Узнаём лайфхаки оконных функций в SQL

Сегодня видеокарточка в адвент-календаре! CEO Simulative Андрон Алесанян делится интересным способом индексировать данные в SQL Задача — найти в массиве данных самое раннее действие.

Решения будет два — более очевидное, и более изящное и оптимальное по времени.

➡️ Перейти в адвент-календарь

📊 Simulative

Что нужно уметь и знать, чтобы устроиться аналитиком?

Нам часто задают вопрос: «А что нужно знать, чтобы быстро устроиться аналитиком в крутую компанию на хорошую зарплату?»

Мы подготовили для вас список навыков, которые вам точно нужно освоить для комфортного трудоустройства.

Знания:
➖ Продуктовые метрики (MAU/WAU/DAU, retention, LTV, Lifetime, CAC, CPL, CR и т. д.);
➖ Математическая статистика, теория вероятностей;
➖ А/B тестирование и проверка гипотез.

Навыки:
➖ SQL на продвинутом уровне;
➖ Базовый синтаксис Python на высоком уровне;
➖ Библиотеки Python для анализа данных (Numpy, Pandas);
➖ Библиотеки Python для визуализации данных (Matplotlib, Seaborn, Plotly).

Инструменты:
➖ BI-системы (Power BI, Metabase/Redash/Superset);
➖ Git / GitHub.

Что ещё нужно уметь?

➖ Приносить пользу для бизнеса. Нужно не просто уметь писать SQL-запросы, а подобрать нужный вид анализа под задачу, провести аналитику с помощью SQL и сгенерировать выводы.
➖ Собрать портфолио. Когда ты только в начале пути, правильно оформленное резюме/портфолио — ключ к успеху.
➖ Уметь проходить собеседования. Тестовые задания и технические собеседования — всегда большой стресс. Нужно иметь высокий уровень подготовки и натренированность, чтобы достойно проходить все этапы найма.

В целом, это основной арсенал, который понадобится вам при поиске работы в сфере анализа данных. Выглядит массивно, согласитесь?

Если вы только присматриваетесь к сфере аналитики, то приглашаем вас на наш интенсив 9-11 декабря — вы примерите на себя рабочие задачи аналитика, поймёте, насколько комфортно чувствуете себя с инструментами и цифрами, и наконец-то снимете страх перед кодом и «сложной аналитикой».​

✅ Зарегистрироваться на интенсив

📊 Simulative

Интенсив по аналитике данных стартует сегодня!

Следующая карточка адвент-календаря поможет вам начать путь в аналитике данных. Подключайтесь к первому дню интенсива, где мы расскажем, чем занимается аналитик и какие метрики помогают бизнесу зарабатывать. Вы научитесь смотреть на продукт через цифры и соберёте простую воронку в таблицах.

Стартуем в 19:00 МСК!

➡️ Перейти в адвент-календарь

📊 Simulative

Как пройти техническое интервью в Т-Банк

Ура, первый этап отбора пройден! И первая радость сменилась лёгкой паникой: «А что будут спрашивать на техсобесе?».

Расписали в блоге все этапы отбора, а также варианты вопросов на техническом интервью — с решениями и ответами:

https://simulative.ru/blog/t-bank-interview

📊 Simulative

Пишем первые запросы на SQL на интенсиве

Открываем новую карточку адвент-календаря — из неё вы напишете свои первые запросы на SQL и посчитаете ключевые показатели из базы.

Присоединяйтесь, даже если пропустили второй день — мы сохраним все записи!

➡️ Перейти в адвент-календарь

📊 Simulative

4 сценария, когда линейные модели лучше нейросетей

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

Представим ситуацию: вы потратили месяц работы на обучение нейросетевой модели, потом за 10 минут интереса ради обучили логистическую регрессию, и логрег победил. Это не шутка и не сказка, это происходит довольно часто.

Одно из самых больших заблуждений в ML — это мысль «нейросети сложнее, значит лучше».

На самом деле, бритва Оккама вот уже много сотен лет говорит: «Не следует множить сущее без необходимости». В машинном обучении это можно переформулировать так: «Если простая модель решает задачу, сложная модель её только усложнит».

