🎖 С Днём Победы Красной армии и советского народа над нацистской Германией в Великой Отечественной войне 1941–1945 годов!
В честь 9 мая — снова небольшая динамическая визуализация, посвящённая теме военной индустрии.
В этот раз я подготовил графики на основе данных SIPRI Top 100 Arms-Producing Companies (2002–2023):
🏭 Топ-20 оборонных компаний мира по объёму продаж оружия (в миллионах $).
🌍 Топ-20 стран мира по суммарным доходам оборонных компаний (в миллионах $).
👀 Интересно наблюдать, как в течение двух десятилетий:
На арену выходят новые игроки,
Меняется геополитическая расстановка сил,
И кто действительно правит оружейным рынком.
📊 Источник: SIPRI (Стокгольмский международный институт исследований проблем мира).
📅 Период: 2002–2023 гг.
📦 В выборке — все компании из ежегодного рейтинга SIPRI Top 100.
С Днём Победы!
Пусть память о прошлом помогает осмысливать настоящее.
Ссылка на данные прошлого года
😀 @onlyanalystgroup
💬 @onlyanalystchat
В честь 9 мая — снова небольшая динамическая визуализация, посвящённая теме военной индустрии.
В этот раз я подготовил графики на основе данных SIPRI Top 100 Arms-Producing Companies (2002–2023):
🏭 Топ-20 оборонных компаний мира по объёму продаж оружия (в миллионах $).
🌍 Топ-20 стран мира по суммарным доходам оборонных компаний (в миллионах $).
👀 Интересно наблюдать, как в течение двух десятилетий:
На арену выходят новые игроки,
Меняется геополитическая расстановка сил,
И кто действительно правит оружейным рынком.
📊 Источник: SIPRI (Стокгольмский международный институт исследований проблем мира).
📅 Период: 2002–2023 гг.
📦 В выборке — все компании из ежегодного рейтинга SIPRI Top 100.
С Днём Победы!
Пусть память о прошлом помогает осмысливать настоящее.
Ссылка на данные прошлого года
😀 @onlyanalystgroup
💬 @onlyanalystchat
2👍27❤19🔥8👎5
🎯 Разбор live-coding SQL компании VK
Делаем новую рубрику - разбор заданий с live-coding секций компаний. В этот раз со мной поделились задачей на продуктового аналитика в VK. Актуально на май 2025.
Разберем не просто SQL решение конкретной задачи, а именно методологию, декомпозицию, как себя вести и что делать в трудных ситуациях.
Задача довольно объемная и состоит из трех частей, поэтому разделим историю на несколько постов.
Поехали!
Ты на секции live-coding. У тебя есть онлайн редактор и SQL. Цель — показать не только решение, но и ход мыслей. Показываю, как рассуждать пошагово и писать читаемый код.
📋 Внимательно изучаем условие
У нас есть таблица
🔍 Задача:
Построить таблицу, где указано количество новых пользователей по дням их первого визита. Это и есть когорты привлечения.
🧠 Декомпозиция задачи
Шаг 0 — понять, что такое «когорта привлечения»
Когорта в этом задании — это группа пользователей, у которых первый визит был в один и тот же день.
Например, если 1 марта в первый раз пришли 120 человек, а 2 марта — 90, то у нас две когорты.
Шаг 1 — для каждого пользователя определить дату его первого визита
Это делается с помощью агрегирования:
Обернём это в
Шаг 2 — посчитать, сколько пользователей в каждой дате (когорте)
Просто сгруппируем результаты предыдущего шага по cohort_date
И посчитаем количество строк (пользователей) в каждой дате
Шаг 3 — аккуратно оформить код: используем
🧱 Сборка кода по частям
🔹 Шаг 1: Сначала — дата первого визита
🔎 Здесь мы для каждого пользователя находим его первую дату визита — и это его когорта.
🔹 Шаг 2: Теперь считаем пользователей по дате когорт
🔎 Мы группируем пользователей по cohort_date и считаем их количество.
🔹 Шаг 3: Финальный результат
💡 Общие советы для секции live-coding:
🧩 Решай пошагово. Сначала на бумаге/в голове разбери: «Что мне нужно посчитать? Что известно?»
🗣 Говори вслух. Даже если пишешь простой
🔤 Пиши чисто. Хорошие имена
😌 Думай просто. Интервьюер скорее оценит чёткую структуру, чем «хитрый хак».
📎 В следующем посте: как посчитать ретеншн первой недели по когортам — сколько пользователей вернулись в течение 7 дней после первого визита.
