#курсаналитикаданных

Курс «Основы data-driven подхода в образовании»

Что такое аналитика? Какие инструменты существуют? И зачем это все вообще нужно? Ответы - в нашем новом курсе «Основы data-driven подхода в образовании», который заботливо разработала для вас наша команда аналитиков.

📊Рекомендация: лекция «Основы data-driven подхода в образовании»

P.S. Гордимся коллегами. Обязательно посмотрите лекции.

Дашборды, графики, диаграммы

Алена Царькова, куратор команды в программе «Реализация проектов цифровой трансформации, собрала для вас очень полезную памятку. В ней - пять вопросов, которые нужно задать себе при выборе диаграммы, ошибки при построении графиков, инструменты для визуализации данных и многое другое.

📊Рекомендация: памятка по визуализации данных

P.S. Все, что подчеркнуто - кликабельно.

Коллеги из замечательных каналов "Я у мамы аналитик" и "LEFT JOIN" предлагают принять участие в исследование онлайн-курсов по аналитике. Если есть интерес и такой опыт - Wellcome!

⚡️Масштабное независимое исследование онлайн-курсов по аналитике ⚡️

Мы с моими коллегами из компании твердо решили узнать все-все самое важное об онлайн образовании по теме аналитики и data science. Об онлайн образовании говорят повсеместно, курсы чрезвычайно распространены, ведь профессии в IT-сфере сейчас очень популярны. Думаю, что огромная часть аудитории данного канала либо прошла, либо собирается пройти курсы, связанные с анализом данных.

Прошу вас пройти опрос и оставить ваше искреннее мнение о той школе, курс в которой вы прошли. Хорошее, плохое, главное, не безразличное!

Буду признателен коллегам владельцам каналов по аналитике за репост. Разумеется, результатами опроса мы вскоре с вами поделимся в виде симпатичного дашборда 🤓

➡️ Ссылка на опрос

p.s. Любые комменты по опросу тоже приветствуются

Аналитики бывают разные//источник @analysis_it

Тем, кто начинает работать с аналитиками или сам задумался о карьере аналитика, расскажем, кто же на самом деле чем занимается.

🔹Бизнес-аналитик. Собирает требования со стороны бизнеса к будущему продукту или функциям системы, выявляет потребности для изменений, обобщает их, фиксирует, классифицирует и принимает решения об изменении процессов. После чего переводит их на понятный язык для инженеров.
📘Бизнес-аналитики в IT: кто они и что делают

🔹 Системный аналитик. Это ИТ-специалист широкого профиля, который отвечает за сбор требований к системе, занимается проектированием технического решения и ставит задачи команде разработки.
📘Системный аналитик: что делает, сколько получает и как им стать

🔹UX-Аналитик. Специалист на этой позиации обычно собирает и анализирует данные о том, как пользователи взаимодействуют с сайтом, приложением или другим продуктом.
📘Кто такой UX-аналитик, чем он занимается и какие инструменты использует

🔹 Аналитик данных обычно собирает, обрабатывает, изучает и интерпретирует данные.
📘Чем занимается аналитик данных и как им стать

🔹 Web-аналитик - занимается сбором и анализом информации о посетителях сайта и их поведении. Он взаимодействует с разными системами аналитики (например, Google Analytics), определяет важные для того или иного бизнеса параметры и интерпретирует их
📘Кто такой веб-аналитик

🔹 Продуктовый аналитик - ищет точки роста в продукте и данные о поведении пользователя.
📘Кто такие продуктовые аналитики и зачем они нужны в команде

Как выбрать палитру для визуализации данных?//источник https://news.1rj.ru/str/analyst_club

Основное правило: данные упрощаются до трех типов: последовательные, расходящиеся и качественные. И для каждого типа данных используют свою палитру.

🔹Расходящаяся палитра. Применяется, когда нужно показать два направления данных: например, слева – положительные, справа – отрицательные значения. Среднее (нулевое) значение указывают светлым, а самыми темными будут наибольшее и наименьшее значение. Палитра темнеет в левую и правую сторону.

🔹Последовательная палитра. Подходит для данных, которые располагаются в определенном порядке, от наименьшего к наибольшему. Для визуализации наименьших значений используют самые светлые тона, а для наибольших – самые темные.

🔹Качественная палитра. Используется для отдельных категорий данных: одна категория – один цвет. Чтобы обратить внимание на отдельные показатели, их выделяют другим цветом. Если нужно выделить парные показатели, тогда для их выделения используют одни определенный цвет.

📊Рекомендация: программа для подбора палитры визуализации данных

#курсаналитикаданных

Можно ли взглянуть на мир глазами аналитика?

Ответ простой: конечно! У нас на канале уже готова новая мини-лекция, в которой мы разбираем, что есть данные и что есть аналитика.

