skillswiki.
Профессии/Аналитик данных/Middle
Подборка материалов · Middle

112 статей для Middle аналитика данных: большая подборка

Материалы для самостоятельного аналитика: продвинутый SQL, продуктовые метрики, A/B-тесты, BI, автоматизация, прикладная статистика, качество данных и представление результатов.

112 статей · 10 тем · материалы на русском языке

Продвинутый SQL

  1. Оптимизация SQL запросов

    Чтобы получать и изменять данные запросами.

  2. Как посчитать всё на свете одним SQL-запросом. Оконные функции PostgreSQL

    Чтобы разбивать логику на повторяемые действия.

  3. Оконные функции SQL простым языком с примерами

    Чтобы разбивать логику на повторяемые действия.

  4. Магия оптимизации SQL запросов

    Чтобы получать и изменять данные запросами.

  5. Почему `SUM() OVER (ORDER BY …)` иногда считает «неправильно»: разбираем оконные фреймы в SQL

    Чтобы получать и изменять данные запросами.

  6. Альтернатива чатам с ИИ для анализа и оптимизации SQL запросов. Часть 2

    Чтобы получать и изменять данные запросами.

  7. Анализ плана выполнения запроса с оконной функцией в SQL Server (+бонус)

    Чтобы разбивать логику на повторяемые действия.

  8. 5 лайфхаков оптимизации SQL-запросов в Greenplum

    Чтобы получать и изменять данные запросами.

  9. Кардинальность при оптимизации DAX запросов в ClickHouse

    Чтобы получать и изменять данные запросами.

  10. Оптимизация SQL-запросов в Oracle

    Чтобы получать и изменять данные запросами.

  11. Альтернатива чатам с ИИ для анализа и оптимизации SQL запросов

    Чтобы получать и изменять данные запросами.

  12. Отображение иерархии в SQL запросе

    Чтобы получать и изменять данные запросами.

  13. Как небольшой команде переехать на ClickHouse: на какие грабли мы наступили и о каких фишках не знали

    Чтобы получать и изменять данные запросами.

Продуктовые метрики

  1. Вы считаете LTV/CAC неправильно: как хорошие метрики скрывают проблемы в бизнесе

    Чтобы принимать продуктовые решения по данным.

  2. Чтобы не терять деньги: оповещения о падениях продуктовых метрик

    Чтобы принимать продуктовые решения по данным.

  3. Прогнозирование выручки через Retention, ARPU и LTV

    Чтобы принимать продуктовые решения по данным.

  4. Юнит-Экономика — главное о метрике CLV (Customer Lifetime Value)

    Чтобы оценить устойчивость бизнес-модели.

  5. Как отслеживать перформанс-метрики приложения и выкатывать только позитивные изменения

    Чтобы принимать продуктовые решения по данным.

  6. Юнит-Экономика — Что не так с магической метрикой CLV/CAC и как это исправить?

    Чтобы оценить устойчивость бизнес-модели.

  7. Метрика Churn Rate: что это и как посчитать?

    Чтобы принимать продуктовые решения по данным.

  8. Как устроен сборщик метрик Android-проекта

    Чтобы принимать продуктовые решения по данным.

  9. Пирамида метрик: пожалуй, лучший способ понять, что не так с вашим продуктом

    Чтобы принимать продуктовые решения по данным.

  10. Дерево метрик: как мы связали вклад маркетинга с бизнес-целями компании

    Чтобы принимать продуктовые решения по данным.

  11. Какие бывают метрики. Дизайнер и метрики, 2 часть

    Чтобы принимать продуктовые решения по данным.

  12. «Ваша игра скучная», или как поднять уже и так высокий Retention первого дня

    Чтобы принимать продуктовые решения по данным.

  13. Сейчас будет горячо: нагрев iOS-устройств как продуктовая метрика

    Чтобы принимать продуктовые решения по данным.

A/B-тестирование

  1. Шесть причин, почему ваши A/B-тесты не работают

    Чтобы проверить влияние изменения на метрики.

