LEFT JOIN Insider

Этому миру нужно больше жизненных фильмов!
В процессе исследований Telegram-каналов с вакансиями, нашли варианты фильмов, которые точно сделают рекорд по выручке в прокате. Что-то взяли оттуда, а что-то скреативили сами. Делимся с вами!

В комментариях пишите, какую киноленту посмотрели бы в первую очередь.

🔜 @leftjoin_career

Завтра в Data №1: от анализа данных при продаже кумыса до руководителя международной аналитики

Запускаем новую рубрику, где расскажем об экспертах в сфере Data — об их крутых проектах, пройденном пути и накопленном опыте.

🔜 Гость пилотного выпуска — Роман Васильев, руководитель международной аналитики «Яндекс Поиск».

Автор Telegram-каналов Start Career in DS и я так понимаю, Роман Васильев.

О чем это интервью?
🔵Как развиваться в Data новичку: университет, курсы или самостоятельное обучение.
🔵О факторах, влияющих на успех в сфере.
🔵О подводных камнях в работе.
🔵Что читать и смотреть, чтобы развиваться в Data (ссылки оставили в комментариях).

Все подробности — в карточках 🔥

А задать любые интересующие вопросы Роману можно в комментариях!

🔜 @leftjoin_career

#завтра_в_data

HR на связи: 4 кейса, которые помогут пройти любое интервью
Важная часть любого интервью — поведенческие вопросы. Все они направлены на то, чтобы узнать больше о ваших успехах, ошибках и уроках, которые вы вынесли.

Чтобы не теряться и не впадать в ступор, мы подготовили 4 кейса, которые расскажут о вашем опыте лучше вас 🔥

1️⃣ Самый успешный проект
Медятина вашей карьеры — то, чем вы гордитесь и о чем можете рассказать на языке результата.

2️⃣ Самый провальный проект
Многие специально умалчивают о проектах, которые не получились. Но ошибаться — абсолютно нормально. Ваши провальные кейсы могут показать рекрутеру, что вы способны признавать ошибки и выносить из них уроки.

3️⃣ Самый сложный заказчик / клиент / руководитель, с которым вам довелось работать или решать вопрос
Этот кейс раскрывает ваш навык работы с людьми. В конкурентной гонке за вакантное место чаще всего выигрывают кандидаты с хорошо развитыми soft-skills, так как даже на самой технической позиции придется взаимодействовать с людьми.

4️⃣ Самый интересный проект
Рекрутер должен понять, что вам нравится ваша работа. Демотивированный кандидат с малой долей вероятности принесет компании результат, да и мало кто захочет видеть постоянно грустное и недовольное лицо на командных созвонах.

Есть ли такие кейсы в вашем портфолио? Делитесь в комментариях!

🔜 @leftjoin_career

#HR_на_связи

Тестовые задания: задачка на Python и когортный анализ
На прошлой неделе мы разбирали задачку на SQL и считали LTV для недельной когорты новых игроков. Сегодня те же вводные данные, но другая задача.

В этой задаче нужно написать код на Python, который построит таблицу когортного анализа удержания новичков. Примерный вид итоговой таблицы: в колонке Week_start неделя первого входа игрока в игру — когорта; следующие 30 колонок — дни после первого входа.

Что проверяет такая задача?
🔵 базовое знание Python
🔵 понимание сути когортного анализа

Как можно решить?
1️⃣ Берем датафрейм, соответствующий таблице, в которой есть логирование всех входов игрока в игру.
2️⃣ Получаем дату первого захода пользователя и определяем неделю первого входа в качестве когорты.
3️⃣ Считаем количество дней между первым входом и остальными заходами пользователя.
4️⃣ Формируем таблицу в соответствии с датафреймом, где 0 день соответствует размеру когорты.
5️⃣ Корректируем названия столбцов и заполняем нулями пустые значения, где Day <= (current_date - первый день недели).dt.days.

Наш вариант решения:

users_first_login = df.groupby('user_id').agg(
    first_login = ('created', 'min')
).reset_index()

users_first_login['week_start'] = users_first_login['first_login'].dt.to_period('W').apply(
    lambda r: r.start_time)

df_final = pd.merge(users_first_login, df, how='inner', on='user_id')
df_final['day'] = (df_final['created'] - df_final['first_login']).dt.days

df_final_pivot = pd.pivot_table(df_final, values='user_id', index='week_start',
                       columns='day', aggfunc='count')
df_final_pivot = df_final_pivot.astype('Int32')

df_final_pivot.columns = list(map(lambda x: 'Day_' + str(x), df_final_pivot.columns))

Задавайте вопросы и предлагайте ваши способы решения в комментариях!

#разбор_тестового

Вакансия: Forest Data Analyst в Land Life Company
Посреди рабочей недели обычно хочется разлогиниться и уехать жить в лес, не так ли?

А вот Лесной аналитик данных может так прямо на работе. В компании Land Life из Нидерландов, которая занимается восстановлением разрушенных ландшафтов, как раз существует такая позиция.

Что нужно делать?
🔵 Собирать и обрабатывать данные по росту и здоровью леса.
🔵 Участвовать в сборе образцов почвы и дерева на местах посадки леса.
🔵 Строить и анализировать модели данных, составлять отчёты.

Какие требования?
🔵 Владение Python, R.
🔵 5-10 лет опыта в статистике и аналитике данных.
🔵 Способность объяснять сложную информацию просто.
🔵 PhD в лесной экологии или смежной сфере.

Какие условия?
🔵 Возможность трогать траву ежедневно.
🔵 А что ещё нужно человеку?

@leftjoin_career

Британские ученые пока еще не установили причину стремления к непродуктивному «улучшайзингу». Как только появятся результаты — сразу же сообщим вам.

Продуктивной недели 🚀

🔜 @leftjoin_career