​​Корисні SQL техніки для перетворення, оптимізації та керування даними, і чому вони такі важливі для масштабованих і ефективних робочих процесів аналітичних рішень.

@BigQuery

​​Добірка свіжих новин, які могли пропустити:

• Приклади оптимізації запитів в BigQuery,
• Як зменшити витрати за допомогою HyperLogLog,
• 2 методи відновлення даних та як створити сповіщення про видалення таблиці в BigQuery,
• SQL-запити для побудови закритих та відкритих воронок,
• Автоматизація аналізу настроїв у коментарях YouTube за допомогою BigQuery, dbt і GCP Composer.

@BigQuery

​​Змоделював демографічну ситуацію України на 100 років вперед.

Описав процес моделювання та цікаві інсайти, а також збір даних і результати прогнозу.

Починаючи з вторгнення росії в Україну в 2014 році маємо постійну динаміку спадання народжуваності. Якщо народжуваність в Україні не почне збільшуватись, то через 80 років населення України буде менше 12 млн.

@BigQuery

Сергій Бриль шукає Data Engineer у команду AI та аналітики

Сергій Бриль — екзек’ютів-менеджер у сфері Data Science. Він побудував з нуля потужний Data Science департамент у MacPaw, а зараз очолює напрям AI та аналітики в іншій українській продуктовій компанії.

Сергій шукає в команду Data Engineer, який розвиватиме інфраструктуру, матиме вплив на ключові рішення в своїй сфері.

Чому варто розглядати вакансію:
✔ Динамічна команда, яка працює над сучасним продуктом
✔ Можливість будувати напрямок data engineering
✔ Сергій класний менеджер, з ним цікаво працювати і є чому повчитись

Опис вакансії за посиланням.

А ще рекомендую підписатися на його канал про візуалізацію даних.

@BigQuery

50+ кейсів використання GenAI в маркетингу.

Знайшов цікаву статистику щодо реального використання GenAI в маркетингу: https://bit.ly/3D6wXHT

Дослідження 283 компаній показало:

- Контент - у топі. Генерація ідей (50,7%), написання текстів (43,9%), оптимізація (28,6%).
- Дані вирішують. AI використовують для управління знаннями (22,5%) і аналізу конкурентів (21,4%).
- Реклама буксує. Найкращий AI-кейс тільки на 28-му місці, маркетологи покладаються на агентства.
- Соцмережі та управління - вибірково. Контент роблять з AI, але автоматизація ком'юніті та найму не зайшла.
- Продажі - точково. Лід-скоринг і сегментація є, але повністю автоматизувати продажі поки не поспішають.

via @MarkeTech

Забудьте про довжелезні формули Excel 📊

Навчіться будувати схеми зберігання даних, самостійно писати SQL-запити та отримувати читабельну інформацію, щоб вивести на новий рівень роботу з великими даними — на курсі «SQL для аналітики» від robot_dreams.

Після 38 занять ви:
🔹 комплексно працюєте з інформацією завдяки мові SQL
🔷 пишете влучні запити й витягуєте потрібну інформацію
🔷 керуєте базами та ефективно аналізуєте дані з різних джерел
🔷 візуалізуєте їх у Looker Studio, Power BI і Tableau

Лектор — Олександр Сапєльніков, Head of Analytics у Solidgate, який будував аналітику повного циклу для напрямів recruitment, sales, client requests, інсайти з якої зберегли не одну тисячу доларів.

Старт: 26 березня

Деталі, програма та реєстрація ⬅️

​​How mobile apps secretly collect geolocation data without user consent. Oftentimes, even without developers knowledge.

Detailed a flowchart that includes many of the actors and data collecting so you can see how it's all connected.

@ProductAnalytics

​​Чудовий метеріал про моделі даних, допоможе у прийнятті рішень під час вибору між типами моделей даних, щоб оптимізувати використання та витрати. Шкодую, що не бачив такого раніше.

Гарний аналіз моделей із практичними оптимізаціями, рекомендаціями та найкращими практиками.

@BigQuery.

Ми в MacPaw шукаємо продуктового аналітика, який розуміється на трекінгу трафіку на iOS платформах, SKAdNetwork (AdAttributionKit), Meta, Apple Search Ads і AppsFlyer.

MacPaw - продуктова ІТ компанія, розробляє macOS/iOS-додатки, продукти якої встановлені на кожному 5-му макбуці світу.

Вакансія за посиланням:

👉 Product Analyst (iOS & Web Analytics)

@BigQuery

​​Моделювання Customer Retention Rate за допомогою Shifted-Beta-Geometric (sBG) розподілу дає доволі точні результати.

Реалізувати можна на R, Python і навіть Excel.

via @ProductAnalytics

​​UDF (User-defined functions) тепер можна писати і на Python.

@BigQuery

​​Як за допомогою BigQueryML можна виявити фактори, які впливають на результати.

Contribution Analysis оцінює вплив окремих категоріальних змінних на зміну метрики. Автор наводить приклад аналізу змін у коефіцієнті конверсії між двома кварталами.

@BigQuery

​​Google презентував нову можливість у BigQuery — Automated Data Insights Feature for BigQuery with Gemini Integration

Вона дозволяє:
• Генерувати запитання природною мовою та відповідні SQL-запити на основі метаданих таблиці,
• Допомагати аналітикам швидше виявляти закономірності, перевіряти якість даних та аналізувати статистику,
• Автоматично створювати описи таблиць і стовпців, що покращує документацію й спрощує пошук даних.

