🇧🇷 Любовь с акцентом: мой роман с португальским
Ну что, кажется, пора закрывать серию языковых историй моим самым любимым языком — португальским.
Бразильским, конечно. Тут даже вопросов нет.
Как и почти со всеми языками в моей жизни, всё началось с человека.
Неожиданно, немного киношно и, как водится, на работе.
Когда я ещё работала закупщиком, мы много общались с европейскими поставщиками. В основном по почте, иногда по телефону и почти никогда вживую. Но раз в год случалась выставка, куда приезжали иностранцы. И иногда нас, закупщиков, брали «для компании» — поболтать, помочь с коммуникацией, при необходимости что-то перевести.
Однажды меня отправили сопровождать итальянского поставщика. Мы провели вместе почти целый день: работа, разговоры обо всём подряд, жизнь, языки. И в какой-то момент я гордо заявила, что учу испанский.
А он ответил:
— Круто. А я знаю португальский. Давай проверим, насколько они похожи.
И тут случилось непоправимое.
Представьте себе итальянскую версию Тома Эллиса в роли Люцифера в одноимённом сериале.
А теперь добавьте к этому бразильский португальский.
Закройте глаза и вообразите, что вам тихо говорят:
Bom dia, querida…
Спойлер: он говорил не это.
Я вообще не помню, что именно он говорил.
Но я влюбилась.
В язык, конечно. А вы что подумали?
Наученная горьким опытом с испанским, я решила не бросаться в самообучение. Погуглила и выяснила, что испанский и португальский могут быть либо благословением, либо проклятием при одновременном изучении.
Я, конечно, решила рискнуть и попробовать оба, но сначала пошла искать школу португальского.
Так я оказалась в языковом центре Ensina-me в Москве. Там учат и испанскому, и португальскому (оба варианта), онлайн и офлайн. Это не реклама, а искренняя рекомендация — вдруг кому-то тоже пригодится.
И именно там мне достался самый терпеливый преподаватель португальского языка на планете. Он выглядел как Иисус и, как выяснилось, друзья так его и зовут. Хотя по паспорту он Бруно.
Я начала учиться в группе. После школьного английского это был мой первый групповой опыт, и, неожиданно, он оказался очень классным. Но месяца через четыре я поняла, что хочу индивидуальные занятия. Я слишком сильно залипла в язык: слушала, читала, думала на нём при любой возможности. Мой темп стал заметно быстрее темпа группы.
И тут случился разрыв. Я бросила испанский.
Он начал мешать. Лез в речь, путал слова. Помню, как я что-то рассказывала и зависла, выбирая между двумя одинаковыми по смыслу глаголами. Выбрала наугад.
Бруно посмотрел на меня и сказал:
— Não entendo! (Не понимаю!)
Он, конечно, всё понял. Но дал понять мне: опять испанский.
В тот момент я решила — всё, выбираю один язык. И это будет португальский.
Это были невероятно крутые три года. Благодаря Бруно я сейчас спокойно читаю книги и слушаю подкасты на португальском. Разговорной практики не хватает, но это, как говорится, дело наживное.
В этом году я хочу вернуться к языку.
И к своему любимому преподавателю тоже.
А теперь вопрос к вам:
какой свой гештальт вы хотите закрыть в этом году?
#полиглот_полюбви
Ну что, кажется, пора закрывать серию языковых историй моим самым любимым языком — португальским.
Бразильским, конечно. Тут даже вопросов нет.
Как и почти со всеми языками в моей жизни, всё началось с человека.
Неожиданно, немного киношно и, как водится, на работе.
Когда я ещё работала закупщиком, мы много общались с европейскими поставщиками. В основном по почте, иногда по телефону и почти никогда вживую. Но раз в год случалась выставка, куда приезжали иностранцы. И иногда нас, закупщиков, брали «для компании» — поболтать, помочь с коммуникацией, при необходимости что-то перевести.
Однажды меня отправили сопровождать итальянского поставщика. Мы провели вместе почти целый день: работа, разговоры обо всём подряд, жизнь, языки. И в какой-то момент я гордо заявила, что учу испанский.
А он ответил:
— Круто. А я знаю португальский. Давай проверим, насколько они похожи.
И тут случилось непоправимое.
Представьте себе итальянскую версию Тома Эллиса в роли Люцифера в одноимённом сериале.
А теперь добавьте к этому бразильский португальский.
Закройте глаза и вообразите, что вам тихо говорят:
Bom dia, querida…
Спойлер: он говорил не это.
Я вообще не помню, что именно он говорил.
Но я влюбилась.
В язык, конечно. А вы что подумали?
Наученная горьким опытом с испанским, я решила не бросаться в самообучение. Погуглила и выяснила, что испанский и португальский могут быть либо благословением, либо проклятием при одновременном изучении.
Я, конечно, решила рискнуть и попробовать оба, но сначала пошла искать школу португальского.
Так я оказалась в языковом центре Ensina-me в Москве. Там учат и испанскому, и португальскому (оба варианта), онлайн и офлайн. Это не реклама, а искренняя рекомендация — вдруг кому-то тоже пригодится.
И именно там мне достался самый терпеливый преподаватель португальского языка на планете. Он выглядел как Иисус и, как выяснилось, друзья так его и зовут. Хотя по паспорту он Бруно.
Я начала учиться в группе. После школьного английского это был мой первый групповой опыт, и, неожиданно, он оказался очень классным. Но месяца через четыре я поняла, что хочу индивидуальные занятия. Я слишком сильно залипла в язык: слушала, читала, думала на нём при любой возможности. Мой темп стал заметно быстрее темпа группы.
И тут случился разрыв. Я бросила испанский.
Он начал мешать. Лез в речь, путал слова. Помню, как я что-то рассказывала и зависла, выбирая между двумя одинаковыми по смыслу глаголами. Выбрала наугад.
Бруно посмотрел на меня и сказал:
— Não entendo! (Не понимаю!)
Он, конечно, всё понял. Но дал понять мне: опять испанский.
В тот момент я решила — всё, выбираю один язык. И это будет португальский.
Это были невероятно крутые три года. Благодаря Бруно я сейчас спокойно читаю книги и слушаю подкасты на португальском. Разговорной практики не хватает, но это, как говорится, дело наживное.
В этом году я хочу вернуться к языку.
И к своему любимому преподавателю тоже.
А теперь вопрос к вам:
какой свой гештальт вы хотите закрыть в этом году?
