Аналитик [в процессе] | Мария Кудимова

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 писала тут.

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 книжном датасете 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

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

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 первом посте 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 Ecommerce Order & Supply Chain Dataset. Данные по поставкам — привет, мой бэкграунд закупщика.

Наученная прошлым факапом, 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, был курс. 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 статья от LeftJoin 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

BI аналитик — это дизайнер от аналитики?

Когда я думала, чем заняться в последний год декрета и параллельно усилить себя как аналитика, я решила углубиться в BI-аналитику. В моей голове это выглядело так: BI — это про красивые графики, аккуратные дашборды и людей с хорошим вкусом. Ну, дизайнеры, только с данными 🤭

Поэтому в плане обучения у меня сначала появились инструменты визуализации. Логично же!

А потом я начала копать глубже и задаваться простым вопросом: а кто вообще такие BI-аналитики и зачем они нужны бизнесу?
И тут картинка начала разваливаться.

Оказалось, что BI-аналитик — это не «рисовальщик дашбордов», а человек, который помогает бизнесу принимать решения. Через отчёты, метрики и интерактивные визуализации, но всё же про решения, а не про красоту.

Ключевая задача BI-аналитика — понять цель заказчика:
что именно он хочет видеть, какие решения собирается принимать и в каком формате ему нужна информация. А дальше уже начинается работа с данными, логикой и визуализацией.

Лучше всего разницу между ролями показывает их сравнение.

Data-аналитик сфокусирован на данных.
Его основная цель — объяснить прошлое и ответить на вопросы: «что произошло?» и «почему так вышло?»

Он криминалист / детектив: изучает улики (данные), ищет причины и мотивы событий, которые уже произошли.

BI-аналитик сфокусирован на бизнесе.
Его цель — мониторить настоящее и держать руку на пульсе, отвечая на вопросы: «как у нас дела прямо сейчас?» и «где нужно вмешаться?».

Отличную аналогию привела LLM'ка: инженер-проектировщик информационных табло. Создаёт и поддерживает большие информационные дисплеи на вокзале (дашборды), куда стекаются данные о всех поездах (метриках), чтобы диспетчеры (менеджеры) видели ситуацию в реальном времени.

Product-аналитик сфокусирован на продукте и будущем.
Его главный вопрос: «как сделать продукт лучше?».
Это про эксперименты, гипотезы и влияние на развитие продукта.

Это своего рода учёный, как Док Браун («Назад в будущее») 🤭

Если совсем коротко:
Data — объясняет прошлое
BI — поддерживает принятие решений
Product — влияет на будущее продукта

Это не уровни «сложности» аналитиков (мы же не в компьютерные игры играем), а разные зоны ответственности.

Нагляднее всего разницу видно, когда все три аналитика смотрят на одну и ту же бизнес-ситуацию. Вот тут примеры [ссылка на github], если хотите посмотреть.

💬 А у вас, в вашей области деятельности, были моменты «узнал в только что лет»?

#аналитик_и_визуализация
#аналитик_изучает_bi

📝 README как лицо проекта: фреймворк для портфолио аналитика

В прошлый раз мы разбирали подход Christine Jiang к проектам в портфолио и почему учебные кейсы чаще вредят, чем помогают.
Сегодня продолжим и посмотрим как именно она предлагает оформлять проект, а точнее README, чтобы его было не стыдно показать нанимающему менеджеру.

Спойлер: README — это не «описание файлов в репозитории».
Это ваш финальный аналитический артефакт.

Принципы, на которых Кристин настаивает

По её опыту, сильные аналитики всегда держат в голове три вещи:
🟠 ясность важнее сложности, функция важнее «красоты»
🟠 ответ на вопрос «и что?» должен быть понятен сразу
🟠 всегда думайте об уровнях детализации

Отсюда и рекомендации по GitHub:
🟠 один репозиторий = один проект
🟠 README = обложка проекта и итог всей аналитической работы

Структура README, которая работает

Кристин предлагает следующую логику документа.

1. Background / Overview
Контекст и цель проекта, написанные не от первого лица.
Без «мне было интересно...», «я решил попробовать...».
Текст должен выглядеть как внутренний аналитический документ компании.

2. Data Structure Overview
Описание структуры данных и домена.
Желательно добавить ERD (entityrelationship diagram), чтобы сразу было понятно, с чем вы работали.

3. Executive Summary
Короткое резюме для занятых стейкхолдеров.
Самое важное, без деталей, по существу.

4. Insights Deep Dive
Расшифровка ключевых выводов из executive summary.
3–4 абзаца с логикой, цифрами и пояснениями.
Здесь же уместен скрин high-level дашборда.

5. Recommendations
Рекомендации и следующие шаги.
Именно здесь вы отвечаете на главный вопрос:
зачем вообще проводился этот анализ и что бизнесу с этим делать.

А где код?

Код, SQL-запросы и технические детали — по ссылкам.
Если кому-то важно, он посмотрит.
Захламлять README техническими подробностями не нужно — это и есть разделение уровней детализации.

Хороший README — это документ, который можно показать стейкхолдеру.

У Кристин есть:
🟠 шаблон README, который можно взять за основу
🟠 разборы реальных портфолио, присланных подписчиками тут [ссылка] и тут [ссылка]

В целом, её канал — кладовая практичных советов без воды и мотивационных лозунгов.

💬 Как вам такой фреймворк?
Стал бы понятнее ваш проект, если оформить README именно так, или вы бы что-то поменяли?

#аналитик_слушает_советы

🎙 Что важно в BI-аналитике на практике, а не в курсах

Когда ты осваиваешь новую профессию в одиночку, ощущение примерно такое же, как у ёжика в тумане.
Да, сейчас можно открыть ChatGPT, нагенерить себе роадмап и бодро по нему пойти. Но всегда есть сомнения.

