А вы знали, что аналитики пишут на R?

Я то знаю...

Хочу порекомендовать вам канал @stats_for_science

Автор канала: Лена, продуктовый аналитик Литрес 📚, ранее работала в X5 Tech 💚 , ранее занималась наукой. В своих постах она сравнивает научные и бизнесовые подходы.

😎 Выделил для себя несколько, которые мне откликаются

🟢 Про поправки на множественное тестирование. Лена написала большой лонгрид на эту тему. Актуально при проверке нескольких гипотез (например, когда принимаем решение по нескольким целевым метрикам / по > 2 группам).

🟢 Что самое сложное в работе продуктовым аналитиком. Здесь говорится о работе с метриками и общие размышления автора + в комментах написал свое мнение по поводу этого поста.

🟢 Виды пределов погрешностей. В мире мы работаем со случайными величинами, зачастую мы работаем с интервальными оценками. В этом посте как раз про это. От боксплотов до доверительных интервалов, годное чтиво!

+ Я очень люблю мемы про статистику (скажите мне, пожалуйста, что это не профдеформация).

🔵 про p-value в ящике
🔵 слишком большие запросы

Да начнется холивар по поводу R, не Python единым! 🖥🐍

P.S: Идеи, которые предлагаются в канале можно переложить на Python, так как главное — это понимать идею, а языки между собой очень сильно похожи в плане синтаксиса. Питонистам актуально!

Подписывайтесь на @stats_for_science, чтобы разбираться в статистике еще лучше!

🙊 Прохожу значит я курс по SQL в своей магистратуре и тут вижу интересный кейс, решил поделиться с вами. Если честно, ни разу не видел в продовых решениях ни в аналитических таблицах CHAR, ни в хранении логов с различных сервисов, но возможно пригодиться или кто-то использовал (делитесь в комментах) 🔽

DROP TABLE IF EXISTS zasql_python_table;

create table zasql_python_table (
value1 CHAR(5),
value2 VARCHAR(5)
);

INSERT INTO zasql_python_table VALUES ('abcd', 'abcd');

SELECT CONCAT(value1, value2) as result_1_2, CONCAT(value2, value1) as result_2_1
from zasql_python_table;

🗣 Результат будет следующий 🙃

| result_1_2 | result_2_1 |
|-------------|-----------|
| abcd abcd   | abcdabcd  |

Видите пробел между abcd и abcd? Это как раз CHAR, который дополнил строку до фиксированной длины.

Ну или после этого сообщения начнуть кошмарить на собесах по SQL... 👩‍💻

Вроде бы БАЗА, о которой говорят в самом начале любого курса, но внимания на этом акцентируется мало (мной или курсом). Вот, у вас есть типы данных, один делает то, другой это.

🐸 Если очень грубо:

🥳 CHAR(n) используется для хранения строк фиксированной длины.
Если строка короче, чем n, она автоматически дополняется пробелами до нужной длины. При выводе эти пробелы обычно сохраняются (зависит от СУБД). Подходит, когда все значения примерно одинаковой длины (например, коды, индексы).

🥳 VARCHAR(n) хранит строки переменной длины.
Если строка короче n, то пустоты не добавляются, сохраняются только фактические символы. Если строка длиннее n, она будет обрезана до заданного размера. Подходит, когда длина строк сильно варьируется.

Например, в одной статье говорится следующее:

For instance, CHAR often outperforms VARCHAR in scenarios with consistently sized data due to its fixed length, resulting in faster index lookups—up to 20% quicker on average. Conversely, VARCHAR excels in space efficiency for variable-length data, making it an ideal choice for dynamic datasets. The decision between CHAR vs VARCHAR is not just about storage but also about optimizing your database’s speed and efficiency.

⬆️ CHAR часто превосходит VARCHAR в сценариях с данными одинакового размера благодаря фиксированной длине, что приводит к ускорению поиска по индексу — в среднем на 20 %.

Или в другой:

The amount of work the database engine has to perform to store and retrieve VARCHAR columns is more than it takes for a CHAR column. Every time a VARCHAR column is retrieved, the Database engine has to use the length information stored with the data to retrieve a VARCHAR column value. Using this length information takes extra CPU cycles. Whereas a CHAR column and its fixed length allow SQL Server to more easily chunk through CHAR column based on their fixed-length column definitions.

