LinkedIn массово блокирует аккаунты. Пользователи не могут восстановить их неделями

Это довольно грустная история, особенно если LinkedIn для вас - один из основных источников поиска работы и клиентов.

Мой аккаунт в LinkedIn (хорошо, что не основной) был "ограничен" вчера и я не могу в него войти, при этом к аккаунту привязана карта и есть действующая подписка на LinkedIn Learning.

Судя по сообщениям на reddit, массовая блокировка началась около месяца назад. При этом большинство пользователей спустя недели так и не вернули свои аккаунты. А те, кому это удалось, получили абсолютно измененный аккаунт - с другими данными и даже на других языках.

LinkedIn никак не комментирует проблему и не дает сроков решения проблемы. На reddit пишут, что это похоже на хакерскую атаку.

Пост с тем посылом, что если используете LinkedIn - проверьте, есть ли у вас двухфакторная аутентификация и смените пароль на более сложный. Это поможет защитить аккаунт.

Где найти ментора/наставника?

Ментор - это не панацея, но иногда он здорово может помочь решить проблему/задачу по работе, ускорить прогресс в профессии. Особенно в начале пути.

Самый простой путь - специальные сервисы для поиска ментора в IT - если забьете в Google, то их выдаст как минимум несколько штук. Во всех есть специализированные менторы по аналитике данных, SQL, Python и другим навыкам в IT. Вот те, которые я использовала:

1. Getmentor. 500+ специалистов из Авито, Яндекса, Google и других компаний. Плюс в том, что есть как платные, так и бесплатные менторы. Выбираете ментора и связываетесь с ним сами по доступным контактам.

2. Solvery. 1100+ специалистов. Все менторы платные, но есть 15 бесплатных минут, чтобы познакомиться, обсудить план занятий и договориться об удобном графике. Есть помощь в подборе ментора - третий человек, который помогает договориться.

3. У Анны Булдаковой есть бот @Nfng_bot с менторами, который выдает менторов с контактами по нужному вам навыку. Но актуальность менторов на текущий момент у меня по вопросом, тк Анна занимается аналогичным сайтом meander.so (сам сайт на английском, но менторы на русском).

Другое. На первой работе была программа наставничества. Поэтому в самом начале у меня были наставники, с которыми я могла созвониться и задать вопросы в рабочее время. Но такой вариант не доступен тем, кто еще не работает или у кого в компании нет подобной программы.

Вопрос: Можно ли в моем возрасте 40 лет сменить профессию/возьмут ли меня на работу?

Как правило, компании в сфере IT более свободные от различных стереотипов/предрассудков, однако нельзя сказать, что эйджизм вообще не существует. И кстати, он есть и к молодым людям - ветренные, неопределившиеся, будут "скакать" с места на место.

Но подобный вопрос контрпродуктивен (на мой взгляд) - то есть не приведет к полезному результату. И ставить его во главу угла при выборе профессии в корне неверно. Если большинство работодателей не готовы брать людей определенного возраста, тогда не нужно что-либо делать, так получается?

Но все же что делать, чтобы избежать дискриминации?

Лучше всего всегда исключать возраст из резюме - такое мнение зарубежных специалистов. Включение может поставить вас в невыгодное положение, поскольку оставляет рекрутерам и менеджерам по найму возможность дискриминировать вас по возрасту. Кстати, тот же hh теперь убрал обязательное указание возраста, его можно указывать по желанию.

Все правильно, ведь в основном по возрасту могут отсеять именно на этапе просмотра вашего резюме. На собеседовании вы показываете себя как человека и свои знания и если с этими пунктами все окей - возраст не будет помеха.

При этом в резюме не нужно указывать все ваши предыдущие работы и сертификаты, начиная со школьной скамьи. Укажите лишь последние и релевантные работе, которую ищете.

Что думаете вы? Если согласны, ставьте 🔥

У меня есть ютьюб-канал, на котором я делюсь рабочими и личными моментами

Для начинающих аналитиков подойдут вот эти видео:
- Самый быстрый способ стать аналитиком данных бесплатно и найти работу (мой опыт)
- Обзор бесплатных курсов от Google по аналитике данных. Насколько хороши?

Недавно опубликовала видео о жизни:
- Мой день из жизни аналитика данных на удаленке на острове Пхукет
- Сколько я трачу в месяц на Пхукете: месяц из жизни аналитика данных

Больше видео смотрите на канале Аналитика и growth mind-set.

Если вам нравятся мои видео, буду рада подписке и лайку❤️.

Excel VS Python

Кажется, что сейчас это странный вопрос, однако он имеет место быть, так как некоторые компании до сих пор используют Excel🤦🏼‍♀️.

