Послушал предпоследний выпуск подкаста Айтишниками на рождаются с Андреем Кротких. Отличный гость, отличный выпуск.
Помимо других интересных штук отмечу два важных нюанса в работе для Андрея:
- в процессе работы нужно генерировать новое знание, не только для себя
- и нужно пробивать потолок
И то, и другое он повторил несколько раз.

Почему это важно?
Потому что просто выполнять задачи - это немного грустно. И, если ты не приносишь никакой пользы и постоянно не развиваешься профессионально, ни к чему это все.

Небольшой чек-лист для проведение АБ теста. Полезно им руководствоваться, чтобы не упустить какую-нибудь "мелочь".
https://www.notion.so/AB-dc3c2f5b1c394124ba65ef7f6100bbee

Прекрасно, когда руководитель говорит подчиненному (который что-то рабочее делает, в чем-то копается) что-то типа:
- а вот так ты можешь?
- а вот это сможешь сделать?
- а давай попробуем вот такую штуку.

Однажды мне сказали что-то подобное, и вскоре я стал аналитиком.

Мораль здесь проста - иногда способности и потенциальные возможности сотрудника неочевидны, и огромный плюс в том, чтобы их заметить, выявить, развить. На словах это нужно всем, а на деле - конечно, нет.

Отличная реклама, а главное, креативная!

Немного спортивной аналитики:
- рассказ сотрудников Hudl о построении аналитики данных в футбольном клубе: https://www.youtube.com/watch?v=WoWQCsbwsdg
- подкаст о применении Data Science в футболе: https://www.youtube.com/watch?v=MsuLggu3hu4

Во всем этом очень огорчает уровень проникновения Data Science в спорт.
В обычном бизнесе все давно привыкли к скорингу, рекомендательным системам, временным рядам и многим другим вариантам использования данных для увеличения эффективности.
Спорт намного более консервативен в этом плане, и в эту область работа с данными только приходит. И, скорее всего, будет ходить, танцевать на тех же граблях, что 10 и более лет назад в других областях нашей жизни. А жаль.

Выводы климатологов ошибочны.

6 февраля этого года в The Wall Street Journal опубликована статья Роберта Хоца (Robert Lee Hotz) Climate Scientists Limits of Computer Models, Bedeviling Policy, в которой на основе многочисленных комментариев ученых говорится, что все предыдущие прогнозы глобального потепления были ошибочными.

🔹 даже самые лучшие имеющиеся инструменты не могут моделировать климат с той уверенностью, которая необходима миру;

🔹 по меньшей мере 20 старых, более простых моделей климата давали результаты, отличающиеся от того, что говорит новая модель с открытым исходным кодом NCAR;

🔹 повышенная чувствительность климата от облаков ошибочна;

🔹 модели по-прежнему подвержены техническим сбоям и их работу затрудняет неполное понимание переменных, содержащих реакцию планеты на парниковые газы;

🔹 «ретроспективное прогнозирование» (ледниковый период, пр.) дало неверные заключения;

🔹 в зависимости от облаков будущие температуры могут бы как выше, так и ниже;

🔹 ученые обнаружили ошибку в том, как базовая модель CESM2 моделировала взаимодействие влаги с сажей, пылью или частицами морских брызг;

🔹 климатическая модель, способная уловить эффекты облачных систем, штормов, лесных пожаров и океанических течений, потребует в тысячу раз больше компьютерной мощности.

Парижское соглашение по климату 2015 г. и Декларация саммита в Глазго 2021 г. составлены по неверным климатическим моделям и прогнозам. Что только подтверждает тезис о финансово-спекулятивной природе климатической озабоченности.

Мы боремся неизвестно с чем.

Очень показательная история про то, как в угоду распилу инвестиций и прочих бюджетов зеленое лобби подгоняет факты под идею. А потом вдруг оказывается, что это все неправда. Ну надо же!

Интересную штуку нашел в контентных отчетах Яндекс Метрики. Есть показатель Доля просмотров материалов с дочтением. Рассчитывается как просмотры с дочтением / все просмотры. Но не все так просто
Вот есть статья. У нее 2030 просмотров и 334 просмотра с дочтением, получаем 16%. Но не все так просто. Переходим не страницу подробной статистикой по статье. Здесь этот показатель указан 2 раза.

И в одном 16%, а в другом 70%. И вот в чем вопрос: это баг или все же какие-то разные показатели? Пока ответа не нашел.

🐍 После длительного перерыва вернулся с хорошими новостями.