Интересные задачи присылайте мне в личку - разберем. @onlyanalyst
Вопросы по прохождению такой секции, то задавайте в комментариях.
Если пост и формат в целом зайдет (это я пойму по реакциям), то добавим еще и видео решение с подробным объяснением и разными подходами.
😀 @onlyanalystgroup
💬 @onlyanalystchat
Делаем новую рубрику - разбор заданий с live-coding секций компаний. В этот раз со мной поделились задачей на продуктового аналитика в VK. Актуально на май 2025.
Разберем не просто SQL решение конкретной задачи, а именно методологию, декомпозицию, как себя вести и что делать в трудных ситуациях.
Задача довольно объемная и состоит из трех частей, поэтому разделим историю на несколько постов.
Поехали!
Ты на секции live-coding. У тебя есть онлайн редактор и SQL. Цель — показать не только решение, но и ход мыслей. Показываю, как рассуждать пошагово и писать читаемый код.
📋 Внимательно изучаем условие
У нас есть таблица
visits со следующими колонками:user_id -- ID пользователя
campaign -- канал привлечения
datetime -- дата и время визита
🔍 Задача:
Построить таблицу, где указано количество новых пользователей по дням их первого визита. Это и есть когорты привлечения.
🧠 Декомпозиция задачи
Шаг 0 — понять, что такое «когорта привлечения»
Когорта в этом задании — это группа пользователей, у которых первый визит был в один и тот же день.
Например, если 1 марта в первый раз пришли 120 человек, а 2 марта — 90, то у нас две когорты.
Шаг 1 — для каждого пользователя определить дату его первого визита
Это делается с помощью агрегирования:
MIN(datetime) по каждому user_idОбернём это в
DATE(...), чтобы убрать времяШаг 2 — посчитать, сколько пользователей в каждой дате (когорте)
Просто сгруппируем результаты предыдущего шага по cohort_date
И посчитаем количество строк (пользователей) в каждой дате
Шаг 3 — аккуратно оформить код: используем
CTE. Это удобно: видно каждый шаг. Упрощает чтение кода интервьюером🧱 Сборка кода по частям
🔹 Шаг 1: Сначала — дата первого визита
WITH first_visits AS (
SELECT
user_id,
MIN(DATE(datetime)) AS cohort_date
FROM visits
GROUP BY user_id
)
🔎 Здесь мы для каждого пользователя находим его первую дату визита — и это его когорта.
🔹 Шаг 2: Теперь считаем пользователей по дате когорт
cohort_sizes AS (
SELECT
cohort_date,
COUNT(*) AS users_count
FROM first_visits
GROUP BY cohort_date
)
🔎 Мы группируем пользователей по cohort_date и считаем их количество.
🔹 Шаг 3: Финальный результат
WITH first_visits AS (
SELECT
user_id,
MIN(DATE(datetime)) AS cohort_date
FROM visits
GROUP BY user_id
),
cohort_sizes AS (
SELECT
cohort_date,
COUNT(*) AS users_count
FROM first_visits
GROUP BY cohort_date
)
SELECT *
FROM cohort_sizes
ORDER BY cohort_date;
💡 Общие советы для секции live-coding:
🧩 Решай пошагово. Сначала на бумаге/в голове разбери: «Что мне нужно посчитать? Что известно?»
🗣 Говори вслух. Даже если пишешь простой
GROUP BY, комментируй: "Я сейчас группирую по дате привлечения, чтобы получить когорты".🔤 Пиши чисто. Хорошие имена
CTE показывают твоё мышление (first_visits, cohort_sizes, а не cte1).😌 Думай просто. Интервьюер скорее оценит чёткую структуру, чем «хитрый хак».
📎 В следующем посте: как посчитать ретеншн первой недели по когортам — сколько пользователей вернулись в течение 7 дней после первого визита.
Интересные задачи присылайте мне в личку - разберем. @onlyanalyst
Вопросы по прохождению такой секции, то задавайте в комментариях.
Если пост и формат в целом зайдет (это я пойму по реакциям), то добавим еще и видео решение с подробным объяснением и разными подходами.
😀 @onlyanalystgroup
💬 @onlyanalystchat
👍50🔥17❤10👎1
🎯 Live-coding SQL часть 2: Ретеншн первой недели по когортам
Продолжаем тренироваться в секции live-coding по SQL от компании VK. Если пропустили, то первая часть по ссылке.
