Почему мы идем в Data Lakehouse?
В этом посте мы рассмотрим варианты построения аналитического хранилища данных и представим концепцию Data Lakehouse.
Хранилище данных — это ядро аналитической платформы, которое состоит из 6 компонентов:
- Storage — собственно, где хранятся данные.
- Storage Engine — движок, отвечающий за физическую оптимизацию хранения данных.
- Compute Engine — движок, отвечающий за выполнение запросов и обработку данных.
- Catalog — система хранения метаданных (таблицы, схемы).
- Table Format — система, обеспечивающая SQL-like синтаксис работы с табличными данными.
- File Format — формат хранения данных (колоночные, строковые, ...).
Первая концепция Data Warehouse (DWH) появилась еще в 1980-х годах. В концепции описанные выше компоненты содержатся в одной коробке и максимально заточены друг под друга. Такой вариант удобен для аналитика: единая точка входа, хорошо работают аналитические запросы, просто управлять данными, схема валидируется при записи. При этом DWH редко приспособлен для решения data science задач: не приспособлен к ML-нагрузке и хранит только структурированные данные. С точки зрения администратора такое хранилище легко конфигурировать, при этом оно лишено гибкости. Один из главных недостатков — на больших объемах хранилище слишком дорого масштабировать (Compute и Storage движки соединены), подменить Compute — нельзя, всё закрыто через вендор-лок.
В 2011 году компания Pentaho представила подход Data Lake. Это парадоксально, но в таком подходе в хранилище отсутствует Storage Engine. Как преимущество — данные хранятся в открытых форматах и на дешевом железе, в хранилище может быть несколько Compute Engine (решается проблема масштабирования). Также Data Lake отлично заточен на решение data science задач: он хранит неструктурированные данные и приспособлен к ML-нагрузке. При этом такое хранилище существенно сложнее поддерживать: нужно выбирать, собирать и затачивать друг под друга компоненты. Аналитику приходится работать с неструктурированными данными и мириться с плохим перформансом запросов по сравнению с DWH.
Следующей революцией в мире аналитических хранилищ данных стала парадигма Data Lakehouse. В эту сторону двигались некоторые Big Tech компании, а термин ввели Jellyvision в 2017 году. Из названия мы понимаем, что этот подход призван совместить плюсы двух предыдущих концепций. Lakehouse предоставляет DWH-like интерфейс, предоставляет сопоставимую скорость выполнения запросов. При этом интерфейс построен на открытых технологиях, дешевом железе и приспособлен для ML-задач, как Data Lake. Разумеется, такой подход сложнее с точки зрения администрирования, но это стоит того, в особенности на больших объемах.
Хотите узнать подробнее про наш Data Lakehouse? Ставьте 👍
#Databases
В этом посте мы рассмотрим варианты построения аналитического хранилища данных и представим концепцию Data Lakehouse.
Хранилище данных — это ядро аналитической платформы, которое состоит из 6 компонентов:
- Storage — собственно, где хранятся данные.
- Storage Engine — движок, отвечающий за физическую оптимизацию хранения данных.
- Compute Engine — движок, отвечающий за выполнение запросов и обработку данных.
- Catalog — система хранения метаданных (таблицы, схемы).
- Table Format — система, обеспечивающая SQL-like синтаксис работы с табличными данными.
- File Format — формат хранения данных (колоночные, строковые, ...).
Первая концепция Data Warehouse (DWH) появилась еще в 1980-х годах. В концепции описанные выше компоненты содержатся в одной коробке и максимально заточены друг под друга. Такой вариант удобен для аналитика: единая точка входа, хорошо работают аналитические запросы, просто управлять данными, схема валидируется при записи. При этом DWH редко приспособлен для решения data science задач: не приспособлен к ML-нагрузке и хранит только структурированные данные. С точки зрения администратора такое хранилище легко конфигурировать, при этом оно лишено гибкости. Один из главных недостатков — на больших объемах хранилище слишком дорого масштабировать (Compute и Storage движки соединены), подменить Compute — нельзя, всё закрыто через вендор-лок.