Excel я не использую. И если мне говорили, что в работе нужно будет использовать excel - такие вакансии не рассматривала по 2 причинам:

- мне не интересно работать с excel, я хочу работать с Python;
- если компания использует только excel - это ее характеризует не с лучшей стороны

Excel можно использовать для простых задач, в то время как Python - более профессиональный инструмент.

Поинты про Python:

- Лучше подходит для более сложного и расширенного анализа данных (с помощью библиотек)
- Python можно использовать для работы с большими наборами данных
- Можно автоматизировать большую часть вашей работы

Единственный плюс в Excel, на мой взгляд, - разобраться в нем легче и быстрее, тем более что многие из нас его итак уже знают.

Облегчают анализ данных: 5 сервисов на базе ИИ

Я переодически мониторю новые ИИ инструменты. В последнее время появилось много для анализа данных (ниже только некоторые). По словам разработчиков, они подходят как для новичков, так и для профессионалов, а также в качестве "аналитики самообслуживания".

Сервисы либо полностью бесплатны, либо основные функции бесплатны, либо есть бесплатный период без привязки карт.

1. AskEdith

Работает по формату "Чат с данными": вы подключаете источник данных и задаете вопросы на естественном языке. AskEdith дает ответы в различных форматах, в том числе в виде визуализации.

Анализирует большие объемы данных. Можно подключиться ко всем БД и CRM (Google Sheets, Airtable, PostgreSQL, MySQL, SQL Server, Snowflake, BigQuery и Redshift и тд).

2. Tomat.AI

Позволяет анализировать большие файлы CSV без необходимости кодирования или написания формул. Фильтрация, сортировка, объединение нескольких файлов, визуализация - в несколько кликов.

3. Coginiti

Также работает по формату "чат с данными", однако заточен только на SQL. Генерирует SQL запросы, объясняет их и по необходимости повышает производительность. Есть доступ ко всем хранилищам данных (Redshift, Microsoft, Snowflake, IBM, bigquery, Yellowbrick и Databricks и. тд). Имеет репозиторий для SQL-запросов.

4. Formula God

ИИ, который встраивается в Google Таблицы и помогает манипулировать данными без знаний формул. Запросы можно писать на естественном языке.

5. Simple ML for Sheets

С помощью расширения каждый может использовать машинное обучение в Google Sheets, не зная программирования и ML. Но и экспертам также подойдет, если они хотят быстро выполнить задачу на небольшом объеме данных. Разработан командой TensorFlow Decision Forests.

—-

Я не изучала их детально, просто потыкала. Возможно в ближайшее время протестирую и расскажу результат. При первом взгляде выглядят неплохо, но дьявол обычно кроется в деталях.

Самые популярные посты в этом телеграм-канале:

Публикую и закрепляю посты, которые получили больше всего лайков и репостов.

Обучение:

💡Более 100 бесплатных курсов и материалов по аналитике
💡2 бесплатных курса от Google по аналитике данных для начинающих и продвинутых
💡Бесплатный курс по аналитике данных с сертификатом
💡Как быстро начать программировать на Python аналитику данных?
💡10 бесплатных материалов по статистике, чтобы разобраться
💡Бесплатные курсы по А/Б тестированию + 2 практических статьи
💡Почему аналитику данных нужно разобраться, что такое Github?

Практика:

💻 5 бесплатных сервисов для практики SQL и Python
💻 Где искать стажировки аналитиком данных в России?
💻 5 подробных примеров проектов для начинающих аналитиков данных
💻 Как практиковать навыки а/б тестирования, если вы не проводите а/б тесты
💻 Примеры реальных проектов для усиления портфолио

Собеседование:

💡Готовимся к собеседованию и улучшаем навыки со Stratascratch и Hakerrank
💡Как на собеседованиях вычисляют аналитиков-сеньоров и как вы близко к тому, чтобы перепрыгнуть на следующий грейд
💡Тестовое задание от азиатской компании Food Panda

Другое:

💻 Где можно проверить свои знания и получить сертификаты
💻 Где найти ментора/наставника?
💻 ChatGPT для аналитики данных: 6 примеров использования
💻 6 блогов по аналитике от компаний-лидеров
💻 Как учиться бесплатно на Coursera без привязки карты и пробных периодов?
💻 Облегчают анализ данных: 5 сервисов на базе ИИ

🚀Привет, друзья! Мы здесь, чтобы делиться знаниями и помогать друг другу расти как аналитикам. 📊

Многие из нас сталкиваются с трудностями в обучении и поиске полезных материалов. Но в то же время у каждого есть ресурсы, которые он может рекомендовать.

Поэтому предлагаю совместно собрать подборку полезных материалов💡

Что вам помолго/помогает "войти в аналитику"?
Что помогает в дальнейшем росте как аналитику?