@BigQuery

​​Google випустила Trends API (Alpha) — новий спосіб отримати доступ до даних Google Trends програмно, а не вручну. Це перший випадок, коли інформація про пошукову поведінку користувачів офіційно доступна через API.

📊 API відкриває 5-річне вікно даних і дає змогу:
— робити порівняння між десятками запитів
— масштабувати часові діапазони інкрементально
— отримувати статистику по днях, тижнях, місяцях, роках і регіонах
— будувати більш складні запити, ніж дозволяє веб-інтерфейс

Це дуже потужний інструмент для аналітиків, журналістів, дослідників і всіх, хто раніше страждав від обмежень UI або скрейпінгу.

🧪 API поки в Alpha, але можна подати заявку на участь: https://bit.ly/3UM2gwv

via @WebAnalyst

​​Знайшов дві цікаві статі про LLM трафік:

- Як відслідковувати трафік з AI чат-ботів в Google Analytics 4 для сегментації (оскільки він може дещо спотворювати дані про поведінку користувачів).

- Дослідження глобального трафіку AI чат-ботів у 2025 році: порівняння часток ринку, регіональні відмінності та метрики залучення користувачів (трафік з LLM часто є значно ціннішим за традиційний органічний трафік через вищу залученість відвідувачів).

Якщо ви зустрічали хороший матеріал по цій темі — діліться ним в коментарях!

via @WebAnalyst

​​Приклад оптимізації аналітичних рішень від Meta

Детерміністична вибірка — потужний інструмент для масштабованої аналітики: дозволяє обробляти менше даних заради часу та ресурсів, але зберігати релевантність аналітичних висновків.

Важливо мати чіткий дизайн вибірки, щоб забезпечити консистентність.

Завжди слід оцінювати, чи підходить вибірка для задачі: більшість дашбордів і аналітики може працювати із вибіркою, але для фінальних рішень чи офіційних експериментів — потрібні повні дані.

@BigQuery

​​Google відкриває реєстрацію на програму "Розвивайте кар’єру із Google Cloud"

Новий потік програми стартує 29 вересня 2025 року та націлений на Junior та Middle розробників, IT-інженерів, студентів IT-спеціальностей і точних наук та всіх, кому цікаві хмарні технології.

Учасники програми отримають:

✔️ 60 днів безкоштовного доступу до платформи Google Cloud Skills Boost.
✔️ Доступ до воркшопів від експертів Google Сloud та лідерів української ІТ - індустрії.
✔️ Брендовані нагороди від Google за здобуті бейджі навичок.
✔️ Безкоштовні ваучери на сертифікаційний іспит Google Cloud (навіть, якщо ви отримували його раніше).

🔗 Реєстрація на програму за посиланням!

​​Цікава стаття про найм аналітиків

Автор стверджує, що вже у 2025‑му компанії повинні переглянути підхід до найму Data Analysts, якщо їхня основна робота — це написання SQL‑запитів і візуалізація даних. Якщо аналітики лише транслюють запити бізнесу в дані та звіти, але інфраструктура чи дані погано організовані, додаткові ресурси (найм) не дуже допоможуть.

Рекомендації автора:

- Інвестувати в Data Engineering: налаштувати чисті, організовані системи із грамотним потоком даних та зберіганням, щоб дані були доступні й готові до аналізу,

- Використовувати AI‑інструменти там, де це доречно, щоб зменшити рутинну роботу аналітиків: автогенерація SQL, автоматичні звіти, шаблони тощо. Але це працюватиме лише з правильно налаштованими даними й інфраструктурою,

- Змінити роль Data Analyst таким чином, щоб більше часу йшло на бізнес‑аналіз, інсайти, взаємодію з іншими відділами, а не просто на генерацію звітів,

- Підтримувати співвідношення Data Analyst : Data Engineer ≈ 1:1 або принаймні таке, яке забезпечує можливість синергування.

@BigQuery

🐍 Якщо Excel вже не тягне, а рутина поглинає години, які можна було б присвятити стратегічним завданням → час прокачати аналіз даних та знайти нові інструменти.

Навчіться ухвалювати рішення на основі повної, чистої та оновлюваної аналітики без залучення технічної команди — на курсі «Python для аналітиків» від robot_dreams.

Протягом 16 занять ви:
→ опануєте Python та ключові бібліотеки для роботи з даними: NumPy, Pandas, Matplotlib, Seaborn і Plotly
→ навчитеся створювати зрозумілі та інтерактивні візуалізації
→ збиратимете дані з API та вебу, працюватимете із зовнішніми джерелами
→ опануєте базову статистику, перевірку гіпотез і побудову прогнозів у scikit-learn та statsmodels
→ автоматизуєте збір, обробку та аналіз даних — без залучення розробників

📊 Наприкінці курсу напишете власну прогнозну модель та оформите аналітичний звіт, які додасте в портфоліо

Лекторка — Анна Шепелєва, Senior Data Analyst у Brainstack з 10+ роками досвіду в аналітиці даних.

Старт: 7 жовтня

Деталі, програма та реєстрація ⬅️