В такие моменты особенно ценен опыт человека, который уже работает в профессии, куда ты только целишься.

Поэтому сегодня я открываю рубрику с интервью и пригласила Алису Ручкину — автора канала «Датавиз в BI».

Алиса поделилась своим реальным BI-путём и ответила на вопросы, которые чаще всего волнуют начинающих BI-аналитиков.
___
1) Как ты пришла в BI и с чего начинался путь?

По основному образованию я инженер-железнодорожник и на 4-5 курсе дополнительно училась на экономиста. После универа я 7,5 лет работала менеджером по импорту и организовывала международные контейнерные перевозки.

2020 год стал для меня поворотным:
🤩из-за карантинных ограничений в мире сильно пострадала логистика, поэтому на работе сильно возрос уровень стресса.
🤩я попробовала работать удалённо и не захотела возвращаться в офис.
🤩я вышла замуж и поняла, что не хочу работать по вечерам и выходным, что в логистике просто невозможно, потому что это сфера с ненормированным графиком

Поэтому в сентябре 2020 года я пошла учиться на аналитика данных в «Яндекс-Практикум» (17-я когорта).

После защиты дипломного проекта весной 2021 года я устроилась аналитиком SQL в «НЛМК-ИТ». В том же году осенью я перешла в «ПИК-Индустрию» на позицию Junior BI-аналитика.

В апреле 2022 года я пришла в «Уралсиб» на позицию BI-аналитика в Службе управления данными. Это по сути центр компетенций по данным, поэтому помимо разработки дашбордов в FineBI я проводила вебинары и консультировала других разработчиков компании.

В 2023 году я перешла в компанию T2 (тогда Tele2) на похожую позицию в Дата-Офис, где и работаю по сей день.

2) Какие навыки оказались реально важными в работе, а какие переоценены?

Из хард-скиллов реально важным оказался SQL, поэтому в первый год работы я активно проходила разные SQL-тренажёры.

Из софт-скиллов считаю важным быть проактивным и идти до конца. Умение напоминать о себе и дожимать — очень важный скилл при удалённой работе.

По моему BI-опыту, переоценено знание Python. В некоторых компаниях он нужен, но лично мне до сих пор не пригодился.

3) Какие BI-инструменты ты используешь сейчас? Что в них нравится, а что регулярно вызывает дергающийся глаз?

Каждый день я использую FineBI.
Что мне нравится:
🤩его гибкость. В нём много аналитических функций и есть опция Custom Chart, которая позволяет создавать нестандартные визуализации без JS, HTML или CSS кода
🤩понятный интерфейс. Возможно, это субъективно, потому что с FineBI я работаю почти 4 года и к нему уже привыкла😁

Почему у меня дёргается глаз:
🤩новые версии могут сильно отличаться от предыдущих, поэтому какой-то функционал может перестать работать, требуется время на адаптацию и обновление инструкций
🤩есть небольшие бесячие нюансы (например, в графиках нельзя откатить изменения в создаваемых калькуляциях)

4) Как выглядит «хороший BI-аналитик» глазами бизнеса?

🤩обозначает сроки, хотя бы приблизительно
🤩не перебивает, если заказчик начинает рассказывать что-то на бизнесовом. Может показаться, что он отдаляется от сути, да и в целом всё непонятно, но хороший BI-аналитик пытается выудить из этого что-то ценное для аналитики
🤩объясняет простыми словами, а не техническим языком, если что-то невозможно реализовать или просто не работает
🤩не ставит перед проблемой, а предлагает решение

5) Что бы ты посоветовала человеку, который хочет войти в BI сейчас?

🤩лучше узнать, чем занимается BI-аналитик. Возможно, что эта работа вообще не понравится
🤩хорошенько потренировать SQL
🤩сделать портфолио или пет-проект, чтобы было что показать на собеседовании. Не уверена, что вы будете подробно рассказывать о своих работах, но само их наличие поможет выделиться на фоне других кандидатов.

___
Алиса, большое спасибо, что поделилась своим опытом!

💬 А какой вопрос задали бы вы на моём месте?

#аналитик_берёт_интервью

🤖 Как не превратить дашборд в «Евротур» для мозга

Обычно такие посты начинаются с фразы
«я никогда ничего не выигрываю, но тут внезапно…»

Я тоже не собираюсь быть оригинальной.
И да, мне правда повезло — я весело провела время на канале «Руковожоп», где нужно было угадывать первые профессии людей по эмодзи, и выиграла книгу.

Причём книгу, которая максимально совпала с моим фокусом в аналитике в этом году.

Речь про «Данные: визуализируй, расскажи, используй».

До этой книги я жила с наивной установкой:
аналитик просто делает графики.
Оказалось — нет. Аналитик рассказывает истории с помощью графиков.

И прежде чем вообще думать о визуализации, нужно ответить себе на три вопроса:

• кто будет это смотреть и на каком уровне его понимание вопроса
• что этот человек должен понять или сделать после
• как выстроить информацию так, чтобы история попала в яблочко

И вот с вопросом «как» эта книга справляется на отлично.

Мы любим графики за простоту: один раз взглянул и понял смысл.
Но это работает только если график сделан с учётом когнитивной нагрузки.

Если нет — в голове у зрителя происходит примерно следующее: Error. Error.
(помните парижского мима из «Евротура»?).

В книге разбирается почти каждая возможная визуализация данных:
от текста и таблиц
до диаграмм / гистограмм и slopegraph’ов

Показано:
— какие визуальные приёмы помогают фокусировать внимание
— как убирать информационный мусор
— почему «красиво» ≠ «понятно»
— и как сделать так, чтобы визуализация не требовала устного перевода

Отдельный кайф — разборы примеров в формате
"что такое хорошо, и что такое плохо".

