Инструменты для анализа и улучшения профиля LinkedIn

Если вы пропустили:
Как мой профиль попал в топ-1% — и что это дало
Что такое SSI Linkedin и как его поднять?

Ранее делилась, как пройти ATS-отбор и какие сервисы помогают адаптировать резюме под вакансию. Теперь — подборка инструментов для LinkedIn:

>> Resume Worded – LinkedIn Review — бесплатный анализ
- AI сканирует ваш профиль и выставляет оценку по нескольким критериям.
- Дает рекомендации по улучшению заголовка, саммари, навыков и достижений.
- Отмечает недостающие элементы и слабые места.

>> Jobscan — условно бесплатно
- Основной функционал по LinkedIn доступен по подписке, но можно пройти демо-скан.
- Даёт продвинутый анализ оптимизации профиля под ATS и LinkedIn search.
- Особенно полезен для международных карьерных переходов.

Еще несколько бесплатных инструментов которые помогут улучшить отдельные блоки профиля:
Teal HQ
SkillSyncer

Видео анализа моего профиля под 3 условно интересных вакансии:

На днях исполнилось ровно 10 лет с моего первого рабочего дня в IT

Сначала подумала, что это сомнительное достижение, но после рефлексии поняла — это отличный повод подвести итоги.

Студенткой третьего курса вмк я вышла на работу на позицию аналитика — без чёткого понимания, в чем отличие от разработчика, без карьерного плана, просто с желанием как можно раньше влиться в эту айти 😸

За 10 лет поменялись роли, проекты, компании. Появилось осознание профессии, чувство опоры на себя и возможность выбирать. Главное — появилось системное отношение к карьере.

Вот ключевые выводы, к которым я пришла (aka советы молодым):

1. Цели важны. Без них просто «работаешь». Карьеру строят осознанно — без понимания направления решения принимаются хаотично, и результат часто разочаровывает.

2. Просто хорошо делать работу — не стратегия. Растут те, кто берёт ответственность, видит картину шире своей зоны, предлагает решения и умеет выстраивать коммуникации.

3. Карьера — часть жизни, а не её синоним. Важно, чтобы работа давала энергию и возможности, но не поглощала всё остальное, иначе выгорание неизбежно.

4. Без постоянного обучения остаться в профессии невозможно. Индустрия быстро меняется, поэтому учиться — не «плюс», а базовая обязанность.

5. Устойчивость важнее скорости. На длинной дистанции выигрывают не те, кто стартует резко, а те, кто стабильно двигается и не сдаются.

6. Личный бренд и side-проекты — конкурентное преимущество. Результаты вне основной работы делают заметнее и интереснее для рынка.

7. Нетворк — актив, который работает на тебя. Связи не гарантируют результат, но повышают шансы.

8. Собеседования — отдельный навык. Даже без планов менять работу практика нужна, чтобы быть в курсе рынка.

9. Работа — это рабочие отношения. Не стоит держаться за «душевную атмосферу», если есть возможности для роста в другом месте.

И личный вывод: недооценка себя в итоге ограничивает рост сильнее, чем внешние барьеры.

Разбор кейса интервью: как работать с противоречивыми данными?
Еще один кейс с реального собеса и то как меняется подход к решению с появлением AI-инструментов

Кейс: вы запустили фичу, к тебе пришел аналитик, который провёл качественное исследование и сообщил что 3 респондента из 5 не могут найти точку входа , пришёл другой аналитик и сообщил что конверсия выросла на 1%.
Что будешь делать?

Решение:
1. Проверить статистическую значимость роста конверсии
Перед тем как искать причины, нужно убедиться, что рост действительно есть — а не просто случайная флуктуация. Нужно рассчитать доверительный интервал и p-value.

2. Проверить репрезентативность качественного исследования
5 человек — маленькая выборка. Нужно понять, кто эти респонденты и как они соотносятся с вашей аудиторией. При возможности — добавить ещё интервью для подтверждения.

3. Проанализировать, где и почему выросла конверсия
Построить воронку и сегментировать трафик «открыл → нашёл вход → продолжил».
→ Посмотреть, где именно падает конверсия.
→ Разделить пользователей на новых и старых пользователей — проверить, где проблема ярче выражена.

4. Сформулировать гипотезу и проверить её
→Быстрые тесты (A/B, кликовые).
→Анализ сессий и отзывов.
→Запуск новых интервью или опросов.

5. Принять решение на основе всех данных
→ Оценить эффект и доверительный интервал.
→ Если гипотеза сработала — внедрить. Если нет — вернуться к исследованиям.