В 2011 году компания Pentaho представила подход Data Lake. Это парадоксально, но в таком подходе в хранилище отсутствует Storage Engine. Как преимущество — данные хранятся в открытых форматах и на дешевом железе, в хранилище может быть несколько Compute Engine (решается проблема масштабирования). Также Data Lake отлично заточен на решение data science задач: он хранит неструктурированные данные и приспособлен к ML-нагрузке. При этом такое хранилище существенно сложнее поддерживать: нужно выбирать, собирать и затачивать друг под друга компоненты. Аналитику приходится работать с неструктурированными данными и мириться с плохим перформансом запросов по сравнению с DWH.
Следующей революцией в мире аналитических хранилищ данных стала парадигма Data Lakehouse. В эту сторону двигались некоторые Big Tech компании, а термин ввели Jellyvision в 2017 году. Из названия мы понимаем, что этот подход призван совместить плюсы двух предыдущих концепций. Lakehouse предоставляет DWH-like интерфейс, предоставляет сопоставимую скорость выполнения запросов. При этом интерфейс построен на открытых технологиях, дешевом железе и приспособлен для ML-задач, как Data Lake. Разумеется, такой подход сложнее с точки зрения администрирования, но это стоит того, в особенности на больших объемах.
Хотите узнать подробнее про наш Data Lakehouse? Ставьте 👍
#Databases
👍63🔥7❤6🥱3
Как провести эксперимент в офлайне на высоконагруженном сервисе или переиспользовать его внутреннюю логику для аналитики и ML?
Ваня Ахлестин, наш биг-дата инженер, в статье расскажет, как вписать кусочек сервиса на Go в стандартный бигдата батч-стек в виде Kafka/Hadoop/PySpark. Для этого он приготовил демо-проект, который сможет переиспользовать каждый.
Ваня Ахлестин, наш биг-дата инженер, в статье расскажет, как вписать кусочек сервиса на Go в стандартный бигдата батч-стек в виде Kafka/Hadoop/PySpark. Для этого он приготовил демо-проект, который сможет переиспользовать каждый.
🔥8👍4👌3
Как строить план развития, когда ты тимлид?
Всем привет, я Денис Пехтерев, руководитель команды аналитики в блоке монетизации.
Сегодня я решил поделиться с вами тем, как подхожу к формированию своего индивидуального плана развития (ИПР) как менеджер.
Зачем я это делаю?
Это регулярный процесс рефлексии, который заставляет меня собрать обратную связь, переработать её и наложить на свои будущие проекты. Следовательно помогает мне куда эффективнее реализовывать те проекты, в которых я заинтересован, а значит и расти в компании.
Что конкретно делаю?
1. Собираю обратную связь у руководителя и бизнес партнёров (UL, CL) по тому, чего мне не хватает и наоборот, где мои сильные стороны.
У ребят на моей роли и следующей узнаю, что полезного они проходили, слушали, читали за последние 2 года, что им помогло в работе;
2. Смотрю на карту компетенций менеджеров, а именно, какие вещи мне нужно прокачивать на следующей роли vs моя текущая роль;
3. Накладываю п.1 и п.2 на тот список проектов, который у меня есть в OKR. Это помогает мне понять, а как я могу реализовать недостающие компетенции и прокачать свои слабые/сильные стороны через призму имеющихся на столе проектов;
4. Вместе с руководителем (или сам) структурирую получившееся в п.1/п.2/п.3 и стараюсь выделить общие паттерны.
Пример: мне с руководителем предстоит написать стратегию + моему бизнес партнёру, продуктовому лиду, нужен будет кусок аналитической стратегии. Окей, записываю в свой план: стратегическое мышление/видение, составление стратегии.
Пример 2: Люблю делиться знаниями, т.к. это помогает их лучше переварить. Соответственно собирался выступать во вне в этом полугодии (ведущим, подкаст и ост) - прошёл курс по Публичным выступлениям (внутренний Авито, он реально топ).