Есть довольно много сценариев, когда простая линейная модель выигрывает по различным параметрам у более сложных моделей:

🟠 Сценарий 1: данные линейны по своей природе. Тогда линейная модель для них — то, что доктор прописал! А более сложные модели рискуют переобучиться и страдают от избыточной сложности.

🟠 Сценарий 2: мало данных. Если у вас всего несколько сотен примеров в обучающей выборке, риск переобучения велик при любой природе зависимости. Выбор будет снова не в пользу нейросетей и ансамблей.

🟠 Сценарий 3: интерпретируемость критична. В некоторых задачах важно не просто сделать предсказание, а объяснить, почему оно получилось именно таким. Чем сложнее и умнее модель, тем сложнее понять, как она принимает решения. В противовес, линейные модели максимально просты и прозрачны.

🟠 Сценарий 4: есть ограничения по ресурсам. Если в проде ограниченное количество ресурсов (память, GPU/CPU) или критично быстродействие, тяжелая нейросеть, как бы мы её ни оптимизировали, может всё равно не подойти.

Прежде чем переходить на более сложную модель, спросите себя:

➖ Я попробовал базовую линейную модель?
➖ Базовая модель показала плохое качество (< baseline или ожидаемого порога)?
➖ Я выбрал следующую по сложности модель?
➖ Новая модель даёт значимый прирост метрики?
➖ Прирост оправдывает сложность (для прода и поддержки)?
➖ У меня достаточно данных (> параметры × 10)?
➖ Я валидировал на правильно разделённых данных (train/test, кроссвалидация)?
➖ Новая модель не переобучилась?
➖ Я точно знаю, почему новая модель лучше? (Не просто «она сложнее и круче», а именно почему)
➖ Я готов поддерживать сложность в проде?

Если даже один ответ «нет», это весомый аргумент вернуться к более простой модели.

Ставьте 🔥, если было полезно!

📊 Simulative

Строим графики на Python

Завершаем наш интенсив! В третий день вы откроете для себя Python, загрузите данные, очистите их и сделаете простые графики. В итоге получите понятный отчёт и поймёте, готовы ли идти в аналитику дальше.

Присоединяйтесь и регистрируйтесь в адвент-календаре!

➡️ Перейти в адвент-календарь

📊 Simulative

Учитесь у профессионалов и достигайте успеха в построении эффективных дашбордов!

BI-аналитик — специалист, помогающий компаниям принимать обоснованные решения на основе анализа данных, представляя их в виде наглядных отчётов и дашбордов.

Уже в эту пятницу стартует новый поток курса «BI-аналитик». Какие компетенции вы получите в конце обучения:

🟠 Разберётесь в продуктовых метриках, которые используются чаще всего;
🟠 Освоите правила визуализации данных и научитесь строить красивые и понятные дашборды;
🟠 Сможете строить сложные дашборды в трёх самых популярных BI-системах — Power BI, Superset и Metabase, а также визуализировать и писать SQL-запросы;
🟠 Научитесь работать с классическими базами данными и хранилищами данных на примере самых популярных — PostgreSQL и ClickHouse.

На продвинутом и VIP-тарифах доступен карьерный модуль — поможем в подготовке к техническому собеседованию и разберём тестовые задания в компании.

➡️ Оставляйте заявку, уточняйте условия и выбирайте свое лучшее будущее в профессии!

📊 Simulative

Ещё 5 полезных инструментов для аналитика

Привет, будущие дата‑аналитики! С вами Павел Беляев, ментор курсов «Аналитик данных» и «BI-аналитик» и ведущий канала Тимлидское об аналитике 👋🏻

Как-то я писал об основных библиотеках Python для аналитиков. Сегодня разберём наиболее популярные приложения для работы с данными.

1️⃣ DBeaver

DBeaver позволяет работать с базами данных на SQL и подключаться к разным СУБД, писать и выполнять запросы, визуализировать схемы БД.

