Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Забавно, что некоторые выводы из исследования по удержанию сотрудников перекликаются с выводами из статьи по формированию data-driven культуры.
Найдя эту статью на HBR, я был уверен, что в ней много сути и "мяса", но оказалось, что 10 шагов к data-driven культуре от Harvard Business Review это всего-навсего несложные советы, которые укладываются в здравый смысл. Но на всякий случай - напишем. Возможно, кому-то они помогут. Справедливости ради, отмечу, что советы 2, 5 и 10 действительно ценные.
= = =
1. Важность данных для принятия решений должна транслироваться сверху: топ-менеджерам стоит взять за правило рассматривать только те предложения от сотрудников, которые подкреплены крепкими аргументами и числами.
2. Используйте метрику 'predictive accuracy through time', то есть оценивайте постфактум, насколько точны ваши метрики. Это дисциплинирует.
3. Не изолируйте дата саентистов от топ-менеджмента. А еще лучше поставьте обязательным требованием для найма в компанию на любую должность наличие навыков программирования и количественного анализа.
4. Предоставьте аналитикам максимум данных, не ограничивайте их горсткой метрик, которые считаете важными.
5. Просите аналитиков оценивать качество предлагаемых ими моделей. Задаваясь вопросом "Насколько я действительно могу доверять своей модели?", аналитик глубже разберется в деталях, а в идеале и предложит альтернативы для экспериментов. Не бойтесь экспериментов.
6. Создавайте простые решения, которые легко быстро раскатать на прод, а затем уже усложняйте и уточняйте их.
7. Проводите обучение в компании релевантное ближайшим задачам, чтобы сотрудники могли сразу применить полученные знания, а не забыть их навсегда.
8. Не центрируйте обучение сотрудников вокруг улучшения продукта или бизнеса. Обучайте сотрудников тем навыкам, которые помогут им в работе: сэкономят время, помогут избежать переделок или позволят набрать недостающие данные.
9. Выберите единые метрики и единый язык программирования для всей компании. Это облегчит как коммуникацию в целом, так и ускорит анализ данных, агрегированных из разных отделов.
10. К любому решению должен прилагаться список отвергнутых моделей и причины, по которым они сработали хуже. Таким образом рассматривается больше вариантов действий, а решения принимаются более осознанно.
@internetanalytics
Найдя эту статью на HBR, я был уверен, что в ней много сути и "мяса", но оказалось, что 10 шагов к data-driven культуре от Harvard Business Review это всего-навсего несложные советы, которые укладываются в здравый смысл. Но на всякий случай - напишем. Возможно, кому-то они помогут. Справедливости ради, отмечу, что советы 2, 5 и 10 действительно ценные.
= = =
1. Важность данных для принятия решений должна транслироваться сверху: топ-менеджерам стоит взять за правило рассматривать только те предложения от сотрудников, которые подкреплены крепкими аргументами и числами.
2. Используйте метрику 'predictive accuracy through time', то есть оценивайте постфактум, насколько точны ваши метрики. Это дисциплинирует.
3. Не изолируйте дата саентистов от топ-менеджмента. А еще лучше поставьте обязательным требованием для найма в компанию на любую должность наличие навыков программирования и количественного анализа.
4. Предоставьте аналитикам максимум данных, не ограничивайте их горсткой метрик, которые считаете важными.
5. Просите аналитиков оценивать качество предлагаемых ими моделей. Задаваясь вопросом "Насколько я действительно могу доверять своей модели?", аналитик глубже разберется в деталях, а в идеале и предложит альтернативы для экспериментов. Не бойтесь экспериментов.
6. Создавайте простые решения, которые легко быстро раскатать на прод, а затем уже усложняйте и уточняйте их.
7. Проводите обучение в компании релевантное ближайшим задачам, чтобы сотрудники могли сразу применить полученные знания, а не забыть их навсегда.
8. Не центрируйте обучение сотрудников вокруг улучшения продукта или бизнеса. Обучайте сотрудников тем навыкам, которые помогут им в работе: сэкономят время, помогут избежать переделок или позволят набрать недостающие данные.
9. Выберите единые метрики и единый язык программирования для всей компании. Это облегчит как коммуникацию в целом, так и ускорит анализ данных, агрегированных из разных отделов.
10. К любому решению должен прилагаться список отвергнутых моделей и причины, по которым они сработали хуже. Таким образом рассматривается больше вариантов действий, а решения принимаются более осознанно.
@internetanalytics
Harvard Business Review
10 Steps to Creating a Data-Driven Culture
For many companies, a strong, data-driven culture remains elusive, and data are rarely the universal basis for decision making. Why is it so hard? Our work in a range of industries indicates that the biggest obstacles to creating data-based businesses aren’t…
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
И про продакт-менеджеров. На неделе я встретил ссылку на статью и иллюстрацию к ней в посте Паши Левчука (а Паша постит только полезные вещи, не то, что некоторые 😊)
Так вот, речь идет о превращении из роли Product Manager в роль Product Leader.