Если вы делали визуализации и никогда не задумывались,
насколько они дружелюбны к мозгу того, кто на них смотрит, то эту книгу стоит прочитать.

💬 А как дела у вас с «евротуром»? Думаете об удобстве того, кто будет воспринимать ваши аналитические выводы?

#книги_и_мысли

Где мои данные, чувак?

Когда я только начала думать о проектах для портфолио, я упёрлась в очень простой вопрос:
а где вообще брать данные?

На курсах, конечно, датасеты дают. Но есть нюанс.
Если один и тот же датасет дают сотне студентов, то и проекты в портфолио у них потом выглядят… почти одинаково 🤭

В какой-то момент я захотела разобраться:
— где брать данные
— как понять, подходят ли они для портфолио
— и как не сделать очередной «проект как у всех»

Так что этим постом я открываю новую рубрику — буду разбирать источники данных.
Начнём с самого очевидного и самого спорного.

Kaggle

Kaggle — это платформа с открытыми датасетами и соревнованиями по анализу данных и ML.
Данные туда загружают компании, исследователи и сами пользователи.

Там можно найти вообще всё:
— продажи, заказы, клиенты
— маркетинг и рекламу
— финансы, медицину, образование, ритейл

Плюс, у Kaggle есть свои курсы — от основ программирования до ML и computer vision.

Звучит идеально. Но, как всегда, есть «но».

В чём проблема с Kaggle

Большинство датасетов там:
— слишком чистые
— с минимумом пропусков и аномалий
— без реального бизнес-контекста

Оценка реалистичности данных в разных источниках колеблется от низкой до средне-высокой.

При этом Kaggle:
— отлично подходит для первых шагов
— хорош для знакомства с инструментами
— норм для самого первого проекта

Но если говорить про портфолио, тут и начинаются претензии:
— датасеты не уникальны
— проекты получаются «как у всех»
— легко скатиться в копипаст чужих решений

Как выжать из Kaggle максимум

Если уж брать данные оттуда, то стоит немного подшаманить и:
— придумать бизнес-контекст
— сформулировать вопросы от «заказчика»
— делать выводы и рекомендации, а не просто графики и код

Потому что без этого проект выглядит как учебное упражнение (learning project), а не как работа аналитика (showing project).

Ирония момента

Многие аналитики — от Simulative до западных YouTube-менторов — в один голос говорят:
«Kaggle — плохо, не используйте».

Но при этом:
— альтернатив почти не предлагают
— или предлагают… свои курсы 😅

Так что Kaggle — это не зло.
Это просто инструмент, с которым нужно понимать ограничения.

💬 А вы как относитесь к Kaggle?
Пользуетесь им или «титаникоподобные» датасеты уже вызывают нервный тик?

#аналитик_ищет_данные
#где_мои_данные_чувак

Metabase: визуализация данных (обзор курса)

Stepik | визуализация | платный
👉 [ссылка на курс]

Этот курс я купила ещё в прошлом году.
Причина банальная: мне казалось, что сама я с визуализацией в Metabase точно не разберусь.
Ну что поделать, если вера в себя иногда уходит в отпуск без предупреждения 🥲

Как я уже писала раньше, Metabase часто используют как первую BI-систему в компаниях.
Порог входа низкий: SQL знать не обязательно, можно работать через конструктор.
Я, кстати, проверяла это на практике в своём первом e-commerce проекте.

Для кого этот курс

Курс рассчитан на абсолютных новичков.
SQL знать не нужно вообще.

Сначала:
работа с запросами в визуальном конструкторе

Потом:
SQL появляется, но код просто дают готовым (писать самому необязательно)

Все лекции в формате видео с демонстрацией интерфейса.
К каждому блоку есть короткие конспекты:
— зачем нужна визуализация
— когда её использовать
— примеры

Если у вас уже есть опыт в BI

Тут возможны два сценария:
— либо вы быстро освоите Metabase
— либо будете плеваться от его простоты и ограничений

Третьего не дано 😅

Что внутри курса

Разбирают:
— установку Metabase (локально, на сервере, в VM)
— конструктор запросов
— SQL-режим
— коллекции
— дашборды
— модели и метрики
— все типы визуализаций

Есть бонусный блок с бизнес-кейсами на SQL.
Но визуализировать их в Metabase нельзя, поэтому для меня это выглядит как приятный, но немного лишний бонус.

Чего не хватило

Мне не хватило подробного разбора пользовательских выражений в режиме конструктора.
Автор честно отправляет в документацию, аргументируя это тем, что иначе курс раздуется до бесконечности. В целом — fair enough.

Итог

Курс очень практичный.
После него вы точно будете понимать:
— как устроен Metabase
— куда нажимать
— как собрать дашборд

Но если вам не нужно, чтобы вас вели за ручку, то:
— на YouTube полно туториалов
— при установке Metabase есть тестовая база, на которой можно спокойно тренироваться

Моя субъективная оценка (критерии тут)

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

Если вы только начинаете путь в BI — курс может быть хорошей точкой входа.
Если уже работали с визуализаций, даже в excel, то разберётесь и без него 😉

💬 Как думаете, курсы по инструментам — must have или лишняя трата денег?

#курсес_ресурсес

Никогда такого не было — и вот опять!

Я снова побежала впереди паровоза.
Паровоз, разумеется, меня догнал. И аккуратно переехал 🚂

Помните мой первый факап с тестовым заданием? Там, где я торопилась и не проверила форматы данных.
После этого я пообещала себе:
всегда внимательно изучать данные перед анализом.