Разместил свой полный курс видео по Python и анализу данных: https://dfedorov.spb.ru/python3/

Недавно прошел вебинар по теме продуктовой аналитики https://youtu.be/oquId6GPadw. Новичкам будет полезно, чтобы понять, что это такое и что значит быть продуктовым аналитиком.
Ниже основные тезисы вебинара

Что делает продуктовый аналитик:
- исследует поведения пользователей
- контролирует корректность сбора данных
- проверяет гипотезы
- разрабатывает систему метрик
- строит дашборды

Что плохо для работы продуктового аналитика:
- быть не в команде продукта
- работать с несвязанными между собой продуктами
- перегрузка ad-hoc запросами

Что хорошо для работы продуктового аналитика:
- работать с одним продуктом или связанными продуктами
- быть частью продуктовой команды
- успевать делать много исследовательских задач

Что важно понимать про компанию:
- подробно про продукт и задачи, от чего зависит круг задач
- орг. структура компании
- зрелость компании, продукта
- размер команды

Какие вопросы задать на собеседовании:
- с каким продуктом буду работать, в какой команде
- какой стек
- кто будет помогать
- что уже есть и что нужно строить
- какова стратегия продукта, куда он движется, какие приоритеты
- для каких задач нужен аналитик

Немного большой перерыв получился, причина простая - "ситуация". Из-за нее некоторые функции отключены. Тем не менее.

Небольшое, но очень полезное видео по настройке и некоторым фичам PyCharm. Не юпитером же, в конце концов, единым.
https://www.youtube.com/watch?v=Z-089JxyUF8

📍Знаешь как вести проект? Умеешь договориться с кем угодно?
📍Имеешь Аналитические способности и математический склад ума?
Тогда тебе к нам! Канал IT Аналитика.
Тут ты найдешь всю доступную и актуальную информацию по данному направлению.
✅ Бизнес-аналитик
✅ Системный аналитик
✅ Дата-аналитик
✅ Web-аналитик
✅ UX аналитик
✅ Продуктовый аналитик
Подписывайся!

Полезные ссылки для знакомства и работы с DataLens

Большой функциональный демо дашборд:
- datalens.yandex/demo - публичный, только чтение
- Развернуть дашборд в своем DataLens для редактирования

Сообщество:
- Телеграм чат (вы сейчас тут)
- Предложить и проголосовать за новую фичу
- Плейлист официальных мероприятий на YouTube

Обучение:
- Быстрый старт, пошаговая инструкция
- Более детальные пошаговые инструкции по сценариям
- Туториалы по аналитическим функциям: агрегации, оконные функции, Level-of-Detail выражения
- Создание SQL-чартов (если вам нужно больше гибкости модели данных)
- Образовательные проекты

FAQ в документации:
- https://cloud.yandex.ru/docs/datalens/qa/

Публичные кейсы использования DataLens:
- КазаньЭкспресс - Аналитика retail маркетплейса
- Правительство С.-Петербурга - Аналитика городских сервисов
- Окраина - Аналитика на мясоперерабатывающем заводе
- МВидео - Платформа данных в облаке, геоаналитика
- Rubetek - Аналитика IOT по датчикам домов и квартир застройщика ПИК
- Moneycare - Кредитный брокер, корпоративный BI
- AnywayAnyDay - Аналитика онлайн туристического агентства
- JustSchool - Аналитика над CRM школы английского языка
- SevenTech - Аналитика технологического стартапа над ClickHouse
- НефтеТрансСервис - Промышленная аналитика интернета вещей
- RADAR - Аналитика аудитории наружной рекламы по всей России
- Цифровое образование - Аналитика олимпиад, учеников, школ
- Биологический Факультет МГУ - Предсказание и аналитика урожая
- tproger – Веб аналитика портала
- Car-Taxi - Продуктовая аналитика сервиса эвакуации авто
- Кинопоиск - Публичная статистика оценок фильмов

Примеры публичных дашбордов:
- Анализ качества воздуха
- Статистика коронавируса
- Погода
- Показатели Российских ВУЗов
- Демография Ставрополья
- Исследование про работу вахтовым методом в РФ
- Безработица РФ
- Пример с LOD выражениями от @ab0xa
(присылайте ваши примеры в чат, если хотите поделиться своим опытом!)

Презентации:
- DataLens
- Yandex Cloud Data Platform

Помощь:
- Обсудить ваш проект
- Завести тикет в техподдержку
- Найти партнера для проекта

Какая-то совсем стремная новость https://www.kommersant.ru/doc/5317970

Интересно сравнить подходы к приоритизации гипотез разными фреймворками: RICE, PIE, ICE(1,2), PXL.
Вначале казалось, что явное преимущество у PXL, из-за того, что он минимизирует оценочность, основывается на простой фактуре. Но, вот, гипотезы, которые не связаны с UX, трудно им оценить. Они всегда будут проигрывать тем, что основаны на UX.
Да, и гипотеза - это не всегда про AB тест
Про PXL здесь: https://cxl.com/blog/better-way-prioritize-ab-tests/

​​Хороший справочник по метрикам для оценки интерфейса.

via @ProductAnalytics