Рассуждают Fareed Mosavat (Slack, Instacart, Zynga) и Casey Winters (CPO Eventbrite, Growth Lead Pinterest, адвайзор Tinder, Hipcamp, Reddit, Canva, Pocket). В общем, довольно крутые парни.
Существует множество определений роли Product Manager, обязанности отличаются из компании в компанию, критерии размыты и слишком субъективны. "Product Manager" в Airbnb будет называться "Senior Product Manager" в компании LinkedIn или "Head of Product" в молодом стартапе. Ступеньки карьеры разных позиций в известных компаниях можно посмотреть здесь: www.levels.fyi (для продуктов тут)
Кроме того существует скрытая ловушка прямо посередине карьерной лестницы, в которую попадают многие PM'ы на своем пути. Речь идет о моменте перехода из роли Senior Product Manager к роли Product Leader (может также называться Group Product Manager, Director of Product, Product Lead).
Дело в том, что навыки, которые определяют вас как PM, это не те навыки, которые нужны PL. Например, если раньше задача монетизации представлялась как доработка страницы прайсинга или чекаута, то теперь вам придется решать, какие фичи в какой тариф включить. Проблему с активацией вы обычно решаете анализом данных, тогда как PL проверит, а правильно ли вообще собираются и интерпретируются данные, правильно ли определена ЦА маркетинговых компаний.
Самое печальное — вы не найдете списка новых нужных навыков в описании вакансии PL, и у вас не спросят о них на собеседовании. Но зато мы готовы поделиться несколькими советами по опыту PL крупных компаний.
Итак, смените фокус в следующих вещах:
1. Вместо углубления в один тип продуктовой работы растите вширь, освойте все: проработку нового функционала, захват текущего рынка, масштабирование, выход на смежный рынок со смежным продуктом. PL должен знать, как увеличить ROI одновременно по каждому из этих направлений.
2. Вместо того, чтобы хорошо справляться со своей работой, начните учить других хорошо справляться со своей работой. Часто оказывается, что в вещах, которые мы делаем интуитивно, мы меньше всего разбираемся. Наставничество поможет систематизировать собственный опыт, плюс вы научитесь чему-то у коллег. Кроме того может оказаться, что ваши знания могли бы облегчить чью-то работу и сэкономить время всей компании. Не оставляйте самую тяжелую работу только для себя.
3. Вместо того, чтобы решать задачи имеющимися ресурсами, учитесь перераспределять ресурсы и привлекать новых людей к решению задач, то есть влиять. Нужно принять тот факт, что руководство больше не оценивает ваш личный успех, оно оценивает успех вашей команды, за которую вы несете ответственность.
4. Переключитесь с поиска возможностей для собственного роста на возможности для роста компании. Вы можете сколько угодно вкладывать сил и времени в решение одной проблемы, например, улучшение чекаута или повышение конверсии Free to Paid, но хороший PL просто расширит команду и делегирует черную работу, а себе оставит только руководство. При этом PL сможет одновременно руководить решением сразу нескольких задач несколькими командами, и наверняка оптимальное решение будет лежать на пересечении. Хороший PL смотрит сверху, видит все проблемы и закрывает их чужими руками. Но не забывайте о балансе: сотрудники тоже должны решать проблемы и принимать решения, чтобы развиваться.
= = =
Нехитрые, по большому счету, советы. Боюсь, многим они, как и шаги к data-driven культуре, покажутся банальными и незначительными, но ведь правильного ответа на вопрос как быстро расти, прокачиваться и строить карьеру просто нет или же его тщательно скрывают от нас 😊.
@internetanalytics
Так вот, речь идет о превращении из роли Product Manager в роль Product Leader.
Рассуждают Fareed Mosavat (Slack, Instacart, Zynga) и Casey Winters (CPO Eventbrite, Growth Lead Pinterest, адвайзор Tinder, Hipcamp, Reddit, Canva, Pocket). В общем, довольно крутые парни.
Существует множество определений роли Product Manager, обязанности отличаются из компании в компанию, критерии размыты и слишком субъективны. "Product Manager" в Airbnb будет называться "Senior Product Manager" в компании LinkedIn или "Head of Product" в молодом стартапе. Ступеньки карьеры разных позиций в известных компаниях можно посмотреть здесь: www.levels.fyi (для продуктов тут)
Кроме того существует скрытая ловушка прямо посередине карьерной лестницы, в которую попадают многие PM'ы на своем пути. Речь идет о моменте перехода из роли Senior Product Manager к роли Product Leader (может также называться Group Product Manager, Director of Product, Product Lead).
Дело в том, что навыки, которые определяют вас как PM, это не те навыки, которые нужны PL. Например, если раньше задача монетизации представлялась как доработка страницы прайсинга или чекаута, то теперь вам придется решать, какие фичи в какой тариф включить. Проблему с активацией вы обычно решаете анализом данных, тогда как PL проверит, а правильно ли вообще собираются и интерпретируются данные, правильно ли определена ЦА маркетинговых компаний.