#полиглот_полюбви
1🔥22❤12👍7
🛒 Трейлер сезона: осваиваем e-commerce
Ну что, начнём наше эпичное приключение с изучения разных доменных областей и построением небанального портфолио?
Если честно, планов на этот год я себе навалила столько, что иногда даже моя литания против страха не справляется. Но, как говорится, глаза боятся, руки делают. Иногда криво. Иногда медленно. Но делают.
Ближайшие три месяца я решила посвятить e-commerce.
Почему именно он?
Потому что это максимально прикладной домен и, что немаловажно, немного мне знакомый. Я работаю в компании, где большая часть заказов проходит через сайт, так что общее понимание процессов есть. Поможет ли это в изучении сферы? Теоретически — да. Практически — посмотрим.
Если говорить про рынок, то e-commerce в России — это Wildberries, Ozon, Яндекс Маркет, МегаМаркет и ещё куча вариаций. Метрик много, данных много — идеальная среда для обучения.
План действий мы накидали вместе с ChatGPT. Он был настолько любезен, что:
🟠 разложил темы по полочкам
🟠 предложил проекты под каждую из них
Правда, пока не уточнил, где мы будем брать данные. Но это, как говорится, задача со звёздочкой, с которой разберёмся по ходу.
Параллельно я начинаю самостоятельное путешествие в BI-аналитику.
В этом году я дала себе зарок не покупать курсы (держим кулачки), а попробовать самообучение. Доступной информации ведь много, говорят они🤭
Что планирую:
🟠 собрать roadmap BI-аналитика и идти по нему шаг за шагом
🟠 каждые два месяца разбирать один инструмент визуализации, который встречается в вакансиях на hh
Любимые рубрики "Отзыв на курс" и "Отзыв на книгу" никуда не исчезают.
Плюс добавлю новую тему:
как делать (и как не делать) портфолио — на основе советов YouTube-аналитиков.
Что хочу получить через три месяца:
🟠 понять, как устроен домен e-commerce и какие метрики там реально важны
🟠 разобраться, с какими типами данных приходится работать и как подходят к их анализу
🟠 собрать три проекта в портфолио, привязанные к домену
💬 Кстати, с какого домена вы бы начали изучение аналитики и почему?
#аналитик_собирает_пазл
Ну что, начнём наше эпичное приключение с изучения разных доменных областей и построением небанального портфолио?
Если честно, планов на этот год я себе навалила столько, что иногда даже моя литания против страха не справляется. Но, как говорится, глаза боятся, руки делают. Иногда криво. Иногда медленно. Но делают.
Ближайшие три месяца я решила посвятить e-commerce.
Почему именно он?
Потому что это максимально прикладной домен и, что немаловажно, немного мне знакомый. Я работаю в компании, где большая часть заказов проходит через сайт, так что общее понимание процессов есть. Поможет ли это в изучении сферы? Теоретически — да. Практически — посмотрим.
Если говорить про рынок, то e-commerce в России — это Wildberries, Ozon, Яндекс Маркет, МегаМаркет и ещё куча вариаций. Метрик много, данных много — идеальная среда для обучения.
План действий мы накидали вместе с ChatGPT. Он был настолько любезен, что:
Правда, пока не уточнил, где мы будем брать данные. Но это, как говорится, задача со звёздочкой, с которой разберёмся по ходу.
Параллельно я начинаю самостоятельное путешествие в BI-аналитику.
В этом году я дала себе зарок не покупать курсы (держим кулачки), а попробовать самообучение. Доступной информации ведь много, говорят они
Что планирую:
Любимые рубрики "Отзыв на курс" и "Отзыв на книгу" никуда не исчезают.
Плюс добавлю новую тему:
как делать (и как не делать) портфолио — на основе советов YouTube-аналитиков.
Что хочу получить через три месяца:
💬 Кстати, с какого домена вы бы начали изучение аналитики и почему?
#аналитик_собирает_пазл
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥18❤11⚡10👨💻3
Учебные проекты для портфолио — это плохо (и вот почему)
Почти каждый курс по аналитике продаётся через один и тот же аргумент:
«В конце у вас будут проекты для портфолио».
Звучит логично. Но есть нюанс.
Christine Jiang — бывший директор по данным, нанимающий менеджер и автор программы Analytics Accelerator — считает, что учебные проекты не стоит включать в портфолио. И я решила разобрать её аргументацию, потому что она показалась мне логичной.
По мнению Кристин, портфолио — это не про инструменты.
Это не «смотрите, я знаю SQL, Python и Power BI».
Это ответ на вопрос: готов ли человек к реальной работе аналитика.
Поэтому она делит проекты на два типа:
1. Learning projects (учебные)
2. Showing projects (демонстрационные)
Почему учебные проекты — слабое место
Учебные проекты, по мнению Кристин, почти всегда:
🟠 заточены на отработку инструментов, а не на решение бизнес-задач
🟠 используют либо слишком «стерильные», либо слишком учебные датасеты
🟠 не имеют чёткого вопроса и структуры
🟠 фокусируются на том, чем ты пользовался, а не зачем
В глазах нанимающего такой проект читается как:
человек всё ещё учится и пока не готов к продакшену.
Жёстко? Да.
Правда? Тоже да.
Что тогда считается хорошим проектом
Showing projects — это попытка имитировать реальную работу аналитика.
Они показывают:
🟠 доменную экспертизу
🟠 структурное мышление
🟠 умение говорить с бизнесом, а не только с данными
Идеальный источник данных — реальный мир:
стажировки, волонтёрство, рабочие задачи.
Но Кристин честно признаёт, что это сложно, и даже записала отдельное видео о том, где брать данные, если у тебя нет коммерческого опыта.
READY-фреймворк для проектов в портфолио
Чтобы проект выглядел как «боевой», Кристин предлагает использовать фреймворк READY:
R — Representative data
Данные должны быть похожи на рабочие:
грязные, большие, с бизнес-метриками.
Не Kaggle на 3k строк, а условные GoogleAnalytics-данные на 100k+ записей.
E — Exec-driven questions
Не «посмотрим, что есть в данных»,
а конкретные бизнес-вопросы.
Например: как перераспределить маркетинговый бюджет по регионам?
A — Analytical frameworks
Чёткая структура анализа:
очистка → EDA → инсайты → визуализация,
а не набор разрозненных запросов.
D — Data best practices
Чистый SQL, комментарии, читаемость, понимание,
зачем ты используешь CTE, а не «потому что можешь».
