Аналитик [в процессе] | Мария Кудимова

Аналитик [в процессе] | Мария Кудимова

Public

Просмотреть канал

Не можете присоединиться? @analyst_in_progress

0

952 Участники

Обновлено: May 4, 2026 at 12:14 AM

Аналитик [в процессе] | Мария Кудимова

Экс-менеджер по закупкам, ныне — аналитик данных [в процессе]. Здесь мой путь: от факапов до портфолио. Разбираю домены, инструменты BI и туплю. Заходи, если тоже хочешь в профессию. Будет полезно. Для связи: @Maria_Kudimova

@analyst_in_progress is a growing community focused on maria_kudimova and related topics

Рейтинг

Глобальный рейтинг

#456

+2

Рейтинг по языку

#45

+1

Рейтинг по категории

#23

-1

Рост участников (Последние 2 дней)

Всего: 952

Рост за 24ч: +15 2%

Loading...

Рейтинг

Требуется вход

Loading...

Loading recommended channels...

Последние посты

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

Чёрт ногу сломит да шею свернёт

Продолжаем копаться в источниках данных в рамках рубрики «где мои данные, чувак?». Первые варианты — [] и [].

Сегодня сделаем шаг к более реальным данным: государственные порталы.

Государственные порталы открытых данных — это централизованные платформы, где органы власти публикуют данные для свободного использования в различных сферах (экономика, транспорт, здравоохранение и др.).

Например:
https://data.gov.ru/
https://data.gov/
https://data.europa.eu/en

Есть разные типы порталов:
— национальные — макроуровень (экономика, население, расходы)
— наднациональные — сопоставимые данные между странами (торговля, миграция, энергетика)
— региональные / городские — операционные данные (транспорт, преступность, ЖКХ)

Чем для нас, аналитиков, эти данные могут быть полезны:
— работа с «грязными» данными: пропуски, дубли, несогласованные форматы
— навык понимания данных: что означает метрика, откуда берётся, каковы её ограничения
— навык постановки вопросов: аналитическую задачу ставишь себе сам
— работа с временными рядами

Примеры проектов на данных государственных порталов:
«Демография и экономика»
Данные:
— население по регионам
— уровень безработицы
— доходы
Задача:
— выявить регионы с ухудшающейся экономикой
— найти корреляции
Результат:
— дашборд
— аналитическая записка

«Транспорт»
Данные:
— поездки на городском транспорте
— загруженность
Задача:
— выявить пики нагрузки
— определить узкие места
Результат:
— анализ временных рядов
— рекомендации по оптимизации

«Экология»
Данные:
— выбросы CO₂
— качество воздуха
Задача:
— анализ трендов загрязнения
— сравнение стран / регионов
Результат:
— аналитический отчёт
— визуализация

Согласно данным из интернетов, в России реальная ценность не в одном общем портале, а в распределённой системе, и на региональном уровне данные часто лучше, чем на федеральном. Поэтому рекомендуют использовать Росстат, региональные порталы и отраслевые ведомства.

Я делала https://www.youtube.com/watch?v=OY4eQrekQvs с сопровождением по https://data.cityofnewyork.us/Environment/2015-Street-Tree-Census-Tree-Data/uvpi-gqnh/about_data Нью-Йорка. Сам датасет очень объёмный и хорошо описанный, но было скучновато. Я даже дошла до уровня: «ну зачем мы будем смотреть эту одну строку, просто удали и всё, окей?»

Оказывается, мне сложно анализировать данные, если для меня они не имеют смысла. Даже в рамках тренировки.

💬 А у вас как? Смогли бы просто проанализировать ради смеха данные https://t.me/c на Землю?

#аналитик_ищет_данные
#где_мои_данные_чувак

Video Thumbnail

671

21

0

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

Похоже, я старею...

На прошлой неделе мой ноутбук так «возмутился» предстоящими замедлениями Telegram, что решил уйти на покой. Хотя, возможно, дочь этому тоже поспособствовала 🤭

В любом случае я на целую неделю осталась без рабочего инструмента и решила, что это знак: пора устроить себе отпуск. Кто же знал, что он так затянется?

Вот уже вторую неделю я не могу войти в прежнюю рабочую колею: не хочу проходить курсы, не хочу делать проекты. Всё, что я хочу, — это читать знакомые книги, смотреть знакомые фильмы и вовремя ложиться спать...

