OnlyAnalyst by Алексей Гаврилов

☀️ Я знаю, что вы делали этим летом.

🏕️ Прошло уже 2 недели с последнего буткемпа и наконец-то можно выдохнуть и подвести итог.

🐼 Это был самый большой, самый полный буткем за всю историю: Telegram, Python,
API, SQL, Airflow, Superset. Это если не
вдаваться в подробности.

😊 Меня радует, что созданный продукт реально приносит пользу людям и не имеет аналогов у «продавцов курсов»

🙇‍♀️ Но у них такого продукта не может быть
по определению: они хотят просто что-то продать, а мы хотим научиться применять современные аналитические технологии, чтобы приобрести коммерческий опыт.

🔮 Что дальше? По сути это первопроходный формат и новое слово в обучении. Поэтому было принято решение перенести его в новую плоскость. Ждите анонсов. Наш ламповый канал скоро сделает большой шаг вперед!

🤫 Не буду много рассказывать сам, а лучше попрошу учеников самостоятельно в комментариях поделиться своими

🖼️ А к посту приложил скриншоты. Можете
оценить вайб по нашим «серьезным» лицам, а по остальным скриншотам посмотрите что мы там сделали за 4 дня.

🏯 На втором скриншоте можете оценить нашу архитектуру. Так что по сути и начальный system design тоже добавлю (шучу).

😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.

🎓 Что говорят участники про Буткемп?

Более 50 человек уже прошли наш интенсив — и вот что они говорят:

💬 «Курс отличный и будет становиться только лучше. Можно отлично и весело провести время, узнав для себя что-то новое!»
— @ilya_mosin_wa

💬 «Очень круто попробовать что-то новое и разобраться с инструментами, о которых раньше только слышала. Теперь я точно знаю — это реально освоить, главное не бояться!»
— @kusyakek

💬 «Это был мой первый опыт с TG-ботом, Python и Docker. Прошло всего несколько звонков — и уже готовый проект. Этот опыт помог мне пройти собеседование и получить оффер!»
— @nastyarimbaud

💬 «Материал без воды, чётко, с молниеносной поддержкой, ощущение настоящего рабочего процесса»
— @nastyarimbaud

💬 «Очень понравился дух обучения, команда, поддержка, и всё это с подачей “говорящей головы”, где каждое действие объясняется на пальцах»
— @Lexina_Elena

💬 «Проект реально можно трогать руками, адаптировать под себя, и он работает! Это кайф»
— @kusyakek

💬 «Подача без “высокого порога входа” — всё объяснено и показано, и даже новичок может подключиться»
— @anni_parsh

💬 «Отдельный респект за организацию: все программы работали без сбоев, никаких технических сложностей. А подача — на высоте!»
— @reddis_m

💬 «Очень понравилось то, как Алексей строит атмосферу: уверенно, спокойно, без “воды”, фокус на реальную практику»
— @avonadzh

💬 «Домашка помогала закрепить материал, а структура буткемпа — это просто идеальный формат для первого data-проекта»
— @EllKirill

🛠 Участники отмечают:
✅ Понятную и «разжёванную» подачу материала
✅ Проект, который можно показать на собеседовании
✅ Настоящее погружение в Docker, SQL, Python и Telegram API
✅ Готовый data-продукт за считаные дни
✅ Рабочую атмосферу, поддержку и командную динамику
✅ Ощущение реального опыта IT-разработки

🧠 Даже те, кто пришли с минимальными знаниями, уходили с конкретным результатом и пониманием, как строятся data-продукты.

🎯 Итог буткемпа — это не просто уроки, а:
— первый data-проект своими руками
— уверенность в себе
— новое окружение
— и строчка в резюме, которая работает

🚀 Июньский bootcamp уже полность набран и остался только в формате в записей. Кто хочет записаться на июль - можете писать мне в личные сообщения @onlyanalyst

😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.

🚀 Новый формат буткемпа: аналитический продукт с нуля за 4 дня

Запускаю новую серию онлайн-буткемпов — максимально прикладной подход для аналитиков всех уровней.

📅 Даты: 12–15 июня

Каждый день — это не теория, а реальный продовый кейс, который можно развернуть, показать и развивать. А также начать учиться на базе возникающих проблем, вместо пустого изучения теории без понимания где и как она применяется.

