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

Запускаю несколько долгосрочных открытых проектов 🐍

1️⃣ Воспроизводимая наука о данных

Свободный учебник (в разработке) на основе моего курса по анализу данных для экономистов по ссылке.

2️⃣ Python для программистов

Свободный учебник (в разработке) на основе моего курса по языкам программирования по ссылке.

3️⃣ Сообщество преподавателей Python

Я преподаю Python в школах, вузах и на различных курсах более пяти лет.
И я искренне верю, что только объединив усилия, мы сделаем преподавание ИТ в России лучше.
Именно поэтому я хочу создать сообщество преподавателей Python для поддержки, обмена идеями и полезными материалами.
Подробности по ссылке.