За две недели я успела переслушать «Граф Аверин. Колдун Российской империи» (уже в десятый раз), «Воспоминания о прошлом Земли» Лю Цысиня и приступила к ежегодному переслушиванию серии о Гарри Поттере.

Из фильмов доверилась только «классике» — «Люди в чёрном».

Недавно мне попалось видео на YouTube https://www.youtube.com/watch?v=7sCmD5poI4Y, которые пересматривают сериалы и фильмы по многу раз.

Мы делаем это не просто так. Одна из причин — поиск безопасного места в непредсказуемом мире.

Эффект психологической безопасности через предсказуемость: когда реальность становится слишком хаотичной, мозг начинает искать среду, где он точно знает правила, где понимает, что будет дальше, и где нет неожиданного удара.

Думаю, сейчас это именно та причина, по которой я не хочу двигаться в сторону новых книг и фильмов. Во-первых, это новый мир, который нужно исследовать. Во-вторых, вдруг мне не понравится? Видимо, с возрастом я сильнее разочаровываюсь в неправильном выборе.

Дам себе ещё одну неделю, чтобы погрустить и отдохнуть, а потом вернусь в учебную струю. Негоже сдаваться на последнем километре 😎

💬 Если у вас есть рекомендации книг и фильмов, которые вы бы сами с удовольствием пересмотрели, пишите в комментариях. А то я пойду пересматривать старые советские фильмы!

#аналитик_тоже_человек

Video Thumbnail

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Просчиталась [опять], но где?!

Мне кажется, что та вымышленная компания, вымышленный датасет которой я анализирую, отмывает вымышленные деньги! Иначе как объяснить, что товаров мы продали на 30 млн, а заплатили нам 23 млн?

Но начнём по порядку.

Промахнувшись один раз для визуализаций, я решила ответственнее подойти к выбору и, по рекомендации одной из нейросетей, взяла в работу этот датасет:
https://www.kaggle.com/datasets/bytadit/ecommerce-order-dataset

К тому же в нём содержатся данные по поставкам, что, как вы помните, является моей стихией.

Я подошла со всей ответственностью к знакомству с этим датасетом. И получила инфаркт жопки. Я не просто провела EDA [разведочный анализ данных] — я настолько углубилась в данные, что сравнила всё со всем.

Первый флэшбек с работы накрыл меня, когда я изучала даты заказов [создан — согласован — отправлен — доставлен]. Заказ ещё не согласовали, а его уже доставили. И действительно, а почему бы и да!

Второй флэшбек накрыл меня, когда я начала смотреть деньги. Это же как надо было продавать, чтобы клиент платил нам меньше, чем стоит товар? И это ещё не решён вопрос, включена ли доставка в стоимость...

Хотя ситуация «продавать дешевле, чтобы влезть к клиенту» не выдумка. В первой компании, где я работала после универа, закупки были в зоне ответственности продажников. И они совершенно не гнушались продавать в минус, лишь бы зайти к клиенту. Устав терять деньги, компания создала отдел закупок, в котором я и начала свою карьеру.

До сих пор безмерно благодарна своей первой руководительнице за привитую рабочую дисциплину и любовь к цифрам.

Мне интересно, это я такая невезучая? Почему мне попадаются такие странные датасеты? А ведь у этого на Kaggle бронзовая медалька... Кажется, я что-то упускаю...

В любом случае всё это безумие с EDA https://github.com/mkudim/Exploratory_data_analysis_EDA на GitHub.

А ещё хорошо было бы продумать критерии, которые позволяли бы чётко понять, что пора остановиться, а не «копать отсюда и до обеда».

💬 У вас есть такие критерии?

#портфолио_аналитика

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Попытка засчитана!

Помните в котором я жаловалась, что ничегошеньки не успеваю: времени мало, а нагрузка получилась большой?

Благодаря вашим комментариям под тем постом я через пару дней поняла, где продолбалась!

Дело в том, что при разработке планов для каждого проекта я давала ИИ следующий контекст:
«У меня есть два свободных часа в день...».

Искин [кажется, я фантастики перечитала] выдавал хороший план, рассчитанный строго на два часа в день… для каждого из четырёх проектов!
Ну и у кого в этой ситуации оказалось больше интеллекта?

Неудивительно, что всё пошло прахом уже к концу первого месяца. Да и проект по EDA [exploratory data analysis] занимает больше времени, чем мне хотелось бы. Об этом проекте расскажу в пятницу.