5. Обращаюсь к TnD партнёру, у нас это прекрасная Аня. К ней я прихожу с:
a. С названием курсов, если сам собрал у коллег ОС, что они крутые;
b. С названием компетенций, которые я хочу прокачать;
c. С общими проблемами, которые я хочу закрыть.
6. Далее Аня уходит за подбором курсов/менторов под те точки роста, которые я выделил выше. Когда Аня возвращается со списком, мы вместе определяем:
— Их приоритетность, т.к. решать в итоге мне, что выбирать из меню тех возможностей, которые TnD партнёр мне озвучил;
— Понимаю их влияние на рост людей по отзывам/комментариям тех, кто их проходил. Отсюда понимаю, подходит ли формат лично мне;
— Оцениваю вместимость этих активностей в меня - успею ли я везде со всеми проектами.
7. Выбираю курсы и прохожу до конца!
Если я понимаю из п.1-п.4 свою мотивацию (= новые навыки, рост в компании), в п.5/6 мне их подобрали, и я подписался - значит теперь я комичусь их проходить и выносить максимальную пользу.
При этом бывают и случаи, когда из всего курса я не слушал только 2 модуля из 4. Да, значит я послушаю только их, остальные закрою на прошлых навыках, ведь время у меня не резиновое.
Поделюсь подборкой курсов для аналитиков в следующем посте, до встречи!
#analytics
Всем привет, я Денис Пехтерев, руководитель команды аналитики в блоке монетизации.
Сегодня я решил поделиться с вами тем, как подхожу к формированию своего индивидуального плана развития (ИПР) как менеджер.
Зачем я это делаю?
Это регулярный процесс рефлексии, который заставляет меня собрать обратную связь, переработать её и наложить на свои будущие проекты. Следовательно помогает мне куда эффективнее реализовывать те проекты, в которых я заинтересован, а значит и расти в компании.
Что конкретно делаю?
1. Собираю обратную связь у руководителя и бизнес партнёров (UL, CL) по тому, чего мне не хватает и наоборот, где мои сильные стороны.
У ребят на моей роли и следующей узнаю, что полезного они проходили, слушали, читали за последние 2 года, что им помогло в работе;
2. Смотрю на карту компетенций менеджеров, а именно, какие вещи мне нужно прокачивать на следующей роли vs моя текущая роль;
3. Накладываю п.1 и п.2 на тот список проектов, который у меня есть в OKR. Это помогает мне понять, а как я могу реализовать недостающие компетенции и прокачать свои слабые/сильные стороны через призму имеющихся на столе проектов;
4. Вместе с руководителем (или сам) структурирую получившееся в п.1/п.2/п.3 и стараюсь выделить общие паттерны.
Пример: мне с руководителем предстоит написать стратегию + моему бизнес партнёру, продуктовому лиду, нужен будет кусок аналитической стратегии. Окей, записываю в свой план: стратегическое мышление/видение, составление стратегии.
Пример 2: Люблю делиться знаниями, т.к. это помогает их лучше переварить. Соответственно собирался выступать во вне в этом полугодии (ведущим, подкаст и ост) - прошёл курс по Публичным выступлениям (внутренний Авито, он реально топ).
5. Обращаюсь к TnD партнёру, у нас это прекрасная Аня. К ней я прихожу с:
a. С названием курсов, если сам собрал у коллег ОС, что они крутые;
b. С названием компетенций, которые я хочу прокачать;
c. С общими проблемами, которые я хочу закрыть.
6. Далее Аня уходит за подбором курсов/менторов под те точки роста, которые я выделил выше. Когда Аня возвращается со списком, мы вместе определяем:
— Их приоритетность, т.к. решать в итоге мне, что выбирать из меню тех возможностей, которые TnD партнёр мне озвучил;
— Понимаю их влияние на рост людей по отзывам/комментариям тех, кто их проходил. Отсюда понимаю, подходит ли формат лично мне;
— Оцениваю вместимость этих активностей в меня - успею ли я везде со всеми проектами.
