·SQLite
SQLite: лёгкая база для аналитических проектов
Почему SQLite удобна для аналитики: быстрый старт, портативность, интеграция с Python и практичность для прототипов и локальных ETL.
Читать публикацию
IT Загрузка..
Мы просто и по делу рассказываем про ИИ-инструменты для работы: сравнения, пошаговые гайды, бесплатные альтернативы и реальные сценарии применения. Помогаем выбрать между ChatGPT, Gemini, Claude, локальными моделями и десятками узкоспециализированных сервисов — от дизайна и HR до аналитики и SEO. Меньше хайпа, больше практики и экономии времени каждый день.
·репликация
Репликация и партиционирование: основы для аналитика
Краткий обзор репликации и партиционирования для аналитиков: влияние на скорость отчетов, доступность данных и советы по написанию SQL.
Читать публикацию
·postgresql
Работа с JSON в SQL: PostgreSQL jsonb — практика
Практика по использованию jsonb в PostgreSQL: хранение полуструктурированных данных, примеры запросов, обновлений и рекомендации по индексам.
Читать публикацию
·sql
SQL для A/B тестирования: расчёт метрик и выборок
Разбор SQL для A/B тестирования: сбор выборок, расчёт метрик (CR, ARPU, retention) и типичные ошибки в запросах.
Читать публикацию
·data provenance
Data Provenance: происхождение данных как стратегический актив
О роли Data Provenance в доверии к аналитике, контроле качества данных, соответствии регуляторам и надёжности AI/ML в enterprise.
Читать публикацию
·data lineage
Data Lineage: прослеживаемость данных — инструменты
Краткий обзор Data Lineage: что это, зачем нужен, примеры решений (Collibra, OpenMetadata, dbt) и критерии выбора для бизнеса и команд данных.
Читать публикацию
·data contracts
Data Contracts: качество данных по контракту
Короткое объяснение Data Contracts: состав (схема, валидация, SLA, версионирование), где применяются и как внедрять на практике.
Читать публикацию
·dbt
dbt (data build tool): трансформации данных — туториал
Краткий туториал по dbt: как работают SQL‑модели, структура проекта и базовые команды для трансформации данных в хранилище.
Читать публикацию
·Apache Iceberg
Apache Iceberg: разбор и применение
Разбор Apache Iceberg: что это, какие проблемы решает, преимущества и сценарии применения в data lake, lakehouse и ML-пайплайнах.
Читать публикацию
·data lakehouse
Data Lakehouse: почему это следующий шаг после DWH
Почему Data Lakehouse — логичный шаг после DWH: объединяет хранение сырых данных, SQL-аналитику, governance, снижает затраты и ускоряет BI и ML.
Читать публикацию
·dwh
DWH (Data Warehouse): архитектура и основные паттерны
Краткое руководство по архитектуре DWH: роль, базовые слои, ETL/ELT и популярные паттерны — Star Schema, Snowflake, Data Vault, Kimball и Inmon.
Читать публикацию
·ClickHouse
ClickHouse: колоночная база для аналитики — введение
Краткое введение в ClickHouse — колоночную СУБД для быстрой аналитики больших объёмов: преимущества, сценарии использования и ограничения.
Читать публикацию