Как AI-инструменты могут помочь:
>> Быстрый анализ интервью, support-чатов, отзывов, выявление паттернов — с помощью ChatGPT или Notion AI.
>> Автоматический анализ поведения пользователей и выделение подозрительных сессий — через Hotjar с AI.
>> Быстрая сегментация и поиск аномалий в метриках — с помощью Amplitude или Mixpanel с AI-инсайтами.
>> Генерация UX-решений — используя AI-плагины в Figma.

Больше решений кейсов - тут

Решение кейсов интервью на ML дизайн для продакта

Что проверяют?
• Продуктовый фреймворк мышления: вы начинаете с бизнес-проблемы, а не с модели.
• Системность: знаете, как проектировать ML-систему от постановки задачи до мониторинга.
• Аргументация: можете объяснить, почему выбрали определённый подход и какие trade-offs он влечёт.
• Понимание данных: знаете, какие данные нужны, где их взять и как подготовить.
• Знание типовых ML-проблем: умеете работать с дисбалансом классов, cold start, дрейфами и др.
• Интеграция в продукт: понимаете, как модель будет встраиваться в реальные процессы.

Структура ответа
1. Уточнение задачи
Начинаем с цели. Какую бизнес-метрику растим? CTR/Retention/ LTV
Функциональные требования. Что должна делать система? Предсказывать/Ранжировать/Генерировать
Ограничения. Latency/RPS/объем исторических данных/бюджет на серверы

2. Постановка ML-задачи
Тип задачи. Классификация/регрессия/кластеризация/рекомендации
Таргет. Что именно мы предсказываем: Клик/Конверсию/Вероятность оттока
Фичи. какие признаки есть сейчас и что можно добавить? (История действий, контекст, контентные признаки)

3. Работа с данными
Источники данных. Логи, базы, API, разметка, разделение на выборки
Типовые проблемы:
• Дисбаланс классов
• Cold start — новые пользователи/товары
• Пропуски, выбросы, шум
Важно продумать, как система работает на старте, когда данных мало.
Процесс преобразования данных. Что на входе → как преобразуем → что на выходе

4. Обучение модели
Бейзлайн. простая модель (логистическая регрессия, дерево решений, LightGBM), чтобы быстро проверить гипотезу.
Feature engineering. Как кодируете категориальные фичи/ Нормализуете численные
Улучшения. Ансамбли/Более сложные фичи/Персонализированные модели
Борьба с дисбалансом. Oversampling, undersampling, weighted loss.

5. Инференс и деплой
Онлайн vs офлайн. Мгновенный отклик/ночной пересчёт
Инфраструктура. FastAPI, Docker, Airflow, CI/CD
Мониторинг. Latency/Ошибки инференса/ Дрейф данных и концепции/ Деградация метрик

6. Оценка качества
Офлайн-метрики. Для классификации — Precision, Recall, ROC AUC. Для рекомендаций — NDCG, MAP@K.
Онлайн-метрики. A/B-тесты: выбор метрик, t-тест, доверительные интервалы.

Порция вопросов с собесов продактов: метрики
спрашивает один небезызвестный банк

1. Отличие среднего и медианы?
>> Среднее — сумма всех значений, делённая на их количество.
>> Медиана — значение, которое делит выборку пополам: 50% значений меньше него, 50% — больше.
Когда что использовать?
>> Среднее — для данных без аномалий (равномерное распределение).
>> Медиана — если есть выбросы (крайние значения), чтобы оценить «типичное» поведение.
Пример: Чеки 10 пользователей: [1000₽, 1200₽, 1100₽, 1000₽, 950₽, 1050₽, 900₽, 800₽, 1300₽, 100 000₽].
Средний чек = ~11 730₽ (дезориентирует из-за выброса).
Медианный чек = 1025₽ (отражает реальное положение дел).

2. Как посчитать ретеншн второго дня?
Показывает, какая доля новых пользователей вернулась на следующий день после первого визита.
Формула:
(Число пользователей, вернувшихся на 2-й день) / (Число новых пользователей в день X) × 100%.
Пример: 100 регистраций 1 сентября, 25 вернулись 2 сентября → D2 Retention = 25%.

3. Как считать ретеншн второго дня за месяц?
Правильный подход (когортный анализ):
1. Берём всех пользователей, зарегистрировавшихся за месяц.
2. Для каждого считаем, вернулся ли он на свой второй день.
3. Считаем общий процент: (Вернувшиеся / Все новые) × 100%.
Альтернатива (редко используется):
Усреднить дневные значения D2 ретеншна за все дни месяца.
Первый метод точнее, так как оценивает удержание именно месячной когорты новичков.

Ну наконец то есть чем порадовать маму с папой - неужели внуками снялась для телика

Это кстати нравится в профессии продакта - есть возможность поделать сильно разное, для тех кто не может постоянно одноплановые задачи - топ, рекомендую

Угадайте про что вещаю с первой попытки

Токсичные коллеги: почему люди жалуются и идут по головам (и как с этим жить)

В любой компании есть такие люди: исподтишка они шепчутся о «некомпетентности руководства», на общих встречах критикуют работу других, а в личных беседах с начальством — аккуратно подставляют коллег, чтобы выгоднее выглядеть на фоне.