По факту это коммерческий опыт, который вы сможете адаптировать к текущей работе и как сторонний проект для добавления в резюме. Это не бесполезный GitHub с jupiter ноутбуками из Рамблер.Техникума, а настоящий проект.

📌 Формат и программа:

12–13 июня (2 дня по 2 часа) — Базовый блок

🔧 Технологии:

Python (asyncio, requests, logging, io)

PostgreSQL + psycopg2

Docker + docker-compose

matplotlib

🧠 Что делаем:

Разворачиваем Telegram-бота в Docker, подключаем базу, логируем данные, визуализируем графики.

📍Зачем это аналитику:

работать с API и асинхронным кодом

хранить данные в PostgreSQL

создавать визуализации

💰 Участие: 10 000 ₽ онлайн / 5 000 ₽ запись

14 июня — Блок Superset

🔧 Технологии: Apache Superset

🧠 Что делаем:

Подключаем Superset к базе, создаём BI-дэшборды, учимся фильтровать, кастомизировать визуализации.

📍Почему это важно:

BI — обязательный навык в работе аналитика

умение строить дашборды в Superset — востребовано в ИТ-компаниях

💰 Участие: всё вместе с Superset — 15 000 ₽ онлайн / 7 500 ₽ запись

15 июня — Блок Airflow

🔧 Технологии: Apache Airflow

🧠 Что делаем:

Создаём полноценный ETL пайплайн для обновления данных.

📍Зачем это нужно:

автоматизация задач

опыт продакшен-пайплайнов

понимание, как работают данные в команде

💰 Участие: полный буткемп с Superset + Airflow — 20 000 ₽ онлайн / 10 000 ₽ запись

💡 Что получится на выходе?

- Ты соберёшь реальный микросервис, в который входит:

- Telegram-бот, который взаимодействует с пользователем

- PostgreSQL-база с логированием событий

- matplotlib-графики

- BI-дашборды в Superset

- ежедневный автоапдейт данных через Airflow

📦 Это можно самостоятельно развернуть на сервере, показать на собеседовании и использовать в портфолио. Забудьте про "нескучные" ссылка на GitHub.

📈 Этот проект покрывает ключевые навыки, которые ищут работодатели: python, sql, docker, apache superset и apache airflow

❓Часто задаваемые вопросы

Можно ли участвовать с нуля?

- Да, буткемп подходит новичкам. Не нужно опыта работы. Всё объясняется пошагово.

Что нужно установить заранее?

- Docker Desktop

- Visual Studio Code

- Zoom

Все программы бесплатные. Инструкции по установке вышлю.

Как проходит обучение?

- Живые занятия в Zoom с записью

- Формат live-coding: ты видишь, как я пишу код

- Каждую строчку кода я объясняю голосом и оставляю комментарий прямо в коде

- Можно делать вместе со мной или по записи

Можно ли оплатить в рассрочку?

- Да, можно разбить платёж на 2 части.

Какие системные требования?

- Любая операционная система, 8 Гб оперативной памяти желательно. Если не подходит, то можете арендовать отдельный сервер.

🤝 Атмосфера: как в настоящей ИТ-команде

Ты не просто учишься — ты ощущаешь, как работает продуктовая команда:

- ежедневные синки (в начале каждого занятия — как в рабочих командах)

- обсуждение архитектуры, задач, проблем

- общий чат для общения, вопросов, взаимопомощи

- фидбек, практика и живое взаимодействие

📍Это не мёртвый курс — это живой ИТ-опыт.

💬 Напиши, если хочешь забронировать место. Кол-во участников в онлайн-группе ограничено.

😀 OnlyAnalyst. Погружаемся в аналитику по-настоящему.

P.S. Все участники еще также узнают первыми о моем новом направлении - AnalystCamp.

🎯 Live-coding SQL часть 2: Ретеншн первой недели по когортам

Продолжаем тренироваться в секции live-coding по SQL от компании VK. Если пропустили, то первая часть по ссылке.