Но, разобравшись с этой ошибкой, я решила допустить новую и влезла в analysis paralysis [паралич анализа].

Раньше я пользовалась только одной нейронкой, чтобы генерить планы по захвату мира. Она ведь оплаченная, значит должна работать хорошо.

Но, https://t.me/cozyscientists, мои горизонты в использовании нейронок настолько расширились, что теперь я использую четыре, и каждая генерит хорошие планы.
И вот теперь главный вопрос: кому верить? Не было печали…

В общем, я решила себя понять, простить и начать проект по изучению доменов сначала.

У меня на канале посты идут циклично, и на каждый домен выделено три месяца. Со следующего месяца начинаем [не опять, а снова] изучать e-commerce.

И, надеюсь, в этот раз всё получится так, как надо 😉

💬 А вам какие истории интереснее читать: про успех или про факап получение опыта?

#аналитик_тоже_человек

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Redash: ближе к российским реалиям

Продолжаем разбор инструментов визуализации.
Первым инструментом был Metabase, почитать можно [] и [].

Почему именно он?

Наверняка все, кто хочет попасть в аналитику, знают, что SQL — один из базовых кирпичиков аналитических навыков. Про Excel вам такое скажут не всегда, но поверьте, его знать тоже надо! И многие аналитики рекомендуют бесплатный курс по SQL от https://karpov.courses/simulator-sql

Я тоже его проходила, и мне он .

Именно на этом курсе я впервые столкнулась с Redash: мы писали запросы и делали визуализации «не отходя от кассы».

С инструментом достаточно легко разобраться. Я не стала искать дополнительные материалы, чтобы сначала познакомиться с Redash, а уже потом проходить курс по SQL. Но такие ресурсы, конечно, есть:

Stepik: https://stepik.org/course/70987/promo?search=8958667434 [бесплатно]

Этот курс я не проходила, потому что считаю, что использовать политизированные данные в обучающем курсе немного неуместно. Если вас это не смущает, можете посмотреть. У курса есть и другие минусы, в основном связанные с подачей материала. Но абсолютное большинство студентов считают его хорошим стартом.

YouTube: https://www.youtube.com/playlist?list=PLMIFYdGfSFcwzkOL7UIN1-Zou5URg2cDE

Компания Redash разместила плейлист, где рассказывает, как работать с инструментом [на английском]. Там объясняют, как подключаться к базе, как писать SQL-запросы и как строить дашборды. В целом — необходимый минимум для старта.

Освоить Redash несложно, но SQL знать обязательно. Здесь нет никакого drag-and-drop [перетаскивания] элементов. С одной стороны, вы точно понимаете, что и как агрегируется. С другой — порог входа становится выше.

Визуализаций достаточно. Графики функциональные, но минималистичные: продвинутой стилизации нет. Зато они удобны для ad-hoc [ситуативного] анализа.

И если про Metabase часто говорят лишь то, что она «используется как первая BI-система», то Redash реально применяется в российских компаниях. Например, в Авито.

В следующий раз посмотрим на дашборды, которые мне удалось собрать, подробнее сравним их с Metabase и разберёмся, почему одни аналитики любят Redash, а другие — нет.

💬 А вы знакомы с Redash?

#аналитик_и_визуализация
#аналитик_изучает_bi
#инструменты_визуализации

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Хаос, голые коленки и мечта о кнопке "сделать хорошо"

На недавней встрече английского клуба мы обсуждали роль аналитики в компании. Девчонки скептически отнеслись к тому, что аналитика может делаться «на коленке».

Я уверена, что многие из вас встречали термин «data-driven компания» — это компания, которая принимает решения исключительно на основе данных, проверяемых фактов, метрик и экспериментов на всех уровнях.

Но компании такими «не рождаются», они такими становятся, проходя определённые этапы зрелости работы с данными.

Этап 1: Хаос (кстати, смотрели сериал «Каос»?)
«Данные? Какие данные? Ты данные брал? Я нет!»

Решения принимаются на основе опыта и интуиции. Отчёты делаются в Excel — причём руками. Каждый отдел (а то и каждый человек) считает по-своему: что-то учитывая, что-то опуская.

Отсюда — ошибки, споры о цифрах, упущенные возможности и клиенты.

Пример из жизни: у нас часто были проблемы с данными по браку от поставщиков. Отдел учёта заполнял таблицы по своей логике, упуская важные детали. Менеджеры по закупкам постоянно их «теребили», требуя дополнить данные. Всё собиралось вручную через переписку по почте.

