🔍🗄 #Аналитика #БД

Статья с примерами решения задач по SQL несколькими способами. Некоторые (с DATEDIFF и CASE WHEN THEN) не очень очевидные и мне понравились.

Ссылка:
https://habr.com/ru/company/ruvds/blog/487878/

🥦#ПродуктоваяАналитика

В последнее время подсел на совсем новый для себя формат получения знаний - подкасты. Сейчас слушаю Make Sense, он про управление продуктом в целом, но есть отдельные выпуски про аналитику.

Вот, к примеру, про продуктовые метрики простым и понятным языком:
https://space.productsense.io/podcast/make-sense-76-o-glavnoj-metrike-dlya-produkta-modeli-metrik-i-insajtah-iz-analitiki-s-vladislavom-prishhepovym

🛠〽️👥 #Инструменты #PowerBI #ОтПодписчика

Коллега (увидит мою благодарность, если соизволит подписаться 😂) тут поделился пособием по Power BI, которое является альтернативой официальной документации от Microsoft.

По сравнению с последней, пособие намного лучше структурировано, вся информация в одном месте и в адекватной последовательности. Понравилось, что одновременно рассматривается Power Query в контексте Power BI и Excel, так что полезно будет независимо от используемого в конкретном кейсе инструмента.

Ссылка:
https://github.com/power-bi/PowerBI-book-ru

🛠〽️ #Инструменты #PowerBI

По BI-чику есть еще такая штука - инструкция по созданию динамических фильтров. Видел несколько кейсов их применения для сравнения данных с аналогичными за предыдущий период (продажи в деньгах и штуках, нагрузка и т.п.).

Подробнее по ссылкам:
- Часть 1;
- Часть 2.

Не могу не поделиться, канал крутой и посты интересные:

Гайд по визуализации данных в Python: начиная от раскрашивания ячеек и спарклайнов в Pandas, и завершая интерактивными визуализациями с помощью Bokeh и Altair, а также геовизуализациями в Folium.

https://towardsdatascience.com/complete-guide-to-data-visualization-with-python-2dd74df12b5e

Сегодня у нас долгое чтиво про метрики здоровья продукта:
- что это такое;
- какие показатели есть на разном этапе жизненного цикла продукта;
- какие инструменты и визуализации используются.

Несколько понравившихся идей:
1) QA-метрики и бизнес-метрики живут в одном интерфейсе и рассматриваются в жёсткой связке;
2) Метрики и их визуальное отображение устаревают и требуют систематического пересмотра;
3) Принудительные уведомления по состоянию метрик (по пересечению пороговых значений или инцидентам).

Интересно было бы в дополнение почитать про процесс и стоимость внедрения единого инструмента.

Ссылка на статью:
https://habr.com/ru/company/oleg-bunin/blog/481874/

Хабр собрал статейку про сервисы, которые дают бесплатный доступ к контенту на время карантина (а также там еще немного накидали пользователи в комментариях).

Интересного много, практически применимого для развития в области аналитики - поменьше.

Среди книг на Альпине, к примеру, я для себя ничего не нашёл.

А вот на Geekbrains можно получить бесплатный доступ к 3 курсам из ограниченного списка на выбор, полезны будут:
- базы данных;
- алгоритмы и структуры данных на Python;
- можно посмотреть смежные дисциплины - основы project/product менеджмента или дизайна.

Ссылка:
https://habr.com/ru/company/habr/blog/492776/

Парни из Белоруссии с помощью машинного обучения научились по снимкам со спутников определять на карте с/х поля и угадывать, что на них посажено.

По-моему, очень крутой пример того, как применять современные методы анализа к данным из открытых источников и создавать на этом бизнес (у них эта технология является частью продукта для фермеров).

Жаль, данных по России нет, чтобы вживую проверить, как работает.