  2. ВкусВилл и фабрика A/B-тестов: как развивать сайт на основе бесконечных гипотез

    Чтобы проверить влияние изменения на метрики.

  3. Как Одноклассники борются с сетевыми эффектами в A/B-экспериментах

    Чтобы проверять влияние изменений на метрики.

  4. Sigma + Trisigma = 4Sigma или как мы сделали эксперименты еще удобнее

    Чтобы проверять влияние изменений на метрики.

  5. Методичка по AB-тестированию от аналитиков Авито

    Чтобы проверить влияние изменения на метрики.

  6. Эксперимент в Яндекс Метрике: как провести A/B-тест и что учесть при подготовке

    Чтобы проверить влияние изменения на метрики.

  7. 10 мифов об A/B-тестировании: как избежать распространённых заблуждений в статистическом анализе

    Чтобы проверить влияние изменения на метрики.

  8. Индуктивная статистика: доверительные интервалы, предельные ошибки, размер выборки и проверка гипотез

    Чтобы проверять влияние изменений на метрики.

  9. Как выбрать уровень статистической значимости для AB-теста и как интерпретировать результат

    Чтобы проверить влияние изменения на метрики.

  10. На что мы обращаем внимание при расчете статистической значимости A/B-теста

    Чтобы проверить влияние изменения на метрики.

  11. Оптимизируем A/B-тесты: единый шаблон и DIY-инструментарий для аналитиков

    Чтобы проверить влияние изменения на метрики.

  12. Обманчивая статистическая значимость

    Чтобы проверять влияние изменений на метрики.

  13. Ваш первый A/B-тест: гайд для тех, кто ещё ничего не пробовал

    Чтобы проверить влияние изменения на метрики.

BI и проектирование дашбордов

  1. BI-инструмент от Яндекса DataLens — теперь в опенсорсе

    Чтобы собирать показатели в понятные дашборды.

  2. Можно ли собрать BI-дашборды за 4 часа, если ты не аналитик? Эксперимент с MCP, PostgreSQL и Modus BI

    Чтобы собирать показатели в понятные дашборды.

  3. Дашборды без слёз: 8 практических советов из книги Тома Гривера по коммуникации с заказчиком для BI-разработчика

    Чтобы собирать показатели в понятные дашборды.

  4. Стек управления активами в 2026: от сканера штрихкодов до BI-дашборда

    Чтобы собирать показатели в понятные дашборды.

  5. Как сделать быстрый дашборд по таблице из 150 млн строк с помощью Yandex DataLens и ClickHouse

    Чтобы собирать показатели в понятные дашборды.

  6. Вместе, но независимо: как мы «подружили» разные движки визуализаций в одном BI-отчете

    Чтобы собирать показатели в понятные дашборды.

  7. Как управлять решениями через BI-дашборды

    Чтобы собирать показатели в понятные дашборды.

  8. Когда Excel уже не справляется, а BI еще рано: легкий дашборд по выгрузке из 1С

    Чтобы собирать показатели в понятные дашборды.

  9. Power BI в январе 2026: новые возможности, Copilot, визуализации и изменения для разработчиков

    Чтобы собирать показатели в понятные дашборды.

  10. Как объединить данные Яндекс Метрики и CRM: от загрузки данных до дашборда в DataLens

    Чтобы собирать показатели в понятные дашборды.

  11. От Google таблиц к DataLens + PostgreSQL: как мы делали BI-систему для WB и Ozon

    Чтобы собирать показатели в понятные дашборды.

  12. Поддержка MDX в Luxms BI: комфортная миграция с Power BI

    Чтобы собирать показатели в понятные дашборды.

  13. Из performance в BI: как я внедрил в digital-агентство дашборды для аналитики рекламных кампаний

    Чтобы собирать показатели в понятные дашборды.

Автоматизация и пайплайны данных

  1. Как мы научили заводчан строить красивые инженерные отчеты из Jupyter Notebook на Python

    Чтобы автоматизировать проверки и выпуск изменений.

  2. Как собрать ETL-процессы в Apache Airflow и перестать страдать

    Чтобы автоматизировать проверки и выпуск изменений.