Этап 2: Оперативный
Появляются первые «серьёзные» инструменты визуализации и работы с данными. Формируются регулярные отчёты и KPI.
Создаются базовые дашборды, которые обновляются ежедневно. Заинтересованные лица наконец видят факты в реальном времени.

Фокус на вопросе «Что произошло?». Рутина автоматизируется, Excel по почте отправляют реже (но это не точно!)

Этап 3: Диагностический
Начинается настоящая аналитика. Фокус смещается с мониторинга на исследование: «Почему?»

Аналитик раскрывается во всей красе: ad-hoc анализ, когорты, сегментация, драйверы метрик, узкие места, точки роста.

Пример: вырос отток клиентов. Выяснили — реклама работает как надо, а логистика не успевает: доставка в регионы занимает 10–12 дней против 1–2 дней в столице.

Этап 4: Предиктивный
На этом этапе происходит магия: данные смотрят в будущее. Используются модели машинного обучения, прогноз метрик, сценарии «что если» и проводятся регулярные эксперименты.

Этап 5: Data-driven
А этот этап что-то из области фантастики: данные диктуют действия. Self-service аналитика — сотрудники сами строят отчёты и дашборды.

Пример: маркетолог видит в дашборде, что стоимость привлечения клиента выросла на 20%. Не бежит к аналитикам, а сам фильтрует по каналам, смотрит конверсию, меняет креативы и метрика нормализуется.

Думаю, что на этом этапе сотрудникам нужны аналитическое мышление и навыки, чтобы докапываться до истины самостоятельно.

Как это часто бывает, нет компании, застрявшей на одном этапе: отделы денег (продажи, финансы) обычно впереди, остальные отстают. Но, судя по новостям, ИИ внедряют все!

💬 Я работала в компании, где перешли от хаоса к оперативному этапу. А до какой ступеньки добралась ваша организация?

#аналитик_и_визуализация
#аналитик_изучает_bi

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

А может быть, ну его, эти ваши дашборды?

Перед тем как полностью переписать свою карьеру, карьерные консультанты советуют побольше узнать о типичном рабочем дне человека, который уже работает в этой профессии.

Но я не встречала никого, кто пошёл бы расспрашивать незнакомых людей о том, «кому на Руси жить хорошо?».

Хорошо, что в сегодняшних реалиях можно послушать подкаст или почитать интервью и узнать, что же на самом деле представляет собой ваша будущая работа.

Сегодня мы продолжаем снимать розовые очки, и поможет мне в этом Маша Аничкова — тимлид команды BI-аналитиков в Авито и автор канала « https://t.me/pies_and_bars
---
1) Как ты пришла в BI и с чего начинался путь?
В этом плане меня жизнь немного помотала 🙂
Я была стажером в HR, затем младшим финансовым аудитором в Big4, затем финансовым аналитиком в строительной компании.

По курсам я изучила SQL, PowerBI, базовый Python и перешла в коммерческую аналитику в Ozon - опыт в аудите и знание бизнес-метрик мне пригодились на отборе.

В Ozon я уже много работала с витринами данных и с дашбордами, поэтому это было во многом похоже на работу BI-аналитика. И только придя в Авито я стала уже полноценным биайщиком 🥰

2) Какие навыки оказались реально важными в работе, а какие переоценены?
Реально важны - сильный SQL, умение делать дашборды (скорее с точки зрения понимания структуры, метрик и т.п.).

Переоцененным считаю требования к знанию конкретной BI-системы - если есть опыт, то переключиться с одной BI-системы на другую можно довольно быстро (кроме редких исключений).
К счастью, многие работодатели это понимают🙂

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?
У нас своя BI-система на базе Redash - наши разработчики уже добавили много классных фичей, но иногда всплывают мелочи, которые бесят.

Например, если на графике включить группировку по году, и при этом стоит фильтр на текущий год, то есть остаётся только одно значение - то на графике не будет одной точки с этим значением, он будет пустой. Мне иногда жалуются пользователи, думая что дашборд сломался 😢 Поэтому я завела фичареквест нашим разработчикам и жду, когда они это поправят 💔
Плюсы - гибкость и возможность доработать всё, что нужно.