⬆️ Для хранения и извлечения VARCHAR столбцов ядру базы данных требуется больше ресурсов, чем для CHAR столбцов. При каждом извлечении VARCHAR столбца ядру базы данных приходится использовать информацию о длине, хранящуюся вместе с данными, чтобы извлечь значение столбца VARCHAR. Использование этой информации о длине требует дополнительных вычислительных ресурсов.

Авторы предлагают использовать CHAR для фиксированной длины и в этом случае скорость будет выше, но я опять скажу, что пока что ни разу не видел такие витрины, где бы использовался этот тип данных. Может вы сможете привести РЕАЛЬНЫЙ кейс, где бы это использовали.

Понравился пост? Ставьте 🐳, если понравился пост, пишите комментарии! Может вы использовали CHAR и это помогло? Нужны кейсы!

@zasql_python

Работаете с данными, но чувствуете, что не хватает структуры?

Интересное наблюдение: профессия аналитика в последние годы показывает стабильно высокий спрос — по данным Habr карьеры, доля вакансий аналитика в прошлом годы выросла до 12%. При этом в профессию активно переходят люди из смежных областей — кто-то из маркетинга, кто-то из финансов, кто-то вообще с нуля. И у большинства одна и та же проблема.

Навыки есть — SQL подучили, Python освоили, дашборды строят. Но когда дело доходит до реальных задач, понимаешь: не хватает структуры. Данные собрать можете, а вот превратить их в понятные бизнесу решения — сложно. Защитить гипотезу перед руководством — еще сложнее. И в итоге чувствуешь себя «техническим исполнителем», а не тем, кто влияет на решения компании.

Знакомо?

Недавно изучал программу "Аналитик PRO" от Changellenge >> Education — и вот что зацепило: ребята строят обучение не вокруг инструментов (хотя и их дают полностью), а вокруг того, как аналитики реально работают в топовых компаниях. Вы учитесь не просто запросы писать, а решать бизнес-задачи от брифа до защиты решения — как это происходит в Яндексе, VK, Booking или консалтинге.
Давайте разберу подробнее, что там внутри и почему это может закрыть те самые пробелы.

Что делает этот курс особенным?

🎯 Школа проектного обучения
Здесь вы не будете решать абстрактные задачки из учебников. Вы погрузитесь в реальные кейсы от топовых российских компаний — работаете с настоящими данными от партнеров, защищаете решения перед экспертами и прокачиваете soft-analytics.

15 кейсов + 6 консалтинговых проектов — это не "учебная песочница", а задачи, которые решают аналитики в крупных компаниях. По сути, вы получаете опыт работы еще до того, как устроитесь на новую позицию.

📚 Программа собрана под требования работодателей
Никакой воды и теории ради теории. Программа построена на базе экспертизы Changellenge >> и того, что реально требуют на собеседованиях

Это не просто набор инструментов — вас учат "языку бизнеса": как превращать данные в управленческие решения, защищать свои гипотезы и доносить идеи до топ-менеджмента.

🤝 Коммьюнити и нетворк
После выпуска вы становитесь частью закрытого клуба всех выпускников проекта с 2015 года. Это топ-менеджеры ведущих компаний, предприниматели и крутые специалисты.

Changellenge >> Education уже видели сотни трудоустройств через друзей, десятки совместных стартапов и даже свадьбы 😄 83% выпускников находят работу в течение 3 месяцев после обучения — и это не просто статистика, а результат сильного нетворка и реальных рекомендаций.

Программа гибкая: занятия проходят онлайн по вечерам в будни и днем в выходные, поэтому легко совмещать с основной работой.

От меня держите промокод 25PYTHON, он дает скидку 25 000р на новый поток, который стартует 8 октября. Регайтесь на программу АПРО, прокачивайте ваши навыки и карьерные возможности.

⚡️Пошаговый план: как получить оффер на аналитика в 2025 году?

Приглашаем на бесплатный вебинар, где Андрон Алексанян — эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет все важные аспекты в работе аналитика, а также расскажет как получить оффер быстрее других.

Хотите попасть в аналитику, но теряетесь в море информации и не понимаете, какие навыки действительно важны? Боитесь, что без опыта вас не возьмут на работу? И да, ещё один популярный вопрос — а что, если мне 30/40/50+ лет?

