Первые знания мне понадобились ещё во время курса «‎Технологии анализа данных»‎, когда на работе у нас стояла задача выбрать лучших пользователей приложения из разных городов. Проблемы были в том, что пользователи из Москвы и Санкт-Петербурга всегда получали больше преимущества, чем пользователи из других городов по многим параметрам. И нужно было их как-то уравнять. Мы как раз проходили инструменты обработки данных, и я предложила использовать нормировку.

Потом во время курса я случайно наткнулась на экспресс-курс по визуализации данных. Изучила основные функции Yandex DataLens, PowerBI и Tableau. И тут мой мир вообще перевернулся! Непередаваемое чувство, когда ты можешь ещё и увидеть красоту чисел, с которыми работаешь.

Наконец-то поняв, как работают функции и циклы в Python, разобрался с Apache Airflow и теперь создаю полноценные ETL-пайплайны на Python. Намеренно отказался от Excel, теперь всё только в Python. Даже дома веду датафрейм доходов/расходов

SQL тоже стал применять сразу. Это и создание представлений, и оконные функции — наиболее частые операции в работе. Жизнь намного упростилась.

Машинное обучение пока не применял в работе — сложнее даётся, и не очень понимаю, как это сделать. Разумеется, временно. Также и с AI — я стремлюсь к этому.

Очень пригодились знания SQL и, как ни странно, Excel (сводные таблицы, диаграммы). Возможно, это проверка в целом на аналитические способности. А на работе я создаю аналитические отчёты для разных департаментов. 
Делаю запросы к базам данных, создаю таблицы, функции, представления, процедуры и даже индексы использую.


Методы математической статистики, общие подходы к обработке и интерпретации данных - очень важный элемент работы аналитика. Моей точно.

Одно дело — научиться пользоваться инструментом, и совсем другое — понимать информацию, которую обрабатываешь, и выводы, которые делаешь.