📋 Условие
Напоминаю: у нас таблица visits со схемой:
🧠 Задача
Посчитать ретеншн первой недели по когортам:
Для каждой даты первого визита (когорты) — сколько пользователей вернулись хотя бы один раз в течение 7 дней после первого визита (не включая сам день прихода).
⚙️ Декомпозиция задачи
💠 Шаг 0 — план действий
Нам нужно:
• Определить дату первого визита (как в задаче 1)
• Найти все визиты, которые произошли строго после этой даты
• Оставить только те, что произошли в течение 7 дней
• Посчитать, сколько уникальных пользователей вернулось по каждой когорте
💠 Шаг 1 — CTE с первой датой визита (cohort_date)
Повторим из прошлого задания — база для когорт.
💠 Шаг 2 — джойним с исходной таблицей
Нам нужно сопоставить:
• когорта пользователя
• последующие визиты
• ограничение в 7 дней после первого прихода
💠 Шаг 3 — считаем вернувшихся пользователей по когорте
💠 Шаг 4 — добавим размер когорт (из первого задания)
💠 Шаг 5 — собираем результат
💡 Советы для секции live-coding (часть 2):
1. Переиспользуй. Продемонстрирую структурное мышление и внимательность возвращаясь к прошлым результатам, нежели писать все с 0 каждый раз.
2. Формулируй вслух, что проверяешь. Например: «Сейчас я фильтрую визиты, произошедшие после первого визита, но не позже 7 дней — для метрики раннего ретеншна».
3. Добавляй защиту от NULL-ов. Используй COALESCE, если есть LEFT JOIN — это демонстрирует внимание к деталям.
4. Поясняй математику. Даже если A / B, проговори: «делю число вернувшихся на размер когорты, чтобы получить процент ретеншна».
📎 В следующем посте: ретеншн первой недели по каналам привлечения.
Интересные задачи присылайте мне в личку - разберем. @onlyanalyst
Вопросы по прохождению такой секции, то задавайте в комментариях.
😀 @onlyanalystgroup
💬 @onlyanalystchat
Продолжаем тренироваться в секции live-coding по SQL от компании VK. Если пропустили, то первая часть по ссылке.
📋 Условие
Напоминаю: у нас таблица visits со схемой:
user_id -- ID пользователя
campaign -- канал привлечения
datetime -- дата и время визита
🧠 Задача
Посчитать ретеншн первой недели по когортам:
Для каждой даты первого визита (когорты) — сколько пользователей вернулись хотя бы один раз в течение 7 дней после первого визита (не включая сам день прихода).
⚙️ Декомпозиция задачи
💠 Шаг 0 — план действий
Нам нужно:
• Определить дату первого визита (как в задаче 1)
• Найти все визиты, которые произошли строго после этой даты
• Оставить только те, что произошли в течение 7 дней
• Посчитать, сколько уникальных пользователей вернулось по каждой когорте
💠 Шаг 1 — CTE с первой датой визита (cohort_date)
Повторим из прошлого задания — база для когорт.
WITH first_visits AS (
SELECT
user_id,
MIN(DATE(datetime)) AS cohort_date
FROM visits
GROUP BY user_id
)
💠 Шаг 2 — джойним с исходной таблицей
Нам нужно сопоставить:
• когорта пользователя
• последующие визиты
• ограничение в 7 дней после первого прихода
, retention_visits AS (
SELECT
fv.user_id,
fv.cohort_date,
DATE(v.datetime) AS visit_date
FROM first_visits fv
JOIN visits v ON fv.user_id = v.user_id
WHERE DATE(v.datetime) > fv.cohort_date -- позже, чем первый визит
AND DATE(v.datetime) <= fv.cohort_date + INTERVAL '7 day' -- но не позже 7 дней
)
💠 Шаг 3 — считаем вернувшихся пользователей по когорте
, retained_users AS (
SELECT
cohort_date,
COUNT(DISTINCT user_id) AS retained_users_count
FROM retention_visits
GROUP BY cohort_date
)
💠 Шаг 4 — добавим размер когорт (из первого задания)
, cohort_sizes AS (
SELECT
cohort_date,
COUNT(*) AS users_count
FROM first_visits
GROUP BY cohort_date
)
💠 Шаг 5 — собираем результат
WITH first_visits AS (
SELECT
user_id,
MIN(DATE(datetime)) AS cohort_date
FROM visits
GROUP BY user_id
),
retention_visits AS (
SELECT
fv.user_id,
fv.cohort_date,
DATE(v.datetime) AS visit_date
FROM first_visits fv
JOIN visits v ON fv.user_id = v.user_id
WHERE DATE(v.datetime) > fv.cohort_date
AND DATE(v.datetime) <= fv.cohort_date + INTERVAL '7 day'
),
retained_users AS (
SELECT
cohort_date,
COUNT(DISTINCT user_id) AS retained_users_count
FROM retention_visits
GROUP BY cohort_date
),
cohort_sizes AS (
SELECT
cohort_date,
COUNT(*) AS users_count
FROM first_visits
GROUP BY cohort_date
)
SELECT
cs.cohort_date,
cs.users_count,
COALESCE(ru.retained_users_count, 0) AS retained_users,
ROUND(COALESCE(ru.retained_users_count, 0)::numeric / cs.users_count, 2) AS retention_rate
FROM cohort_sizes cs
LEFT JOIN retained_users ru ON cs.cohort_date = ru.cohort_date
ORDER BY cs.cohort_date;
💡 Советы для секции live-coding (часть 2):
1. Переиспользуй. Продемонстрирую структурное мышление и внимательность возвращаясь к прошлым результатам, нежели писать все с 0 каждый раз.