Ссылка:
https://map.onesoil.ai/2018

Если освободилось много времени из-за удалёнки (у меня, например, нет) то можно еще посмотреть цикл лекций "Анализ данных на Python в примерах и задачах". Слышал несколько хороших отзывов про него, ну и преподаватель (по моему мнению) неплохо рассказывает (я медленно, но все-таки их смотрю).

Ссылки на ютуб:
- первая;
- вторая.

Мощная (как по содержанию, так и по размеру) статья про рекомендательные системы для ритейла, освещает:
- терминологию;
- алгоритмы;
- основные метрики;
- специфику, собственно, ритейла.

Ссылка:
https://habr.com/ru/post/494468/

А ещё тут подъехала шпаргалка по pandas с практическими примерами использования и датасетом для тестов.

Ссылка:
https://habr.com/ru/company/ruvds/blog/494720/

Небольшой и ёмкий обзор Data Science как профессии и Data Scientist как профессионала. Внутри много ссылок на основные понятия, концепты, полезные материалы.

Ссылка:
https://www.kdnuggets.com/2019/10/good-data-scientist-beginner-guide.html

А во второй части статьи можно почитать про основные этапы проектов по аналитике данных.

Выцепил для себя 2 инструмента анализа данных, с которыми можно познакомиться поближе: Orange и Knime. Еще один, Rapid Miner, судя по всему, перестали распространять по Free модели.

Ссылка:
https://www.kdnuggets.com/2020/04/guide-data-science-build-data-project.html

Небольшое погружение в концепцию управления данными DataGovernance на примере кейса Ростелекома. Автор рассказывает про основные цели, результаты внедрения и инструменты (что интересно, используют Python и Django, а не коробочное решение, объяснение тоже присуствует).

Ссылка:
https://habr.com/ru/company/rostelecom/blog/495934/

Если есть желание потрогать Tableau собственными руками и вы еще этого не делали - самое время.
Ребятки открывают на 90 дней бесплатный доступ к своим курсам:
https://www.tableau.com/learn/training/elearning.

Есть также 14-дневный триал на само приложение Tableau Desktop (на том же официальном сайте), а также бесплатная альтернатива с порезанной функциональностью в облаке (https://public.tableau.com/s/).

В ответ на пост про pandas пришли дополнения от слушателей Яндекс.Практикума.

Только сейчас добрался, изучил, делюсь:
- ссылка 1;
- ссылка 2.

В последнее время, у меня чаще на фоне играют подкасты, чем музыка.

Из последнего больше всего запомнилось интервью Ивана Замесина со специалистом по машинному обучению из Яндекса, который занимается разработкой self-drive - самоуправляющегося автомобиля.

Интересно послушать про сложности и задачи в подобного рода инновационных проектах.

Ссылка:
https://www.youtube.com/watch?v=nPpXXWy_gQg

Искали на работе способы визуализировать в Power BI данные из Redis, в итоге нашёл коннектор на cdata. Он работает, правда не поддерживает нативные запросы (можно дописать на чем-нибудь типа python).
Еще из минусов - триал на 30 дней.

С другой стороны, для коротких проектов или исследований подходит неплохо. Помимо этого, есть еще много кастомных коннекторов (к примеру, для Elasticsearch), которые могут пригодиться.

Полный список:
https://www.cdata.com/powerbi/

Божественная статья про визуализацию данных, внутри которой можно найти:
- небольшой экскурс в историю;
- примеры хороших и плохих визуализаций (в том числе, примеры манипуляций и искажения данных);
- обобщённый взгляд на процесс визуализации;
- внушительный список дополнительных материалов в конце статьи.

Из-за объёма читать лучше на свежую голову.

Ссылка:
https://towardsdatascience.com/the-power-of-visualization-in-data-science-1995d56e4208

Немного ранее мы читали про Data Governance, пришла пора дополнить общую картину аналитического мира информацией о платформах управления данными.

В обзоре можно почитать про:
- общее назначение;
- виды;
- основные компоненты
- существующие решения на рынке.

Ссылка:
https://habr.com/ru/company/ruvds/blog/500028/