Самое печальное — вы не найдете списка новых нужных навыков в описании вакансии PL, и у вас не спросят о них на собеседовании. Но зато мы готовы поделиться несколькими советами по опыту PL крупных компаний.
Итак, смените фокус в следующих вещах:
1. Вместо углубления в один тип продуктовой работы растите вширь, освойте все: проработку нового функционала, захват текущего рынка, масштабирование, выход на смежный рынок со смежным продуктом. PL должен знать, как увеличить ROI одновременно по каждому из этих направлений.
2. Вместо того, чтобы хорошо справляться со своей работой, начните учить других хорошо справляться со своей работой. Часто оказывается, что в вещах, которые мы делаем интуитивно, мы меньше всего разбираемся. Наставничество поможет систематизировать собственный опыт, плюс вы научитесь чему-то у коллег. Кроме того может оказаться, что ваши знания могли бы облегчить чью-то работу и сэкономить время всей компании. Не оставляйте самую тяжелую работу только для себя.
3. Вместо того, чтобы решать задачи имеющимися ресурсами, учитесь перераспределять ресурсы и привлекать новых людей к решению задач, то есть влиять. Нужно принять тот факт, что руководство больше не оценивает ваш личный успех, оно оценивает успех вашей команды, за которую вы несете ответственность.
4. Переключитесь с поиска возможностей для собственного роста на возможности для роста компании. Вы можете сколько угодно вкладывать сил и времени в решение одной проблемы, например, улучшение чекаута или повышение конверсии Free to Paid, но хороший PL просто расширит команду и делегирует черную работу, а себе оставит только руководство. При этом PL сможет одновременно руководить решением сразу нескольких задач несколькими командами, и наверняка оптимальное решение будет лежать на пересечении. Хороший PL смотрит сверху, видит все проблемы и закрывает их чужими руками. Но не забывайте о балансе: сотрудники тоже должны решать проблемы и принимать решения, чтобы развиваться.
= = =
Нехитрые, по большому счету, советы. Боюсь, многим они, как и шаги к data-driven культуре, покажутся банальными и незначительными, но ведь правильного ответа на вопрос как быстро расти, прокачиваться и строить карьеру просто нет или же его тщательно скрывают от нас 😊.
@internetanalytics
Reforge
A Product Manager's Career Path to Product Leadership — Reforge
How does a product manager become a product leader? Product experts Fareed Mosavat & Casey Winters walk us through how.
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Вчера @NightWolf121 в своем Facebook рассуждал на тему собственного аналитического стека. Пишет о том, что Яндекс.Метрика может быть лучших выбором по соотношению цены/ясности, бесплатного доступа к логам вплоть до каждого визита . + решение для развертывания хранилища данных на ClickHouse так как опенсорсный и не нужно не за что платить. (С данными Google Analytics чтобы все было также быстро к расширенной версии Google Analytics ($150k в год) нужно ещё купить BigQuery и остальной стек технологий для построения полноценного пайплайна данных).
После всего этого, Адиль задает вопрос о развертывании хранилища данных с нуля и ему отвечает Сергей Довганич (renta.im):
"1. Руководство по развертыванию и настройке КХ: https://renta.im/ru/blog/clickhouse/
2. Инструкция по импорту данных Метрики в КХ на базе Renta:
https://renta.im/docs/metrica-clickhouse/
Касательно open source — обманчиво. КХ нужно разворачивать на сервере, а он стоит денег и обычно это дороже BigQuery. И точно сложнее, если место/памяти не хватает в рамках одной машины".
Пост открыт только для друзей
После всего этого, Адиль задает вопрос о развертывании хранилища данных с нуля и ему отвечает Сергей Довганич (renta.im):
"1. Руководство по развертыванию и настройке КХ: https://renta.im/ru/blog/clickhouse/
2. Инструкция по импорту данных Метрики в КХ на базе Renta:
https://renta.im/docs/metrica-clickhouse/
Касательно open source — обманчиво. КХ нужно разворачивать на сервере, а он стоит денег и обычно это дороже BigQuery. И точно сложнее, если место/памяти не хватает в рамках одной машины".
Пост открыт только для друзей
Forwarded from Тёмная сторона / Темнографика
Квадратно-гнездовой метод Ансоффа
1. Вчера на планерке со стартапом поймали себя на мысли, что мы уже пару месяцев подряд обсуждаем только а) план/факт по выручке по текущему продукту или б) гипотезы новых продуктов на новых рынках.
2. Сегодня наткнулся на матрицу Ансоффа, которая подсказывает, что все размышления о путях движения вперед стоит раскладывать по четырем корзинам:
— Market Penetration Strategy. Как повысить проникновение существующего продукта на существующем рынке потенциальных клиентов? Например, как увеличить конверсию из охвата в покупку? Что для этого надо изменить в воронке продаж?