Я даже нашла отличный чек-лист и теперь честно по нему прохожусь: полнота, адекватность, форматы, NULL’ы — всё чётко.

Но, как выяснилось, проверить данные и познакомиться с данными — это вообще-то два разных действия.

Сейчас мы поговорим об очередном факапе: первом проекте по e-com'у.

Для проекта я взяла данные из заданий Олимпиады DANO 2025.
Выбрала датасет SM Lab: воронка онлайн-продаж (Спортмастер).
Файл здоровый — около 7 миллионов строк. В Excel такое, понятно, не покрутишь, поэтому сразу пошла в DBeaver.

Пишу своему верному другу GPT:
— Давай проверим данные по чек-листу.

Проверили. Всё красиво. Можно работать.

И вот тут я делаю ключевую ошибку: начинаю проект «по-взрослому».

Я говорю GPT:
— Делаем проект. С дашбордом. Executive-level. Чтобы ух!

GPT мгновенно входит в роль ментора:
— Отлично. Давай я тебе сейчас без суеты распишу весь план...

В план проекта входила визуализация, поэтому Metabase мы поставили через Docker. Кстати, это реально несложно, особенно если есть нормальная видео-инструкция.

И дальше мы начали считать метрики через questions, то есть через визуальный конструктор.

Я не сопротивлялась.
Во-первых, Metabase у меня всё равно в плане изучения.
Во-вторых, конструктор действительно снижает порог входа.

По ощущениям, для простых запросов конструктор — ок, а вот для вычисляемых столбцов и трендов — танцы с бубном!
Я думаю, что через SQL я бы сделала это быстрее.

В результате я сделала 4 карточки.
Четыре. Карточки. Карл.

Для executive-дашборда.
Которые показывают состояние воронки…
и при этом даже не в виде воронки!

И только в самом конце я вдруг задаю себе вопросы:
🟠 А что вообще происходит с данными?
🟠 Какая общая картина?
🟠 А на что ещё стоило посмотреть?

Спойлер: задавать эти вопросы надо было в самом начале, а не на четвёртый день.

Что получилось по факту

Проект:
🟠 не демонстрационный
🟠 дашборд — откровенно слабый
🟠 времени убито — 4 дня

Зато README от GPT — просто конфетка.
Там даже в разделе «Next steps» аккуратно написано всё то, что мы будем делать в следующий раз.

Я злюсь.
Потому что снова полезла делать «красиво», не разобравшись в сути.
Я даже толком не поняла, что такое executive dashboard, но полезла его строить. Самооценка уровня «Илон Маск, подвинься».

Но есть и хорошая новость.

Я снова на собственных шишках убедилась, как делать не надо.
А это, к сожалению, самый рабочий способ обучения.

Если хотите посмотреть на этот проект и поугарать — добро пожаловать на GitHub 👉 [ссылка на README].
Если есть идеи, замечания или рекомендации на будущее — буду рада.
Только давайте экологично! Что всё плохо и надо дальше учиться я и сама догадываюсь 😎

💬 А у вас бывали моменты, когда вы понимали, что убили кучу времени на ерунду?
Как вы выходили из состояния «Халк крушить»?

#портфолио_аналитика

🐴 Планирование — точно не мой конёк.
Мой конёк — горбунок. С характером и без тормозов!

Вообще-то сегодняшний пост должен был быть про инсайты после первого месяца изучения e-commerce.
Но есть нюанс: я до сих пор в лёгком шоке от того, что именно мы напланировали. Поэтому вместо инсайтов давайте сначала разберёмся с планом. А к выводам я вернусь во втором посте серии. Честно-честно 🤞

План по e-commerce я собирала вместе с ChatGPT (кажется, ему уже пора дать имя).
Сама я в домене ориентировалась очень примерно и решила не изобретать велосипед, а спросить у того, кто не устаёт и не паникует от объёма задач.

Вот что получилось.

Месяц 1. Скелет домена
KPI, воронка, базовая диагностика.
Цель — понять, как вообще работает e-commerce:
🟠 где бизнес зарабатывает деньги
🟠 где обычно «течёт» воронка
🟠 какие метрики считаются базовыми

Месяц 2. Поведение и деньги
Когорты, retention, LTV, сегменты.
Фокус — научиться оценивать ценность пользователей, а не просто считать клики.

Месяц 3. Цены, промо и эксперименты
Здесь будем учиться оценивать эффект, а не просто красиво описывать прошлое.
Промо, A/B, гипотезы — всё по-взрослому.

Все три месяца я работаю с одним и тем же датасетом, который мы немного обогатим синтетическими данными.
Каждый месяц — отдельный проект, отражающий пройденный материал.

Датасет беру из библиотеки материалов Олимпиады DANO за прошлый год.

А ещё, так как значительную часть дня я провожу на прогулках с ребёнком, решила добавить формат «учёбы для ушей».
Нашла подкаст «Практика days» — интервью с предпринимателями и топ-менеджерами из e-commerce.

Почему он мне зашёл:
🟠 много реальных бизнесов и моделей
🟠 разговоры про текущие вызовы
🟠 понимание, чем рынок живёт прямо сейчас и куда смотрит

Не уверена, что это прям must-have для подготовки к собесам в конкретную компанию.
Но для формирования общего контекста — очень даже.

В общем, я продолжаю мучить себя бессонными ночами и наполеоновскими планами.
А вам пока задам вопрос:

💬 Когда вы готовитесь к собеседованию, вы смотрите только конкретную компанию или ещё и всю сферу целиком?

#аналитик_собирает_пазл

🚀 Metabase как первая BI-система: проверяю на практике

В этом году я целенаправленно изучаю BI-аналитику.
А что такое BI-аналитика, если не работа с данными + их визуализация?