📘Рекомендация: лекция «Измерение: мир глазами аналитика»

#словоэксперту

«Так уж сложилось, что в образовании женщин работает больше, чем мужчин. А в аналитике, наоборот, женщин намного меньше 🤷‍♀️ В самых продуктивных ИТ-командах, где мне приходилось работать, всегда была хотя бы одна девушка. И я не вижу разницы в уровне решаемых задач или производительностью между мужчинами и женщинами. Но, женщины как-то дотошнее, настойчивей и внимательнее относятся к данным. Короче, девушки – welcome в аналитику!»

📘Рекомендация: сообщество «Женщины в аналитике»

#словоэксперту

«Крутая конференция Яндекса о людях и технологиях в образовании состоялась вчера. Много тем про EdTech и кейсов применения данных. Обязательно посмотрите».

📘Рекомендация: онлайн-конференция Яндекса про образование

Что может быть проще среднего значения?

Мы усредняем все подряд и часто делаем это с ошибками:

🔹Во-первых, не всегда у среднего есть реальный смысл. Например, студент выполнял разные задания, каждое за определенное время. Можно сложить затраченное время и разделить на число заданий. Но, в чем смысл полученного среднего, что это может сказать нам о реальности?
🔹Во-вторых, в основе среднего лежит важное допущение о нормальности распределения: наибольшее число наблюдений лежат в середине шкалы, а отклонения в большую/меньшую сторону примерно равны и их частота убывает с увеличением/уменьшением шкалы. А теперь вопрос: как часто вы проверяет форму распределения, прежде чем рассчитать среднее?
В случаях отсутствия нормальности распределения вернее использовать моду и медиану, они дают более верную картину реальности.
🔹И вообще, существует несколько видов средних: среднее геометрическое, среднее гармоническое, среднее хронологическое...

📊Рекомендация: статья, в каком случае какое среднее следует использовать

#курсаналитикаданных

Может ли 2 ≠ 2?

Интригу раскроем в нашей новой лекции из курса «Аналитика данных». В повестке также: качественные и количественные данные, четыре вида шкал и возможности обработки для каждой из них.

📊Рекомендация: лекция «Аналитика данных: шкалы измерения»

Маленькая шпаргалка по выбору статистических критериев

💡Статистический критерий — математическое правило, в соответствии с которым принимается или отвергается та или иная статистическая гипотеза с заданным уровнем значимости.

Как связаны искусственный интеллект и психология?

Технологии ИИ так или иначе затронут (и уже затрагивают) образование. Лекция немного устаревшая (уже целый год прошел!!!), длинная и для психологов. Но, все применимо и к образованию.

📊Рекомендация: лекция «Применение технологий искусственного интеллекта в психологии»

Персонализация – один из трендов в образовании

Именно поэтому сейчас разработчикам чаще приходится выбирать личностную модель, на основе которой будут строится рекомендательные сервисы и стили коммуникации. Если вы хотите, чтобы ваша модель не была умозрительно-академической, а работала на данных, обратите внимание на Big Five, или Большую пятерку.

Среди личностных опросников Большая пятерка имеет лучшие психометрические показатели и воспроизводимость в разных культурах. Сама по себе, она основана на огромном объеме эмпирических данных, а ее применимость для практики оценивалась в тысячах прикладных исследований – от потребительского поведения и межличностной совместимости до стилей обучения.

📊Рекомендация: об этой модели и ее применимости – на вебинаре с Евгением Осиным, лучшим специалистом по Big Five в России.

Аналитика данных в образовании - вполне состоявшаяся область практики.

Существуют тематические ассоциации, журналы, книги и магистерские программы на английском и русском языках. Но кому же нужны такие данные? Ответ - в недавней статье от Международного института планирования образования ЮНЕСКО:

🔹Преподавателям, которые используют данные для оценки сильных и слабых сторон ученика и его успеваемости. Кроме того, информация об индивидуальном опыте учащегося позволяет диагностировать возможные причины плохой успеваемости и применять меры. Данные также можно использовать для самооценки, они помогают улучшить преподавание и управление классом.
🔹Руководителям образовательных организаций нужны данные об общей успеваемости, информация о работе преподавателей и их вкладе в успеваемость учащихся, а также об эффективности их собственной управленческой деятельности.
🔹Родителям и сообществам требуется информация об успеваемости учащихся, их сильных и слабых сторонах, а также о любых поведенческих проблемах. Их беспокоят результаты государственных экзаменов, поскольку от успеваемости зависит продвижение их детей к дальнейшему образованию или трудоустройству.
🔹Руководители районного и регионального уровня несут ответственность за надзор за управлением и качеством образования района (региона). Им важны данные о посещаемости и успеваемости, текучести кадров среди преподавателей, а также о доступных ресурсах. Они играют важную роль в определении потребностей школ, в мониторинге соблюдения стандартов и принятию мер по улучшению образования.
🔹Должностные лица национального уровня принимают принципиальные решения в контексте правительственных директив и планов и ресурсов, необходимых для выполнения этих директив. Им нужна обширная общесистемная информация о текущих результатах обучения и связанных с ними факторах, а также данные о долгосрочных тенденциях.