Y — Your insights & impact
Не просто «продажи выросли на 12%», а:
за счёт каких сегментов
что с этим делать
какое решение ты рекомендуешь бизнесу
Свою логику Кристин подробно показывает в серии видео Portfolio Playbook, где шаг за шагом проходит весь путь анализа.
В следующем посте серии #аналитик_слушает_советы разберём, как она рекомендует оформлять README проекта, чтобы он соответствовал её представлениям о прекрасном.
💬 А теперь вопрос к вам:
как вы относитесь к учебным проектам из курсов?
Это чисто «тренировка» или их всё-таки можно дотянуть до демонстрационных?
#аналитик_слушает_советы
Почти каждый курс по аналитике продаётся через один и тот же аргумент:
«В конце у вас будут проекты для портфолио».
Звучит логично. Но есть нюанс.
Christine Jiang — бывший директор по данным, нанимающий менеджер и автор программы Analytics Accelerator — считает, что учебные проекты не стоит включать в портфолио. И я решила разобрать её аргументацию, потому что она показалась мне логичной.
По мнению Кристин, портфолио — это не про инструменты.
Это не «смотрите, я знаю SQL, Python и Power BI».
Это ответ на вопрос: готов ли человек к реальной работе аналитика.
Поэтому она делит проекты на два типа:
1. Learning projects (учебные)
2. Showing projects (демонстрационные)
Почему учебные проекты — слабое место
Учебные проекты, по мнению Кристин, почти всегда:
В глазах нанимающего такой проект читается как:
человек всё ещё учится и пока не готов к продакшену.
Жёстко? Да.
Правда? Тоже да.
Что тогда считается хорошим проектом
Showing projects — это попытка имитировать реальную работу аналитика.
Они показывают:
Идеальный источник данных — реальный мир:
стажировки, волонтёрство, рабочие задачи.
Но Кристин честно признаёт, что это сложно, и даже записала отдельное видео о том, где брать данные, если у тебя нет коммерческого опыта.
READY-фреймворк для проектов в портфолио
Чтобы проект выглядел как «боевой», Кристин предлагает использовать фреймворк READY:
R — Representative data
Данные должны быть похожи на рабочие:
грязные, большие, с бизнес-метриками.
Не Kaggle на 3k строк, а условные GoogleAnalytics-данные на 100k+ записей.
E — Exec-driven questions
Не «посмотрим, что есть в данных»,
а конкретные бизнес-вопросы.
Например: как перераспределить маркетинговый бюджет по регионам?
A — Analytical frameworks
Чёткая структура анализа:
очистка → EDA → инсайты → визуализация,
а не набор разрозненных запросов.
D — Data best practices
Чистый SQL, комментарии, читаемость, понимание,
зачем ты используешь CTE, а не «потому что можешь».
Y — Your insights & impact
Не просто «продажи выросли на 12%», а:
за счёт каких сегментов
что с этим делать
какое решение ты рекомендуешь бизнесу
Свою логику Кристин подробно показывает в серии видео Portfolio Playbook, где шаг за шагом проходит весь путь анализа.
В следующем посте серии #аналитик_слушает_советы разберём, как она рекомендует оформлять README проекта, чтобы он соответствовал её представлениям о прекрасном.
💬 А теперь вопрос к вам:
как вы относитесь к учебным проектам из курсов?
Это чисто «тренировка» или их всё-таки можно дотянуть до демонстрационных?
#аналитик_слушает_советы
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤23🔥10👍9
🤦♀️ Как же я люблю наступать на одни и те же грабли
Кажется, только вчера я клялась себе больше не брать одновременно два больших курса.
И вот я снова танцую на тех же самых граблях. Красиво. Уверенно. С огоньком 💃
Да, курс в Simulative я ещё не закончила. Формально там остались визуализация и математика со статистикой. Но, как я уже писала, в этом году я решила осознанно идти в BI-аналитику.
Не просто учиться рисовать красивые графики и дашборды (хотя это тоже надо),
а понимать, как через визуализацию решаются задачи бизнеса.
А для этого, внезапно, нужно чуть больше, чем знать, где в Power BI кнопочки.
В общем, я села составлять себе план обучения.
И тут выяснилось, что фраза «всё можно выучить самостоятельно» немного лукавая.
Потому что собрать себе адекватную программу — это вообще-то отдельный навык.
На YouTube я нашла ровно один вменяемый roadmap по BI.
Хорошо, что образовательные платформы давно уже сделали свои программы и там можно что-то подсмотреть.
Если сильно упростить, BI-аналитика у всех выглядит примерно так:
🟠 понимать данные: откуда они берутся и что с ними делать
🟠 владеть инструментами анализа и визуализации
🟠 уметь рассказывать историю через данные
🟠 хотя бы в общих чертах понимать, как устроена data-инфраструктура в компании
Параллельно я решила подключить GPT и пошла двумя путями:
1️⃣ описала, что именно хочу изучать, и попросила собрать план
🔟 закинула ему программы разных курсов и попросила сделать из них roadmap
И внезапно первый вариант оказался ближе к тому, что мне нужно. Я убрала инструменты анализа (SQL, Python) и BI-план получился более сфокусированным именно на смысле профессии.
А инструменты визуализации я буду изучать отдельно.
Но, конечно, внутренний червячок сомнений никуда не делся:
🟠 а вдруг план не оптимальный?
🟠 а вдруг ребята из курсов знают лучше?
🟠 а вдруг я сейчас изобретаю велосипед?
Вот это, пожалуй, главный минус самостоятельного обучения:
ты всё время сомневаешься, туда ли идёшь.
Но я люблю эксперименты.
Буду набивать шишки, по ходу дела корректировать план и делиться с вами тем, что работает, а что нет.
💬 А вы когда-нибудь составляли себе программу обучения с нуля? Можете поделиться лайфхаками?
#аналитик_визуализирует
Кажется, только вчера я клялась себе больше не брать одновременно два больших курса.
И вот я снова танцую на тех же самых граблях. Красиво. Уверенно. С огоньком 💃
Да, курс в Simulative я ещё не закончила. Формально там остались визуализация и математика со статистикой. Но, как я уже писала, в этом году я решила осознанно идти в BI-аналитику.
Не просто учиться рисовать красивые графики и дашборды (хотя это тоже надо),
а понимать, как через визуализацию решаются задачи бизнеса.
А для этого, внезапно, нужно чуть больше, чем знать, где в Power BI кнопочки.