— Market Development Strategy. Как перенести существующий продукт на другой рынок или другую аудиторию? Оказалось, что это требует четкого понимания, что же у нас за продукт. А это не всегда просто сформулировать под углом того, что же является ноу-хау, которое можно переносить на другой рынок.
— Product Development Strategy. Какой новый продукт можно предложить нашей существующей аудитории? Что они еще покупают? Где? Как выбирают?
— Diversification Strategy. Какой новый продукт для какого нового рынка мы можем создать? А это уже тот самый полет в космос.
3. В общем, чтобы не метаться в своих раздумьях из крайности в крайность — полезно по очереди глубоко и с фантазией обсуждать каждый квадрат. Тогда мы более эффективно капитализируем то, что у нас уже есть сейчас. А то всё время тянет оставить то, что есть — таким, каким оно есть. И улететь в космос. Оттолкнувшись от воздуха.
1. Вчера на планерке со стартапом поймали себя на мысли, что мы уже пару месяцев подряд обсуждаем только а) план/факт по выручке по текущему продукту или б) гипотезы новых продуктов на новых рынках.
2. Сегодня наткнулся на матрицу Ансоффа, которая подсказывает, что все размышления о путях движения вперед стоит раскладывать по четырем корзинам:
— Market Penetration Strategy. Как повысить проникновение существующего продукта на существующем рынке потенциальных клиентов? Например, как увеличить конверсию из охвата в покупку? Что для этого надо изменить в воронке продаж?
— Market Development Strategy. Как перенести существующий продукт на другой рынок или другую аудиторию? Оказалось, что это требует четкого понимания, что же у нас за продукт. А это не всегда просто сформулировать под углом того, что же является ноу-хау, которое можно переносить на другой рынок.
— Product Development Strategy. Какой новый продукт можно предложить нашей существующей аудитории? Что они еще покупают? Где? Как выбирают?
— Diversification Strategy. Какой новый продукт для какого нового рынка мы можем создать? А это уже тот самый полет в космос.
3. В общем, чтобы не метаться в своих раздумьях из крайности в крайность — полезно по очереди глубоко и с фантазией обсуждать каждый квадрат. Тогда мы более эффективно капитализируем то, что у нас уже есть сейчас. А то всё время тянет оставить то, что есть — таким, каким оно есть. И улететь в космос. Оттолкнувшись от воздуха.
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
В Москве дождь и вечер пятницы. Сыро, пасмурно и уныло... Начался вебинар по математике «Математика для Data Science». Он общедоступный. То есть смотреть можно прямо сейчас.
ведёт Петр Лукьянченко. Он 10 лет преподаёт высшую математику в ВШЭ и работал в Lamoda на должности Team Lead Analytics.
Самое время задать любые вопросы по математике и Data Science и узнать подробности о хардкорной программе курса, формате обучения и выпускном проекте.
Вебинар уже начался: https://otus.pw/eCna/
А по этой ссылке тест, чтобы проверить прикладной уровень своих знаний математики : https://otus.pw/uLHH/
ведёт Петр Лукьянченко. Он 10 лет преподаёт высшую математику в ВШЭ и работал в Lamoda на должности Team Lead Analytics.
Самое время задать любые вопросы по математике и Data Science и узнать подробности о хардкорной программе курса, формате обучения и выпускном проекте.
Вебинар уже начался: https://otus.pw/eCna/
А по этой ссылке тест, чтобы проверить прикладной уровень своих знаний математики : https://otus.pw/uLHH/
Forwarded from Библиотека питониста | Python, Django, Flask
⚡️3 июля в 20:00 мск пройдет День открытых дверей курса «Математика для Data Science» в рамках которого:
● вы познакомитесь с преподавателем и автором курса Петром Лукьянченко. Пётр уже более 10 лет преподаёт высшую математику в ВШЭ и имеет богатый опыт работы в DS (в частности, работал в Lamoda на должности Team Lead Analytics);
● сможете задать любые вопросы по математике и Data Science;
● узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
● расскажем о карьерных перспективах.
🎁Первые 20 участников, зарегистрировавшихся на этот вебинар, получат сертификат на скидку. Еще 10 будут распределены во время вебинара. Регистрируйтесь на сайте: https://otus.pw/906j/
☝🏻А пока есть время, пройдите тест, чтоб узнать свой уровень и сделать выбор между базовым и продвинутым курсом: https://otus.pw/Tn5i/
● вы познакомитесь с преподавателем и автором курса Петром Лукьянченко. Пётр уже более 10 лет преподаёт высшую математику в ВШЭ и имеет богатый опыт работы в DS (в частности, работал в Lamoda на должности Team Lead Analytics);
● сможете задать любые вопросы по математике и Data Science;
● узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
● расскажем о карьерных перспективах.
