бизнеса;
➖ Как учиться, чтобы быстро достигать результат;
➖ Перспективы стать аналитиком в 2026 году и что ждёт джунов;
➖ Почему зачастую не получается найти работу после курсов и как этого избежать.

❗️ Встречаемся 25 ноября в 19:00 МСК

➡️ Зарегистрироваться на вебинар

📊 Simulative

Решим задачу по теорверу? Говорят, такая задача может встретиться на собеседованиях:

Из мешка с поровну перемешанными чёрными и белыми шарами достают не глядя один шар и кладут его в ящик. После этого в ящик добавляют белый шар, перемешивают и наугад достают один из них. Он оказывается белым. Какова вероятность, что и второй шар, который остался в ящике, тоже белый?

📊 Simulative