Среди целей анализа данных в образовании названы ответы на фундаментальные вопросы:

1️⃣Отвечает ли то, что студенты изучают, потребностям и ожиданиям родителей, общества и государства (актуальность);
2️⃣Насколько хорошо имеющиеся ресурсы используются для достижения результатов (внутренняя эффективность);
3️⃣Каковы основные факторы, влияющие на обучение;
4️⃣Какие аспекты обучения требуют улучшения.

Что болит

Общее впечатление что все хотят в data driven. Уже никого не надо убеждать в ценности данных — этот этап пройден.

Теперь следующая проблема — данные собрали, пайплайны настроили, первые дашборды нарисовали. Постепенно данных становится всё больше: добавляются новые, старые — меняются. И в какой-то момент наступает ДАТА-ХАОС!

И вот сейчас основные боли — это документация и описанные модели данных.
⁃ Таблицы на десятки и сотни колонок без описания и странными названиями
⁃ Таблиц по заказам — пять разных вариантов (плюс ещё сколько-то вьюх по ним)
⁃ Эвенты, названные абы как
⁃ Метрики, которые каждый рассчитывает по-своему и в конце ни у кого ничего не сходится ¯\_(ツ)_/¯

Короче, тренд сезона — дата-инфраструктура.

Решения и бинарные события. О чем это мы?

Нам часто приходится принимать решения на основе совместной вероятности двух бинарных событий. Например, есть две группы студентов, одна из которых училась очно в аудитории, а другая - онлайн. И есть результат - пройден итоговый тест или нет. Если мы хотим выяснить, связаны ли эти два события или нет, мы строим четырехклеточную таблицу сопряженности (ЧТС) с элементарными статистиками в виде процентов.

Кажется, все просто, но насколько правильно мы это делаем? Предлагаем небольшой обучающий тест от Центра «Гуманитарные технологии».

🔖P.S. ЧТС – один из главных инструментов в доказательной медицине, управлении персоналом и образованием, основанном на данных.

#словоэксперту

«Недавно под чутким руководством @alexbarakov выстраивал BI-стратегию для конкретной образовательной организации. Получилось впечатляюще. Где-то захватывает дух от возможностей и перспектив, где-то плачу, узнав себя в «ежике с кактусом». Много чего утащил прямо в повседневную практику. В любом случае, убедился, что грамотная BI-стратегия нужна и университету, и образовательному центру».

Совет: вы можете попробовать сами, пользуясь гайдом в MIRO.

🔖P.S. Обратите внимание, там есть логика, с чего начать и как идти, просто заполняя форму в практических упражнениях. Что называется, бери и делай. Более подробная информация - в статье.

Друзья, впереди — длинные каникулы. Поэтому мы подготовили для вас сразу три новых полезных обзора, чтобы вы могли посмотреть их в спокойной обстановке.

🔹Загрузка данных с помощью программы Power Query

В видео обсуждаются основные способы загрузки данных в программу Excel с помощью Power Query. Рассмотрены возможности загрузки с листа Excel, файла и базы данных. Показано, как можно установить драйвер и соединение с базой данных.

Смотреть

🔹Объединение запросов Power Query

В видео производится обзор вариантов слияния данных из разных источников. Вы научитесь определять ваши Excel-таблички как источники данных, устанавливать соединения и объединять данные в единую таблицу.

Смотреть

🔹Обзор платформы Orange Data Mining

Orange Data Mining — система визуального программирования, которая обладает большим набором исследовательских функций. Она предназначена для интеллектуального анализа и визуализации данных, а также для статистических исследований.

Смотреть

Аналитики: кто они, чем занимаются и сколько зарабатывают?

Этим вопросом задались команды компании «Нормальные исследования» и рекрутинговое агентство New.HR. Они провели совместное исследование рынка аналитиков и сформировали портрет профессии.

Интересные наблюдения:
🔹6% аналитиков вовсе не имеют высшего образования, при этом большинство из них руководители, которые работают в профессии более 3-х лет.
🔹В 60 % случаев аналитики сами себе ставят задачи, остальные 40 % — запрос от заказчика.
🔹Аналитики занимаются не только аналитикой. Среди дополнительных сфер — машинное обучение, программирование и маркетинг.
🔹Три самых неожиданных профессии, из которых выросли аналитики: геммолог, звукорежиссер и психолог.
🔹Самый популярный инструмент для визуализации данных — Tableau. Его выбрали 65 % респондентов. Второе место занимает PowerBI.

📎Рекомендация: Исследование рынка аналитиков