В общем, я села составлять себе план обучения.
И тут выяснилось, что фраза «всё можно выучить самостоятельно» немного лукавая.
Потому что собрать себе адекватную программу — это вообще-то отдельный навык.
На YouTube я нашла ровно один вменяемый roadmap по BI.
Хорошо, что образовательные платформы давно уже сделали свои программы и там можно что-то подсмотреть.
Если сильно упростить, BI-аналитика у всех выглядит примерно так:
Параллельно я решила подключить GPT и пошла двумя путями:
И внезапно первый вариант оказался ближе к тому, что мне нужно. Я убрала инструменты анализа (SQL, Python) и BI-план получился более сфокусированным именно на смысле профессии.
А инструменты визуализации я буду изучать отдельно.
Но, конечно, внутренний червячок сомнений никуда не делся:
Вот это, пожалуй, главный минус самостоятельного обучения:
ты всё время сомневаешься, туда ли идёшь.
Но я люблю эксперименты.
Буду набивать шишки, по ходу дела корректировать план и делиться с вами тем, что работает, а что нет.
💬 А вы когда-нибудь составляли себе программу обучения с нуля? Можете поделиться лайфхаками?
#аналитик_визуализирует
Please open Telegram to view this post
VIEW IN TELEGRAM
2❤28🔥16👍7
🍸 Любите ли вы бары так, как люблю их я?
Если вы сейчас представили барную стойку, танцы и коктейли — притормозите😅
Сегодня хочу познакомить вас с Машей — автором канала «Пирожки и бары | про BI».
Маша — тимлид BI-аналитиков в Avito с 5+ годами опыта в аналитике.
А значит, человек, который точно знает, как делать не только красивые, но и полезные бизнесу дашборды.
Вы могли заметить, что в этом году я активно смотрю в сторону BI.
И если учиться, то только у тех, кто:
🟠 работает с реальными заказчиками,
🟠 живёт в требованиях, правках и «а можно ещё вот тут добавить»,
🟠 и при этом умеет объяснять сложное простым языком.
У Маши как раз такой контент.
Если вы уже строите дашборды или только собираетесь, очень советую начать с этих постов:
🟠 5 вопросов для сбора требований к дашборду
🟠 Чек-лист хорошего дашборда
Есть и моя любимая тема — курсы и обучение. Например:
🟠 Большая подборка ресурсов для изучения SQL для разных уровней
Но BI — это не только серьёзные лица и метрики.
У Маши есть отдельная рубрика #bi_вредные_советы, где можно и посмеяться, и узнать себя:
🟠 Как выбесить аналитика: вредные советы для заказчиков
🟠 Как выбесить заказчика: вредные советы для аналитиков
Если вам откликается BI, с реальными кейсами, юмором и пользой —
очень рекомендую заглянуть в «Пирожки и бары | про BI»!
💬 А как дела у вас с этим?
Вы больше по барам или по bar chart'ам?
Если вы сейчас представили барную стойку, танцы и коктейли — притормозите
Сегодня хочу познакомить вас с Машей — автором канала «Пирожки и бары | про BI».
Маша — тимлид BI-аналитиков в Avito с 5+ годами опыта в аналитике.
А значит, человек, который точно знает, как делать не только красивые, но и полезные бизнесу дашборды.
Вы могли заметить, что в этом году я активно смотрю в сторону BI.
И если учиться, то только у тех, кто:
У Маши как раз такой контент.
Если вы уже строите дашборды или только собираетесь, очень советую начать с этих постов:
Есть и моя любимая тема — курсы и обучение. Например:
Но BI — это не только серьёзные лица и метрики.
У Маши есть отдельная рубрика #bi_вредные_советы, где можно и посмеяться, и узнать себя:
Если вам откликается BI, с реальными кейсами, юмором и пользой —
очень рекомендую заглянуть в «Пирожки и бары | про BI»!
💬 А как дела у вас с этим?
Вы больше по барам или по bar chart'ам?
Please open Telegram to view this post
VIEW IN TELEGRAM
2❤16🔥9👍6
🚀 Metabase как первая BI-система: проверяю на практике
В этом году я целенаправленно изучаю BI-аналитику.
А что такое BI-аналитика, если не работа с данными + их визуализация?
Этим постом я открываю серию про инструменты визуализации.
На каждый инструмент я закладываю примерно два месяца: изучить, применить и сделать выводы.
Чтобы не распыляться, все инструменты я буду разбирать через один сквозной проект:
e-commerce с поведенческими событиями пользователей.
Базовый датасет взят с Kaggle, но дальше мы с GPT будем обогащать его синтетическими данными под нужные бизнес-задачи. Хочу, чтобы проект был максимально приближен к реальности. Правда в этом вопросе полностью полагаюсь на GPT😅
Начинаем с Metabase.
Почему именно он?
Во-первых, в Simulative этот инструмент идёт третьим модулем, сразу после метрик и SQL. То есть уже после первой трети курса предполагается, что ты можешь работать аналитиком «на минималках».
Во-вторых, у Metabase низкий порог входа:
запросы можно писать на SQL, а можно собирать через визуальный конструктор. Фактически ты описываешь, что хочешь увидеть, и система это собирает. Это сильно снижает порог входа в BI-аналитику.
И, в-третьих, Metabase часто используют как первую BI-систему в компаниях, которые только встают на data-driven рельсы.
Про обучение.
GPT утверждает, что Metabase можно освоить за условные часы, даже если опыта с данными немного. Возможно, он слегка оптимист, но по сравнению с другими BI-инструментами Metabase действительно даёт быструю отдачу без долгого онбординга.
Плюс на YouTube полно туториалов: установка, настройка, первые дашборды.
С Metabase я планирую сделать два проекта:
🟠 Executive View — общее понимание, что происходит с бизнесом
🟠 Monitoring & Control — где процессы нестабильны и где находятся точки риска
Буду смотреть, насколько инструмент подходит для этих задач и где начинаются его ограничения.
Ну что, погнали?😊
💬 А вы использовали Metabase в работе или для обучения? Какие впечатления?
#аналитик_визуализирует
В этом году я целенаправленно изучаю BI-аналитику.
А что такое BI-аналитика, если не работа с данными + их визуализация?
Этим постом я открываю серию про инструменты визуализации.
На каждый инструмент я закладываю примерно два месяца: изучить, применить и сделать выводы.
Чтобы не распыляться, все инструменты я буду разбирать через один сквозной проект:
e-commerce с поведенческими событиями пользователей.