2. Формулируй вслух, что проверяешь. Например: «Сейчас я фильтрую визиты, произошедшие после первого визита, но не позже 7 дней — для метрики раннего ретеншна».
3. Добавляй защиту от NULL-ов. Используй COALESCE, если есть LEFT JOIN — это демонстрирует внимание к деталям.
4. Поясняй математику. Даже если A / B, проговори: «делю число вернувшихся на размер когорты, чтобы получить процент ретеншна».
📎 В следующем посте: ретеншн первой недели по каналам привлечения.
Интересные задачи присылайте мне в личку - разберем. @onlyanalyst
Вопросы по прохождению такой секции, то задавайте в комментариях.
😀 @onlyanalystgroup
💬 @onlyanalystchat
Telegram
Only Analyst
🎯 Разбор live-coding SQL компании VK
Делаем новую рубрику - разбор заданий с live-coding секций компаний. В этот раз со мной поделились задачей на продуктового аналитика в VK. Актуально на май 2025.
Разберем не просто SQL решение конкретной задачи, а…
Делаем новую рубрику - разбор заданий с live-coding секций компаний. В этот раз со мной поделились задачей на продуктового аналитика в VK. Актуально на май 2025.
Разберем не просто SQL решение конкретной задачи, а…
🔥18❤6👍3👎1
🚀 Новый формат буткемпа: аналитический продукт с нуля за 4 дня
Запускаю новую серию онлайн-буткемпов — максимально прикладной подход для аналитиков всех уровней.
📅 Даты: 12–15 июня
Каждый день — это не теория, а реальный продовый кейс, который можно развернуть, показать и развивать. А также начать учиться на базе возникающих проблем, вместо пустого изучения теории без понимания где и как она применяется.
По факту это коммерческий опыт, который вы сможете адаптировать к текущей работе и как сторонний проект для добавления в резюме. Это не бесполезный GitHub с jupiter ноутбуками из Рамблер.Техникума, а настоящий проект.
📌 Формат и программа:
12–13 июня (2 дня по 2 часа) — Базовый блок
🔧 Технологии:
Python (asyncio, requests, logging, io)
PostgreSQL + psycopg2
Docker + docker-compose
matplotlib
🧠 Что делаем:
Разворачиваем Telegram-бота в Docker, подключаем базу, логируем данные, визуализируем графики.
📍Зачем это аналитику:
работать с API и асинхронным кодом
хранить данные в PostgreSQL
создавать визуализации
💰 Участие: 10 000 ₽ онлайн / 5 000 ₽ запись
14 июня — Блок Superset
🔧 Технологии: Apache Superset
🧠 Что делаем:
Подключаем Superset к базе, создаём BI-дэшборды, учимся фильтровать, кастомизировать визуализации.
📍Почему это важно:
BI — обязательный навык в работе аналитика
умение строить дашборды в Superset — востребовано в ИТ-компаниях
💰 Участие: всё вместе с Superset — 15 000 ₽ онлайн / 7 500 ₽ запись
15 июня — Блок Airflow
🔧 Технологии: Apache Airflow
🧠 Что делаем:
Создаём полноценный ETL пайплайн для обновления данных.
📍Зачем это нужно:
автоматизация задач
опыт продакшен-пайплайнов
понимание, как работают данные в команде
💰 Участие: полный буткемп с Superset + Airflow — 20 000 ₽ онлайн / 10 000 ₽ запись
💡 Что получится на выходе?
