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

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.

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/

⚡️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/

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!

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

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

​​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

​​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

Хорошая статья про то как строить простые визуализации с помощью методов, встроенных в ацессор 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 речь

https://towardsdatascience.com/the-simplest-way-to-create-complex-visualizations-in-python-isnt-with-matplotlib-a5802f2dba92

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

​​Хороший доклад про сложности и их решения при построении data-driven маркетинга и аналитической культуры в компаних разного масштаба.

via @MarkeTech

🔥3 простых совета, чтобы быть успешным в Data Science

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/

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/

Александр Осиюк опубликовал хороший обзор различных решений на базе google bigQuery с примерами sql и задачками, которые можно решать

https://link.medium.com/j8lvMyOlf8

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

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/

​​Особенности метрик отчетов по страницам Google Analytics и как их рассчитывать по данным в BigQuery. Примеры SQL-запросов.

@BigQuery

Вы являетесь представителем самой сексуальной профессии XXI века (по мнению Harvard Business Review) если специализируетесь на больших данных и умело их анализируете.

Cобрали 12 курсов по анализу больших данных — и для тех, кто только начинает осваивать профессию, и для тех, кому необходимо прокачать уже имеющиеся навыки:

https://bit.ly/2x6cDEq

👨🏻‍💻 Профессия в IT - рассмотрим каждого!

▪️ Профессия Data Scientist: кто это? - Смотреть
▫️ Профессия тестировщик программного обеспечения: кто это? - Смотреть
▪️ Профессия Веб разработчик: кто это?  - Смотреть
▫️ Как стать разработчиком игр - Смотреть
▪️ Python-разработка. Как стать программистом - Смотреть
▫️ Профессия разработчик iOS-приложений - Смотреть
▪️ Специалист по информационной безопасности — кто это и как им стать - Смотреть
▫️ DevOps-инженер — кто это и как им стать - Смотреть
▪️ Веб дизайнер - что за профессия - Смотреть
▫️ Кто такой Java-разработчик - Смотреть
▪️ Golang-разработчик – кто это?  - Смотреть
▫️ Как стать Android-разработчиком и создавать приложения  - Смотреть

@itlecture