Базовый датасет взят с Kaggle, но дальше мы с GPT будем обогащать его синтетическими данными под нужные бизнес-задачи. Хочу, чтобы проект был максимально приближен к реальности. Правда в этом вопросе полностью полагаюсь на GPT
Начинаем с Metabase.
Почему именно он?
Во-первых, в Simulative этот инструмент идёт третьим модулем, сразу после метрик и SQL. То есть уже после первой трети курса предполагается, что ты можешь работать аналитиком «на минималках».
Во-вторых, у Metabase низкий порог входа:
запросы можно писать на SQL, а можно собирать через визуальный конструктор. Фактически ты описываешь, что хочешь увидеть, и система это собирает. Это сильно снижает порог входа в BI-аналитику.
И, в-третьих, Metabase часто используют как первую BI-систему в компаниях, которые только встают на data-driven рельсы.
Про обучение.
GPT утверждает, что Metabase можно освоить за условные часы, даже если опыта с данными немного. Возможно, он слегка оптимист, но по сравнению с другими BI-инструментами Metabase действительно даёт быструю отдачу без долгого онбординга.
Плюс на YouTube полно туториалов: установка, настройка, первые дашборды.
С Metabase я планирую сделать два проекта:
Буду смотреть, насколько инструмент подходит для этих задач и где начинаются его ограничения.
Ну что, погнали?
💬 А вы использовали Metabase в работе или для обучения? Какие впечатления?
#аналитик_визуализирует
Please open Telegram to view this post
VIEW IN TELEGRAM
1✍21🔥13👍10❤3
Мой конёк — горбунок. С характером и без тормозов!
Вообще-то сегодняшний пост должен был быть про инсайты после первого месяца изучения e-commerce.
Но есть нюанс: я до сих пор в лёгком шоке от того, что именно мы напланировали. Поэтому вместо инсайтов давайте сначала разберёмся с планом. А к выводам я вернусь во втором посте серии. Честно-честно 🤞
План по e-commerce я собирала вместе с ChatGPT (кажется, ему уже пора дать имя).
Сама я в домене ориентировалась очень примерно и решила не изобретать велосипед, а спросить у того, кто не устаёт и не паникует от объёма задач.
Вот что получилось.
Месяц 1. Скелет домена
KPI, воронка, базовая диагностика.
Цель — понять, как вообще работает e-commerce:
Месяц 2. Поведение и деньги
Когорты, retention, LTV, сегменты.
Фокус — научиться оценивать ценность пользователей, а не просто считать клики.
Месяц 3. Цены, промо и эксперименты
Здесь будем учиться оценивать эффект, а не просто красиво описывать прошлое.
Промо, A/B, гипотезы — всё по-взрослому.
Все три месяца я работаю с одним и тем же датасетом, который мы немного обогатим синтетическими данными.
Каждый месяц — отдельный проект, отражающий пройденный материал.
Датасет беру из библиотеки материалов Олимпиады DANO за прошлый год.
А ещё, так как значительную часть дня я провожу на прогулках с ребёнком, решила добавить формат «учёбы для ушей».
Нашла подкаст «Практика days» — интервью с предпринимателями и топ-менеджерами из e-commerce.
Почему он мне зашёл:
Не уверена, что это прям must-have для подготовки к собесам в конкретную компанию.
Но для формирования общего контекста — очень даже.
В общем, я продолжаю мучить себя бессонными ночами и наполеоновскими планами.
А вам пока задам вопрос:
💬 Когда вы готовитесь к собеседованию, вы смотрите только конкретную компанию или ещё и всю сферу целиком?
#аналитик_собирает_пазл
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤21🙈11🤗8👍3
Никогда такого не было — и вот опять!
Я снова побежала впереди паровоза.
Паровоз, разумеется, меня догнал. И аккуратно переехал 🚂
Помните мой первый факап с тестовым заданием? Там, где я торопилась и не проверила форматы данных.
После этого я пообещала себе:
всегда внимательно изучать данные перед анализом.
Я даже нашла отличный чек-лист и теперь честно по нему прохожусь: полнота, адекватность, форматы, NULL’ы — всё чётко.
Но, как выяснилось, проверить данные и познакомиться с данными — это вообще-то два разных действия.
Сейчас мы поговорим об очередном факапе: первом проекте по e-com'у.
Для проекта я взяла данные из заданий Олимпиады DANO 2025.
Выбрала датасет SM Lab: воронка онлайн-продаж (Спортмастер).
Файл здоровый — около 7 миллионов строк. В Excel такое, понятно, не покрутишь, поэтому сразу пошла в DBeaver.
Пишу своему верному другу GPT:
— Давай проверим данные по чек-листу.
Проверили. Всё красиво. Можно работать.
И вот тут я делаю ключевую ошибку: начинаю проект «по-взрослому».
Я говорю GPT:
— Делаем проект. С дашбордом. Executive-level. Чтобы ух!
GPT мгновенно входит в роль ментора:
— Отлично. Давай я тебе сейчас без суеты распишу весь план...
В план проекта входила визуализация, поэтому Metabase мы поставили через Docker. Кстати, это реально несложно, особенно если есть нормальная видео-инструкция.
И дальше мы начали считать метрики через questions, то есть через визуальный конструктор.
Я не сопротивлялась.
Во-первых, Metabase у меня всё равно в плане изучения.
Во-вторых, конструктор действительно снижает порог входа.
По ощущениям, для простых запросов конструктор — ок, а вот для вычисляемых столбцов и трендов — танцы с бубном!
Я думаю, что через SQL я бы сделала это быстрее.
В результате я сделала 4 карточки.
Четыре. Карточки. Карл.
Для executive-дашборда.
Которые показывают состояние воронки…
и при этом даже не в виде воронки!
И только в самом конце я вдруг задаю себе вопросы:
🟠 А что вообще происходит с данными?
🟠 Какая общая картина?
🟠 А на что ещё стоило посмотреть?
Спойлер: задавать эти вопросы надо было в самом начале, а не на четвёртый день.
Что получилось по факту
Проект:
🟠 не демонстрационный
🟠 дашборд — откровенно слабый
🟠 времени убито — 4 дня
Зато README от GPT — просто конфетка.
Там даже в разделе «Next steps» аккуратно написано всё то, что мы будем делать в следующий раз.
Я злюсь.
Потому что снова полезла делать «красиво», не разобравшись в сути.