  3. От CSV к дашбордам: гибкая отчетность на Postgres, Airflow и Superset

    Чтобы автоматизировать проверки и выпуск изменений.

  4. Введение в Data Engineering. ETL, схема «звезды» и Airflow

    Чтобы автоматизировать проверки и выпуск изменений.

  5. Автоматизация процессов в DWH с помощью Python и Snowflake

    Чтобы автоматизировать проверки и выпуск изменений.

  6. История одной автоматизации в BIM-проекте: от скриптов в Dynamo до собственного плагина и SQL Server

    Чтобы автоматизировать проверки и выпуск изменений.

  7. Как автоматизировать выгрузку данных из 1С: SQL или готовый ETL-инструмент

    Чтобы автоматизировать проверки и выпуск изменений.

  8. Боремся за качество данных: практический подход с Airflow

    Чтобы автоматизировать проверки и выпуск изменений.

  9. Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных

    Чтобы автоматизировать проверки и выпуск изменений.

  10. Автоматизация фоновой аналитики в финтехе с помощью background LLM‑агента: реальный опыт

    Чтобы автоматизировать проверки и выпуск изменений.

  11. Тестирование ETL: практический взгляд и подводные камни

    Чтобы автоматизировать проверки и выпуск изменений.

  12. Инженер данных Яндекс Практикум: обучение Big Data и ETL в 2026 году

    Чтобы автоматизировать проверки и выпуск изменений.

  13. Как превратить данные в деньги? Роль Modus ETL в сборе и подготовке данных

    Чтобы автоматизировать проверки и выпуск изменений.

Прикладная статистика

  1. Как понять, нужно ли переплачивать за пиво, или основы прикладной статистики

    Чтобы отличать закономерности от случайного шума.

  2. Как мы разработали гибкий пайплайн для прогноза временных рядов любых метрик

    Чтобы отличать закономерности от случайного шума.

  3. Стратегии прогнозирования временных рядов в ETNA

    Чтобы отличать закономерности от случайного шума.

  4. Покоряем гору временных рядов: делаем прогноз для 200+ рядов с библиотекой Etna

    Чтобы отличать закономерности от случайного шума.

  5. От нестационарности к прогнозу: пайплайн анализа и моделирования временных рядов

    Чтобы отличать закономерности от случайного шума.

  6. Обнаружение аномалий в данных временных рядов с помощью статистического анализа

    Чтобы отличать закономерности от случайного шума.

  7. Chronos и AutoGluon-TimeSeries — мощный инструмент прогнозирования временных рядов

    Чтобы отличать закономерности от случайного шума.

  8. Как прогнозировать временные ряды с ETNA

    Чтобы отличать закономерности от случайного шума.

  9. Когда одной ARIMA мало. Прогнозирование временных рядов нейросетями

    Чтобы отличать закономерности от случайного шума.

  10. «Ваша сезонность, сэр!»: ищем тренд и прогнозируем спрос с помощью временных рядов, SARIMA и Python. Ч.1

    Чтобы отличать закономерности от случайного шума.

  11. Прогнозирование временных рядов методом рядов Фурье

    Чтобы отличать закономерности от случайного шума.

  12. Как не врать с помощью статистики: основы визуализации данных

    Чтобы отличать закономерности от случайного шума.

  13. Бутстрап, или прикладная статистика почти без формул

    Чтобы отличать закономерности от случайного шума.

Python для аналитических задач

  1. Как автоматизировать рутинные операции с помощью Jupyter, Python и Selenium

    Чтобы очищать и анализировать данные программно.

  2. Python, pandas и решение трёх задач из мира Excel

    Чтобы очищать и анализировать данные программно.

  3. Polars — «убийца Pandas» на максималках

    Чтобы очищать и анализировать данные программно.

  4. Datalore: открываем бета-версию приложения для анализа данных на Python

    Чтобы очищать и анализировать данные программно.

  5. «Переходи на Spark», говорили они. Сравнил pandas, Polars, DuckDB и PySpark на слабой машине

    Чтобы очищать и анализировать данные программно.

