Коллега в одном из рабочих чатов поделился ссылкой на периодическую таблицу методов визуализации - https://www.visual-literacy.org/periodic_table/periodic_table.html

Наконец-то! Танцор теперь спасён!!!

🔥 Базовая Шпаргалка по Pandas 🔥

Pandas - один из самых основных и важных инструментов для работы с данными в Python. Он предоставляет множество удобных функций для загрузки, обработки, и анализа данных.

Мы собрали шпаргалку, в которой все основные функции, которые пригодятся вам в повседневной работе с Pandas:

✅ Импорт данных: Загрузка данных из разных источников.

✅ Исследование данных: Ознакомление с данными, просмотр первых и последних строк, получение информации о типах данных.

✅ Извлечение информации из датафреймов: Выбор столбцов и строк, выполнение различных операций.

✅ Добавление и удаление данных: Добавление новых столбцов и строк, удаление лишних данных.

✅ Фильтрация: Выбор данных по условию, множественные условия.

✅ Сортировка: Сортировка данных по столбцам, множественная сортировка.

✅ Агрегирование: Группировка данных, вычисление статистических показателей, подсчет уникальных значений.

И для удобства мы сделали для вас notebook 😊

Сохраняйте и пользуйтесь 👇

https://colab.research.google.com/drive/1XOF8oQB3kzs0Yxt17XdtGy8IFNudvp4c?usp=sharing

Если у вас есть какие-либо дополнения, не стесняйтесь оставлять в комментариях! 🐼

#python #pandas

Тут Яндекс сообщил, что сделал опенсорсным DataLens. По мне, так отлично - чем больше опенсорсных инструментов доступно, тем лучше. Не вечно же с Метабейзом возиться.

Почему иногда сломанный дашборд - это хорошо?
Одна из причин - иногда только так мы можем узнать, смотрит в него кто-то или нет.

Можно возразить, что это неправильно, все должно работать корректно всегда. Но, к сожалению или к счастью, я практик, а не теоретик. И не всегда знаю, как должно быть, но немного понимаю, как работает на практике.

Бывает, к нам приходит заказчик, говорит, что нужно сделать так и эдак, ты спрашиваешь "а тебе это правда нужно?", он отвечает "ну конечно, вот затем и затем".

Ну ладно, все сделано, дашборд красивый, функциональный, на нем 100500 очень нужных и полезных графиков. И вот, как-то ты замечаешь, что пара графиков сломано. Первая мысль - надо чинить. Но опыт ведь не пропьешь (в отличие от глобуса) - оставляешь как есть. И фиксируешь дату обнаружения.

И, вот неожиданность - к тебе приходят через месяц в панике "у нас дашборд сломался".
Ты такой "да ладно..."

Кабы это произошло один или два раза, темы могло не быть. Но нет - существенно больше.

Если найдутся желающие швырнуть тапком или помидоркой (предпочитаю помидорки мягкие и сладкие, как у тещи, имейте ввиду), буду рад обсудить вопрос.

Яндекс любит давать задачи на алгоритмы на технических секциях, и аналитикам тоже. Хоть и не могу похвастать большим количеством компаний, в которые трудоустраивался, больше нигде их не встречал.
С сильным сомнением отношусь к пользе этого метода - не вижу сильной связи между успешным решением таких задач и работой в дата или продуктовой аналитике. Возможно, частично это потому, что сам когда-то провалил алгоритмическую секцию - не хватило навыка.
Обнаружил хендбук по алгоритмам. Может, кому пригодится. А если кто-то планирует трудоустроиться в Яндекс, то тем более не повредит.
И помним про старый добрый литкод, на котором тоже можно неплохо попрактиковаться задачах на алгоритмы.

Существует немало фреймворков приоритизации гипотез. Поговорю про RICE, ICE. Не буду подробно разбирать механику, плюсы и минусы, а придерусь к параметру C - Confidence (уверенность), как, по моему мнению, самому слабому месту.

Как-то посмотрел на последние фичи, появившиеся в продукте, и заинтересовался, а почему именно эти, а не другие, так как показалось, что они какие-то сомнительные. Поговорил с продакт-менеджером и узнал, что используется RICE, он также показал оценки за последние несколько месяцев. Меня впечатлило, что по всем из них Confidence 75%-100%. Вопрос, почему так много, остался без внятного ответа.

При этом вижу, что фичи по этим гипотезам не то, чтобы сильно зашли пользователям. Т.е. фичи, уверенность в которых была 100%, легко могли провалиться. И, например, из 10 гипотез могло быть успешными только 3. Получается конверсия в 30%.

Собственно, к чему я это. Вполне можно в качестве Confidence использовать не наши влажные фантазии (75%-100%). А реальные результаты за последние 3 или 6 месяцев, те же 30%, которые будут своеобразной оценкой качества гипотез. Это может добавить осознанности оценки гипотезы. О она станет более объективной.

Уровень душноты аналитика просто зашкаливает. Сразу понятно, что это минимум сеньор.

После ММ прошло полторы недели, и, думаю, меня не обвинят в проплаченности.
На хорошо не скажешь плохо - одна из моих самых любимых поговорок.
По моему скромному мнению, всё прошло отлично, очень атмосферно. И куча прекрасных докладов. Всем причастным спасибо.
В ближайшие недели предстоит потихоньку препарировать материалы. О том, что более всего привлекло внимание, буду пописывать.