Я даже толком не поняла, что такое executive dashboard, но полезла его строить. Самооценка уровня «Илон Маск, подвинься».
Но есть и хорошая новость.
Я снова на собственных шишках убедилась, как делать не надо.
А это, к сожалению, самый рабочий способ обучения.
Если хотите посмотреть на этот проект и поугарать — добро пожаловать на GitHub 👉 [cсылка на README].
Если есть идеи, замечания или рекомендации на будущее — буду рада.
Только давайте экологично! Что всё плохо и надо дальше учиться я и сама догадываюсь😎
💬 А у вас бывали моменты, когда вы понимали, что убили кучу времени на ерунду?
Как вы выходили из состояния «Халк крушить»?
#портфолио_аналитика
Я снова побежала впереди паровоза.
Паровоз, разумеется, меня догнал. И аккуратно переехал 🚂
Помните мой первый факап с тестовым заданием? Там, где я торопилась и не проверила форматы данных.
После этого я пообещала себе:
всегда внимательно изучать данные перед анализом.
Я даже нашла отличный чек-лист и теперь честно по нему прохожусь: полнота, адекватность, форматы, NULL’ы — всё чётко.
Но, как выяснилось, проверить данные и познакомиться с данными — это вообще-то два разных действия.
Сейчас мы поговорим об очередном факапе: первом проекте по e-com'у.
Для проекта я взяла данные из заданий Олимпиады DANO 2025.
Выбрала датасет SM Lab: воронка онлайн-продаж (Спортмастер).
Файл здоровый — около 7 миллионов строк. В Excel такое, понятно, не покрутишь, поэтому сразу пошла в DBeaver.
Пишу своему верному другу GPT:
— Давай проверим данные по чек-листу.
Проверили. Всё красиво. Можно работать.
И вот тут я делаю ключевую ошибку: начинаю проект «по-взрослому».
Я говорю GPT:
— Делаем проект. С дашбордом. Executive-level. Чтобы ух!
GPT мгновенно входит в роль ментора:
— Отлично. Давай я тебе сейчас без суеты распишу весь план...
В план проекта входила визуализация, поэтому Metabase мы поставили через Docker. Кстати, это реально несложно, особенно если есть нормальная видео-инструкция.
И дальше мы начали считать метрики через questions, то есть через визуальный конструктор.
Я не сопротивлялась.
Во-первых, Metabase у меня всё равно в плане изучения.
Во-вторых, конструктор действительно снижает порог входа.
По ощущениям, для простых запросов конструктор — ок, а вот для вычисляемых столбцов и трендов — танцы с бубном!
Я думаю, что через SQL я бы сделала это быстрее.
В результате я сделала 4 карточки.
Четыре. Карточки. Карл.
Для executive-дашборда.
Которые показывают состояние воронки…
и при этом даже не в виде воронки!
И только в самом конце я вдруг задаю себе вопросы:
Спойлер: задавать эти вопросы надо было в самом начале, а не на четвёртый день.
Что получилось по факту
Проект:
Зато README от GPT — просто конфетка.
Там даже в разделе «Next steps» аккуратно написано всё то, что мы будем делать в следующий раз.
Я злюсь.
Потому что снова полезла делать «красиво», не разобравшись в сути.
Я даже толком не поняла, что такое executive dashboard, но полезла его строить. Самооценка уровня «Илон Маск, подвинься».
Но есть и хорошая новость.
Я снова на собственных шишках убедилась, как делать не надо.
А это, к сожалению, самый рабочий способ обучения.
Если хотите посмотреть на этот проект и поугарать — добро пожаловать на GitHub 👉 [cсылка на README].
Если есть идеи, замечания или рекомендации на будущее — буду рада.
Только давайте экологично! Что всё плохо и надо дальше учиться я и сама догадываюсь
💬 А у вас бывали моменты, когда вы понимали, что убили кучу времени на ерунду?
Как вы выходили из состояния «Халк крушить»?
#портфолио_аналитика
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤21👍12🙈4🔥3
Metabase: визуализация данных (обзор курса)
Stepik | визуализация | платный
👉 [ссылка на курс]
Этот курс я купила ещё в прошлом году.
Причина банальная: мне казалось, что сама я с визуализацией в Metabase точно не разберусь.
Ну что поделать, если вера в себя иногда уходит в отпуск без предупреждения🥲
Как я уже писала раньше, Metabase часто используют как первую BI-систему в компаниях.
Порог входа низкий: SQL знать не обязательно, можно работать через конструктор.
Я, кстати, проверяла это на практике в своём первом e-commerce проекте.
Для кого этот курс
Курс рассчитан на абсолютных новичков.
SQL знать не нужно вообще.
Сначала:
работа с запросами в визуальном конструкторе
Потом:
SQL появляется, но код просто дают готовым (писать самому необязательно)
Все лекции в формате видео с демонстрацией интерфейса.
К каждому блоку есть короткие конспекты:
— зачем нужна визуализация
— когда её использовать
— примеры
Если у вас уже есть опыт в BI
Тут возможны два сценария:
— либо вы быстро освоите Metabase
— либо будете плеваться от его простоты и ограничений
Третьего не дано😅
Что внутри курса
Разбирают:
— установку Metabase (локально, на сервере, в VM)
— конструктор запросов
— SQL-режим
— коллекции
— дашборды
— модели и метрики
— все типы визуализаций
Есть бонусный блок с бизнес-кейсами на SQL.
Но визуализировать их в Metabase нельзя, поэтому для меня это выглядит как приятный, но немного лишний бонус.
Чего не хватило
Мне не хватило подробного разбора пользовательских выражений в режиме конструктора.
Автор честно отправляет в документацию, аргументируя это тем, что иначе курс раздуется до бесконечности. В целом — fair enough.
Итог
Курс очень практичный.
После него вы точно будете понимать:
— как устроен Metabase
— куда нажимать
— как собрать дашборд
Но если вам не нужно, чтобы вас вели за ручку, то:
— на YouTube полно туториалов
— при установке Metabase есть тестовая база, на которой можно спокойно тренироваться
Моя субъективная оценка (критерии тут)
Полезность: 3/5
Практика: 3/5
Подача: 4/5
Если вы только начинаете путь в BI — курс может быть хорошей точкой входа.
Если уже работали с визуализаций, даже в excel, то разберётесь и без него😉
💬 Как думаете, курсы по инструментам — must have или лишняя трата денег?
#курсес_ресурсес
Stepik | визуализация | платный
👉 [ссылка на курс]
Этот курс я купила ещё в прошлом году.