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?
Он не старается сделать крутой дашборд, он в первую очередь вникает, какую задачу/проблему бизнеса нужно решить. Иногда для этого не нужен сверхсложный дашборд, в котором будет всё.
Иногда для этого вообще не нужен дашборд 🙂

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?
Первое - очень круто прокачать SQL (включая оптимизацию запросов и виды баз данных), базовый Python, научиться делать дашборды - благо это всё можно освоить на курсах.
Требования к джунам растут, и сейчас критично важно иметь сильную базу.

Второе (желательно) - получить практический опыт дашбордов, чтобы научиться правильно работать со структурой дашборда, собирать требования и тп. Это можно сделать также на некоторых курсах, или например на пет-проектах + найти ментора хотя бы на 1-2 встречи и обсудить с ним свои проекты.
---
Маша, большое спасибо, что поделилась своим опытом!

💬 Как вы относитесь к менторству? Был ли у вас опыт в этом деле?

#аналитик_берёт_интервью

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

Где взять проекты с сопровождением?

Продолжаем искать аналитические бриллианты на просторах интернета! Сегодня поговорим про https://mavenanalytics.io/ — онлайн-платформу для обучения аналитике данных.

Эта платформа может быть нам полезна в двух направлениях.

Первое — https://mavenanalytics.io/guided-projects [проекты с сопровождением]

Когда начинающий аналитик задумывается, как выделиться на фоне таких же джунов, он думает о проекте для портфолио. Ну или ему на курсе сказали, что он должен думать о проекте для портфолио.

Но, как показывает практика, с первого раза, да и со второго тоже, сложно понять, чего от тебя ждут в этих проектах. Можно попросить нейронку составить план и расписать шаги выполнения, но тогда есть риск, как у меня, сделать дашборд, даже не познакомившись с данными.

Выход есть: перед тем как клепать свой шедевр на данных из Kaggle, стоит сделать один-два проекта под присмотром «старшего товарища».

Maven как раз предлагает датасеты под разные инструменты с описанием проекта, его целей и задач каждого этапа анализа. Сделаешь пару таких проектов — и становится понятнее, как подступиться к первому самостоятельному.

Второе — https://mavenanalytics.io/data-playground

Вопрос, где брать данные для тренировки, стоит остро. Все твердят: «Не Kaggle единым», но альтернативы либо не называют, либо их приходится искать самостоятельно.

Одним из вариантов может быть песочница Maven: там собраны датасеты по разным сферам — путешествия, развлечения, финансы, здоровье и т.д. Они отличаются не только тематикой, но и объёмом. Можно выбрать тот, который ближе, и начать тренировочный проект.

И даже здесь вам дают направление для анализа, но план придётся продумать самостоятельно.

А ещё у них есть интересная серия видео — https://www.youtube.com/watch?v=FjVSnnFEVs4 [сравнительный анализ данных].

Инструкторы платформы решают один и тот же вопрос на скорость, но разными инструментами. Очень залипательно выходит!

Единственный минус — всё на английском языке.

В следующий раз расскажу про инструмент от Maven, который помогает делать проекты для портфолио с ChatGPT.

💬 Если бы вы делали проект, то выбрали бы тот, который представляет сферу, куда метите, или лучше отображает ваш прошлый опыт работы?

Мне, например, оказалось легче работать с данными, которые включают в себя данные по закупкам.

#аналитик_слушает_советы

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Три в ряд или морковка на ферме?

В ко вчерашнему посту мы поднимали тему о том, что в офис не хочется ездить, потому что дорога занимает чертову уйму времени, которое очень сложно потратить продуктивно.

Вы когда-нибудь обращали внимание на то, что люди смотрят, уткнувшись в свои телефоны в транспорте? Мне бы хотелось сказать, что они там книги читают, не возить же с собой «кирпичи». И именно это «повсеместно люди читают» было одним из сильных впечатлений от Москвы, когда я в первый раз сюда приехала в командировку. Правда было это лет десять назад 🤭

Но сейчас я замечаю, что многие люди сидят в играх. И, на мой взгляд, самая популярная игра это «три-в-ряд». Да будь я проклята, если скажу, что сама не залипаю в ней! Правда у меня одно условие - такое нельзя ставить на телефон, поэтому я за компьютером мужа балуюсь, когда он уходит на тренировку.

Ведь так здорово просто бездумно потыкать эти шарики, да получить легкий дофамин. И знаете кто виноват в моей зависимости? Аналитики! Игровые аналитики!

В этом году я взялась изучать домены, в которых мне было бы интересно попробовать свои силы. Так вот книга Василия Сабирова «Игра в цифры. Как аналитика позволяет видеоиграм жить лучше» это отличный старт для изучения игровой индустрии.