7. Выбираю курсы и прохожу до конца!
Если я понимаю из п.1-п.4 свою мотивацию (= новые навыки, рост в компании), в п.5/6 мне их подобрали, и я подписался - значит теперь я комичусь их проходить и выносить максимальную пользу.
При этом бывают и случаи, когда из всего курса я не слушал только 2 модуля из 4. Да, значит я послушаю только их, остальные закрою на прошлых навыках, ведь время у меня не резиновое.
Поделюсь подборкой курсов для аналитиков в следующем посте, до встречи!
#analytics
👍21🔥13❤6
Запуск нового продвижения с красными тестами на пилоте, ещё и на 500 пользователей — как это было? Ответ на нашем НЕмитапе!
В программе доклад двух старших аналитиков продукта из команды Analytics&Monetisation, Юлии Голубевой и Евгении Мурзаевой. Расскажут обо всём в подробностях: от первых A/В-тестов в ситуациях, когда цена ошибки высока, до отслеживания результатов после масштабирования.
Полезные материалы для изучения:
Доклад «Как мы используем теорию игр и data science в монетизационных продуктах»
Доклад «Как мы запускали новую модель продвижения — матчинг»
Доклад «Аналитика нового продукта под ключ»
Статья «Causal Inference for The Brave and True - Propensity Score»
Статья «A Review of Propensity Score Modeling Approaches»
Статьи «Как улучшить ваши A/B-тесты: лайфхаки аналитиков Авито» — Часть 1 и Часть 2
В программе доклад двух старших аналитиков продукта из команды Analytics&Monetisation, Юлии Голубевой и Евгении Мурзаевой. Расскажут обо всём в подробностях: от первых A/В-тестов в ситуациях, когда цена ошибки высока, до отслеживания результатов после масштабирования.
Полезные материалы для изучения:
Доклад «Как мы используем теорию игр и data science в монетизационных продуктах»
Доклад «Как мы запускали новую модель продвижения — матчинг»
Доклад «Аналитика нового продукта под ключ»
Статья «Causal Inference for The Brave and True - Propensity Score»
Статья «A Review of Propensity Score Modeling Approaches»
Статьи «Как улучшить ваши A/B-тесты: лайфхаки аналитиков Авито» — Часть 1 и Часть 2
YouTube
НЕмитап Analytics#1 Юлия Голубева и Евгения Мурзаева – Запуск нового продвижения в Авито
Всем привет! Это новый выпуск НЕмитапа. Здесь аналитики Авито рассказывают про инструменты и подходы, которые используют в работе, и отвечают на ваши вопросы.
В этом видео старшие аналитики продукта Женя Мурзаева и Юля Голубева аналитики Монетизации расскажут…
В этом видео старшие аналитики продукта Женя Мурзаева и Юля Голубева аналитики Монетизации расскажут…
❤6👍5👌2👎1
Команда Trisigma в Авито развивает свою платформу проведения A/B-тестов. Мы прошли большой путь: вышли на темп 4000+ экспериментов в год, из них 350+ одновременно, обрабатывая 18B+ событий в день.
А знаете, сколько времени тратят на анализ экспериментов наши аналитики? Нисколько.
Никаких секретов, только Trisigma. Это платформа автоматизации A/B-тестирования, созданная нашими инженерами. Подробнее о преимуществах и алгоритме работы Trisigma — в обзоре аналитика Артёма Дронова.
Вопросы, предложения, заявки на демо — всё принимается.
А знаете, сколько времени тратят на анализ экспериментов наши аналитики? Нисколько.
Никаких секретов, только Trisigma. Это платформа автоматизации A/B-тестирования, созданная нашими инженерами. Подробнее о преимуществах и алгоритме работы Trisigma — в обзоре аналитика Артёма Дронова.
Вопросы, предложения, заявки на демо — всё принимается.