📋 Условие

Напоминаю: у нас таблица visits со схемой:

user_id    -- ID пользователя  
campaign   -- канал привлечения  
datetime   -- дата и время визита

🧠 Задача

Посчитать ретеншн первой недели по когортам:
Для каждой даты первого визита (когорты) — сколько пользователей вернулись хотя бы один раз в течение 7 дней после первого визита (не включая сам день прихода).

⚙️ Декомпозиция задачи

💠 Шаг 0 — план действий

Нам нужно:
• Определить дату первого визита (как в задаче 1)
• Найти все визиты, которые произошли строго после этой даты
• Оставить только те, что произошли в течение 7 дней
• Посчитать, сколько уникальных пользователей вернулось по каждой когорте


💠 Шаг 1 — CTE с первой датой визита (cohort_date)

Повторим из прошлого задания — база для когорт.

WITH first_visits AS (
    SELECT 
        user_id,
        MIN(DATE(datetime)) AS cohort_date
    FROM visits
    GROUP BY user_id
)

💠 Шаг 2 — джойним с исходной таблицей

Нам нужно сопоставить:
• когорта пользователя
• последующие визиты
• ограничение в 7 дней после первого прихода

, retention_visits AS (
    SELECT
        fv.user_id,
        fv.cohort_date,
        DATE(v.datetime) AS visit_date
    FROM first_visits fv
    JOIN visits v ON fv.user_id = v.user_id
    WHERE DATE(v.datetime) > fv.cohort_date  -- позже, чем первый визит
      AND DATE(v.datetime) <= fv.cohort_date + INTERVAL '7 day'  -- но не позже 7 дней
)

💠 Шаг 3 — считаем вернувшихся пользователей по когорте

, retained_users AS (
    SELECT 
        cohort_date,
        COUNT(DISTINCT user_id) AS retained_users_count
    FROM retention_visits
    GROUP BY cohort_date
)

💠 Шаг 4 — добавим размер когорт (из первого задания)

, cohort_sizes AS (
    SELECT 
        cohort_date,
        COUNT(*) AS users_count
    FROM first_visits
    GROUP BY cohort_date
)

💠 Шаг 5 — собираем результат

WITH first_visits AS (
    SELECT 
        user_id,
        MIN(DATE(datetime)) AS cohort_date
    FROM visits
    GROUP BY user_id
),
retention_visits AS (
    SELECT
        fv.user_id,
        fv.cohort_date,
        DATE(v.datetime) AS visit_date
    FROM first_visits fv
    JOIN visits v ON fv.user_id = v.user_id
    WHERE DATE(v.datetime) > fv.cohort_date
      AND DATE(v.datetime) <= fv.cohort_date + INTERVAL '7 day'
),
retained_users AS (
    SELECT 
        cohort_date,
        COUNT(DISTINCT user_id) AS retained_users_count
    FROM retention_visits
    GROUP BY cohort_date
),
cohort_sizes AS (
    SELECT 
        cohort_date,
        COUNT(*) AS users_count
    FROM first_visits
    GROUP BY cohort_date
)
SELECT 
    cs.cohort_date,
    cs.users_count,
    COALESCE(ru.retained_users_count, 0) AS retained_users,
    ROUND(COALESCE(ru.retained_users_count, 0)::numeric / cs.users_count, 2) AS retention_rate
FROM cohort_sizes cs
LEFT JOIN retained_users ru ON cs.cohort_date = ru.cohort_date
ORDER BY cs.cohort_date;

💡 Советы для секции live-coding (часть 2):
1. Переиспользуй. Продемонстрирую структурное мышление и внимательность возвращаясь к прошлым результатам, нежели писать все с 0 каждый раз.
2. Формулируй вслух, что проверяешь. Например: «Сейчас я фильтрую визиты, произошедшие после первого визита, но не позже 7 дней — для метрики раннего ретеншна».
3. Добавляй защиту от NULL-ов. Используй COALESCE, если есть LEFT JOIN — это демонстрирует внимание к деталям.
4. Поясняй математику. Даже если A / B, проговори: «делю число вернувшихся на размер когорты, чтобы получить процент ретеншна».

📎 В следующем посте: ретеншн первой недели по каналам привлечения.

Интересные задачи присылайте мне в личку - разберем. @onlyanalyst

Вопросы по прохождению такой секции, то задавайте в комментариях.