Эта книга дает отличное представление об этом домене и понятно рассказывает, как именно применение аналитических инструментов помогает оптимизировать игровой процесс на всех его этапах.

В книге описаны не только важные для игры метрики, воронки конверсий и механики монетизации, но и «типичный» рабочий день игрового аналитика.

Эта книга отличное пособие не только для начинающего игрового аналитика, но и для аналитика вообще, потому что показывается взаимосвязь явлений и метрик. Становится понятно зачем мы эти метрики считаем и как они отражаются на реальном мире.

Я бы рекомендовала прочитать эту книгу, хотя бы для того, чтобы знать, как нас сажают на игровой  крючок 😎

💬 А какое у вас guilty pleasure [тайное удовольствие]?

#книги_и_мысли

Аналитик [в процессе] | Мария Кудимова

28 апр. 2026 г., 20:28

📷 Photo

Hogwarts для аналитика данных?

Продолжаем разбирать источники, где можно получить датасеты без регистрации и смс. Сегодня посмотрим на один из наименее рекомендуемых — https://archive.ics.uci.edu/

UCI Machine Learning Repository — это крупная коллекция датасетов для обучения и исследования алгоритмов машинного обучения, поддерживаемая Университетом Калифорнии в Ирвайне.

У этого источника есть несомненные плюсы:
— большая коллекция классических датасетов (самым первым идёт Iris Dataset);
— представлены разнообразные домены: медицина, биология, социология, физика и др.

Но количество минусов, на мой взгляд, перевешивает (с точки зрения аналитика данных):
— это не «боевые данные»: многие датасеты маленькие (сотни — тысячи строк) и не похожи на реальные;
— данные уже «вылизаны» и подготовлены для загрузки в модели;
— часть датасетов очень старая (90-е / 2000-е годы) и не соответствует современным реалиям.

Хотя из таких датасетов можно слепить что-то пригодное для тренировки, если добавить в них шум, пропуски, лаги по загрузке и другой мусор, на который только способна ваша фантазия.

И это идеальная задача для любимых чат-ботов:
— выбираем домен, в котором хотим практиковаться;
— уточняем у ИИ, какие обычно бывают проблемы с данными в этом домене / области;
— просим ИИ составить план «ухудшения» данных — и вперёд, к генерации.

Но есть одна загвоздка: при малой насмотренности можно сгенерировать ерунду вместе с ИИшкой.

Я бы на данном этапе просто игнорировала этот источник данных. Мне кажется, он не для новичков, особенно если вы хотите «реальные данные» пощупать. Этот репозиторий больше подходит для академических задач. Поэтому предлагаю оставить его ML-щикам.

💬 Колитесь, кто работал с датасетами «Ирис» или «Титаник»?

#аналитик_ищет_данные
#где_мои_данные_чувак

Аналитик [в процессе] | Мария Кудимова

15 апр. 2026 г., 14:08

📷 Photo

Не доходит через голову, дойдет через ноги руки

Мне кажется, моя учительница по математике именно так и говорила. И знаете, она оказалась права.

Я уже не первый раз наступаю на одни и те же грабли: начинаю анализ с метрик, а не со знакомства с данными. Ведь прежде чем поцеловать парня, надо хотя бы его имя спросить! Хотя… 😅

В этот раз я решила действовать радикально.
Если теория не закрепляется — значит будет практика!

Я наказала «наградила» себя челленджем:
10 guided projects, а потом ещё 10 полностью самостоятельных. Почему это хорошая связка я .

Что такое guided project?
Это когда ты повторяешь за кем-то более опытным. Например, за «экспертом» на YouTube.

Знаете, есть когнитивное искажение — «эффект авторитета».
Мы склонны верить человеку просто потому, что он звучит уверенно и имеет какой-то статус.

Я наткнулась на серию видео турецкого дата саентиста по EDA (exploratory data analysis) в pandas на https://www.kaggle.com/datasets/thedevastator/books-sales-and-ratings с Kaggle.
Целая серия из 10 видео. Думаю: «ну всё, ща как научусь!»

Идёт третья минута анализа.
Он видит минимальный год выпуска книги «минус 590».
И… просто удаляет строку.

Хм... Ну, как бы, ладно...

Четвёртая минута анализа.
21 пропущенное значение в колонке «Название».
Что делает эксперт? Правильно, просто удаляет строки.

