🎯 Карьера аналитика
Карьерная часть: как готовиться, что писать в резюме, сколько платят и как проходят этапы отбора.
690 материалов · страница 1 из 15
Метрики AI-продукта и LLM
Метрики AI-продукта и LLM для аналитика: hallucination rate, RAG precision, стоимость токенов, containment. Формулы и что спрашивают на собесе.
Метрики маркетплейса для аналитика
Метрики маркетплейса для аналитика: GMV, take rate, fill rate, ликвидность, retention продавцов и покупателей. Формулы, SQL и вопросы с собеса.
Метрики SaaS для аналитика
Метрики SaaS для аналитика: MRR, ARR, NRR, отток, quick ratio, rule of 40, CAC payback. Формулы, SQL и что спрашивают на собеседовании.
Стандартное отклонение и дисперсия простыми словами
Стандартное отклонение и дисперсия простыми словами: разброс вокруг среднего, формула, поправка n-1, правило 68-95-99.7, коэффициент вариации и A/B.
Ошибки первого и второго рода простыми словами
Ошибки первого и второго рода простыми словами: что это, примеры, связь с alpha, beta и мощностью теста. Type I и Type II на собеседовании аналитика.
Что сказать, когда не знаешь ответа на собесе
Что отвечать, когда не знаешь ответа на собесе аналитика: техники рассуждения вслух, как признать незнание, типичные фразы.
Cluster randomization в A/B-тестах
Cluster randomization: когда юзеров нельзя случайно делить. Дизайн, формулы, размер выборки. Гайд для DS и PM.
Финальное собеседование с CDO / директором: гайд
Как пройти финальное собеседование с CDO, директором, CEO: что спрашивают, как структурировать ответы, какие вопросы задать.
Holdout vs A/B на практике: когда какой использовать
Holdout-эксперимент vs A/B: когда выбрать, как измерить долгосрочный эффект, длительность, плюсы и минусы. Гайд для DS и PM.
Из аналитика данных в Data Engineer: путь и план
Переход из data analyst в data engineer: что доучить (Spark, Airflow, Kafka, distributed systems), за сколько, какой план. Гайд.
Из аналитика данных в Data Scientist: путь и план
Переход из data analyst в data scientist: что доучить (ML, статистика, программирование), за сколько, какой план, где брать опыт. Гайд.
Из аналитика данных в системные аналитики: путь и план
Переход из data analyst в systems analyst (SA): что доучить — REST, API, БД, BPMN, distributed systems. План и сроки.
Из финансов в аналитика данных: путь и план
Переход из финансов / финансового аналитика в data analyst: что доучить, за сколько, какие плюсы и минусы. Гайд по переходу.
Из маркетинга в аналитика данных: путь и план
Переход из маркетинга / SMM / performance в data analyst: что доучить (SQL, Python, A/B, статистика), за сколько, план. Гайд.
Из разработки в Data Scientist: путь и план
Переход из разработчика (backend/frontend) в data scientist: что доучить (ML, статистика, продуктовое мышление), за сколько, план. Гайд.
Как объяснить ML-модель на собесе: техническое и простое
Как объяснить ML-модель (gradient boosting, нейросеть) на собесе простыми словами и технически глубоко. Шаблоны и примеры.
Mock-интервью для аналитика: как организовать и проводить
Как организовать mock-интервью: с другом, mentor, на платформах. Структура сессии, что отрабатывать, как давать обратную связь.
Novelty effect (эффект новизны) в A/B-тестах
Novelty effect (эффект новизны): почему первые недели A/B вводят в заблуждение. Как обнаружить, как обрабатывать. Гайд.
Первые 90 дней в роли аналитика: план
Как пройти первые 90 дней в новой компании на роли аналитика: что узнать, какие проекты брать, как заработать репутацию.
Из junior в middle аналитика данных: план роста
План роста из junior в middle data analyst за 12-18 месяцев. Что доучить, какие проекты делать, как показывать impact.
План подготовки к собесу аналитика за 1 месяц
План подготовки к собеседованию аналитика за 30 дней: SQL, Python, A/B, метрики, поведенческое. Понедельно с проверками.
Подготовка к собесу аналитика за 1 неделю: срочный план
Срочный план подготовки к собесу аналитика за 7 дней: что освежить, на что не тратить время, mini-checklist.
План подготовки к собесу аналитика за 3 месяца
Подробный 90-дневный план подготовки к собесу аналитика данных: SQL, Python, ML, A/B, кейсы. По неделям с практикой и проектами.
Портфолио Data Scientist: как собрать и показать
Как составить портфолио Data Scientist для собеса: примеры проектов, структура GitHub, дашборды, ML-deploy. Шаблон и план.