- Ты соберёшь реальный микросервис, в который входит:
- Telegram-бот, который взаимодействует с пользователем
- PostgreSQL-база с логированием событий
- matplotlib-графики
- BI-дашборды в Superset
- ежедневный автоапдейт данных через Airflow
📦 Это можно самостоятельно развернуть на сервере, показать на собеседовании и использовать в портфолио. Забудьте про "нескучные" ссылка на GitHub.
📈 Этот проект покрывает ключевые навыки, которые ищут работодатели: python, sql, docker, apache superset и apache airflow
❓Часто задаваемые вопросы
Можно ли участвовать с нуля?
- Да, буткемп подходит новичкам. Не нужно опыта работы. Всё объясняется пошагово.
Что нужно установить заранее?
- Docker Desktop
- Visual Studio Code
- Zoom
Все программы бесплатные. Инструкции по установке вышлю.
Как проходит обучение?
- Живые занятия в Zoom с записью
- Формат live-coding: ты видишь, как я пишу код
- Каждую строчку кода я объясняю голосом и оставляю комментарий прямо в коде
- Можно делать вместе со мной или по записи
Можно ли оплатить в рассрочку?
- Да, можно разбить платёж на 2 части.
Какие системные требования?
- Любая операционная система, 8 Гб оперативной памяти желательно. Если не подходит, то можете арендовать отдельный сервер.
🤝 Атмосфера: как в настоящей ИТ-команде
Ты не просто учишься — ты ощущаешь, как работает продуктовая команда:
- ежедневные синки (в начале каждого занятия — как в рабочих командах)
- обсуждение архитектуры, задач, проблем
- общий чат для общения, вопросов, взаимопомощи
- фидбек, практика и живое взаимодействие
📍Это не мёртвый курс — это живой ИТ-опыт.
💬 Напиши, если хочешь забронировать место. Кол-во участников в онлайн-группе ограничено.
😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.
P.S. Все участники еще также узнают первыми о моем новом направлении - AnalystCamp.
Запускаю новую серию онлайн-буткемпов — максимально прикладной подход для аналитиков всех уровней.
📅 Даты: 12–15 июня
Каждый день — это не теория, а реальный продовый кейс, который можно развернуть, показать и развивать. А также начать учиться на базе возникающих проблем, вместо пустого изучения теории без понимания где и как она применяется.
По факту это коммерческий опыт, который вы сможете адаптировать к текущей работе и как сторонний проект для добавления в резюме. Это не бесполезный GitHub с jupiter ноутбуками из Рамблер.Техникума, а настоящий проект.
📌 Формат и программа:
12–13 июня (2 дня по 2 часа) — Базовый блок
🔧 Технологии:
Python (asyncio, requests, logging, io)
PostgreSQL + psycopg2
Docker + docker-compose
matplotlib
🧠 Что делаем:
Разворачиваем Telegram-бота в Docker, подключаем базу, логируем данные, визуализируем графики.
📍Зачем это аналитику:
работать с API и асинхронным кодом
хранить данные в PostgreSQL
создавать визуализации
💰 Участие: 10 000 ₽ онлайн / 5 000 ₽ запись
14 июня — Блок Superset
🔧 Технологии: Apache Superset
🧠 Что делаем:
Подключаем Superset к базе, создаём BI-дэшборды, учимся фильтровать, кастомизировать визуализации.
📍Почему это важно:
BI — обязательный навык в работе аналитика
умение строить дашборды в Superset — востребовано в ИТ-компаниях
💰 Участие: всё вместе с Superset — 15 000 ₽ онлайн / 7 500 ₽ запись
15 июня — Блок Airflow
🔧 Технологии: Apache Airflow
🧠 Что делаем:
Создаём полноценный ETL пайплайн для обновления данных.
📍Зачем это нужно:
автоматизация задач
опыт продакшен-пайплайнов
понимание, как работают данные в команде
💰 Участие: полный буткемп с Superset + Airflow — 20 000 ₽ онлайн / 10 000 ₽ запись
💡 Что получится на выходе?
- Ты соберёшь реальный микросервис, в который входит:
- Telegram-бот, который взаимодействует с пользователем
- PostgreSQL-база с логированием событий
- matplotlib-графики
- BI-дашборды в Superset
- ежедневный автоапдейт данных через Airflow
📦 Это можно самостоятельно развернуть на сервере, показать на собеседовании и использовать в портфолио. Забудьте про "нескучные" ссылка на GitHub.