Причина банальная: мне казалось, что сама я с визуализацией в Metabase точно не разберусь.
Ну что поделать, если вера в себя иногда уходит в отпуск без предупреждения
Как я уже писала раньше, Metabase часто используют как первую BI-систему в компаниях.
Порог входа низкий: SQL знать не обязательно, можно работать через конструктор.
Я, кстати, проверяла это на практике в своём первом e-commerce проекте.
Для кого этот курс
Курс рассчитан на абсолютных новичков.
SQL знать не нужно вообще.
Сначала:
работа с запросами в визуальном конструкторе
Потом:
SQL появляется, но код просто дают готовым (писать самому необязательно)
Все лекции в формате видео с демонстрацией интерфейса.
К каждому блоку есть короткие конспекты:
— зачем нужна визуализация
— когда её использовать
— примеры
Если у вас уже есть опыт в BI
Тут возможны два сценария:
— либо вы быстро освоите Metabase
— либо будете плеваться от его простоты и ограничений
Третьего не дано
Что внутри курса
Разбирают:
— установку Metabase (локально, на сервере, в VM)
— конструктор запросов
— SQL-режим
— коллекции
— дашборды
— модели и метрики
— все типы визуализаций
Есть бонусный блок с бизнес-кейсами на SQL.
Но визуализировать их в Metabase нельзя, поэтому для меня это выглядит как приятный, но немного лишний бонус.
Чего не хватило
Мне не хватило подробного разбора пользовательских выражений в режиме конструктора.
Автор честно отправляет в документацию, аргументируя это тем, что иначе курс раздуется до бесконечности. В целом — fair enough.
Итог
Курс очень практичный.
После него вы точно будете понимать:
— как устроен Metabase
— куда нажимать
— как собрать дашборд
Но если вам не нужно, чтобы вас вели за ручку, то:
— на YouTube полно туториалов
— при установке Metabase есть тестовая база, на которой можно спокойно тренироваться
Моя субъективная оценка (критерии тут)
Полезность: 3/5
Практика: 3/5
Подача: 4/5
Если вы только начинаете путь в BI — курс может быть хорошей точкой входа.
Если уже работали с визуализаций, даже в excel, то разберётесь и без него
💬 Как думаете, курсы по инструментам — must have или лишняя трата денег?
#курсес_ресурсес
Please open Telegram to view this post
VIEW IN TELEGRAM
2✍7👍6🤪5⚡2🔥2❤1
Где мои данные, чувак?
Когда я только начала думать о проектах для портфолио, я упёрлась в очень простой вопрос:
а где вообще брать данные?
На курсах, конечно, датасеты дают. Но есть нюанс.
Если один и тот же датасет дают сотне студентов, то и проекты в портфолио у них потом выглядят… почти одинаково🤭
В какой-то момент я захотела разобраться:
— где брать данные
— как понять, подходят ли они для портфолио
— и как не сделать очередной «проект как у всех»
Так что этим постом я открываю новую рубрику — буду разбирать источники данных.
Начнём с самого очевидного и самого спорного.
Kaggle
Kaggle — это платформа с открытыми датасетами и соревнованиями по анализу данных и ML.
Данные туда загружают компании, исследователи и сами пользователи.
Там можно найти вообще всё:
— продажи, заказы, клиенты
— маркетинг и рекламу
— финансы, медицину, образование, ритейл
Плюс, у Kaggle есть свои курсы — от основ программирования до ML и computer vision.
Звучит идеально. Но, как всегда, есть «но».
В чём проблема с Kaggle
Большинство датасетов там:
— слишком чистые
— с минимумом пропусков и аномалий
— без реального бизнес-контекста
Оценка реалистичности данных в разных источниках колеблется от низкой до средне-высокой.
При этом Kaggle:
— отлично подходит для первых шагов
— хорош для знакомства с инструментами
— норм для самого первого проекта
Но если говорить про портфолио, тут и начинаются претензии:
— датасеты не уникальны
— проекты получаются «как у всех»
— легко скатиться в копипаст чужих решений
Как выжать из Kaggle максимум
Если уж брать данные оттуда, то стоит немного подшаманить и:
— придумать бизнес-контекст
— сформулировать вопросы от «заказчика»
— делать выводы и рекомендации, а не просто графики и код
Потому что без этого проект выглядит как учебное упражнение (learning project), а не как работа аналитика (showing project).
Ирония момента
Многие аналитики — от Simulative до западных YouTube-менторов — в один голос говорят:
«Kaggle — плохо, не используйте».
Но при этом:
— альтернатив почти не предлагают
— или предлагают… свои курсы😅
Так что Kaggle — это не зло.
Это просто инструмент, с которым нужно понимать ограничения.
💬 А вы как относитесь к Kaggle?
Пользуетесь им или «титаникоподобные» датасеты уже вызывают нервный тик?
#аналитик_ищет_данные
Когда я только начала думать о проектах для портфолио, я упёрлась в очень простой вопрос:
а где вообще брать данные?
На курсах, конечно, датасеты дают. Но есть нюанс.
Если один и тот же датасет дают сотне студентов, то и проекты в портфолио у них потом выглядят… почти одинаково
В какой-то момент я захотела разобраться:
— где брать данные
— как понять, подходят ли они для портфолио
— и как не сделать очередной «проект как у всех»
Так что этим постом я открываю новую рубрику — буду разбирать источники данных.
Начнём с самого очевидного и самого спорного.
Kaggle
Kaggle — это платформа с открытыми датасетами и соревнованиями по анализу данных и ML.
Данные туда загружают компании, исследователи и сами пользователи.
Там можно найти вообще всё:
— продажи, заказы, клиенты
— маркетинг и рекламу
— финансы, медицину, образование, ритейл
Плюс, у Kaggle есть свои курсы — от основ программирования до ML и computer vision.
Звучит идеально. Но, как всегда, есть «но».
В чём проблема с Kaggle
Большинство датасетов там:
— слишком чистые
— с минимумом пропусков и аномалий
— без реального бизнес-контекста
Оценка реалистичности данных в разных источниках колеблется от низкой до средне-высокой.
