Котятки🐱,
Есть такое явление, как прямая цветовая маркировка - это когда формат или цвет визуального элемента на графике повторяет реальный объект, и поэтому мы быстрее считываем график.
Сегодня случайно нашла удачный пример в статье на Harvard university, делюсь:
https://accessibility.huit.harvard.edu/data-viz-charts-graphs

👆Котятки, сегодня у меня вот такая малышка) она по продуктивности, но есть в ней нюанс - каждый метод имеет ‘Графическую репрезентацию’, и это прямо прекрасно. Отличный пример, когда график не столько отражает данные, а иллюстрирует явление) Почти data-art, но не такой богатый, как научный🐱

Котятки🐱,
За последнее время мой подход к собеседованиям резко изменился из-за ИИ. Если вы ни разу не сталкивались с ИИ-помощником по прохождению собеседований, который еще и прячется при шеринге экрана, то у вас все впереди) Итак:
1) Условие «включить камеру» в топку. Больше не помогает, - ни от списывания, ни от подмены. Прошу включать уже на этапе финала.
2) Теоретические вопросы - только в форме кейсов с ‘выбором решений’(когда существуют 2 и более метода решения вопроса, и человек обосновывает выбор паттерна/метода). Увы, все мои собранные за годы работы и собесов теоретические вопросы по BI и DWH можно выкинуть.
3) Отказ от абстрактных ответов. Раньше я скорее поощряла, когда кандидат отрывается от какого-нибудь реального кейса и может абстрактно обрисовать решение, то есть показывает, что он осознает подход. Это европейская калька сторителлинга, от теории к практике. Теперь - сначала рассказ о реальной практике, чтобы было понятно, что человек точно делал то, о чем рассказывает, а потом мб теория. Это уже американская практика.
4) Никакого онлайн кодинга. Я, увы, пока не могу обеспечить условия, когда я уверена, что человек, с которым я общаюсь - это и есть мой кодер. Кодинг заменяется серией вопросов ‘о коде’, и тоже в формате ‘что будешь делать, если’(то есть кейсы).
5) «Спиральная» динамика: вместо последовательного рассказа - выбор технологии или подхода из резюме и сквозной рассказ, где это встречалось на каждом месте работы, со сравнительным анализом и периодическим возвратом к более раннему опыту.
С чем уже столкнулась, кроме ИИ:
-скручивание опыта (сейчас уже научилась узнавать этот кейс, но раньше было тяжко, вообще не понимала мотивации)
-смещение роли: человек рассказывает в целом о процессе и технологии с использованием местоимения «мы», и так все плавно, что его роль в процессе и конкретные действия становятся не ясны, они как бы «сливаются» с действием более опытных коллег.
P.S. Ну и, наверное, актуалочка: искать нужно человека, а не навыки.

Котятки,
Когда я была юна и прекрасна, я запихнула в срез текстовое поле, которое мне казалось справочником (но только казалось). В общем, традиционно, оно оказалось свободным для заполнения текстовым полем произвольной длины.
Ну и вы поняли короче что случилось.
В итоге это привело к очень медленной фильтрации. Случаев исключения данных вроде не было, но это не проверяемо.
Решение для Power BI тут:
https://www.sqlbi.com/articles/optimizing-text-search-in-dax/
P.S. Ну а сейчас на похожем кейсе я активно пытаюсь осознать текстовый движок OpenSearch, который построен на алгоритме BM25. Короче, каждой задаче -свой движок.