🎁Первые 20 участников, зарегистрировавшихся на этот вебинар, получат сертификат на скидку. Еще 10 будут распределены во время вебинара. Регистрируйтесь на сайте: https://otus.pw/906j/
☝🏻А пока есть время, пройдите тест, чтоб узнать свой уровень и сделать выбор между базовым и продвинутым курсом: https://otus.pw/Tn5i/
Forwarded from Growth Lab / Артём Сайгин
Наблюдая за работой множества маркетинговых команд, заметил, что многие допускают одни и те же ошибки в процесс поиска, приоритизации и тестирования гипотез.
Написал статью, где пошагово расписываю весь процесс. Старался дать сложный материал максимально просто.
Из статьи вы узнаете, как формировать бэклог гипотез и приоритизировать их по ICE Score и PXL-фреймворку. Как проводить A/B-тестирование. Научитесь рассчитывать размер выборки, доверительный интервал, статистическую мощность и статистическую значимость.
При написании я ориентировался на маркетинговые и Growth-команды, учтите, что для других команд процесс может не подойти.
https://proroas.ru/growth-process
Изучайте сами и делитесь с коллегами.
Всем знаний!
Написал статью, где пошагово расписываю весь процесс. Старался дать сложный материал максимально просто.
Из статьи вы узнаете, как формировать бэклог гипотез и приоритизировать их по ICE Score и PXL-фреймворку. Как проводить A/B-тестирование. Научитесь рассчитывать размер выборки, доверительный интервал, статистическую мощность и статистическую значимость.
При написании я ориентировался на маркетинговые и Growth-команды, учтите, что для других команд процесс может не подойти.
https://proroas.ru/growth-process
Изучайте сами и делитесь с коллегами.
Всем знаний!
Forwarded from Growth Lab / Артём Сайгин
Друзья, делюсь с вами крутым сервисом для маркетологов.
Он содержит 374 бесплатных шаблонов, так необходимых нам в работе.
Тут вы найдете шаблоны контент-планов, стратегий, анализа конкурентов, SEO-аудита и многое другое.
Забирайте: 374 Free Resources for Marketing
Он содержит 374 бесплатных шаблонов, так необходимых нам в работе.
Тут вы найдете шаблоны контент-планов, стратегий, анализа конкурентов, SEO-аудита и многое другое.
Забирайте: 374 Free Resources for Marketing
Forwarded from IT лекции
Введение в анализ данных
1. Введение в Python - Смотреть
2. Библиотека Numpy - Смотреть
3. Библиотека PANDAS - Смотреть
4. Визуализация данных - Смотреть
5. Углубленный Python. Часть 1 - Смотреть
6. Углубленный Python. Часть 2 - Смотреть
@itlecture
1. Введение в Python - Смотреть
2. Библиотека Numpy - Смотреть
3. Библиотека PANDAS - Смотреть
4. Визуализация данных - Смотреть
5. Углубленный Python. Часть 1 - Смотреть
6. Углубленный Python. Часть 2 - Смотреть
@itlecture
YouTube
1. Введение в Python. Курс «Введение в анализ данных»
«Техносфера Mail.ru Group» при МГУ им. М. В. Ломоносова.
Курс «Введение в анализ данных».
Лекция № 1 «Введение в Python».
Цель курса — познакомить слушателей со сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается…
Курс «Введение в анализ данных».
Лекция № 1 «Введение в Python».
Цель курса — познакомить слушателей со сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается…
Forwarded from мамкин Data Scientist
Первым делом сюда (❗️❗️❗️)
Легкого пути в МЛ не бывает, но и сильно затягивать тоже не надо. Для нормального входа в профессию, тебе нужно хорошо знать питон и несколько разделов математики. То в каком порядке это делать — дело каждого, некоторым удобно параллельно, некоторые любят поочередно. Да, сучара, без этого никак, не надо думать, что это по сложности, как проебывать пары философии.
Вот минимум, после которого вилки зп становятся шестизначными. Любой из вариантов хорош, отличаются лишь сложностью и актуальностью, но приводят примерно к одному результату.
1. Классическая классика. Покрывает все нужные темы, погружает жестко, медленно, словно маньяк. Эффективно. Для понимания нужна некоторая математическая интуиция.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
2. Вариант чуть сложней первого, более самобытный, требует самостоятельности и понимания чем ты вообще собираешься заниматься. Нет проверок ДЗ. Требуется хороший уровень некоторых разделов математики. Слабо подходит нубам.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
3. Самый модный, молодежный вариант. Погружает не больно, но достаточно быстро. Можно использовать как вариант, если tupoy. Зумеры, ваша тема.
Убираем страх → Теор.вер → Мат. Статистика: Гланц Медико-Биологическая статистика (основы) → Питон→ МЛ.
После прохождения этих этапов, надо залетать на работу, для этого мы уже сделали сервис с вопросами интервью и некоторые ответы на них. Не стесняемся добавлять свои вопросы, перцы.