😀 @onlyanalystgroup
💬 @onlyanalystchat

🎯 Разбор live-coding SQL компании VK

Делаем новую рубрику - разбор заданий с live-coding секций компаний. В этот раз со мной поделились задачей на продуктового аналитика в VK. Актуально на май 2025.

Разберем не просто SQL решение конкретной задачи, а именно методологию, декомпозицию, как себя вести и что делать в трудных ситуациях.

Задача довольно объемная и состоит из трех частей, поэтому разделим историю на несколько постов.

Поехали!

Ты на секции live-coding. У тебя есть онлайн редактор и SQL. Цель — показать не только решение, но и ход мыслей. Показываю, как рассуждать пошагово и писать читаемый код.

📋 Внимательно изучаем условие

У нас есть таблица visits со следующими колонками:

user_id    -- ID пользователя  
campaign   -- канал привлечения  
datetime   -- дата и время визита

🔍 Задача:

Построить таблицу, где указано количество новых пользователей по дням их первого визита. Это и есть когорты привлечения.

🧠 Декомпозиция задачи

Шаг 0 — понять, что такое «когорта привлечения»
Когорта в этом задании — это группа пользователей, у которых первый визит был в один и тот же день.
Например, если 1 марта в первый раз пришли 120 человек, а 2 марта — 90, то у нас две когорты.

Шаг 1 — для каждого пользователя определить дату его первого визита
Это делается с помощью агрегирования:

MIN(datetime) по каждому user_id

Обернём это в DATE(...), чтобы убрать время

Шаг 2 — посчитать, сколько пользователей в каждой дате (когорте)
Просто сгруппируем результаты предыдущего шага по cohort_date

И посчитаем количество строк (пользователей) в каждой дате

Шаг 3 — аккуратно оформить код: используем CTE. Это удобно: видно каждый шаг. Упрощает чтение кода интервьюером

🧱 Сборка кода по частям

🔹 Шаг 1: Сначала — дата первого визита

WITH first_visits AS (
    SELECT 
        user_id,
        MIN(DATE(datetime)) AS cohort_date
    FROM visits
    GROUP BY user_id
)

🔎 Здесь мы для каждого пользователя находим его первую дату визита — и это его когорта.

🔹 Шаг 2: Теперь считаем пользователей по дате когорт

cohort_sizes AS (
    SELECT 
        cohort_date,
        COUNT(*) AS users_count
    FROM first_visits
    GROUP BY cohort_date
)

🔎 Мы группируем пользователей по cohort_date и считаем их количество.

🔹 Шаг 3: Финальный результат

WITH first_visits AS (
    SELECT 
        user_id,
        MIN(DATE(datetime)) AS cohort_date
    FROM visits
    GROUP BY user_id
),
cohort_sizes AS (
    SELECT 
        cohort_date,
        COUNT(*) AS users_count
    FROM first_visits
    GROUP BY cohort_date
)
SELECT *
FROM cohort_sizes
ORDER BY cohort_date;

💡 Общие советы для секции live-coding:

🧩 Решай пошагово. Сначала на бумаге/в голове разбери: «Что мне нужно посчитать? Что известно?»

🗣 Говори вслух. Даже если пишешь простой GROUP BY, комментируй: "Я сейчас группирую по дате привлечения, чтобы получить когорты".

🔤 Пиши чисто. Хорошие имена CTE показывают твоё мышление (first_visits, cohort_sizes, а не cte1).

😌 Думай просто. Интервьюер скорее оценит чёткую структуру, чем «хитрый хак».

📎 В следующем посте: как посчитать ретеншн первой недели по когортам — сколько пользователей вернулись в течение 7 дней после первого визита.

Интересные задачи присылайте мне в личку - разберем. @onlyanalyst

Вопросы по прохождению такой секции, то задавайте в комментариях.

Если пост и формат в целом зайдет (это я пойму по реакциям), то добавим еще и видео решение с подробным объяснением и разными подходами.

😀 @onlyanalystgroup
💬 @onlyanalystchat

🎖 С Днём Победы Красной армии и советского народа над нацистской Германией в Великой Отечественной войне 1941–1945 годов!