На вебинаре разберём:
🟠Разберем полный роадмап: что учить, в каком порядке, до какого уровня;
🟠Структура хорошего портфолио с примерами;
🟠Что говорят реальные наниматели — какие у них сейчас требования:
— Покажем реальные примеры, как оформить резюме и портфолио, чтобы привлекать внимание;
— Обсудим какие отклики работают, а какие сразу отправляют в корзину;
— Изнанка найма: инсайдерский взгляд на процессы отбора
🟠 Практические техники для новичков: разберём, как компенсировать недостаток опыта и быстро закрывать пробелы в знаниях.

🕗 Важно досмотреть вебинар до конца, чтобы получить бонус от нас, который поможет бустануть карьеру.

😶Зарегистрироваться на бесплатный вебинар

Где я в итоге учусь в магистратуре и как мне?

С момента написания последнего поста про магистратуры прошло большое количество времени, но в итоге решил поделиться тем, как идет обучение, какое направление я выбрал.

💻 Поступил я в итоге на ML-инженера в МИФИ. На выбор у меня было поступление в разные магистратуры, но здесь я напишу, что вообще происходит в моей. По программе все зашло на момент сдачи вступительных испытаний.

💻 После работы или на выходных я выделяю себе время на просмотр лекций, семинаров (благо есть записи). Трачу час-два каждый день, чтобы посмотреть материалы, решить дз, закрыть проекты, чтобы потом не быть с горящей жопой, закрывая предметы. Первый семестр достаточно простой, дают очень много всего. Если смотрели вот этот пост, это просто 1/100 того, что было в материалах, а в дальнейшем я эту историю раскрутил.

😢 К сожалению, нельзя закрыть предметы, если ты применяешь методы на работе, хотя я слышал, что в каких-то местах можно. Приведу пример: я пишу много SQL-скриптов с различной сложной логикой, но при этом должен закрывать предмет, где учат делать SELECT, вставки в таблицы и их создание. Как мне кажется, предмет можно закрыть, но тут кому виднее. Многие могут написать, что-то из разряда: "так если так легко, сдай сам", будете правы.

Задания, в том числе проекты реализованы на платформе, есть мягкие и жесткие дедлайны по сдаче дз / проектов. Необязательное посещение лекций и семинаров + преподаватели открыты к обратной связи и вопросам. Например, для задачи по наивному Байесу я с преподавателем очень долго дискутировал по применению метода в определенной задаче, про это я кстати планирую написать, мне показалось, что тема весьма интересна 🍪🍪

👦 На лендинге магистратуры видел, что магистратура для начинающих специалистов (я, кек). Но мне показалось, что очень много материалов и человеку без опыта будет сложно (несмотря на то, что курсы сделаны последовательно). От 25 часов в неделю, учеба в удобное время, как указывается на сайте. Но это еще норм, так как в ВШЭ на одну из программ, куда я поступал было от 40 часов в неделю (рабочая неделя) + говорили, что понадобится еще больше времени на обучение (ШАД?) 💥

Местами я наблюдал, что материал подан без конкретной структуры, несмотря на явное разделение по модулям. То есть могла быть одна тема, которая ссылалась на тему, которую не проходили по курсу. Возможно, подразумевается, что студенты будут сами искать то, что им нужно в интернете или GPT, а затем приступать к изучению. Если так и задумывалось, то, наверное, супер гуд. Хотя я склоняюсь к тому, что нет, так как в процессе обучения курс дорабатывается. Я купил себе подписку в бета-тестеры магистратуры 👀

Из интересного, что есть — это теория вероятностей + ожидается статистика с A/B тестированием в этом семестре. По Python много всего показывают: декораторы, ООП (великий и ужасный, который обходят стороной аналитики, хотя знаю, что некоторые используют, в том числе для методов 🆎, если хотите, чтобы я подробней про это рассказал, ставьте 🐳, для ML инженера очень часто видел использование классов и это БАЗА). Но указан именно базовый Python без библиотек для анализа данных, возможно я это увижу в следующих семестрах.

Имхо, пока норм, есть косяки, но что-то новое местами для себя подчерпываю. Например, итоговый проект по Python нужно было реализовать с помощью poetry, makefile и различных зависимостей между файлами. Что-то новое для себя подчерпываю и систематизирую.

Кстати, интересный факт по поступлению в ИТМО (так как меня многие спрашивали, почему я не пошел туда): когда объявляли результаты конкурса в AI Talent Hub, удивился, что не нашел себя в списке победителей по конкурсу портфолио. Оказывается, что подал документы не на ту программу и там выиграл, но формат очный 😂, а в AITH дистанционный.

Как вам пост? Ставьте 🐳, подписывайтесь на канал, пишите комментарии!

@zasql_python