Котятки🐱,
Еще немного про текстовые движки в BI. У нас в команде в свое время развлекались подкручиванием Qlik Associative Engine , что давало хорошие результаты. Ну и с тех времен у меня к любой bi-системе вопрос: что с поиском и движком?
К сожалению, в российских BI-системах оч редко кто пишет, что с этим вопросом, и лишь по косвенным признакам и проф мероприятиям можно отчем-то догадываться. Ну или ставить и непосредственно препарировать)
На что можно обратить внимание :
-есть Opensearch как компонент или Elastic - это ближе к BM25
-есть какие-то собственные AI-помощники - это либо hybrid search, либо нейросети. Я подозреваю, что где-то в Нейроаналитике Яндекса сидит кусок Палеха, но это не точно;
-если в архитектуре BI-системы есть под капотом что-то выделенное для хранения текстов, то используют движок этой конкретной БД
-ничего нет- вероятно, используются движки источника ( для тех систем, которые работают без экстрактов, то есть исполняемая среда — это система-источник)
Ну и, если есть, я всегда лезу в руководство пользователя. Например, так я узнала, что у PolyAnalyst есть TF-IDF для выжимки текста, и в целом на узлы текстового анализа у них я залипла. Наверное, это первый раз, когда я сначала читаю доки, а потом прошу триалку, а не наоборот.

Котятки🐱,
недавно я поприсутствовала на демке одного аналитического решения, и была приятно удивлена, что к своему ядру вендоры предлагают не только собственный аналитический эндпойнт, но и пачку шаблонов для популярных BI-решений.
Зачем так делают: снижают порог внедрения, «встраиваются» в уже принятый у заказчика стек и ускоряют time-to-value за счёт типовых дашбордов и моделей.
Но я бы точно ограничилась двумя кейсами, когда такой подход целесообразно использовать:
-у вас жестко стандартизовано распространение отчётности через корпоративный BI, заточенное под устойчивые data-governance практики, и нужен быстрый «мост» от ядра вендора к вашим ролям доступа.
-у вас нет экспертизы к предлагаемому вендором "родному" BI-эндпоинту с точки зрения развертывания/администрирования и нет времени ее набрать, и поэтому проще и дешевле использовать существующую в компании BI-систему, даже если внутри у вас хаос, анархия и self-service.
В остальных, пограничных, кейсах я бы рассматривала встроенный BI-компонент: чисто прагматически, на него будет распространяться техподдержка, что удобно и более-менее гарантирует, что аналитическая функция будет работать.
С точки зрения классификации, я бы отнесла такое архитектурное решение к своего рода солюшн-акселераторам в широком понимании, потому что по факту это использование наиболее распространенных в домене практик для сильного ускорения внедрения.
Про солюшн-акселераторы в широком контексте: https://www.persistent.com/blogs/streamlining-solution-development-the-power-of-solution-accelerators/
И чисто с точки зрения Big data и обработки: https://tdwi.org/articles/2021/05/14/pm-all-how-big-data-accelerators-enable-faster-cost-effective-analytics.aspx

⚡️Пошаговый план: как стать аналитиком данных в 2025

Хотите попасть в аналитику, но теряетесь в море информации и не понимаете, какие навыки действительно важны? Боитесь, что без опыта вас не возьмут на работу? И да, ещё один популярный вопрос — а что, если мне 30/40/50+ лет?

Андрон Алексанян — эксперт по аналитике с 8 летним опытом и по совместительству CEO Simulative — покажет рабочие схемы и четкий план, как устроиться в аналитику быстрее, даже если у вас нет опыта.

Что будет на вебинаре?

🟠 Разберем полный роадмап: что учить, в каком порядке, до какого уровня;
🟠 Лайфхаки трудоустройства:
— Покажем реальные примеры, как оформить резюме и портфолио, чтобы привлекать внимание;
— Обсудим какие отклики работают, а какие сразу отправляют в корзину;
— Изнанка найма: инсайдерский взгляд на процессы отбора
🟠 Практические техники для новичков: разберём, как компенсировать недостаток опыта и быстро закрывать пробелы в знаниях.

🕗 Важно досмотреть вебинар до конца, чтобы получить бонус от нас, который поможет бустануть карьеру.