YouTube
Trisigma: движущая сила А/Б-экспериментов | avito.code
Привет! Это avito.code. Здесь опытные инженеры Авито делятся знаниями и рассказывают про свои рабочие инструменты.
В этом видео аналитик команды АБ-тестирования Артём Дронов расскажет о внутренней разработке Авито — платформе Trisigma. Артём проведёт обзор…
В этом видео аналитик команды АБ-тестирования Артём Дронов расскажет о внутренней разработке Авито — платформе Trisigma. Артём проведёт обзор…
🔥26❤18👌1
Avito Data Tech
Команда Trisigma в Авито развивает свою платформу проведения A/B-тестов. Мы прошли большой путь: вышли на темп 4000+ экспериментов в год, из них 350+ одновременно, обрабатывая 18B+ событий в день. А знаете, сколько времени тратят на анализ экспериментов наши…
Не отходя далеко: в команду разработки Trisigma очень ищут старшего аналитика данных.
Вкратце, что предстоит сделать:
➡️ Создавать простые интерфейсы для сложных задач.
➡️ Реализовывать теоретические идеи в реальные решения.
➡️ Разрабатывать аналитический движок и язык метрик.
➡️ Развивать BI-аналитику с помощью LLM и работать с big data технологиями (Trino, Iceberg, Clickhouse).
➡️ Обучать пользователей (аналитиков, продактов) работать с платформой и делиться экспертизой.
Вкратце, что предстоит сделать:
Please open Telegram to view this post
VIEW IN TELEGRAM
Avito
Старший аналитик данных в команду AB-платформы
Присоединяйся к команде Авито на позицию «Старший аналитик данных в команду AB-платформы» в городе Москва. Работа в сильной команде, гибкий график, расширенный ДМС, высокие зарплаты, карьерный рост и реальный вклад в продукт. Мы создаём технологии для миллионов…
👍17😍3👌1
Всем привет! На связи снова Денис Пехтерев, TL команды аналитики. Сегодня хочется обсудить тему видимости команды как внутри своей доменки (для заказчиков), так и вне своей команды.
Этот пост будет полезен тем, кто хочет рассказать о себе и команде как внутри компании, так и снаружи. Отсюда же потенциальные кандидаты смогут увидеть команду и захотят попасть именно к вам, что упрощает/ускоряет найм.
Начнём с того, что видимость можно представить как охватную историю (Денис аналитик зашёл в чат), поэтому и качать её нужно аналогично. Желательно с наименьшими трудозатратами, чтобы она была производной всей вашей аналитической деятельности.
Для этого мы используем следующий полезный фреймворк:
📎 Нашёл сложную задачу ➡️ Посидел и качественно решил её ➡️ Оформил по всем внутренним шаблонам ➡️ Рассказал на Демо внутри доменки ➡️ Рассказал внутри Авито на всех аналитиков ➡️ Рассказал на внешних площадках.
Почему работает?
Потому что на каждом этапе ты получаешь награду за хорошее выполнение + тебе это интересно (раз ты аналитик), все шаги находятся в логичном порядке и делая качественно предыдущий шаг — тебе будет легче и проще сделать следующий.
Этот фреймворк мы зашиваем в каждую масштабную задачу своей команды. Как итог мы получаем максимальный ROI = выхлоп/затраченные ресурсы.
Напишите, как действуете вы вместе с командой в треде, обсудим!
Этот пост будет полезен тем, кто хочет рассказать о себе и команде как внутри компании, так и снаружи. Отсюда же потенциальные кандидаты смогут увидеть команду и захотят попасть именно к вам, что упрощает/ускоряет найм.
Начнём с того, что видимость можно представить как охватную историю (Денис аналитик зашёл в чат), поэтому и качать её нужно аналогично. Желательно с наименьшими трудозатратами, чтобы она была производной всей вашей аналитической деятельности.
Для этого мы используем следующий полезный фреймворк:
Почему работает?