📈 Этот проект покрывает ключевые навыки, которые ищут работодатели: python, sql, docker, apache superset и apache airflow
❓Часто задаваемые вопросы
Можно ли участвовать с нуля?
- Да, буткемп подходит новичкам. Не нужно опыта работы. Всё объясняется пошагово.
Что нужно установить заранее?
- Docker Desktop
- Visual Studio Code
- Zoom
Все программы бесплатные. Инструкции по установке вышлю.
Как проходит обучение?
- Живые занятия в Zoom с записью
- Формат live-coding: ты видишь, как я пишу код
- Каждую строчку кода я объясняю голосом и оставляю комментарий прямо в коде
- Можно делать вместе со мной или по записи
Можно ли оплатить в рассрочку?
- Да, можно разбить платёж на 2 части.
Какие системные требования?
- Любая операционная система, 8 Гб оперативной памяти желательно. Если не подходит, то можете арендовать отдельный сервер.
🤝 Атмосфера: как в настоящей ИТ-команде
Ты не просто учишься — ты ощущаешь, как работает продуктовая команда:
- ежедневные синки (в начале каждого занятия — как в рабочих командах)
- обсуждение архитектуры, задач, проблем
- общий чат для общения, вопросов, взаимопомощи
- фидбек, практика и живое взаимодействие
📍Это не мёртвый курс — это живой ИТ-опыт.
💬 Напиши, если хочешь забронировать место. Кол-во участников в онлайн-группе ограничено.
P.S. Все участники еще также узнают первыми о моем новом направлении - AnalystCamp.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍21🔥9❤8👎2
🎓 Что говорят участники про Буткемп?
Более 50 человек уже прошли наш интенсив — и вот что они говорят:
💬 «Курс отличный и будет становиться только лучше. Можно отлично и весело провести время, узнав для себя что-то новое!»
— @ilya_mosin_wa
💬 «Очень круто попробовать что-то новое и разобраться с инструментами, о которых раньше только слышала. Теперь я точно знаю — это реально освоить, главное не бояться!»
— @kusyakek
💬 «Это был мой первый опыт с TG-ботом, Python и Docker. Прошло всего несколько звонков — и уже готовый проект. Этот опыт помог мне пройти собеседование и получить оффер!»
— @nastyarimbaud
💬 «Материал без воды, чётко, с молниеносной поддержкой, ощущение настоящего рабочего процесса»
— @nastyarimbaud
💬 «Очень понравился дух обучения, команда, поддержка, и всё это с подачей “говорящей головы”, где каждое действие объясняется на пальцах»
— @Lexina_Elena
💬 «Проект реально можно трогать руками, адаптировать под себя, и он работает! Это кайф»
— @kusyakek
💬 «Подача без “высокого порога входа” — всё объяснено и показано, и даже новичок может подключиться»
— @anni_parsh
💬 «Отдельный респект за организацию: все программы работали без сбоев, никаких технических сложностей. А подача — на высоте!»
— @reddis_m
💬 «Очень понравилось то, как Алексей строит атмосферу: уверенно, спокойно, без “воды”, фокус на реальную практику»
— @avonadzh
💬 «Домашка помогала закрепить материал, а структура буткемпа — это просто идеальный формат для первого data-проекта»
— @EllKirill
🛠 Участники отмечают:
✅ Понятную и «разжёванную» подачу материала
✅ Проект, который можно показать на собеседовании
✅ Настоящее погружение в Docker, SQL, Python и Telegram API
✅ Готовый data-продукт за считаные дни
✅ Рабочую атмосферу, поддержку и командную динамику
✅ Ощущение реального опыта IT-разработки
🧠 Даже те, кто пришли с минимальными знаниями, уходили с конкретным результатом и пониманием, как строятся data-продукты.
🎯 Итог буткемпа — это не просто уроки, а:
— первый data-проект своими руками
— уверенность в себе
— новое окружение
— и строчка в резюме, которая работает
🚀 Июньский bootcamp уже полность набран и остался только в формате в записей. Кто хочет записаться на июль - можете писать мне в личные сообщения @onlyanalyst
😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.
Более 50 человек уже прошли наш интенсив — и вот что они говорят:
💬 «Курс отличный и будет становиться только лучше. Можно отлично и весело провести время, узнав для себя что-то новое!»
— @ilya_mosin_wa
💬 «Очень круто попробовать что-то новое и разобраться с инструментами, о которых раньше только слышала. Теперь я точно знаю — это реально освоить, главное не бояться!»