  6. Какой язык выбрать для работы с данными — R или Python? Оба! Мигрируем с pandas на tidyverse и data.table и обратно

    Чтобы очищать и анализировать данные программно.

  7. Простые лайфхаки для автоматизации работы с помощью Python

    Чтобы очищать и анализировать данные программно.

  8. Pandasql vs Pandas для решения задач анализа данных

    Чтобы очищать и анализировать данные программно.

  9. 7 продвинутых приемов pandas для науки о данных

    Чтобы очищать и анализировать данные программно.

  10. Основы анализа данных на python с использованием pandas+sklearn

    Чтобы очищать и анализировать данные программно.

  11. 4 анти-паттерна pandas и способы борьбы с ними

    Чтобы очищать и анализировать данные программно.

  12. Yandex GPT + Excel: Автоматизация анализа данных через Python

    Чтобы очищать и анализировать данные программно.

  13. Малоизвестные библиотеки Python для анализа данных, которые сделают вашу жизнь проще

    Чтобы очищать и анализировать данные программно.

Качество данных

  1. ML‑датасет для Data Scientist: практический гайд по проверке качества данных перед обучением модели

    Чтобы находить ошибки до расчёта показателей.

  2. Быстрая Data Quality проверка на базе алгоритма adversarial validation

    Чтобы находить ошибки до расчёта показателей.

  3. Как проводят оценку качества данных в Airbnb

    Чтобы находить ошибки до расчёта показателей.

  4. Размерности качества данных: обеспечение качества данных с помощью Great Expectations

    Чтобы находить ошибки до расчёта показателей.

  5. Marshmallow vs. Pydantic: две лучшие библиотеки для сериализации и валидации данных на Python

    Чтобы находить ошибки до расчёта показателей.

  6. Предохранители для данных: как автоматические выключатели повышают Data Quality

    Чтобы находить ошибки до расчёта показателей.

  7. 15 самых распространенных проблем с качеством данных (и способы их решения)

    Чтобы находить ошибки до расчёта показателей.

  8. Повышаем качество данных с Oracle Enterprise Data Quality

    Чтобы находить ошибки до расчёта показателей.

  9. От «дата-ада» к знаку качества. Как в М.Видео-Эльдорадо работа с качеством данных улучшает результаты в бизнесе

    Чтобы находить ошибки до расчёта показателей.

  10. Data Quality: новые правила

    Чтобы находить ошибки до расчёта показателей.

  11. Дата-сайентистам: «Обработка данных на Python. Data Wrangling и Data Quality»

    Чтобы находить ошибки до расчёта показателей.

  12. Потери данных при репликации в аналитическое хранилище — автоматические сверки и мониторинг качества данных

    Чтобы находить ошибки до расчёта показателей.

  13. Качество данных и роботы: как мы высвободили 5 рабочих часов в день сотрудника DQ

    Чтобы находить ошибки до расчёта показателей.

Интерпретация и представление результатов

  1. Excel в HTML: сервер для публикации Excel‑отчётов

    Чтобы превращать расчёты в понятные решения.

  2. Data Storytelling на примере нестандартного дашборда: РПЛ и знаки зодиака

    Чтобы превращать расчёты в понятные решения.

  3. Не рой аналитику яму: искусство сложных коммуникаций

    Чтобы превращать расчёты в понятные решения.

  4. Недельный отчёт по сайту на 200 строках Python: Метрика, Вебмастер и очередь статей в одном сообщении

    Чтобы превращать расчёты в понятные решения.

  5. Как ИИ-агенты научились писать аналитические отчёты не хуже профессиональных аналитиков

    Чтобы превращать расчёты в понятные решения.

  6. Автоматизация SQL server в Jenkins: возвращаем результат красиво

    Чтобы превращать расчёты в понятные решения.

  7. Аналитический отчёт по трейсу Microsoft SQL Server

    Чтобы превращать расчёты в понятные решения.

Планирование аналитического проекта

  1. Планирование проекта

    Чтобы реалистично спланировать сроки и зависимости.

Все подборки для аналитика данных →