Потому что на каждом этапе ты получаешь награду за хорошее выполнение + тебе это интересно (раз ты аналитик), все шаги находятся в логичном порядке и делая качественно предыдущий шаг — тебе будет легче и проще сделать следующий.
Этот фреймворк мы зашиваем в каждую масштабную задачу своей команды. Как итог мы получаем максимальный ROI = выхлоп/затраченные ресурсы.
Напишите, как действуете вы вместе с командой в треде, обсудим!
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Reflexions | Pekhterev D
Pekhterev Denis, Division Lead Monetization at Avito.
Про карьеру, жизнь и не только 👨💻 📸 👾
Про карьеру, жизнь и не только 👨💻 📸 👾
❤14🔥6👍5🆒3
Всем привет! Продукт Авито Недвижимости активно растет - у нас появляется все больше направлений, в которых мы развиваемся. В связи с этим мы ищем талантливых ребят, которые усилят нашу аналитическую команду и помогут нам в достижении наших целей.
🚀 Где посмотреть команды, куда мы ищем людей? Собрали для вас в одном месте описание наших вакансий. Если вам откликнулась одна из вакансий Авито путешествий, пишите @moiseevavera5, по всем остальным - @iri_vovk.
🚀 Почему у нас классно? Рассказали про это в статье «Почему в Авито сильная аналитическая культура: 6 главных принципов команды Недвижимости».
Please open Telegram to view this post
VIEW IN TELEGRAM
basalt-grouse-ec5 on Notion
Вакансии на аналитика данных и BI-разработчиков в Авито Недвижимость | Notion
Аналитик данных в Trust&Safety в категорию долгосрочной аренды
🤩11👍6❤3❤🔥1
Всем привет!
Денис Пехтерев снова с вами, сегодня делюсь обещанными курсами/книгами из предыдущего поста про развитие😀
Сам использую для развития и могу рекомендовать:
1. Книги. При том, что я обожаю Kindle, печатные книги отлично переводят дух и дают отдохнуть глазам. Также я много и активно в них выделяю, интересное записываю в заметках на iPhone (выписываю batch(ом) в Notion/Anki, когда собираюсь закончить читать).
1) Ментальный рост:
🗂 The Daily Stoic - каждый день тебе предлагается 1 философская мысль, каждый день рефлексируешь и отмечаешь какие-то вещи про себя из собственного опыта (самый важный кусок) и чувствуешь, как становишься лучше. Мне помогла найти полезные паттерны, которые стали принципами.
🗂 Atomic Habits - про цикл формирования привычки с 0 до 100%, книга научила меня проходиться по этим этапам, рождая полезные привычки, параллельно убирая из повседневной жизни плохие. Люди вокруг замечают улучшения, что также делают оценку объективнее.
2) Работа с командой и стрессом:
🗂 «Идеальный руководитель» Ицхака Адизеса — кажется, что я дошёл до тех же мыслей на собственной шкуре относительно формирования команды и ролей её участников, но всё же фундамент моих убеждений эта книга помогла сформировать.
🗂 «The Happiness Advantage» — читается быстро, книга про методы управления стрессом и то, как с улыбкой относиться почти ко всем новостям, видя в них больше возможностей. Согласитесь, когда видишь больше возможностей - больше хочется идти вперёд.
3) Про жизнь и рефлексию:
📌 GreenLights Мэттью Макконахи — эта книга +1 к рефлексиии о жизни, как отдушина современному миру. Точно душевно восстанавливает, точно есть смешные моменты, которые отмечаешь и в своей жизни!
📌 В прошлом году Skyeng и iTalki брал, в этом решил повторить для поддержания уровня владениям языком.
📌 Психолог — понимаю, что менеджерская зрелость также упирается и в какие-то мои внутренние установки. Долго искал своего психолога, собрал кучу трэшовых историй, но нашёл того самого и мы успели за 3 сеанса столько вещей обсудить/проработать, что до сих пор под впечатлением)
Материалы на новый год обучения
1. Список книг к прочтению:
➡️ Докачиваю навык публичных выступлений:
- Принцип пирамиды Минто. Золотые правила мышления, делового письма и устных выступлений Барбара Минто.