Не проверяет, не смотрит соседние колонки, не оценивает долю пропусков. Просто удаляет...

Я сижу, брови ползут вверх, думаю: «это, конечно, супер странно, но он же дата саентист, он же знает что делает, да?»

Осознание,что это неправильные пчелы неправильный эксперт у меня пришло тогда, когда он не смог написать функцию, потому что всё время не угадывал с названием колонки. А знаете почему? Потому что названия колонок никто не проверял перед тем, как приступить к работе, а там пробелов тьма тьмущая…

В общем, я решила, что это не тот человек, у которого я хочу учиться. А ведь он ещё и курсы свои продаёт…

Я не ищу идеального инструктора.
Я просто набиваю руку.

Интенсивная практика по EDA реально начинает работать как буткэмп.
Да, из-за этого в e-com у меня будет не три проекта, а два, если повезёт.
Но лучше меньше, да лучше!

И главное — больше никаких «он эксперт, ему виднее».
А с датасетом попробуйте поработать, он хорошо под EDA подходит.

💬 Как вы проверяете экспертность человека?

#портфолио_аналитика

Аналитик [в процессе] | Мария Кудимова

15 апр. 2026 г., 14:08

📷 Photo

Pandas для анализа данных (обзор курса)
Stepik | аналитика | платный
[ https://stepik.org/course/122126/info]

Продолжаем расчищать авгиевы конюшни купленных впрок курсов. Сегодня на очереди третий пройденный мною курс по Pandas. Я устроила себе , и мне показалось логичным пройти дополнительный курс и получить корочку. Как говорится, без бумажки — ты букашка!

Первый пройденный курс мне не очень понравился, второй, наоборот, очень понравился, но он короткий. А вот этот вызывает у меня смешанные чувства, и я расскажу почему.

Для кого этот курс

Этот курс рассчитан примерно на 35 часов прохождения. За это время можно выучить многое.

Но абсолютным новичкам он вряд ли подойдёт. Попадаются задачи, где потребуются навыки в Python. Мне немного не хватило знаний, пришлось прибегать к помощи чат-бота 😅

Что внутри курса

Курс состоит из видеолекций. В каждом уроке присутствует достаточное количество задач на отработку теории. Часто приходится вспоминать пройденный материал.

В этом курсе нет конспектов, поэтому приходилось создавать их самой. С одной стороны, это здорово. Говорят, что составление конспектов положительно влияет на запоминание информации.

С другой стороны, записи получаются немного хаотичными. Наверное, было бы лучше сначала полностью посмотреть весь урок, понять его структуру, а потом уже делать конспект.

Чего не хватило

Первое, чего мне не хватило, — это представленных в виде конспекта (или комментария) датафреймов или серий, которые разбираются на уроке в видео.

Позиция автора такова: в реальном мире вам никто ничего не будет предоставлять, поэтому сами делайте себе конспекты, сами создавайте датафреймы для практики и вообще пошли вы к чёрту!

В общем, я поняла, как набегают 35 часов практики — переписывание датафреймов с экрана довольно ресурсозатратное занятие.

Второе — мне не понравилось, как автор отвечает на комментарии. С одной стороны, спасибо, что он вообще присутствует на курсе.

Но ответы в духе «Где у меня такое сказано?» и «Мне в голову не приходит хороший пример, чтобы было понятно, в чём суть функции concat и когда её стоит применять» не добавляют ему очков.

Есть задачи, где не совсем понятно, в каком виде нужно предоставить вывод или какую функцию использовать. Приходится играть в угадайку: «А что хотел сказать автор?» 🤨

Итог

Я впервые оказалась в ситуации, когда подошла к курсу, уже имея практический опыт работы. С одной стороны, я понимаю, как то, что рассказывает автор, применяется в жизни, потому что уже сделала несколько guided projects по EDA. С другой стороны, часть курса показалась мне пока чисто теоретической.

Стала бы я рекомендовать этот курс? Честно, не знаю. Задач на отработку много, но манера общения автора меня останавливает.

На YouTube-канале автора курса, где выложены лекции курса, можно найти промокод на скидку, если вам будет интересно.

Моя субъективная оценка ( https://github.com/mkudim/analytics-learning-notes/blob/main/05_courses/Rating_scale.md)

Полезность: 4/5
Практика: 4/5
Подача: 3/5

А теперь у меня к вам пара вопросов:

💬 Хватит ли знаний, полученных при выполнении проекта «под диктовку», для реальной работы или обязательно нужно пройти целый курс?