При этом Kaggle:
— отлично подходит для первых шагов
— хорош для знакомства с инструментами
— норм для самого первого проекта
Но если говорить про портфолио, тут и начинаются претензии:
— датасеты не уникальны
— проекты получаются «как у всех»
— легко скатиться в копипаст чужих решений
Как выжать из Kaggle максимум
Если уж брать данные оттуда, то стоит немного подшаманить и:
— придумать бизнес-контекст
— сформулировать вопросы от «заказчика»
— делать выводы и рекомендации, а не просто графики и код
Потому что без этого проект выглядит как учебное упражнение (learning project), а не как работа аналитика (showing project).
Ирония момента
Многие аналитики — от Simulative до западных YouTube-менторов — в один голос говорят:
«Kaggle — плохо, не используйте».
Но при этом:
— альтернатив почти не предлагают
— или предлагают… свои курсы
Так что Kaggle — это не зло.
Это просто инструмент, с которым нужно понимать ограничения.
💬 А вы как относитесь к Kaggle?
Пользуетесь им или «титаникоподобные» датасеты уже вызывают нервный тик?
#аналитик_ищет_данные
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥19❤10👍6👏5
Пятилетка за три года в аналитике
О том как сделать так же — читай на канале Маши, senior-аналитика и лида из Альфа, декомпозиция и отвага.
Маша много пишет про найм, собесы и резюме, так как сама постоянно ищет аналитиков к себе в команду. Вот несколько постов для знакомства👇
— Что ждет IT-школы в самом ближайшем будущем?
— Юридический разбор ученического договора
— Почему оффер может быть выше, чем сумма, указанная в резюме
— Как вести себя, если к тебе на собес пришла жена знакомого разраба с накрученными 5 годами опыта?
Бодро, весело, с огоньком🔥
Подписывайтесь на канал
💻 декомпозиция и отвага
Впереди много интересного!
💬 А вы делали что-то по принципу "пятилетка за три года"? Например, планировали выучить язык за 5 лет, а приехали в страну и уже через неделю шпрехали лучше местных?
О том как сделать так же — читай на канале Маши, senior-аналитика и лида из Альфа, декомпозиция и отвага.
Маша много пишет про найм, собесы и резюме, так как сама постоянно ищет аналитиков к себе в команду. Вот несколько постов для знакомства
— Что ждет IT-школы в самом ближайшем будущем?
— Юридический разбор ученического договора
— Почему оффер может быть выше, чем сумма, указанная в резюме
— Как вести себя, если к тебе на собес пришла жена знакомого разраба с накрученными 5 годами опыта?
Бодро, весело, с огоньком
Подписывайтесь на канал
Впереди много интересного!
💬 А вы делали что-то по принципу "пятилетка за три года"? Например, планировали выучить язык за 5 лет, а приехали в страну и уже через неделю шпрехали лучше местных?
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥13❤10✍3
🤖 Как не превратить дашборд в «Евротур» для мозга
Обычно такие посты начинаются с фразы
«я никогда ничего не выигрываю, но тут внезапно…»
Я тоже не собираюсь быть оригинальной.
И да, мне правда повезло — я весело провела время на канале «Руковожоп», где нужно было угадывать первые профессии людей по эмодзи, и выиграла книгу.
Причём книгу, которая максимально совпала с моим фокусом в аналитике в этом году.
Речь про «Данные: визуализируй, расскажи, используй».
До этой книги я жила с наивной установкой:
аналитик просто делает графики.
Оказалось — нет. Аналитик рассказывает истории с помощью графиков.
И прежде чем вообще думать о визуализации, нужно ответить себе на три вопроса:
• кто будет это смотреть и на каком уровне его понимание вопроса
• что этот человек должен понять или сделать после
• как выстроить информацию так, чтобы история попала в яблочко
И вот с вопросом «как» эта книга справляется на отлично.
Мы любим графики за простоту: один раз взглянул и понял смысл.
Но это работает только если график сделан с учётом когнитивной нагрузки.
Если нет — в голове у зрителя происходит примерно следующее: Error. Error.
(помните парижского мима из «Евротура»?).
В книге разбирается почти каждая возможная визуализация данных:
от текста и таблиц
до диаграмм / гистограмм и slopegraph’ов
Показано:
— какие визуальные приёмы помогают фокусировать внимание
— как убирать информационный мусор
— почему «красиво» ≠ «понятно»
— и как сделать так, чтобы визуализация не требовала устного перевода
Отдельный кайф — разборы примеров в формате
"что такое хорошо, и что такое плохо".
Если вы делали визуализации и никогда не задумывались,
насколько они дружелюбны к мозгу того, кто на них смотрит, то эту книгу стоит прочитать.
💬 А как дела у вас с «евротуром»? Думаете об удобстве того, кто будет воспринимать ваши аналитические выводы?
#книги_и_мысли
Обычно такие посты начинаются с фразы
«я никогда ничего не выигрываю, но тут внезапно…»
Я тоже не собираюсь быть оригинальной.
И да, мне правда повезло — я весело провела время на канале «Руковожоп», где нужно было угадывать первые профессии людей по эмодзи, и выиграла книгу.
Причём книгу, которая максимально совпала с моим фокусом в аналитике в этом году.
Речь про «Данные: визуализируй, расскажи, используй».
До этой книги я жила с наивной установкой:
аналитик просто делает графики.
Оказалось — нет. Аналитик рассказывает истории с помощью графиков.
И прежде чем вообще думать о визуализации, нужно ответить себе на три вопроса:
• кто будет это смотреть и на каком уровне его понимание вопроса
• что этот человек должен понять или сделать после
• как выстроить информацию так, чтобы история попала в яблочко
И вот с вопросом «как» эта книга справляется на отлично.
Мы любим графики за простоту: один раз взглянул и понял смысл.
Но это работает только если график сделан с учётом когнитивной нагрузки.
Если нет — в голове у зрителя происходит примерно следующее: Error. Error.
(помните парижского мима из «Евротура»?).
В книге разбирается почти каждая возможная визуализация данных:
от текста и таблиц
до диаграмм / гистограмм и slopegraph’ов
Показано:
— какие визуальные приёмы помогают фокусировать внимание
— как убирать информационный мусор
— почему «красиво» ≠ «понятно»
— и как сделать так, чтобы визуализация не требовала устного перевода
Отдельный кайф — разборы примеров в формате
"что такое хорошо, и что такое плохо".
Если вы делали визуализации и никогда не задумывались,
насколько они дружелюбны к мозгу того, кто на них смотрит, то эту книгу стоит прочитать.
💬 А как дела у вас с «евротуром»? Думаете об удобстве того, кто будет воспринимать ваши аналитические выводы?
#книги_и_мысли
🔥13❤10✍5😁5