26 главных вопросов, на которые нужно ответить прежде, чем начать делать дашборд:
https://blog.hubspot.com/marketing/marketing-dashboard-questions

via @ProductAnalytics

​​В Google Data Studio (пока что) нет встроенных статистических функций, например, которые позволяют убедиться, что анализируемые данные получены не случайно. Нашел статью, где с помощью Community visualizations эту проблему решили и выложили в открытый доступ визуализацию с расчетом статистической значимости метрик по методу хи-квадрат. Как этим пользоваться и как добавить в свой дашборд такое решение — по ссылке: http://bit.ly/2MJzNW4.

via @WebAnalyst

Это 1й (насколько мне известно) развернутый сравнительный анализ российской национальной стратегии развития ИИ с аналогичными стратегиями других стран. Моей целью была попытка понять, каково может быть место России в мире ИИ лет через 10, когда завершится реализация принятых национальных ИИ-стратегий России и прочих стран. Для 14 стран, включая Россию, были детально проанализированы:
• текущее положение и потенциал в сфере ИИ;
• уровень проработки, обоснованность и специфика принятой национальной ИИ-стратегии;
• ресурсы, планируемые выделить на реализацию ИИ-стратегии.
Этот пост резюмирует результаты проведенного анализа.
Для вдумчивого чтения потребуется полчаса. Но если просто проглядеть таблицы, графики и выводы, можно успеть и за 5 мин.
На Medium http://bit.do/fgkoY
На Яндекс Дзен https://clck.ru/JpavY
На сайте РСМД https://clck.ru/JpbXK
#ИИгонка

​​User Retention

Шаблон SQL-запроса для динамического расчета User Retention по неделям отдельно для каждой версии приложения (данные Firebase в BigQuery).

Позволяет оценить как изменения в продукте влияют на возвращаемость пользователей.

via @BigQuery

Отчетов много... бывает.

Если вы затрудняетесь с выбором отчетов в Google Analytics, которые нужно мониторить регулярно, то начните с нашего списка самых нужных 👇
https://www.owox.com/c/4fi

Лучшая мера честности диаграммы - это количество времени, которое требуется для ее "прочтения":)
Ловушки интерпретации, в которые мы легко попадаемся:
1. Трехмерные диаграммы.
-угол отображения 3d объекта может исказить наше восприятие размера и объема, что искажает значимость объекта/сектора объекта;
-утяжеление и ввод не существенных параметров в виде объема отвлекают пользователя от основных параметров.
2. Игры с категоризацией:
-если надо что-то скрыть, просто добавь воды или смежные категории:) Например, чтобы скрыть рост затрат на диаграмме по какой-то категории, можно отобразить на ней затраты на другие категории, и метрика "затеряется";
-укрупнение категории/введение "надкатегории" может скрыть аномальное поведение метрики (пример из жизни: затраты на командировки резко выросли, но, если показать вместо отдельно взятой категории все затраты на персонал, рост уже не кажется большим).
3. Выстраивание несуществующих связей:
человеческий мозг так устроен, что, если отобразить две не связанные друг с другом метрики на одной диаграмме в одних осях, мы интуитивно их свяжем между собой.
4. Изменяющиеся масштабы и "разрывы" осей на диаграмме:
-мы устроены так, что нам трудно одновременно исследовать и масштаб, и данные;
-использование разрывов осей может добавить диаграмме эстетики, но исказить сравнение данных, преувеличивая или преуменьшая проблему.
Подробности с примерами почитать тут👇:
http://m.nautil.us/issue/19/illusions/five-ways-to-lie-with-charts

Подробный гайд по передаче звонков из CoMagic в Google BigQuery по расписанию

https://habr.com/ru/post/475804/

Я редко выкладываю тут софт-статьи, чаще контент канала состоит из туториал-контента формата "скопипастил и запустил у себя"😊 Но наткнулся на очень хорошее интервью с Анатолием Карповым, автором курса по статистике на Степике. Анатолий рассказывает про онлайн-образование, про работу аналитика и про современные карьерные возможности в IT. Интересно, почитайте

https://zeh.media/praktika/intervyu/4857692-anatoly-karpov

Запись видео про автоматизацию проведения А/Б тестов: https://www.youtube.com/watch?v=r1OXJ4qWXg4

​​Импорт расходов из рекламных систем в Google Analytics — достаточно непростая задача, с кучей нюансов. Я написал статью-инструкцию как бесплатно настроить автоматический импорт расходов на Facebook Ads в Google Analytics. Цель статьи — показать простой пример автоматического импорта с открытым исходным Python-кодом, который можно кастомизировать под свой проект: http://bit.ly/33juf9T

Кстати, когда-то я уже писал о похожих решениях на R и Apps Script — https://news.1rj.ru/str/webanalyst/379.