Сервис с вопросами → https://interview-mds.ru/
Вопросы с ответами → жми
А теперь база данных по каналу. Тут собрано гигантское количество курсов/ресурсов/ и пр. Это не значит, что надо смотреть все подряд, в таком случае ты выйдешь на работу примерно через N жизней. Это база создается для того, что бы ты знал куда обратиться в случае возникновения проблемы по тому или иному направлению. Возникла потребность, смотрим.
Математика, та тетка из твоих кошмаров, по совместительству царица наук.
0. Что вообще надо?
1. Необходимая литература для начала
2. Курс по линейной алгебре
3. Курс по теор. вер.
4. Курс по статистике
5. Супер понятная линейная алгебра
6. Интенсивы мат. анализ
7. Два Подхода к изучению статистики
8. Линейная алгебра для DL от MIT
9. Базовый Теор. Вер. МФТИ
10. План по мат. анализу
11. Основательный подход к статистике
Питон, это не тот python, которого ты душишь под одеялом.
1. Необходимые для старта курсы
2. Питон не для начинающих
Data Science, с ним будешь первый парень на деревне.
1. Стартовые курсы на выбор
2. ML курс от Физтеха
3. ML курс от института Биоинформатики
Легкого пути в МЛ не бывает, но и сильно затягивать тоже не надо. Для нормального входа в профессию, тебе нужно хорошо знать питон и несколько разделов математики. То в каком порядке это делать — дело каждого, некоторым удобно параллельно, некоторые любят поочередно. Да, сучара, без этого никак, не надо думать, что это по сложности, как проебывать пары философии.
Вот минимум, после которого вилки зп становятся шестизначными. Любой из вариантов хорош, отличаются лишь сложностью и актуальностью, но приводят примерно к одному результату.
1. Классическая классика. Покрывает все нужные темы, погружает жестко, медленно, словно маньяк. Эффективно. Для понимания нужна некоторая математическая интуиция.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
2. Вариант чуть сложней первого, более самобытный, требует самостоятельности и понимания чем ты вообще собираешься заниматься. Нет проверок ДЗ. Требуется хороший уровень некоторых разделов математики. Слабо подходит нубам.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
3. Самый модный, молодежный вариант. Погружает не больно, но достаточно быстро. Можно использовать как вариант, если tupoy. Зумеры, ваша тема.
Убираем страх → Теор.вер → Мат. Статистика: Гланц Медико-Биологическая статистика (основы) → Питон→ МЛ.
После прохождения этих этапов, надо залетать на работу, для этого мы уже сделали сервис с вопросами интервью и некоторые ответы на них. Не стесняемся добавлять свои вопросы, перцы.
Сервис с вопросами → https://interview-mds.ru/
Вопросы с ответами → жми
А теперь база данных по каналу. Тут собрано гигантское количество курсов/ресурсов/ и пр. Это не значит, что надо смотреть все подряд, в таком случае ты выйдешь на работу примерно через N жизней. Это база создается для того, что бы ты знал куда обратиться в случае возникновения проблемы по тому или иному направлению. Возникла потребность, смотрим.
Математика, та тетка из твоих кошмаров, по совместительству царица наук.
0. Что вообще надо?
1. Необходимая литература для начала
2. Курс по линейной алгебре
3. Курс по теор. вер.
4. Курс по статистике
5. Супер понятная линейная алгебра
6. Интенсивы мат. анализ
7. Два Подхода к изучению статистики
8. Линейная алгебра для DL от MIT
9. Базовый Теор. Вер. МФТИ
10. План по мат. анализу
11. Основательный подход к статистике
Питон, это не тот python, которого ты душишь под одеялом.
1. Необходимые для старта курсы
2. Питон не для начинающих
Data Science, с ним будешь первый парень на деревне.
1. Стартовые курсы на выбор
2. ML курс от Физтеха
3. ML курс от института Биоинформатики
Forwarded from мамкин Data Scientist
Deep Learning, главная матка муравья.
1. Введение в диплернинг
2. Классика диплернинга
3. Курс по ДЛ от ШАДа
4. Курс по Computer Vision Стенфорд cs231
5. Курс по Байесовским методам машинного обучения
6. Курс DL school от Физтеха
7. Мини-курсы по работе с временными рядами
8. DL Воронцов
9. База NLP
Reinforcement learning, для одичалых.
1. План по изучению RL
Big Data, клерковский вариантик.
1. Курс по работе с большими данными
Соревнование ML.
1. Введение в соревнование и первые начинания
2. Внутренние соревнование NASA
3. Внутренние соревнование PUBG
4. Соревнование от Росбанка
5. Kaggle MNIST
5.1. Решение победителя
6. Курс «Как побеждать на Каггле»
7. Соревнование Santander Customer Transaction Prediction
7.1 Разбор решения
8. Топовые решение соревнований
9. Разбор соревнования Титаник без цензуры
Алгоритмы, страж на пути в корпорацию.
1. Алгоритмы и структуры данных
2. Мягкий вход в алгоритмы
Английский, извини, но ты живешь в России
1. Щедрый жест, спешл фор ю
SQL.