Сначала кажется, что это просто неприятные личности. Но если копнуть глубже — это стратегия выживания (пусть и токсичная). И она работает… до поры до времени.

Почему люди так делают?
>> Страх конкуренции
— Нет уверенности в своих навыках → легче обесценить других, чем прокачаться.
— «Если я докажу, что все вокруг плохие, мои ошибки будут не так заметны».

>> Попытка быстрого роста
— Карьера через интриги кажется коротким путём: не нужно годами доказывать экспертность, достаточно удачно устранить конкурентов
— Но такой рост хрупкий — доверие теряется быстрее, чем приобретается.

>> Культура компании
— Если руководство поощряет доносы и стравливание команд, система сама плодит таких людей.
— В здоровой среде это не работает, в токсичной — становится нормой.

Что делать, если вы столкнулись с таким человеком?
>> Не включаться в игру
— Жалобы и сплетничество затягивают. Лучшая тактика — нейтральная «я не комментирую коллег» и перевод темы.

>> Фиксировать факты
— Если вас пытаются подставить, сохраняйте переписки и документируйте решения. Без эмоций, только пруфы.

>> Укрепление своей репутации
— Люди, которые идут по головам, чаще всего проигрывают тем, кто делает ставку на реальные результаты.

>> Резать информационную петлю
— Чем меньше о вас знает токсичный коллега, тем сложнее ему вас использовать. Дозируйте личные подробности.

Такие люди редко добиваются долгосрочного успеха — рано или поздно их перестают воспринимать всерьёз. Но пока система даёт им шансы, они будут существовать.

Поэтому задача - не перевоспитывать их, а не дать втянуть себя в эти игры. Карьеру строят те, кто умеет работать с реальными проблемами, а не с чужими репутациями.

А вы сталкивались с такими коллегами? Как реагировали?

Кейс с собеса на ML-дизайн для продакта

В этом посте делилась фреймворком ответа

Представьте, вы продакт в маркетплейсе товаров для хобби — от вязания до кулинарии и моделирования.
Платформа запустила раздел с гайдами и мастер-классами, и вам нужно добавить фичу: пользователь нажимает «Хочу сделать», и в корзину автоматически добавляются все нужные материалы и инструменты.

1. Формулировка задачи
Бизнес-задача — повысить конверсию гайдов в заказы.
ML-задача — предсказать набор товаров, соответствующих шагам инструкции, с нужным количеством и вариантами.

Можно смотреть на это как на:
- задачу рекомендации товаров (по содержанию гайда);
- или извлечение сущностей (распознать в тексте и фото, что именно нужно).

2. Данные и источники
- Тексты и фото гайдов (ингредиенты, материалы, шаги).
- Исторические связки «гайд → купленные товары».
- Метаданные товаров (категория, бренд, объем, цена).
- Поведение пользователей (что добавляли, заменяли, удаляли из корзины).

3. Возможные подходы
Базовое правило: вручную связать гайды и товары (MVP без ML).
Content-based: искать похожие товары по описанию и тегам.
ML-подход:
- Модель NER извлекает сущности из текста гайда («пряжа 100 г», «спицы №4»).
- На их основе формируются векторные представления (embeddings).
- Далее модель ищет ближайшие товары из каталога по смысловому сходству.
- Дополнительно — рекомендательная модель для подбора замен и аналогов (по рейтингу, популярности, цене).

4. Что происходит внутри ML
На входе:
- Текст и изображения гайда.
- Каталог товаров с описаниями и параметрами.

Обработка:
- Модель извлекает ключевые сущности (материалы, инструменты, характеристики).
- Преобразует их в числовые вектора (embeddings).
- Находит ближайшие товары в каталоге по семантическому сходству.
- Фильтрует результаты по доступности, цене, бренду и рейтингу.

На выходе:
- Список релевантных товаров (основной и запасные варианты).
- Для каждого — количество, цена, ссылка на карточку.
- Этот список автоматически добавляется в корзину пользователя.

5. Метрики успеха
- Конверсия из клика «Хочу сделать» в заказ.
- Средний чек.
- Частота корректировок корзины (если часто редактируют — качество низкое).
- Precision / Recall для оценки совпадений товаров на этапе обучения.

6. MVP и масштабирование
- Начать с ручной или полуавтоматической разметки гайдов.
- ML-модель предлагает пары «гайд — товары», контент-команда подтверждает.
- Постепенно перейти к полной автоматизации.
- Добавить персонализацию: подбор товаров по брендам, цене и уровню сложности пользователя.