Этим постом я открываю серию про инструменты визуализации.
На каждый инструмент я закладываю примерно два месяца: изучить, применить и сделать выводы.

Чтобы не распыляться, все инструменты я буду разбирать через один сквозной проект:
e-commerce с поведенческими событиями пользователей.

Базовый датасет взят с Kaggle, но дальше мы с GPT будем обогащать его синтетическими данными под нужные бизнес-задачи. Хочу, чтобы проект был максимально приближен к реальности. Правда в этом вопросе полностью полагаюсь на GPT 😅

Начинаем с Metabase.

Почему именно он?
Во-первых, в Simulative этот инструмент идёт третьим модулем, сразу после метрик и SQL. То есть уже после первой трети курса предполагается, что ты можешь работать аналитиком «на минималках».

Во-вторых, у Metabase низкий порог входа:
запросы можно писать на SQL, а можно собирать через визуальный конструктор. Фактически ты описываешь, что хочешь увидеть, и система это собирает. Это сильно снижает порог входа в BI-аналитику.

И, в-третьих, Metabase часто используют как первую BI-систему в компаниях, которые только встают на data-driven рельсы.

Про обучение.
GPT утверждает, что Metabase можно освоить за условные часы, даже если опыта с данными немного. Возможно, он слегка оптимист, но по сравнению с другими BI-инструментами Metabase действительно даёт быструю отдачу без долгого онбординга.
Плюс на YouTube полно туториалов: установка, настройка, первые дашборды.

С Metabase я планирую сделать два проекта:
🟠 Executive View — общее понимание, что происходит с бизнесом
🟠 Monitoring & Control — где процессы нестабильны и где находятся точки риска

Буду смотреть, насколько инструмент подходит для этих задач и где начинаются его ограничения.

Ну что, погнали? 😊

💬 А вы использовали Metabase в работе или для обучения? Какие впечатления?

#аналитик_и_визуализация
#аналитик_изучает_bi
#инструменты_визуализации

🍸 Любите ли вы бары так, как люблю их я?

Если вы сейчас представили барную стойку, танцы и коктейли — притормозите 😅

Сегодня хочу познакомить вас с Машей — автором канала «Пирожки и бары | про BI».
Маша — тимлид BI-аналитиков в Avito с 5+ годами опыта в аналитике.
А значит, человек, который точно знает, как делать не только красивые, но и полезные бизнесу дашборды.

Вы могли заметить, что в этом году я активно смотрю в сторону BI.
И если учиться, то только у тех, кто:
🟠 работает с реальными заказчиками,
🟠 живёт в требованиях, правках и «а можно ещё вот тут добавить»,
🟠 и при этом умеет объяснять сложное простым языком.

У Маши как раз такой контент.

Если вы уже строите дашборды или только собираетесь, очень советую начать с этих постов:
🟠 5 вопросов для сбора требований к дашборду
🟠 Чек-лист хорошего дашборда

Есть и моя любимая тема — курсы и обучение. Например:
🟠 Большая подборка ресурсов для изучения SQL для разных уровней

Но BI — это не только серьёзные лица и метрики.
У Маши есть отдельная рубрика #bi_вредные_советы, где можно и посмеяться, и узнать себя:
🟠 Как выбесить аналитика: вредные советы для заказчиков
🟠 Как выбесить заказчика: вредные советы для аналитиков

Если вам откликается BI, с реальными кейсами, юмором и пользой —
очень рекомендую заглянуть в «Пирожки и бары | про BI»!

💬 А как дела у вас с этим?
Вы больше по барам или по bar chart'ам?

🤦‍♀️ Как же я люблю наступать на одни и те же грабли

Кажется, только вчера я клялась себе больше не брать одновременно два больших курса.
И вот я снова танцую на тех же самых граблях. Красиво. Уверенно. С огоньком 💃

Да, курс в Simulative я ещё не закончила. Формально там остались визуализация и математика со статистикой. Но, как я уже писала, в этом году я решила осознанно идти в BI-аналитику.

Не просто учиться рисовать красивые графики и дашборды (хотя это тоже надо),
а понимать, как через визуализацию решаются задачи бизнеса.
А для этого, внезапно, нужно чуть больше, чем знать, где в Power BI кнопочки.

В общем, я села составлять себе план обучения.
И тут выяснилось, что фраза «всё можно выучить самостоятельно» немного лукавая.
Потому что собрать себе адекватную программу — это вообще-то отдельный навык.

На YouTube я нашла ровно один вменяемый roadmap по BI.
Хорошо, что образовательные платформы давно уже сделали свои программы и там можно что-то подсмотреть.

Если сильно упростить, BI-аналитика у всех выглядит примерно так:
🟠 понимать данные: откуда они берутся и что с ними делать
🟠 владеть инструментами анализа и визуализации
🟠 уметь рассказывать историю через данные
🟠 хотя бы в общих чертах понимать, как устроена data-инфраструктура в компании

Параллельно я решила подключить GPT и пошла двумя путями:
1️⃣ описала, что именно хочу изучать, и попросила собрать план
🔟 закинула ему программы разных курсов и попросила сделать из них roadmap

И внезапно первый вариант оказался ближе к тому, что мне нужно. Я убрала инструменты анализа (SQL, Python) и BI-план получился более сфокусированным именно на смысле профессии.
А инструменты визуализации я буду изучать отдельно.

Но, конечно, внутренний червячок сомнений никуда не делся:
🟠 а вдруг план не оптимальный?
🟠 а вдруг ребята из курсов знают лучше?
🟠 а вдруг я сейчас изобретаю велосипед?

Вот это, пожалуй, главный минус самостоятельного обучения:
ты всё время сомневаешься, туда ли идёшь.