➡️ Ментальный рост:
- Поток: Психология оптимального переживания.
➡️ Про прокачку мышления:
- Геймдизайн: Как создать игру, в которую будут играть все;
- Timothy Ferriss: Tools of Titans.
➡️ Художественная рагрузка после рабочего дня:
- книги Курта Ваннегута, начал с Сирены титана.
2. Закупил ChatGPT+, т.к. много где можно использовать, в том числе при написании и вычитки доков, изучении языков;
3. Пройду тест Хогана, сформулирую свои точки роста с коучем.
Важно, что это книги, которые советовали/интересны лично мне из разных подкастов/обсуждений *(не является индивидуальной инвестиционной рекомендацией)*.
p.s. Также я написал python-скрипт, который позволяет мне импортировать все заметки из книг Kindle/iBooks (pdf формат) в Anki/Notion. Пишите в тред, если вам будет полезен — красиво оберну его в течение месяца и опубликую!
#analytics
Денис Пехтерев снова с вами, сегодня делюсь обещанными курсами/книгами из предыдущего поста про развитие
Сам использую для развития и могу рекомендовать:
1. Книги. При том, что я обожаю Kindle, печатные книги отлично переводят дух и дают отдохнуть глазам. Также я много и активно в них выделяю, интересное записываю в заметках на iPhone (выписываю batch(ом) в Notion/Anki, когда собираюсь закончить читать).
1) Ментальный рост:
2) Работа с командой и стрессом:
3) Про жизнь и рефлексию:
Материалы на новый год обучения
1. Список книг к прочтению:
- Принцип пирамиды Минто. Золотые правила мышления, делового письма и устных выступлений Барбара Минто.
- Поток: Психология оптимального переживания.
- Геймдизайн: Как создать игру, в которую будут играть все;
- Timothy Ferriss: Tools of Titans.
- книги Курта Ваннегута, начал с Сирены титана.
2. Закупил ChatGPT+, т.к. много где можно использовать, в том числе при написании и вычитки доков, изучении языков;
3. Пройду тест Хогана, сформулирую свои точки роста с коучем.
Важно, что это книги, которые советовали/интересны лично мне из разных подкастов/обсуждений *(не является индивидуальной инвестиционной рекомендацией)*.
p.s. Также я написал python-скрипт, который позволяет мне импортировать все заметки из книг Kindle/iBooks (pdf формат) в Anki/Notion. Пишите в тред, если вам будет полезен — красиво оберну его в течение месяца и опубликую!
#analytics
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Reflexions | Pekhterev D
Pekhterev Denis, Division Lead Monetization at Avito.
Про карьеру, жизнь и не только 👨💻 📸 👾
Про карьеру, жизнь и не только 👨💻 📸 👾
🔥28❤7👎3👌3
Сегодня Дасаев Гарри, старший аналитик в команде Marketplace Seller в Авито, делится своим опытом взаимодействия с командой DWH. В статье можно узнать, как выстроено взаимодействие DWH и аналитики в Авито, а также почерпнуть советы из практического опыта, как правильно планировать работу с хранилищем данных, чтобы не утонуть в задачах и не сломать всё на свете
#DWH
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegraph
Опыт работы с DWH в Авито: История аналитика и важные принципы взаимодействия
Работа аналитика в компании, такой как Авито, требует не только умения анализировать данные, но и тесного взаимодействия с системами, отвечающими за хранение и обработку данных. В этой статье я поделюсь своим опытом взаимодействия с командой DWH (Data Warehouse)…
🔥21👍7👎3🙏3
Всем привет 😀
Записал видео на тему выгорания для тимлидов и аналитиков. В нём поделился своим подходом, который поможет не только самому справиться с этим, но и поддержать вашу команду.