💬 Стали бы вы до конца проходить курс, если вам не нравится манера общения автора? При этом, к самому материалу претензий практически нет.

#курсес_ресурсес

Аналитик [в процессе] | Мария Кудимова

15 апр. 2026 г., 14:08

📷 Photo

Не по Сеньке шапка!

Ребята, простите, я вас подвела!

Сегодня должен был выйти очередной пост про e-com домен, который я собиралась тщательно изучать. И в котором, по факту, я вообще не продвинулась.

Я поняла, что взяла на себя слишком большую нагрузку, которую реально в нынешнем состоянии не готова вывезти. Оказалось, что изучать BI-аналитику в придачу к изучению доменов — это немного «дофига» для тех 2–3 свободных часов в день, которые я могу чему-то посвятить.

К тому же у меня самой пока не сформировалось понимание того, как изучать эти домены. И я просто не могу придумать себе расписание, чтобы успеть всё и сразу.

При этом я не готова отказаться от того блестящего плана, который себе наметила. Но первый блин оказался комом, огромным комом, которым меня и придавило.

Мне нужно немного времени для передышки и совершения манёвра. В такие моменты грандиозных факапов мне всегда хочется начать с чистого листа, но стоит учесть ошибки прошлого, чтобы не наступить на одни и те же грабли. А, видит бог, я нахожу особое наслаждение в танцах на граблях.

Я всё равно буду разбирать эти чёртовы домены, и BI-аналитика с инструментами визуализации от меня точно никуда не денется. Но я пересмотрю то количество проектов для портфолио, которое хотела сделать, и немного умерю свой пыл в изучении курсов. И, я надеюсь, такие посты нытья больше не повторятся!

Признание своего поражения далось мне не очень легко. И мне хотелось бы сказать, что я живу этой цитатой из «Рокки Бальбоа»:
Борьба не окончена, пока не прозвенел гонг, а гонг ещё не прозвенел

Но иногда нужно признаться, что раунд проигран...

💬 А у вас как дела?

#аналитик_тоже_человек

Аналитик [в процессе] | Мария Кудимова

15 апр. 2026 г., 14:08

Я танцую на граблях и Metabase тут не при чём

Каждый раз, вступая в говно партию, я клятвенно себе обещаю, что «это было в первый и последний раз». Но на практике это не так.

В про Metabase я радостно сообщила, что беру крутой датасет с Kaggle, который мне подобрал ChatGPT. Всё по ТЗ, всё как просила.
Только я забыла учесть одну мелочь — производительность моего старенького Honor. Он не смог открыть даже один файл. А их было семь.

Пошла к Perplexity искать замену, раз ChatGPT не умеет думать за меня. В итоге выбрали https://www.kaggle.com/datasets/bytadit/ecommerce-order-dataset. Данные по поставкам — привет, мой бэкграунд закупщика.

Наученная , я решила «в этот раз всё проверить как надо».
Проверила. Так проверила, что разобрала до костей одну таблицу… и не успела посмотреть остальные четыре. Про визуализацию вообще молчу!

Если вам кажется, что я всё успеваю — вам просто кажется. Я не успеваю ничего.

Ну, а теперь к Metabase.

Полностью самостоятельным изучением это не назовёшь: был модуль в Simulative, . Но инструмент правда простой.

Пробовала и SQL, и Question (конструктор без кода).
SQL — понятно и гибко.
Question — вроде должен упрощать жизнь, но сложные штуки собираются со скрипом. И сводные таблицы только через него.

Графиков немного, но базовые все на месте.
Бесил один момент: нельзя убрать вспомогательные линии, не снеся всю ось. Моё чувство прекрасного сильно страдало (покажу в комментах).

Про «Metabase плохо работает с большими объёмами» — не проверила. Я загрузила уже предобработанные данные, чисто под визуализацию.

Итог: хороший инструмент для старта.
Простой, понятный.
Но дальше будет интереснее, когда сравню его с другими BI-системами.

Кстати, есть отличная https://leftjoin.ru/blog/bi-tools/metabase-prosto-ponyatno-no-ne-vsem-podojdet/ с реальными кейсами, где простота Metabase сыграла против него.

💬 У вас тоже бывают проекты, которые «почти гениальны», но в итоге вы застревает «на пороге»?

#аналитик_и_визуализация
#аналитик_изучает_bi
#инструменты_визуализации

Showing 14 of 14 posts

No more posts