via @WebAnalyst

Леша Селезнев опубликовал материал про работе с датами на R:

1. Работа с датами в базовом синтаксисе R
1.1. Преобразование текста в дату
1.2. Извлечение компонентов даты в базовом R

2. Работа с датами с помощью пакета lubridate
2.1. Преобразование текста в дату с помощью lubridate
2.2. Извлечение компонентов дат с помощью пакета lubridate
2.3. Арифметические операции с датами

3. Упрощённая работа с периодами, пакет timeperiodsR
3.1. Временные интервалы в timeperiodsR
3.2. Фильтрация вектора дат с помощью timeperiodsR

4. Заключение

#вкопилку

https://habr.com/ru/post/469215/

​​В сети появилось решение импорта курса валют в BigQuery с примерами SQL-запросов для работы с ними.
Free Plan позволяет настроить почасовый импорт до 1000 запросов на месяц.

via @BigQuery

Технический обзор app+web, с описанием параметров нового measurement protocol

http://bit.ly/35LsIuS

Очень важная история: мозилла продолжают развивать свой движок распознавания речи DeepSpeech, вышла версия 0.6. Важно это потому, что это общедоступный движок с подготовленными датасетами для обучения 40 разным языкам, который может работать не в облаке, а прямо на вашем железе. Производительности текущей версии хватает, чтобы распознавать речь без задержек даже на Raspberry Pi 4!

Развитие технологий очень быстро двигается сразу в двух направлениях: “все будет через стримминг на серверах” и “все будет прямо у вас на устройстве”. Интересно, что гугл и яндекс делают ставку на первое, а эппл и мозилла на второе. https://hacks.mozilla.org/2019/12/deepspeech-0-6-mozillas-speech-to-text-engine/

История из жизни про показатель отказов. Владелец интернет-магазина захотел смотреть "чистый" показатель отказов "просто так" и требовал отключить события, которые мешают этому.
https://www.facebook.com/454859268600716/posts/584328065653835/?sfnsn=scwspmo

Друзья, подписчик нашего канала создал Таблицу для учета своих активов и написал про это статью.

Вводная от меня. Основа его Таблицы — функция IMPORTXML, она позволяет вытаскивать почти любую строку из веб-страницы, вам нужно только научиться писать xpath запрос.

Таким образом вы всегда сможете собирать нужные вам котировки и другую информацию без скриптов / интеграции с АПИ.

Кстати, скриптами это делать даже сложнее — чтобы обычный parsexml из скрипта проглотил сайт, html нужно сначала обработать, экранировать экранируемое, с тегами порядок навести, с кавычками, etc.

Так что разбирайтесь, как писать xpath и пользуйтесь этой мощной функцией.

Статья: https://vc.ru/finance/92990-upravlencheskiy-uchet-lichnyh-aktivov
Таблица с портфелем: https://clck.ru/K9CLT

Полюбившийся многим аддон OWOX BI BigQuery Reports поможет вам собрать любые отчеты в Google-таблицах на данных из Google BigQuery.

Попробуйте, очень удобно и быстро. И, к тому же, бесплатно.
https://www.owox.com/c/4gn

Калькулятор unit-экономики для мобильных приложений:
https://ltvcalculator.pollen.vc/index.html

• есть возможность выбрать нишу (games, travel, health & fitness, etc);
• есть возможность сравнить с бенчмарком ниши;
• есть возможность оценить LTV, payback period и ещё получить ряд полезных статистик и рекомендаций.

via @ProductAnalytics

Наткнулся на библиотеку pomegranate. Она предоставляет ряд высокоуровневых методов для работы с вероятностными моделями: цепи Маркова, байесовские классификаторы, модели распределения вероятностей, скрытые марковские модели и ещё куча всего. Отдельный плюс библиотеки - доступная документация с множеством примеров, например, вот документация по использованию цепей Маркова со ссылкой на ноутбук с примерами.

https://pomegranate.readthedocs.io/en/latest/index.html

Оказывается QuantStack (это те товарищи, что сделали Voila и приложили большие усилия в развитию экосистемы Jupyter) сделали виджеты для работы с таблицами внутри ноутбуков. Прелесть не только в том, что можно выводить таблицы, но и редактировать в них данные, а также привязывать данные в таблицах к другим виджетам (слайдерам, инпутам и т.д.)

https://towardsdatascience.com/interactive-spreadsheets-in-jupyter-32ab6ec0f4ff

Статья, посвященная не самым распространенным методам Pandas - idxmax(), idxmin(), ne(), nlargest(). В статье приводятся интересные примеры использования этих методов при решении практических задач анализа.

https://habr.com/ru/company/ruvds/blog/479276/