1. Азы SQL
2. Тренажеры SQL
Стажировки / Школы
1. Летние стажировки
2. Топовые школы
Джентльменский набор
1. Джентльменский набор часть 1
2. Джентльменский набор часть 2
3. Джентльменский набор часть 3
4. Джентльменский набор часть 4
Приятные плюшки
1. Шпаргалки от стенфорда
2. Большенство тем, реализованных на питоне
3. Джентльменский набор часть 1
4. Сборник теоретических задач по МЛ
5. Features engineering часть 1
6. Features engineering часть 2
7. Features engineering часть 3
8. Features selection часть 1
9. Советы для резюме
10. Гайд по аренде ГПУ в облаке
Блеклист курсов МЛ
1. Говнокурс 1
2. Рейтинг дерьмовых курсов, по мнению подписчиков
ШАД/CSC, для любителей БДСМчика.
1. Что это?
2. Интервью
3. Подготовка
Деплой МЛ моделей, когда ваш малыш вырос.
1. Быстрый путь
2. Основательный подход
Глубокое проникновение в глубокое обучение на Keras
1. Часть 1 MNIST
2. Часть 2 CNN
3. Часть 3 VGG16
Смотрите, читайте, охуевайте
1. Введение в диплернинг
2. Классика диплернинга
3. Курс по ДЛ от ШАДа
4. Курс по Computer Vision Стенфорд cs231
5. Курс по Байесовским методам машинного обучения
6. Курс DL school от Физтеха
7. Мини-курсы по работе с временными рядами
8. DL Воронцов
9. База NLP
Reinforcement learning, для одичалых.
1. План по изучению RL
Big Data, клерковский вариантик.
1. Курс по работе с большими данными
Соревнование ML.
1. Введение в соревнование и первые начинания
2. Внутренние соревнование NASA
3. Внутренние соревнование PUBG
4. Соревнование от Росбанка
5. Kaggle MNIST
5.1. Решение победителя
6. Курс «Как побеждать на Каггле»
7. Соревнование Santander Customer Transaction Prediction
7.1 Разбор решения
8. Топовые решение соревнований
9. Разбор соревнования Титаник без цензуры
Алгоритмы, страж на пути в корпорацию.
1. Алгоритмы и структуры данных
2. Мягкий вход в алгоритмы
Английский, извини, но ты живешь в России
1. Щедрый жест, спешл фор ю
SQL.
1. Азы SQL
2. Тренажеры SQL
Стажировки / Школы
1. Летние стажировки
2. Топовые школы
Джентльменский набор
1. Джентльменский набор часть 1
2. Джентльменский набор часть 2
3. Джентльменский набор часть 3
4. Джентльменский набор часть 4
Приятные плюшки
1. Шпаргалки от стенфорда
2. Большенство тем, реализованных на питоне
3. Джентльменский набор часть 1
4. Сборник теоретических задач по МЛ
5. Features engineering часть 1
6. Features engineering часть 2
7. Features engineering часть 3
8. Features selection часть 1
9. Советы для резюме
10. Гайд по аренде ГПУ в облаке
Блеклист курсов МЛ
1. Говнокурс 1
2. Рейтинг дерьмовых курсов, по мнению подписчиков
ШАД/CSC, для любителей БДСМчика.
1. Что это?
2. Интервью
3. Подготовка
Деплой МЛ моделей, когда ваш малыш вырос.
1. Быстрый путь
2. Основательный подход
Глубокое проникновение в глубокое обучение на Keras
1. Часть 1 MNIST
2. Часть 2 CNN
3. Часть 3 VGG16
Смотрите, читайте, охуевайте
Forwarded from Datalytics
Хорошая статья про то как строить простые визуализации с помощью методов, встроенных в ацессор
https://towardsdatascience.com/the-simplest-way-to-create-complex-visualizations-in-python-isnt-with-matplotlib-a5802f2dba92
plot. Внутри этого ацессора существует ряд простых в применении методов (например, bar() или hist()), которые позволяют быстро строить простые визуализации, основанные на matplotlib. О применении этих методов и пойдёт речьhttps://towardsdatascience.com/the-simplest-way-to-create-complex-visualizations-in-python-isnt-with-matplotlib-a5802f2dba92
Medium
The Simplest Way to Create Visualizations in Python Isn’t With matplotlib.
Creating Sleek & Easy Plots Directly From Pandas
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Вчера меня обрадовали. Прислали сообщение о том, что на всех маркетологов в компании лид аналитики разослал ссылку на доклад с Матемаркетинга-2019.
"Пользуясь случаем, поделюсь докладом с последнего Матемаркетинга о data driven. Он длится не сильно больше, чем всякие популярные обзоры на ютубе, но охватывает и сложности, с которыми встречаемся, и способы борьбы с ними. Мы будем очень рады, если вы его посмотрите. Ссылка на доклад"
Имеет смысл поделиться со всеми 😊
Алена Артемьева очень емко и точно рассказывает о построении data-driven маркетинга в маленькой компании, когда еще вроде не так много данных и не так много денег.