Добавляйте свои рекомендации в комментариях👇🏻

Не знаю, с чего начать изучение аналитики

Такой вопрос или просьба порекомендовать "идеальный ресурс" - часто можно увидеть в комментариях.

Речь ниже пойдет преимущественно про бесплатные материалы, но по большей части сказанное можно применить и к платным.

Часто начинающие не могут остановиться на конкретном ресурсе, ведь их так много (Что лучше - платные или бесплатные? Книги или курсы? С какого навыка начать изучение?). Наступает ступор и многие ждут, что кто-то извне скажет “Вот этот курс, 100% - лучший курс из всех, который покрывает все темы и после него 100% тебя возьмут на работу!"

Расстрою или обрадую, но такого курса, книги, материала, который бы на 100 процентов подошел именно вам, - нет.

а) У всех разные стартовые показатели (у кого-то математическое образование, у кого-то гуманитарное, кто-то хочет перейти из схожей профессии и имеет часть навыков, кто-то с абсолютного 0).

б) Все учатся по-разному: кто-то хочет, чтобы ему все объяснили и провели за руку (в бесплатных курсах этого нет), кто-то любит и может обучаться самостоятельно. Кому-то нравится смотреть и слушать, кому-то читать книги. А чаще всего решающее значение играет практика.

в) Нельзя пройти один курс - даже самый полноценный и стать специалистом. В процессе возникает множество вопросов, которые требуют дополнительных материалов и практики.

Полагаться только на мнение других людей или изучать первый попавшийся материал кажется мне неправильным. Поэтому любое обучение я начинаю с мини-исследования (писала тут, что именно делаю). Стала делать так после прочтения книги "Суперобучения" Скотта Янга. Это помогает принять обоснованное решение.

После мини исследования я стартую, даже если есть сомнения, потому что:

а) Иногда ответы и решения приходят уже процессе обучения. Например, нравится эта сфера или нет - не начав, это понять невозможно.

б) Сомнения и ошибки - неотъемлемая часть обучения. Совсем не нравится - можно прекратить обучение. Это нормально.

в) Лучше потратить время на обучение, чем на сомнения. Время на любое обучение для меня еще не прошло даром, даже если на прямую я не применяла эти знания, косвенно они участвуют во всех моих действиях и обогащают меня.

А вот история:

Мой знакомый год назад сомневался, стоит ли учить Python. Прошел год, а он все еще сомневается. Хотя за такой срок (год) мог бы уже выучить язык программирования и значительно продвинуться, но сомнения оставили его в той же точке.

ИИ стримеры в Китае вместо людей

Или куда "катится" мир.

Вчера прочитала свежую новость в MIT Technology Review.

Суть в том, что в Китае очень популярны продажи товаров на трансляциях. На них совершается более 25% всех покупок. Но обучение "живых" ведущих, их удержание - это значительные затраты. Поэтому китайцы решили автоматизировать.

Только один китайский стартап Silicon Intelligence создал целых 400,000 виртуальных стримеров. Стоимость от 1000 долларов и выше, в зависимости от функционала.

ИИ стримеры выглядят как настоящие. Более продвинутая версия даже может отвечать на комментарии, поэтому создается впечатление, что стример активно общается с аудиторией. Но в отличии от людей могут работать 24/7.

Что сказать - очень предсказуемо.

Взглянув на ИИ стримера выше, вы сможете угадать - это нейросеть или человек?

Можно ли аналитику данных преобразовать в бизнес? Какие могут быть бизнес идеи, связанные с аналитикой данных?

Вот такие интересные вопросы пришли от подписчика (скриншот выше☝️).

Я решила поделиться, потому что уверена, что многие из вас тоже задумывались над совмещением бизнеса и аналитики.

Как бы вы ответили на эти вопросы? Делитесь своими мыслями и предложениями в комментариях!

Аналитик данных - фрилансер и предприниматель

Основные направления, куда можно расти аналитику данных я изобразила на схеме выше👆🏻

Могу поделиться мыслями про фриланс и предпринимательство, тк. фриланс пробовала ранее, а небольшие предпринимательские проекты реализую регулярно.

Фриланс - предоставление услуг по аналитике

Считаю, что у меня достаточно сильные маркетинговые скиллы, поэтому клиенты стали появляется уже в первый месяц. Секрета нет - убедительное портфолио + размещение на около 30 площадок (РФ + в основном зарубежные).

Но проанализировав, поняла, что фриланс - это не то, чем я хочу заниматься:

Фриланс это: Знания в аналитике + Знание или желание разобраться в продвижении своих услуг + Умение и желание коммуницировать с клиентом. Последнее - не люблю. Клиенты попадаются разные и часто их запросы мягко говоря странные (так как понимание аналитики практически отсутствует). Мне больше по душе идеи, где не нужно плотно общаться с клиентом.