С алгоритмами в духе LeetCode на собеседованиях пора кончать / Хабр
https://habr.com/ru/companies/productivity_inside/articles/777566/

Не упущу возможности признаться в любви к алгоритмам

Леша Никушин в аналитическом чате прислал ссылку на исследование, посвященное ожиданиям сотрудника от компании. Можно обсуждать репрезентативность, методику, корректность ответов, но, в любом случае, это очень интересная информация в разрезе HR-бренда.
Собственно, исследование.

Кликнул на кликбейтный заголовок и прочитал полностью статью про плюсы и минусы удаленки. Хоть тема уже не нова, но, тем не менее, актуальна. Описанное универсально для большинства айтишных профессий. И в комментариях вполне себе дискуссия.
Меня умиляет коврик для мыши (понятно, что определяет покрытие стола, но все же).

Собралась небольшая подборка Аналитических митапов Авито:
- https://www.youtube.com/watch?v=xlrSaV66-HU
- https://www.youtube.com/watch?v=FX6DiU7dzw4
- https://www.youtube.com/watch?v=1FHv4tSEMHU
- https://www.youtube.com/watch?v=l4f7XpA1YnU
- https://www.youtube.com/watch?v=eBIDBthgK4c
- https://www.youtube.com/watch?v=O9XrtymFdxw
- https://www.youtube.com/watch?v=0ELcEy-yqjw
- https://www.youtube.com/watch?v=OZBuyVPk7jc
- https://www.youtube.com/watch?v=-yt_S6UWPgU
- https://www.youtube.com/watch?v=Uy1pertrnOQ

Прекрасно, когда в качестве главных показателей работы той или иной рекламной системы оценивают в CTR или, еще лучше, охвате. Да, есть рекламные кампании, которые настроены, например, на знакомство с новым брендом или продуктом.
Но, когда мы говорим про контекстную рекламу (Яндекс Директ, Google Ads и им подобные) никакой CTR не может быть мерилом успеха. Он всего лишь показывает привлекательность объявления. А качество измеряем в конверсии в заявку, заказ (выкупленный заказ), целевой звонок, сюда же всякие показатели маржинальности.
Спасибо, кеп, скажете вы.
Однако нам всем приходится (приходилось) встречаться с отделом маркетинга, который на красивых слайдах презентации результатов рекламных кампаний показывает статистику показов, кликов, CTR. А данных о конверсиях и деньгах там нет. Почему же? Может, потому что их нет. И на вопрос - А что с конверсиями нам впаривают что-то такое.

Хм

Курс про Apache Airflow бесплатно

Решил выложить свой курс про Apache Airflow абсолютно бесплатно для всех: Apache Airflow 2.2: практический курс
За то время что существует курс, Apache Airflow успел обрасти множеством новых фич, которые только предстоит покрыть в будущем, возможно в виде отдельных роликов на Ютуб или в виде статей у себя в блоге.

В любом случае курс не потерял своей актуальности и может послужить неплохим введением для новичков и более опытных пользователей. Например, в курсе я подробно разбираю как развернуть у себя на сервере production-ready Airflow, а также настроить автодеплой дагов через GitHub Actions.

Велком!

Немного NSM-скептики.
И это не Неймар-Суарес-Месси. Я про North Star Metric.

Иногда слышу-читаю что-то типа "какая у нас north star". И всегда первая реакция - "а почему тебе нужна именно одна самая главная-главная-главная" метрика?
Оговорюсь сразу, имею ввиду, что концепция NSM предполагает одну главную метрику, ведь Северная звезда у нас одна. Если у нас 2 главных метрики, то это уже не NSM.

В чебурнете интернете есть куча статей на тему того, что такое North Star Metric, как выбрать, плюс интересные примеры.
По моему скромному мнению NSM очень редко применима. А для большинства продуктов может быть просто вредна, в силу подверженности любой метрики хаканию. Если у нас одна метрика главная, почти всегда ее можно хакнуть. И руководители продукта, думая, что развивают его, в действительности просто закапывают.

Быстрые примеры NSM из статей и слабая сторона:
- Для соцсетей - число активных пользователей в день. А если они все проводят по 1 секунде в день?
- Для месседжера - число отправленных сообщений. Если 5% пользователей отправил 95% сообщений, как нам это поможет?
- Для медиа - общее время чтения. То же самое - если 5% пользователей сделаю 95% LTV? А что с количеством статей на сессию/юзера?
- Для интернет-магазина - LTV. А сколько у нас покупателей? А выбросы?
- Онлайн-сервисы - retention. А сколько у нас пользователей в когортах?

В таких случаях нам нужны дополнительных метрики, чтобы компенсировать и сбалансировать. Тогда уже и не хакнешь особо.

При этом, повторюсь, не говорю, что NSM всегда плохо. Просто не нужно увлекаться и думать головой. Не нужно бросаться строить дерево или пирамиду метрик. Или пытаться что-то бездумно скопировать у конкурентов со словами "они же не дураки!". Точно?

В общем, когда нам нужно построить какую-то структуру метрик, садимся, думаем, подбираем то, что подходит именно нам.

Если соврал и NSM так хороша, как о ней пишут в статьях и универсально применима, предлагаю швырнуть в меня чем-нибудь. При этом не забываем, что это именно мое мнение, исходя из того, что вижу, слышу, читаю, и я его никому не навязываю 💦