— @kusyakek
💬 «Это был мой первый опыт с TG-ботом, Python и Docker. Прошло всего несколько звонков — и уже готовый проект. Этот опыт помог мне пройти собеседование и получить оффер!»
— @nastyarimbaud
💬 «Материал без воды, чётко, с молниеносной поддержкой, ощущение настоящего рабочего процесса»
— @nastyarimbaud
💬 «Очень понравился дух обучения, команда, поддержка, и всё это с подачей “говорящей головы”, где каждое действие объясняется на пальцах»
— @Lexina_Elena
💬 «Проект реально можно трогать руками, адаптировать под себя, и он работает! Это кайф»
— @kusyakek
💬 «Подача без “высокого порога входа” — всё объяснено и показано, и даже новичок может подключиться»
— @anni_parsh
💬 «Отдельный респект за организацию: все программы работали без сбоев, никаких технических сложностей. А подача — на высоте!»
— @reddis_m
💬 «Очень понравилось то, как Алексей строит атмосферу: уверенно, спокойно, без “воды”, фокус на реальную практику»
— @avonadzh
💬 «Домашка помогала закрепить материал, а структура буткемпа — это просто идеальный формат для первого data-проекта»
— @EllKirill
🛠 Участники отмечают:
✅ Понятную и «разжёванную» подачу материала
✅ Проект, который можно показать на собеседовании
✅ Настоящее погружение в Docker, SQL, Python и Telegram API
✅ Готовый data-продукт за считаные дни
✅ Рабочую атмосферу, поддержку и командную динамику
✅ Ощущение реального опыта IT-разработки
🧠 Даже те, кто пришли с минимальными знаниями, уходили с конкретным результатом и пониманием, как строятся data-продукты.
🎯 Итог буткемпа — это не просто уроки, а:
— первый data-проект своими руками
— уверенность в себе
— новое окружение
— и строчка в резюме, которая работает
🚀 Июньский bootcamp уже полность набран и остался только в формате в записей. Кто хочет записаться на июль - можете писать мне в личные сообщения @onlyanalyst
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12🥰3👎1🔥1
☀️ Я знаю, что вы делали этим летом.
🏕️ Прошло уже 2 недели с последнего буткемпа и наконец-то можно выдохнуть и подвести итог.
🐼 Это был самый большой, самый полный буткем за всю историю: Telegram, Python,
API, SQL, Airflow, Superset. Это если не
вдаваться в подробности.
😊 Меня радует, что созданный продукт реально приносит пользу людям и не имеет аналогов у «продавцов курсов»
🙇♀️ Но у них такого продукта не может быть
по определению: они хотят просто что-то продать, а мы хотим научиться применять современные аналитические технологии, чтобы приобрести коммерческий опыт.
🔮 Что дальше? По сути это первопроходный формат и новое слово в обучении. Поэтому было принято решение перенести его в новую плоскость. Ждите анонсов. Наш ламповый канал скоро сделает большой шаг вперед!
🤫 Не буду много рассказывать сам, а лучше попрошу учеников самостоятельно в комментариях поделиться своими
🖼️ А к посту приложил скриншоты. Можете
оценить вайб по нашим «серьезным» лицам, а по остальным скриншотам посмотрите что мы там сделали за 4 дня.
🏯 На втором скриншоте можете оценить нашу архитектуру. Так что по сути и начальный system design тоже добавлю (шучу).
😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.
🏕️ Прошло уже 2 недели с последнего буткемпа и наконец-то можно выдохнуть и подвести итог.
🐼 Это был самый большой, самый полный буткем за всю историю: Telegram, Python,
API, SQL, Airflow, Superset. Это если не
вдаваться в подробности.
😊 Меня радует, что созданный продукт реально приносит пользу людям и не имеет аналогов у «продавцов курсов»
🙇♀️ Но у них такого продукта не может быть
по определению: они хотят просто что-то продать, а мы хотим научиться применять современные аналитические технологии, чтобы приобрести коммерческий опыт.
🔮 Что дальше? По сути это первопроходный формат и новое слово в обучении. Поэтому было принято решение перенести его в новую плоскость. Ждите анонсов. Наш ламповый канал скоро сделает большой шаг вперед!
🤫 Не буду много рассказывать сам, а лучше попрошу учеников самостоятельно в комментариях поделиться своими
🖼️ А к посту приложил скриншоты. Можете
оценить вайб по нашим «серьезным» лицам, а по остальным скриншотам посмотрите что мы там сделали за 4 дня.