В честь 9 мая — снова небольшая динамическая визуализация, посвящённая теме военной индустрии.

В этот раз я подготовил графики на основе данных SIPRI Top 100 Arms-Producing Companies (2002–2023):

🏭 Топ-20 оборонных компаний мира по объёму продаж оружия (в миллионах $).
🌍 Топ-20 стран мира по суммарным доходам оборонных компаний (в миллионах $).

👀 Интересно наблюдать, как в течение двух десятилетий:

На арену выходят новые игроки,
Меняется геополитическая расстановка сил,
И кто действительно правит оружейным рынком.

📊 Источник: SIPRI (Стокгольмский международный институт исследований проблем мира).
📅 Период: 2002–2023 гг.
📦 В выборке — все компании из ежегодного рейтинга SIPRI Top 100.

С Днём Победы!

Пусть память о прошлом помогает осмысливать настоящее.

Ссылка на данные прошлого года

😀 @onlyanalystgroup
💬 @onlyanalystchat

🚀 Обновленный BootCamp 2.0 Telegram-бота теперь и с Superset с практикой полного стека для Data Analyst

🔍 Что вы получите: Это не просто пет-проект — это дата-продукт, приближенный к реальной работе. Вы разрабатываете Telegram-бота, подключаете его к базе данных, интегрируете с внешним API, визуализируете данные в Superset и управляете всем через Docker. То, что делают Data Analysts и Data Engineers в настоящих компаниях. Разберете полный цикл жизни данных!

🧠 Почему это помогает найти работу:

🎯 Работодатели ищут не просто знания SQL или Excel — им нужны практики, умеющие работать с настоящими системами, API, BI и DevOps. В этом проекте вы не учитесь в “тренажерах” — вы создаёте рабочую систему с понятной архитектурой, которую можно показать на собеседовании.

Вы не просто знаете SQL — вы управляете настоящей PostgreSQL-базой
Вы не просто слышали о BI — вы создаёте дашборды в Superset
Вы не просто понимаете API — вы подключаетесь к реальному сервису и обрабатываете его данные
Вы не просто читаете про Docker — вы запускаете контейнеры и настраиваете окружение под себя

🛠 Технологии, которые вы освоите:

Языки и библиотеки:
Python 3.10 — основной язык
python-telegram-bot — создание Telegram-бота
requests — подключение к внешнему API
psycopg2 — работа с PostgreSQL через Python
matplotlib — визуализация внутри бота
io, datetime, logging, os — системные библиотеки
СУБД:
PostgreSQL 15
Таблицы с историей сообщений и курсов валют
Конструкции ON CONFLICT DO UPDATE, SERIAL, PRIMARY KEY, DATE
BI и визуализация:
Apache Superset
Подключение к PostgreSQL
Построение интерактивных графиков и дашбордов
Использование фильтров, дропдаунов и сегментации
Инфраструктура:
Docker + Docker Compose
Контейнеризация каждого компонента: бот, БД, Superset, pgAdmin
Подключение по переменным окружения (.env)
Изоляция и управление зависимостями
API:
OpenExchangeRates
Получение исторических курсов валют
Работа с параметрами, заголовками и JSON-ответами
Обновление БД при помощи данных из API

📈 Примеры реальных задач, которые вы решаете:

Запись пользовательских сообщений и последующая фильтрация по имени
Работа с историческими временными рядами валют
Построение графиков внутри Python-бота
Автоматическая очистка или вывод сообщений по команде
Визуализация трендов валют в Superset по дням и валютам

🎓 Итог:

Готовый проект в портфолио на GitHub
Собственный продукт, который сможете дальше развивать и оттачивать хард-скилы
Понимание, как работает современная инфраструктура аналитика
Навыки работы с BI-инструментами, SQL и Python
Опыт DevOps-окружения
Уверенность на собеседованиях: вы сможете рассказать не теорию, а как "вживую" работали с API, Docker, БД и визуализацией

📡 Дополнительно обработал обратную связь от 30+ учеников, которые уже прошли BootCamp. 100% студентов указали, что их знания и понимание технологий улучшились.

🎮 Первая группа уже набрана по предзаписи, так что идет заход на вторую часть майских. Продолжительность 5 дней по 1 часу. Для записи - пишите в личку @onlyanalyst. Стартовать будем как наберемя новую группу. Время и точные даты начала отдельно согласуем в общем чате группы.