Видео доступно на YouTube: https://youtu.be/BfKIZ8JvtWs
@internetanalytics
"Пользуясь случаем, поделюсь докладом с последнего Матемаркетинга о data driven. Он длится не сильно больше, чем всякие популярные обзоры на ютубе, но охватывает и сложности, с которыми встречаемся, и способы борьбы с ними. Мы будем очень рады, если вы его посмотрите. Ссылка на доклад"
Имеет смысл поделиться со всеми 😊
Алена Артемьева очень емко и точно рассказывает о построении data-driven маркетинга в маленькой компании, когда еще вроде не так много данных и не так много денег.
Видео доступно на YouTube: https://youtu.be/BfKIZ8JvtWs
@internetanalytics
YouTube
Алена Артемьева, Работа.ру - Data-driven маркетинг как часть аналитической культуры компании.
Совсем скоро Матемаркетинг-22, 17-18 ноября
Подробности: https://matemarketing.ru/
Программа: https://clck.ru/y6jEV
Купить билет: https://matemarketing.ru/
Алена рассказывает о том, как построить прозрачную отчетность по маркетингу и не разориться на дорогих…
Подробности: https://matemarketing.ru/
Программа: https://clck.ru/y6jEV
Купить билет: https://matemarketing.ru/
Алена рассказывает о том, как построить прозрачную отчетность по маркетингу и не разориться на дорогих…
Forwarded from MarkeTech
Хороший доклад про сложности и их решения при построении data-driven маркетинга и аналитической культуры в компаних разного масштаба.
via @MarkeTech
via @MarkeTech
YouTube
Алена Артемьева, Работа.ру - Data-driven маркетинг как часть аналитической культуры компании.
Совсем скоро Матемаркетинг-22, 17-18 ноября
Подробности: https://matemarketing.ru/
Программа: https://clck.ru/y6jEV
Купить билет: https://matemarketing.ru/
Алена рассказывает о том, как построить прозрачную отчетность по маркетингу и не разориться на дорогих…
Подробности: https://matemarketing.ru/
Программа: https://clck.ru/y6jEV
Купить билет: https://matemarketing.ru/
Алена рассказывает о том, как построить прозрачную отчетность по маркетингу и не разориться на дорогих…
Forwarded from Datalytics
Крутой пример семантического анализа на основе открытых данных. В статье представлен весь цикл анализа: начиная от сбора и заканчивая визуализацией данных с помощью plotly
http://leftjoin.ru/all/constitution-sentiment-analysis/
http://leftjoin.ru/all/constitution-sentiment-analysis/
Forwarded from Datalytics
Большой туториал по использованию Pandas на примере задачи оценки студентов. По сути, это такое интересное решение типичной Excel'евской задачи с помощью Python. Рекомендую новичкам, чтобы повысить свою насмотренность
https://realpython.com/pandas-project-gradebook/
https://realpython.com/pandas-project-gradebook/
Realpython
pandas Project: Make a Gradebook With Python & pandas – Real Python
With this follow-along Python project, you'll build a noscript to calculate grades for a class using pandas. The noscript will quickly and accurately calculate grades from a variety of data sources. You'll see examples of loading, merging, and saving data with…
Forwarded from Beards Analytics (Andrey Osipov)
Александр Осиюк опубликовал хороший обзор различных решений на базе google bigQuery с примерами sql и задачками, которые можно решать
https://link.medium.com/j8lvMyOlf8
https://link.medium.com/j8lvMyOlf8
Medium
Кейсы использования Google BigQuery для задач аналитики
Примеры работы с данными Google Analytics 360
Forwarded from Datalytics
Для тех кто только начинает свой путь в аналитике данных с помощью Python, может быть полезным сравнение одних и тех же манипуляций с данными в SQL и в Pandas
https://towardsdatascience.com/how-to-rewrite-your-sql-queries-in-python-with-pandas-8d5b01ab8e31
https://towardsdatascience.com/how-to-rewrite-your-sql-queries-in-python-with-pandas-8d5b01ab8e31
Medium
How to rewrite your SQL queries in Python with Pandas
Reproducing the same SQL queries result in Python
Forwarded from Грокс
Коронавирус: первые итоги пандемии и карантина. Осознайте цифры и ужаснитесь. Хотя, если вы читали мои предыдущие статьи по теме и вас что-то удивляет, то читали вы, вероятно, невнимательно. Последние официальные данные от различных государственных ведомств лишь детализируют то, о чём я всех предупреждал ещё весной.
https://habr.com/ru/post/511968/
https://habr.com/ru/post/511968/
Forwarded from BigQuery Insights
Особенности метрик отчетов по страницам Google Analytics и как их рассчитывать по данным в BigQuery. Примеры SQL-запросов.
@BigQuery
@BigQuery