Но я люблю эксперименты.
Буду набивать шишки, по ходу дела корректировать план и делиться с вами тем, что работает, а что нет.

💬 А вы когда-нибудь составляли себе программу обучения с нуля? Можете поделиться лайфхаками?

#аналитик_и_визуализация
#аналитик_изучает_bi

Учебные проекты для портфолио — это плохо (и вот почему)

Почти каждый курс по аналитике продаётся через один и тот же аргумент:
«В конце у вас будут проекты для портфолио».

Звучит логично. Но есть нюанс.

Christine Jiang — бывший директор по данным, нанимающий менеджер и автор программы Analytics Accelerator — считает, что учебные проекты не стоит включать в портфолио. И я решила разобрать её аргументацию, потому что она показалась мне логичной.

По мнению Кристин, портфолио — это не про инструменты.
Это не «смотрите, я знаю SQL, Python и Power BI».
Это ответ на вопрос: готов ли человек к реальной работе аналитика.

Поэтому она делит проекты на два типа:

1. Learning projects (учебные)
2. Showing projects (демонстрационные)

Почему учебные проекты — слабое место

Учебные проекты, по мнению Кристин, почти всегда:
🟠 заточены на отработку инструментов, а не на решение бизнес-задач
🟠 используют либо слишком «стерильные», либо слишком учебные датасеты
🟠 не имеют чёткого вопроса и структуры
🟠 фокусируются на том, чем ты пользовался, а не зачем

В глазах нанимающего такой проект читается как:
человек всё ещё учится и пока не готов к продакшену.

Жёстко? Да.
Правда? Тоже да.

Что тогда считается хорошим проектом

Showing projects — это попытка имитировать реальную работу аналитика.

Они показывают:
🟠 доменную экспертизу
🟠 структурное мышление
🟠 умение говорить с бизнесом, а не только с данными

Идеальный источник данных — реальный мир:
стажировки, волонтёрство, рабочие задачи.
Но Кристин честно признаёт, что это сложно, и даже записала отдельное видео о том, где брать данные, если у тебя нет коммерческого опыта.

READY-фреймворк для проектов в портфолио

Чтобы проект выглядел как «боевой», Кристин предлагает использовать фреймворк READY:

R — Representative data
Данные должны быть похожи на рабочие:
грязные, большие, с бизнес-метриками.
Не Kaggle на 3k строк, а условные GoogleAnalytics-данные на 100k+ записей.

E — Exec-driven questions
Не «посмотрим, что есть в данных»,
а конкретные бизнес-вопросы.
Например: как перераспределить маркетинговый бюджет по регионам?

A — Analytical frameworks
Чёткая структура анализа:
очистка → EDA → инсайты → визуализация,
а не набор разрозненных запросов.

D — Data best practices
Чистый SQL, комментарии, читаемость, понимание,
зачем ты используешь CTE, а не «потому что можешь».

Y — Your insights & impact
Не просто «продажи выросли на 12%», а:
за счёт каких сегментов
что с этим делать
какое решение ты рекомендуешь бизнесу

Свою логику Кристин подробно показывает в серии видео Portfolio Playbook, где шаг за шагом проходит весь путь анализа.

В следующем посте серии #аналитик_слушает_советы разберём, как она рекомендует оформлять README проекта, чтобы он соответствовал её представлениям о прекрасном.

💬 А теперь вопрос к вам:
как вы относитесь к учебным проектам из курсов?
Это чисто «тренировка» или их всё-таки можно дотянуть до демонстрационных?

#аналитик_слушает_советы

🛒 Трейлер сезона: осваиваем e-commerce

Ну что, начнём наше эпичное приключение с изучения разных доменных областей и построением небанального портфолио?

Если честно, планов на этот год я себе навалила столько, что иногда даже моя литания против страха не справляется. Но, как говорится, глаза боятся, руки делают. Иногда криво. Иногда медленно. Но делают.

Ближайшие три месяца я решила посвятить e-commerce.

Почему именно он?
Потому что это максимально прикладной домен и, что немаловажно, немного мне знакомый. Я работаю в компании, где большая часть заказов проходит через сайт, так что общее понимание процессов есть. Поможет ли это в изучении сферы? Теоретически — да. Практически — посмотрим.

Если говорить про рынок, то e-commerce в России — это Wildberries, Ozon, Яндекс Маркет, МегаМаркет и ещё куча вариаций. Метрик много, данных много — идеальная среда для обучения.

План действий мы накидали вместе с ChatGPT. Он был настолько любезен, что:
🟠 разложил темы по полочкам
🟠 предложил проекты под каждую из них

Правда, пока не уточнил, где мы будем брать данные. Но это, как говорится, задача со звёздочкой, с которой разберёмся по ходу.

Параллельно я начинаю самостоятельное путешествие в BI-аналитику.
В этом году я дала себе зарок не покупать курсы (держим кулачки), а попробовать самообучение. Доступной информации ведь много, говорят они 🤭

Что планирую:
🟠 собрать roadmap BI-аналитика и идти по нему шаг за шагом
🟠 каждые два месяца разбирать один инструмент визуализации, который встречается в вакансиях на hh

Любимые рубрики "Отзыв на курс" и "Отзыв на книгу" никуда не исчезают.

Плюс добавлю новую тему:
как делать (и как не делать) портфолио — на основе советов YouTube-аналитиков.

Что хочу получить через три месяца:
🟠 понять, как устроен домен e-commerce и какие метрики там реально важны
🟠 разобраться, с какими типами данных приходится работать и как подходят к их анализу
🟠 собрать три проекта в портфолио, привязанные к домену

💬 Кстати, с какого домена вы бы начали изучение аналитики и почему?