😍 Ребята, всем привет!

🧙‍♂️Я провожу довольно много собеседования (до 5 в неделю) и по долгу службы регулярно пытаюсь вычленить крупицы знаний из кандидатов. И в последнее время стал замечать, что люди путают довольно разные вещи во время своих ответов. Причины обычно две: стресс или путаница. Как бороться с первым можно узнать из давнишнего видео, а со вторым разберемся сейчас.

🏧 Есть термины, которые звучат похоже или используются в схожих контекстах, но на самом деле имеют разные значения.

🔝 Сегодня разберем топ 7 самых популярных "парочек", которые часто путают в моей практике собеседований и работы, и научимся их различать!

1. WHERE vs HAVING

WHERE используется для фильтрации строк до группировки.
HAVING применяется для фильтрации после группировки (например, с GROUP BY).
Пример:

SELECT department, AVG(salary) 
FROM employees 
WHERE salary > 3000 
GROUP BY department 
HAVING AVG(salary) > 5000;

👉 Как не путать: Запомните, что WHERE — это "фильтр до группировки", а HAVING — "фильтр после группировки".

2. Мода vs Медиана

Мода — это значение, которое встречается в наборе данных чаще всего.
Медиана — это значение, которое находится ровно в середине упорядоченного набора данных.

Пример:
В наборе [1, 1, 2, 3, 4]:

Мода = 1 (встречается чаще всего).
Медиана = 2 (середина списка).

👉 Как не путать: Мода — про "частоту", медиана — про "середину".

3. Точность (Precision) vs Полнота (Recall)

Точность — это доля правильных предсказаний среди всех положительных предсказаний модели.
Полнота — это доля правильных предсказаний среди всех реальных положительных случаев.

Пример:
Если модель предсказала 10 котов, но только 8 из них действительно коты:

Точность = 8/10 = 80%.
Полнота = 8/(общее число котов в данных).

👉 Как не путать: Точность — про "качество предсказаний", полнота — про "охват реальных случаев".

4. Корреляция vs Причинность

Корреляция — это статистическая связь между двумя переменными.
Причинность — это когда одна переменная вызывает изменение другой.

Пример:
Летом продажи мороженого и количество утоплений коррелируют, но это не значит, что мороженое вызывает утопления.

👉 Как не путать: Корреляция — про "связь", причинность — про "влияние".

5. Гистограмма vs Столбчатая диаграмма

Гистограмма показывает распределение непрерывных данных (например, возраст, доход) через интервалы (бины).
Столбчатая диаграмма сравнивает категориальные данные (например, продажи по городам).

Пример:

Гистограмма: сколько людей в интервалах 20-30 лет, 30-40 лет и т.д.
Столбчатая диаграмма: продажи в Москве, Петербурге, Казани.

👉 Как не путать: Гистограмма — для чисел с интервалами, столбчатая диаграмма — для категорий.

6. Генеральная совокупность vs Выборка

Генеральная совокупность — это все объекты исследования (например, все пользователи приложения).
Выборка — это подмножество генеральной совокупности, с которым работает аналитик.

Пример:
Если вы опрашиваете 1000 человек из 10 млн пользователей, это выборка.

👉 Как не путать: Генеральная совокупность — "все", выборка — "часть".

7. Сортировка vs Фильтрация (путают чаще всего)

Сортировка упорядочивает данные по заданному критерию (например, по возрастанию или алфавиту), не удаляя строки.
Фильтрация оставляет только те данные, которые соответствуют условию, исключая остальные.

Пример:

Сортировка: список клиентов по дате регистрации (от новых к старым).
Фильтрация: показ только клиентов из Москвы.

👉 Как не путать:

Сортировка меняет порядок данных («сначала дорогие товары»).
Фильтрация меняет состав данных («только товары со скидкой»).

🎯 А какие термины путали вы? Делитесь в комментариях!

P.S

Если тема поста понравится, то сделаю из нее небольшую серию еще по Python и SQL.

😀 @onlyanalystgroup

💬 @onlyanalystchat

#аналитика #sql #статистика