🔍 Рассказал о метриках и признаках, по которым можно выявить выгорание, и предложил простые шаги для восстановления баланса в трёх ключевых сферах: умственной, духовной и физической.
Рекомендации уже помогли мне и моей команде, и теперь могут быть полезны вам.
Если вам интересно будет их обсудить - приходите в личку: https://news.1rj.ru/str/mr_pekhterev
Записал видео на тему выгорания для тимлидов и аналитиков. В нём поделился своим подходом, который поможет не только самому справиться с этим, но и поддержать вашу команду.
Рекомендации уже помогли мне и моей команде, и теперь могут быть полезны вам.
Если вам интересно будет их обсудить - приходите в личку: https://news.1rj.ru/str/mr_pekhterev
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
Выгорание. Как спасти себя и свою команду | У микрофона Денис Пехтерев
Денис Пехтерев, руководитель команды аналитики продвижения и размещения товаров, рассказывает о выгорании: симптомах, вариантах решения не только для себя, но и для команды.
00:00 | Вступление
00:40 | Как выглядит выгорание
3:25 | Что делать с симптомами…
00:00 | Вступление
00:40 | Как выглядит выгорание
3:25 | Что делать с симптомами…
🔥12👍8👏3🐳2
Всем привет!
Совсем скоро на SmartData мы расскажем, как у себя в Redash сокращали TTM создания дашбордов.
Встречаемся 8 сентября в 10:45
Совсем скоро на SmartData мы расскажем, как у себя в Redash сокращали TTM создания дашбордов.
Встречаемся 8 сентября в 10:45
SmartData 2024. Конференция по инженерии данных
Как мы сократили TTM создания дашбордов | Доклад на SmartData 2024
Расскажу, с какими проблемами столкнулись пользователи при создании дашбордов в Redash. Обсудим, почему создание дашбордов в Redash занимает много времени; какие возникли ограничения из-за использования Vertica в качестве основы DWH; как мы в начале использовали…
🔥18👍6🦄2
Чтобы привлекать ликвидность из внешних рекламных платформ, мы отправляем в рекламные системы целевые события. Системы используют эти данные в рамках realtime-аукциона за пользователя.
А чтобы избежать 3rd party-маркетингового кода внутри фронта и мобильных приложений, а также дать возможность обогащать данные аналитическими моделями, мы разработали сервис под названием Marketing Manager.
С его помощью мы уменьшили ТТМ по заведению экспорта с двух месяцев до нескольких дней и обеспечили гарантию ботной очистки потока за счёт онлайн антибота.
Подробнее об инструменте — в хабрастатье Вячеслава Сухорукова, бекэнд-инженера департамента разработки Analytics Platform.
А чтобы избежать 3rd party-маркетингового кода внутри фронта и мобильных приложений, а также дать возможность обогащать данные аналитическими моделями, мы разработали сервис под названием Marketing Manager.
С его помощью мы уменьшили ТТМ по заведению экспорта с двух месяцев до нескольких дней и обеспечили гарантию ботной очистки потока за счёт онлайн антибота.
Подробнее об инструменте — в хабрастатье Вячеслава Сухорукова, бекэнд-инженера департамента разработки Analytics Platform.
Хабр
Как мы переиспользовали платформенную аналитику для упрощения работы
Привет, Хабр! Меня зовут Вячеслав Сухоруков, я бекэнд-инженер департамента разработки Analytics Platform в Авито . В этой статье я рассказываю о том, как мы написали сервис Marketing Manager (ММ)...
👍13❤8🔥7😍1
Please open Telegram to view this post
VIEW IN TELEGRAM
6 выпуск 5 сезона
#060 ML Егор Самосват. Монетизация, рекомендации и при чем здесь ML — Подкаст «Machine Learning Podcast»
В гостях выпуска Егор Самосват - руководитель юнита эффективности монетизации Авито. Разговариваем о том, что такое монетизация и как машинное обучение позволяет находить оптимальный баланс между "заработать побольше" и "принести пользу". Почему долг
🔥8❤6👍2👌2