😶Зарегистрироваться на бесплатный вебинар

Котятки🐱,
7 октября я пойду на РУBIКОНФ’25, но уже не как участник (чтобы вам прислать фоточку с полей), а как спикер.
О чем я буду говорить:
-о точках встраивания AI-агентов в BI как инструмент и в BI-процессы в целом
-о пользовательском опыте , когда ИИ берет на себя роли, которые раньше принадлежали людям
-в целом о переходе на answer-based аналитику.
Бонус - как меняется пользовательский опыт, когда мы переводим доверие к данным в доверие к ответам, и в каком формате должны быть ответы, чтобы им поверили. Ну и немного про то, какие задачи нельзя отдавать ИИ и околомедицинские данные.
Где я работаю и чем я занимаюсь - ну вы из моих текстов представляете:)

Немного о конференции:
-это тусовка, так что какого-то передового кулуарного опыта можно набраться;
-она бесплатная, и как следствие, там 100% будут всякие партнеры и стенды. Теперь вы знаете, на какие темы их пытать
-если вас не покормят, то у меня будет вазочка с конфетками.
-за лучший вброс вопрос - от меня любимая книженция ‘Как лгать при помощи статистики’. В бумаге и новая, а не мой исчерканный экземпляр.

Регистрация по ссылке, кто дойдет ножками 7 октября и выслушает все то, чем я хочу поделиться - молодец.
Линк:
https://rubiconf.ru

Котятки🐱,
Со времен моей работы в стратегическом маркетинге, диаграмма рассеяния - мой фаворит.
Прошло свыше 10 лет, а любовь осталась.
С каким же удовольствием я прочитала статью про эту диаграмму, - в ней задачка с этой диаграммой кочует из инструмента в инструмент.
Линк:
https://habr.com/ru/amp/publications/842622/

Котятки🐱, я в основном делюсь всякими аналитическими и хардовыми штуками, но сегодня у меня лайтовая книженция для менеджеров и тимлидов. Она скорее помогает воспарить, как простыня над полем битвы, окунуться в термины и идеи, словить вдохновение и начать ступать по опасному пути управления в DWH.

Котятки, я очень хотела сделать классный пост и наконец допилить презу к выступлению, но пришел ответственный сотрудник и сказал, что есть более важные дела

Котятки 🐱, знаете, BI-аналитика только на первый взгляд кажется чем-то запредельно сложным. На деле — это чистый кайф, когда понимаешь, как данные превращаются в смысл.

У Simulative есть классный симулятор «BI-Аналитик» — это не лекции и зубрёжка, а реальный опыт, будто вы уже стажируетесь в компании. Всё по-настоящему, но под крылом менторов.

За 5 месяцев вы:
🟠разберётесь, зачем вообще нужны продуктовые метрики,
🟠научитесь делать дашборды в Power BI и Superset, которые реально будут смотреть (и хвалить 😎),
🟠подружитесь с PostgreSQL и ClickHouse,
🟠и даже попробуете себя на собесах — технических и HR.

А если берёте VIP-тариф — вас буквально ведут к офферу за лапку 🐾, помогая на каждом шаге.

Если давно хотели апгрейдить мозг и карьеру — вот ваш знак 💛

🎯Записываемся и получаем скидку 25% simulative.ru/bi-analyst.

Котятки,
Пока я колдую над всякими слайдиками для конференции, почитываю всякие материалы о рисках использования языковых моделей и сервисов в BI.
Наиболее полный список пугалок в собран в этой статье: https://www.researchgate.net/publication/377118301_The_Impact_of_Artificial_Intelligence_on_Business_Intelligence
Но! Кое-что высосано из пальца, типа про этику и масштабируемость, что-то не раскрыто, типа юр риски, а про самое главное (Algorithmic Accountability) сказано оч мало.
P.S. у меня будет докладик про пользовательский опыт, поэтому я для себя из этого списка вычленила то, о чем хочу поговорить:)

Котятки🐱,
Обычно в день воскресный день чудесный я себя развлекаю видосиками про недвигу, но сегодня исключение.
На ютубчике нашелся хороший подскаст по Dataviz -Chart Chat -с классными темами и гостями.
https://m.youtube.com/@chartchatlive
Все интересное искать в трансляциях.
И да, автоматические синхронные субтитры на русский уже норм. Дождусь ли синхронного голосового перевода?
P.S. Кстати, из тех подкастов, которые я люблю -Dataviz Today. Он недавно ожил после большого перерыва. Именно из него я черпала и вдохновение и всякие интересные мысли. Ну вот где мне еще расскажут, чем отличается карьера аналитика в Мозамбике?