🏯 На втором скриншоте можете оценить нашу архитектуру. Так что по сути и начальный system design тоже добавлю (шучу).
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥26❤9👍6
📊 Как рассказывать про непростые графики?
На этот график я наткнулся пару месяцев назад. С первого взгляда всё очевидно, но в аналитике, как обычно, не всё так просто.
Ниже разбор, как мы проверили источники, сопоставили показатели и исправили визуализацию.
1) Базовый график
На нём рядом целые страны (Франция, Канада, Финляндия, Чехия, Австрия) и группы населения США (афроамериканцы, латиноамериканцы, белые).
Подпись «OECD», «WHO», «CDC» есть, но методика и год не указаны. Значения по странам завышены, по США — очень высокие.
2) Как определили источники
• США (CDC, 2022, crude): Black — 27.5, Hispanic — 5.5, White — 2.0. Источник: MMWR.
• Страны (UNODC, 2022): Канада — 0.889, Австрия — 0.145, Франция — 0.100, Финляндия — 0.091, Чехия — 0.095.
Почему не OECD/WHO? UNODC — эталон по «умышленным убийствам с применением огнестрела», CDC — медрегистрация смертей в США.
3) Ошибки и исправления
• Смешение уровней → разделили страны и группы.
• Неясный показатель → взяли только firearm homicide.
• Нет года → указали 2022.
• Разная методология → дали дисклеймер.
• Не указано crude/age-adjusted → уточнили, что crude.
• Риск экологической ошибки → без причинных выводов.
4) Исправленный график
Разница осталась огромной, но сравнение стало корректным.
5) Выводы
✅ firearm homicide у некоторых групп США в разы выше, чем в странах ОЭСР.
❌ Этничность ≠ причина — нужны модели с контролем факторов. Нужна корректная модель с контролем факторов (возраст, место проживания, доход, занятость, доступ к оружию и т. д.).
ℹ️ Мини-справка
• Crude rate — случаи на 100 тыс. без учёта возраста: просто, но искажает сравнения.
• Age-adjusted rate — пересчёт при одинаковой возрастной структуре: чище, но сложнее.
💡 Молодая страна может казаться опаснее по crude, но после поправки разница исчезает.
На какие мысли наводит этот график?
И какие дальнейшие действия предприняли бы?
😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.
💬 Наш чатик.
На этот график я наткнулся пару месяцев назад. С первого взгляда всё очевидно, но в аналитике, как обычно, не всё так просто.
Ниже разбор, как мы проверили источники, сопоставили показатели и исправили визуализацию.
1) Базовый график
На нём рядом целые страны (Франция, Канада, Финляндия, Чехия, Австрия) и группы населения США (афроамериканцы, латиноамериканцы, белые).
Подпись «OECD», «WHO», «CDC» есть, но методика и год не указаны. Значения по странам завышены, по США — очень высокие.
2) Как определили источники
• США (CDC, 2022, crude): Black — 27.5, Hispanic — 5.5, White — 2.0. Источник: MMWR.
• Страны (UNODC, 2022): Канада — 0.889, Австрия — 0.145, Франция — 0.100, Финляндия — 0.091, Чехия — 0.095.
Почему не OECD/WHO? UNODC — эталон по «умышленным убийствам с применением огнестрела», CDC — медрегистрация смертей в США.
3) Ошибки и исправления
• Смешение уровней → разделили страны и группы.
• Неясный показатель → взяли только firearm homicide.
• Нет года → указали 2022.
• Разная методология → дали дисклеймер.
• Не указано crude/age-adjusted → уточнили, что crude.
• Риск экологической ошибки → без причинных выводов.
4) Исправленный график
Разница осталась огромной, но сравнение стало корректным.
5) Выводы
✅ firearm homicide у некоторых групп США в разы выше, чем в странах ОЭСР.
❌ Этничность ≠ причина — нужны модели с контролем факторов. Нужна корректная модель с контролем факторов (возраст, место проживания, доход, занятость, доступ к оружию и т. д.).
ℹ️ Мини-справка
• Crude rate — случаи на 100 тыс. без учёта возраста: просто, но искажает сравнения.
• Age-adjusted rate — пересчёт при одинаковой возрастной структуре: чище, но сложнее.
💡 Молодая страна может казаться опаснее по crude, но после поправки разница исчезает.
На какие мысли наводит этот график?
И какие дальнейшие действия предприняли бы?
💬 Наш чатик.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥9❤5👍1