#аналитик_собирает_пазл

🇧🇷 Любовь с акцентом: мой роман с португальским

Ну что, кажется, пора закрывать серию языковых историй моим самым любимым языком — португальским.
Бразильским, конечно. Тут даже вопросов нет.

Как и почти со всеми языками в моей жизни, всё началось с человека.
Неожиданно, немного киношно и, как водится, на работе.

Когда я ещё работала закупщиком, мы много общались с европейскими поставщиками. В основном по почте, иногда по телефону и почти никогда вживую. Но раз в год случалась выставка, куда приезжали иностранцы. И иногда нас, закупщиков, брали «для компании» — поболтать, помочь с коммуникацией, при необходимости что-то перевести.

Однажды меня отправили сопровождать итальянского поставщика. Мы провели вместе почти целый день: работа, разговоры обо всём подряд, жизнь, языки. И в какой-то момент я гордо заявила, что учу испанский.
А он ответил:
— Круто. А я знаю португальский. Давай проверим, насколько они похожи.

И тут случилось непоправимое.

Представьте себе итальянскую версию Тома Эллиса в роли Люцифера в одноимённом сериале.
А теперь добавьте к этому бразильский португальский.
Закройте глаза и вообразите, что вам тихо говорят:
Bom dia, querida…

Спойлер: он говорил не это.
Я вообще не помню, что именно он говорил.
Но я влюбилась.
В язык, конечно. А вы что подумали?

Наученная горьким опытом с испанским, я решила не бросаться в самообучение. Погуглила и выяснила, что испанский и португальский могут быть либо благословением, либо проклятием при одновременном изучении.
Я, конечно, решила рискнуть и попробовать оба, но сначала пошла искать школу португальского.

Так я оказалась в языковом центре Ensina-me в Москве. Там учат и испанскому, и португальскому (оба варианта), онлайн и офлайн. Это не реклама, а искренняя рекомендация — вдруг кому-то тоже пригодится.

И именно там мне достался самый терпеливый преподаватель португальского языка на планете. Он выглядел как Иисус и, как выяснилось, друзья так его и зовут. Хотя по паспорту он Бруно.

Я начала учиться в группе. После школьного английского это был мой первый групповой опыт, и, неожиданно, он оказался очень классным. Но месяца через четыре я поняла, что хочу индивидуальные занятия. Я слишком сильно залипла в язык: слушала, читала, думала на нём при любой возможности. Мой темп стал заметно быстрее темпа группы.

И тут случился разрыв. Я бросила испанский.

Он начал мешать. Лез в речь, путал слова. Помню, как я что-то рассказывала и зависла, выбирая между двумя одинаковыми по смыслу глаголами. Выбрала наугад.
Бруно посмотрел на меня и сказал:
— Não entendo! (Не понимаю!)

Он, конечно, всё понял. Но дал понять мне: опять испанский.
В тот момент я решила — всё, выбираю один язык. И это будет португальский.

Это были невероятно крутые три года. Благодаря Бруно я сейчас спокойно читаю книги и слушаю подкасты на португальском. Разговорной практики не хватает, но это, как говорится, дело наживное.

В этом году я хочу вернуться к языку.
И к своему любимому преподавателю тоже.

А теперь вопрос к вам:
какой свой гештальт вы хотите закрыть в этом году?

#полиглот_полюбви

😎 У меня есть какая-то стратегия и я буду её придерживаться!

Этот канал начинался как способ мотивировать себя не бросить миллион курсов, которые я запланировала пройти на пути в аналитику данных.
Хотелось хотя бы фиксировать, что я вообще что-то делаю, а не просто учусь.

Как и у любого начинающего автора, у меня не было чёткого плана.
Я не до конца понимала, как именно пройду этот путь, но решила сделать первый шаг и разбираться по ходу дела.
Со временем из разрозненных заметок, курсов и мыслей начало вырисовываться направление, которого я интуитивно придерживалась.

Но в новом году мне хочется добавить больше структуры и смысла тому, что я делаю и о чём пишу в этот канал.

Один пройденный курс за спиной уже позволяет сказать себе, что я не полный ноль в аналитике.
И дальше хочется не просто продолжать учиться, а развиваться как аналитик, дополняя инструментарий чем-то более осязаемым и практичным.

Поэтому в новом году я немного меняю фокус.
Я всё так же продолжаю учиться, но начинаю больше делать.

Это значит, что я:
🟠 буду глубже разбирать конкретные домены (e-commerce, edtech и другие);
🟠 попробую самостоятельно проложить себе путь в BI-аналитику (без регистрации и смс);
🟠 начну осознанно собирать портфолио из проектов, которые не лежат готовыми в курсах по профессии.

Каждые три месяца — новый домен:
один каркас, разные задачи, новые вопросы и, надеюсь, более зрелые аналитические ответы.

Здесь я буду писать:
🟠 как и почему выбираю проекты;
🟠 что не получается и где я спотыкаюсь;
🟠 какие инструменты реально помогают, а какие только создают иллюзию прогресса;
🟠 как меняется мышление, а не только стек технологий.

Я всё ещё in progress.
Но, кажется, уже на уровень выше.

Если ты здесь давно — спасибо, что идёшь рядом.
Если недавно — добро пожаловать.

И да, с наступающим Новым годом.
Лёгким он, скорее всего, не будет. Но сделать его интересным — вполне в наших силах.

Всех обняла, приподняла, в щёчку чмокнула!

🧑‍🎓 Диплом, декрет и данные: мой опыт обучения в Eduson

Ну что, раз все делятся итогами года, я тоже не останусь в стороне. Я закончила курс «Аналитик данных» в Eduson Academy и хочу поделиться, как это было.