Как установить:
➖ Зайдите на официальный сайт dbeaver.io;
➖ Выберите версию Community (бесплатная);
➖ Скачайте установочный файл для вашей ОС;
➖ Запустите установку и следуйте инструкциям.

Почему удобен:
🟠 Поддержка множества СУБД (PostgreSQL, MySQL, Oracle, ClickHouse и др.);
🟠 Удобный интерфейс для написания SQL‑запросов;
🟠 Возможность экспорта данных в CSV и Excel;
🟠 Встроенные инструменты для анализа структуры БД.

2️⃣ Notepad++

Это лёгкий текстовый редактор для работы с кодом, логами и CSV‑файлами. Идеален для быстрого просмотра и правки текстовых данных.

Как установить: перейдите на notepad-plus-plus.org, скачайте установщик и установите.

Почему удобен:
🟠 Малый вес и быстрая работа;
🟠 Подсветка синтаксиса для разных языков, сворачивание блоков кода;
🟠 Поиск и замена по регулярным выражениям;
🟠 Поддержка большого количества кодировок;
🟠 Множество дополнительных модулей (например, приведение JSON-файла в удобный вид).

3️⃣ VS Code (Visual Studio Code)

Это профессиональный универсальный редактор кода с поддержкой Python, SQL и других языков, используемых в аналитике.

Как установить:
➖ Откройте сайт code.visualstudio.com;
➖ Скачайте версию для вашей ОС;
➖ Установите, следуя подсказкам;
➖ Дополнительно, если нужно, установите расширения для Python, SQL и Jupyter.

Почему удобен:
🟠 Богатая экосистема расширений;
🟠 Встроенная интеграция с Git;
🟠 Отладка кода;
🟠 Поддержка Jupyter Notebook прямо в редакторе;
🟠 Возможность подключаться к удалённым виртуальным машинам и даже к БД;
🟠 Терминал (командная строка).

4️⃣ Anaconda

Это целый пакет программ, в который в т.ч. входит JupyterLab — расширенный редактор-интерпретатор питона Jupiter Notebook.

Как установить:
➖ Зайдите на anaconda.com;
➖ Скачайте дистрибутив Anaconda для вашей ОС;
➖ Установите, выбрав опцию добавления в PATH;
➖ После установки откройте Anaconda Navigator и запустите JupyterLab. Он откроется в браузере.

Почему удобен:
🟠 Jupiter/JupyterLab позволяет комбинировать код, визуализации и текст в одном документе;
🟠 Возможность запускать код по ячейкам, не выполняя всё сразу;
🟠 Можно работать в офлайне, результаты сохраняются на локальном диске;
🟠 Есть инструменты отладки кода.

5️⃣ Google Colab

Это облачная среда для работы с Jupyter Notebook. Не требует установки — всё работает в браузере.

Как открыть:
➖ Перейдите на colab.research.google.com;
➖ Войдите через аккаунт Google;
➖ Создайте новый блокнот или загрузите существующий.

Почему удобно:
🟠 Бесплатный доступ к вычислительным мощностям Google для ресурсоёмких задач;
🟠 Автосохранение в Google Drive;
🟠 Возможность совместного редактирования;
🟠 Готовые примеры кода и шаблоны;
🟠 Не требует мощности локального компьютера.

Пробуйте, экспериментируйте и выбирайте то, что подходит именно вам! А если наберём 50 реакций под этим постом, сделаем ещё одну подборку полезных инструментов для аналитика 😉

📊 Simulative

Считаем retention

В новой карточке адвент-календаря посмотрим на retention — одну из ключевых метрик в аналитике продукта. Наши эксперты подготовили памятку, как посчитать retention в разных нишах.

➡️ Перейти в адвент-календарь

📊 Simulative

А можно следующий вопрос? 🫣

📊 Simulative

Изучаем ML-алгоритмы

В новом материале мы рассмотрим наиболее популярные алгоритмы машинного обучения — от линейной регрессии до нейросетей.

Присоединяйтесь к адвенту и изучайте новое!

➡️ Перейти в адвент-календарь

📊 Simulative