Кроме того основные клиенты - это малые бизнесы, которые не могут и не хотят платить за работу хорошо и чаще всего хотят постоплату.

Предпринимательство

На мой взгляд, аналитические навыки пригодятся при открытии любого дела. Даже открывая кофейню, можно применить в ней знания аналитики и построить "твердый" бизнес, опирающийся на данные, а не на интуицию. Что будет преимуществом, так как малый бизнес редко использует аналитику (максимум подключит Яндекс Метрику, ито не будет использовать ее в полном объеме). Отсутствие аналитики часто приводит к хаосу, потере денег и закрытию бизнеса.

Если хочется сделать что-то, связанное именно с аналитикой, то есть минимум 3 варианта:

1) Разработка аналитических продуктов. Это могут быть платформы для визуализации как Power BI, для сквозной аналитики как Calltouch, для мобильной аналитики как Appsflyer, решения для аналитики социальных сетей и т.д.. Не обязательно делать сразу масштабное решение для всех отраслей и сфер - можно сконцентрироваться на решении проблемы в конкретной отрасли.

2) Разработка продуктов, где аналитика важная часть. Например, трекинговые приложения для сна, питания, физ активности. Или CRM система.

3) Тот же консалтинг и аутсорсинг аналитики, что я описывала во фрилансе, только в отличии от фриланса вы нанимаете сотрудников.

Это только несколько примеров. Я практически ежедневно записываю для себя новую идею, они появляются обычно в процессе изучения нового.

Был ли полезен пост? Если да - ставьте лайк. А то переживаю, что эта тема мало кому интересна:)

Забавная реклама из далекого 1990 года, которая показывает возможности Microsoft Excel (уже тогда существовали формулы и автозаполнение).

Сотрудник фирмы забывает про отчет, который он должен был подготовить к важной сделке и пока едет в лифте буквально за 1 минуту с помощью Excel успевает его сделать.

Чтобы я не думала про Excel, а все-таки - это пример гениального продукта, который кардинально поменял правила игры.

Уверена, что 30 лет назад он был как ChatGPT сейчас. И спустя годы ничего не изменилось: в мире все еще используют программу и она является основным инструментом для многих компаний. Кто-то до сих пор начинает свой путь в аналитике данных с Excel.

Проблема начинающих: как разобраться во всем разнообразии аналитиков данных?

Кроме более менее всем знакомых вакансий - аналитик данных, продуктовый аналитик, маркетинговый аналитик - можно увидеть: аналитик данных в Google Таблицах, dashboard analyst, аналитик big data, маркетолог-аналитик, менеджер-аналитик и т.п. На схеме выше набросала, каких аналитиков ищет рынок, и это далеко не все вакансии.

Кроме того за одной и той же вакансией в разных компаниях могут скрываться разные задачи. Пример: Сбер пишет, что им нужен “Аналитик данных”. Захожу в описание и встречаю фразы: "ищем кандидата на позицию менеджера", "опыт работы бизнес-аналитиком от 1 года". И задачи вцелом бизнес-аналитика. Так почему бы не написать, что нужен бизнес-аналитик?

От рынка одно впечатление - кто в лес, кто по дрова.

Почему так происходит?

📌 Каждая компания делает вакансию исходя из своих потребностей и сложившейся (но не обязательно верной) практики.

📌 Исходя из собственного понимания, чем должен заниматься тот или иной аналитик. Нередко понимание отсутствует или искажено, поэтому в описании появляется каша (или запрос явно взаимоисключающих навыков от аналитика).

📌 Размер компании играет роль: чем больше компания, тем больше специализации. В маленькой компании вы и чтец, и жнец, и на дуде игрец (отсюда появляется Аналитик и подборщик товаров на маркетплейсах (в одном лице), программист-аналитик по продажам🤯)

Как разобраться в вакансиях аналитиков данных?

На мой взгляд, есть классическая база - что делает аналитик данных и какие инструменты должен знать и она преподается на бесплатных и платных курсах и о ней можно прочитать в интернете.

Далее уже над этой базой есть своя надстройка - маркетинговая, продуктовая и т.п.

Все остальное - запросы конкретной компании, которые нужно внимательно читать и обсуждать на собеседовании, чтобы понять, насколько они вам подходят и не являются ли они "бредом сумасшедшего"😄.

P.S. Небольшое замечание - начинающим (на мой взгляд) проще ворваться как раз в маленькие компании, где не совсем понимают, что такое аналитика (со всеми вытекающими из этого негативными последствиями, но зато точно на выходе получите опыт).