Почему я вообще туда пошла
О смене профессии я думала давно. Но всё время находились причины откладывать: работа, усталость, жизнь.

В итоге самым логичным (ха-ха) решением оказалось уйти в декрет и… начать учиться.  Свободное время, говорили они. Отличная возможность, говорили они 😅

В первый год декрета я сидела на Stepik: SQL, Python.
Писать код одной рукой, пока второй держишь младенца, — опыт, который я никому не советую повторять.

Во второй год я поняла, что хочу более структурированное обучение и, да, диплом. Но я была не готова вписываться в обучение с жёсткими дедлайнами. Маленький ребёнок и дедлайны — несовместимые сущности!

И тут я наткнулась на пост в ТГ про Eduson — курс по аналитике без дедлайнов.
Позвонила, узнала детали и в итоге по цене одного курса получила сразу два: аналитик данных + data science (до второго я ещё доберусь… когда-нибудь).

Как устроено обучение
Обучение проходит на платформе Eduson.
Программа разбита на модули, внутри: • видеоуроки • мини-курсы • бизнес-кейсы • тренажёры • практические задания • дополнительные материалы (конспекты, шпаргалки, презентации)

Все лекции в записи, учишься в своём темпе.
Дедлайнов нет. Давления нет. Ответственность — полностью на тебе.

После окончания обучения доступ остаётся навсегда, включая обновления.
Например, модулей про нейросети в начале обучения не было — потом они появились.

Что мне понравилось
Курс даёт довольно широкую базу, и не только по хардам.

Хард-скиллы: • Excel • SQL • Python (NumPy, Pandas) • Power BI • статистика • A/B-тесты • метрики.

Софт и около-работа: • нейросети и промптинг • презентации и защита результатов анализа • карьерный блок: резюме, портфолио, собеседования.

Практики, несмотря на мои вечные жалобы, оказалось достаточно.  Возможно, если бы Python давался мне так же легко, как SQL, я бы ныла меньше.

Поддержка отвечает быстро, но честно скажу, по большинству вопросов я всё равно шла разбираться с GPT.

Что раздражало
Платформа плохо адаптирована под мобильные устройства.  Приложение есть, но пользы от него немного.

Самое бесячее — навигация в курсе.  Каждый раз, выходя на главную страницу, ты оказываешься в самом верху курса и листаешь вниз до нужного модуля. Каждый. Гребаный. Раз.

Некоторые лекции было тяжеловато смотреть из-за повторов одних и тех же мыслей на протяжении одного видео...
Есть вещи, которые я запомнила навсегда… просто потому что их повторили раз десять.

Что дала мне эта учёба
Я получила диплом (да, для миллениала это всё ещё важно). 
Я стала увереннее чувствовать себя в профессии. 
Я понимаю, какими инструментами пользуется аналитик и как выглядит его работа.

Знаю ли я всё идеально? Конечно нет. 
Могу ли я работать «с закрытыми глазами»? Тоже нет.

Мне нужно больше практики. И я это осознаю. 
Но к курсу я точно буду возвращаться — как к справочнику и базе для повторения.

Итог
Как и в любой онлайн-школе, вы сделаете несколько проектов, которые можно положить в портфолио. 

Насколько ценится диплом Eduson на рынке — не знаю.
Но, если честно, не так важно, какой у вас диплом. 

Важно, как вы думаете, как работаете и что умеете делать руками.
А курс — это всего лишь инструмент.

💬 А что вас бесит в тех курсах, которые вы проходите?

#учёба_аналитика
#курсес_ресурсес

✋ Про обесценивание, суету и умение останавливаться

Год подходит к концу, и нас всех ждёт большой праздник.
С этим у нас обычно проблем нет: даты в календаре, салаты, гирлянды, тосты.

А вот с празднованием — есть нюанс.

На первый взгляд кажется, что праздник и празднование — одно и то же.
Но в книге Анны Черных «Время праздновать» проводится важное различие:
праздник — это событие,
а празднование — это умение завершать.

Эту идею автор берёт у Джона Крофта — мыслителя и исследователя, который описывает любой процесс как цикл из четырёх стадий:
мечтание → планирование → делание → празднование.

И если с планированием и деланием мы ещё как-то справляемся,
то с празднованием у большинства из нас всё очень плохо.

Мы закрываем задачу и тут же бежим дальше.
Не останавливаемся.
Не присваиваем опыт.
Не даём себе почувствовать: «я это сделал(а)».

Я поймала себя на том, что сама живу именно так.
Курсы, книги, проекты, цели — одно за другим.
Как будто еду на машине, а всё происходящее за окном сливается в одну длинную размытую полосу.
Есть ощущение бесконечного процесса без точек.
Даже мечтать в таком режиме получается урывками.

Книга предлагает простой, но сложный на практике шаг — начать замечать.
Замечать тело.
Замечать события и то, во что они складываются.
Замечать себя в моменте.

Потому что «где моё внимание — там я».
А чтобы замечать, нужно замедляться.
И этому тоже можно учиться.

Я пока не научилась праздновать по-настоящему.
Но пытаюсь.
Например, после завершения важной задачи покупаю себе шарм на браслет.
Иногда это про результат, а иногда — просто про момент, который хочется сохранить в памяти.

Для меня эта книга ощущается как мягкая терапия.
Не зря у неё подзаголовок:
«книга-лекарство от обесценивания, суеты и дня сурка».

Если у вас есть ощущение, что вы всё время бежите,
делаете много, а чувство завершённости так и не наступает — возможно, это очень своевременное чтение.
Особенно сейчас, на стыке старого года и нового.

💬 А вы умеете праздновать завершения или сразу бежите к следующей задаче?

#книги_и_мысли
#литературный_плед