Как рассказать о себе на собесе аналитика: шаблон и примеры
Как структурировать самопрезентацию на собеседовании аналитика: 60-90 секунд, что говорить, типичные ошибки. Шаблон и примеры.
Резюме аналитика без опыта: как составить и что писать
Как составить резюме аналитика данных без опыта работы: что писать, как заменить опыт, pet-projects, курсы. Шаблон и план.
Резюме Data Engineer: структура, примеры, ошибки
Как составить резюме Data Engineer: структура, ключевые блоки, технологии, проекты, метрики. Шаблон и типичные ошибки.
Резюме Data Scientist: структура, примеры, ошибки
Как составить резюме Data Scientist: структура, ключевые блоки, технологии, проекты, метрики. Шаблон и типичные ошибки.
Резюме системного аналитика: структура, примеры, ошибки
Как составить резюме системного аналитика: структура, ключевые блоки, инструменты, BPMN, артефакты. Шаблон и типичные ошибки.
Sample Ratio Mismatch (SRM) в A/B-тестах
Sample Ratio Mismatch: когда тестовая и контрольная группы не соответствуют ожидаемому 50/50. Причины, как обнаружить, что делать. Гайд.
Switchback-эксперименты: когда A/B не работает
Switchback-эксперименты: когда A/B не работает из-за сетевых эффектов. Дизайн, формула, типичные ошибки. Гайд для DS и PM.
Как пройти тестовое задание аналитика данных
Как пройти тестовое задание аналитика: типичные форматы (SQL, А/В, кейс), как структурировать решение, что показать в notebook.
Типичные ошибки на собесе аналитика: топ-10 и как избежать
Топ-10 типичных ошибок на собеседовании аналитика данных: SQL, A/B, кейсы, soft skills. Как избежать. Гайд.
Variance reduction в A/B-тестах: CUPED, stratification и другие методы
Variance reduction в A/B: CUPED, stratification, post-stratification, regression adjustment. Когда какой метод подходит. Гайд для DS.
Какие вопросы задать на собесе: рекрутеру и нанимающему
Вопросы аналитика рекрутеру и нанимающему менеджеру на собесе: про команду, процессы, технологии, рост, зарплату. Чек-лист и шаблон.
Возвращение в аналитику после паузы: план
Как вернуться в аналитику после паузы (декрет, армия, выгорание, фриланс): план обновления знаний, как ответить на «почему пауза», подача.
asyncio vs threading vs multiprocessing для Data Engineer
Concurrency в Python для DE: asyncio, threading, multiprocessing — IO-bound vs CPU-bound, GIL, выбор модели.
Attention механизм для Data Scientist
Attention механизм на собесе DS: scaled dot-product, Q/K/V, masked, cross-attention, FlashAttention.
Bash и Unix-утилиты для Data Engineer
Bash и Unix для DE: awk, sed, grep, cut, sort, uniq, jq, pipes, cron — практические команды.
Bash pipes и Unix-инструменты для Data Engineer
Bash-пайпы на собесе Data Engineer: awk, sed, sort, uniq, jq, xargs. Как обработать большой файл без БД, типичные вопросы и частые ошибки.
CAP теорема для Data Engineer
CAP на собесе DE: consistency, availability, partition tolerance, реальные системы.
Gradient descent и оптимизаторы для Data Scientist
Gradient descent на собесе DS: SGD, momentum, Adam, RMSProp, learning rate, типичные ошибки.
Hadoop, HDFS и MapReduce для Data Engineer
Hadoop, HDFS, MapReduce, YARN на собесе DE: концепты, отличия, когда что применяется.
Идемпотентность API на собеседовании системного аналитика
Идемпотентность API на собесе SA: Idempotency-Key, retry, дубли, типичные ошибки в ТЗ.
Идемпотентность пайплайна для Data Engineer
Идемпотентность data-пайплайнов: что это, как делать в SQL, Airflow, Spark, при ретраях и backfill.
Parquet vs ORC vs Avro для Data Engineer: гайд
File formats на собесе DE: Parquet, ORC, Avro, JSON, CSV. Когда что выбирать, схема, сжатие.
PCA и снижение размерности для Data Scientist
PCA, t-SNE, UMAP на собесе DS: математика, разница, когда что выбирать, частые ошибки.
Postgres extensions для аналитики на собеседовании Data Engineer
Postgres extensions на собесе DE: pg_stat_statements, pg_repack, TimescaleDB, pgvector, PostGIS, hll — зачем нужны, как спрашивают и типичные ошибки.