Принесла материалов, по которым я готовилась к собеседованиям по аналитике последние лет пять с апдейтом по последнему времени.

SQL:

1. Любой SQL-тренажер с базовой базой.

В этот раз я воспользовалась бонусным модулем по SQL в курсе по PM, в котором было все, кроме оконных функций. Вот тут есть похожий бесплатный курс от того же Практикума: https://start.practicum.yandex/sql-database-basics   Python:

1. Стандартно повторяю основные алгоритмы и структуры данных по книге Т. Кормена и внимательно читаю про их сложность (больно только первые два раза, потом хватает общего повторения).  2. Потом решаю задачки с leetcode: https://leetcode.com/problemset

Код я повторяю каждый раз заново, так как реальная работа может вымывать базовые знания и в ситуации стресса можно сильно затупить на чем-то простом, даже если используешь эти языки каждый день. Особенно, если пишешь код с нейронками, или используешь диалекты SQL или был перерыв в работе. LeetCode к тому же помогает пострессовать заранее, на первой же задачке у меня было что-то типа: «А-а-а, как это решать?», на второй уже отпустило.

Статистика + Теория вероятности:

Слава бесплатным курсам на Stepik:

1. Теория вероятности и статистика: https://stepik.org/course/182381/syllabus 2. Два классических курса от Карпова по основам статистики: https://stepik.org/course/76/syllabus https://stepik.org/course/524/syllabus

Курсы частично перекрывают друг друга и не все модули одинаково полезны, но в целом для понимания мне их хватает. К сожалению, задачи в курсе у Карпова сделаны на R, но если не нужен сертификат, то можно проходить их и без этого, при желании решая задачи на Python.

Статистика это моя боль, так как преимущественно я работаю в крупных компаниях с A/B-шницами и устаканившимися практиками экспериментов. Там скорее надо думать о продукте, монетизации и взаимодействии со стейколдерами, чем о том, что в A/B-шнице под капотом. Но в маленьких компаниях A/B-шницы может и не быть, или в крупных компаниях могут быть отделы, где ее не используют, или может быть какой-то нетипичный дизайн эксперимента, и вот тут глубинное знание может пригодиться.

То, что я себе каждый раз обещаю (и не выполняю) касается изучения методов повышения чувствительности метрик и нестандартных кейсов. Вот тут нашла платный курс, в котором это все как будто есть:

https://karpov.courses/simulator-ab

Сама курс пока не проходила, чтобы не создавать себе дополнительную нагрузку на испытательный срок, но, надеюсь, когда-нибудь дойду. Если были на курсе, поделитесь, пожалуйста, впечатлениями.

Аналитическое мышление:

Неприятность заключается в том, что оно тренируется на опыте, а чтобы был опыт надо устроиться на работу. Если вы уже работаете где-то не аналитиком, то лучше дотянуться до ближайшего места с метриками и посмотреть, как они там устроены, так как в своей компании их логику проще понять. Если метрик рядом нет, то возможно, придется тренироваться на платных симуляторах.

Я тренировалась на GoPractice: https://gopractice.ru/course/pm/ (но буду честна, он не дешевый и мне его когда-то оплатил работадатель), после этого уже получилось найти для себя первые продуктовые задачи.

Сейчас у меня  уже есть опыт, поэтому к собеседованиям мне хватает вспомнить последние крупные проекты, в которых я принимала активное участие, а в кейсах рассказать, как бы я решала эту задачу с учетом собственных ограничений, например, где-то говорю, что здесь у меня было мало опыта и я посоветуюсь с коллегами (если таких зон немного, то это лучше, чем фантазии о вещах, которые я в глаза не видела).

Буду рада, если материалы окажутся кому-то полезными (и Cетка не побьет ссылки:)