Все больше ругают дашборды. Но сначала нужно хотя бы научиться строить хорошие дашборды, а потом уже ругать.

Еще один канвас, но про AI

Я же являюсь Snowflake Data Hero. Это что-то вроде Tableau Zen Master, но еще не так круто. В Канаде я вообще наверно единственный hero. Прислали подарки, я приятно удивлен, мне больше всего сумка понравилась. Денег на развитие сообществ не жалеют. Я еще пока оплачиваю meetup_com по Snowflake в Ванкувере, Калгари и Торонто, надеюсь пригодиться, пока все онлайн, я особо не люблю проводить user groups.

Вебинары про Power BI + Snowflake. Я понимаю, что врят ли кто-то использует snowflake. Но давайте посмотрим на это с другой стороны. Есть BI инструмент, который подключается к хранилищу данных с большим объемом данным. Большой объем данных может быть даже 4 Гб, если вы подключаетесь с ноутбука и клиента BI к хранилищу данных. Как лучше поступить? Вебинары такого плана полезны для общего понимания взаимодействия BI и DW. И заодно узнать какой функционал у есть у Power BI (best practices) для работы с промышленным хранилищем данных.

Вышла новая книга про Intelligent Automation. Книга рассказывает про AI и его бизнес применение. Пока бесплатна на kindle (смотрю через amazon canada).

Update: это у них такой маркетинговый ход, бесплатно попробовать)) Попался я ни их уловку)

Google проводит бесплатный вебинар/тренинг по аналитике.

AWS тоже не спит и будет стримить через Twitch:
- ML training
- Введение в cloud (Cloud Practitioner).

Tableau тоже нас порадовало! Запустили бесплатный тренинг про грамотности данных (Data Literacy).

Что входит в программу?
-Введение в понятие “Грамотность данных”
-Обзор структур данных и понимание какая структура самая оптимальная для аналитики (плоская таблица)
-Обзор объектов BI (измерения, показатели, переменные и тп)
-Знакомство с агрегацией и гранулярность данных
-Знакомство со статистическими понятиям: распределение данных, вариации, корреляции и тп.

То есть этот курс подойдет всем людям, кто работает с данными и “читает отчеты”. А кто посмотрел Datalearn.ru модули 1 и 3 уже должен быть знаком с этими понятиями😜

AI в деле!

Современные приложения (телеграм, youtube, datalearn😜, и тп) очень хорошо собирают данные и согласно данным практически все читатели канала (85%) и студенты курса data learn из России. Поэтому ивент с data monsters в UA (пусть и онлайн) будет очень кстати. Возможно получится сделать стрим в youtube. @rspon и @gyromonotron 😎

Встречайте, наш второй спикер на Data Monsters United, Dmitry Anoshin.

Дмитрий почти 5 лет работает Data Engineer в Amazon в Канаде и США. И сейчас он создает аналитические решения для Amazon Marketplace (да, именно для главной страницы amazon.com) в департаменте Customer Behaviour Analytics в Сиэтле.

В своем докладе «Чему можно научиться за 5 лет в Амазоне?» Дмитрий расскажет про свои проекты и решения, которые использовал, а также поднимет такую важную тему, как взаимодействие с Product Managers, Science teams и SDE (разработчики ПО). Если вам интересно, какие решения используются в Amazon, что востребовано на западном рынке и куда развиваться, то не пропустите доклад.

Регистрация на вебинар по ссылке https://is.gd/H7tcRm

Ждем вас на Data Monsters United!

Если вам всегда было интересно сравнить Power BI и Tableau, то вот в Австралии будет вебинар от InterWorks, отличная возможность узнать!

PS я просто обожаю сравнивать технологии - AWS Glue vs Azure Data factory, SAP Business Objects vs Microstrategy vs Oracle BI, Redshift vs BigQuery vs Snowflake, Teradata vs Oracle vs Netezza and so on. Суть у всех одна и та же, сравнение помогает лучше понять суть.

Слышали про Keboola? Это такой ETL/ELT инструмент, конкурент Matillion, Fivetran, я давно его знаю, у них есть офис в Ванкувере, а сами они из Чехии. Я их часто вижу вместе с looker/snowflake и другими решениями обычно в облаке. Они изменили политику, и теперь вы можете использовать его 300минут в месяц для вашего проекта бесплатно. Отличная альтернатива. Кто-то пробовал?

Хотите увидеть реально крутой пример использования технологий для ecommerce? Товары из категории мебели могут быть отображены на фотографии комнаты в реальном размере. Это называется Visual Shopping Experience.

Во 2модуле #datalearn мы я рассказывал про модели данных и мы даже делали простенькую через sqldbm (кстати ее founders русские ребята в Сан Диего). Так же несколько раз меня спрашивали как сделать модель данных для собеседования или тестового заданиями, sqldbm всегда их выручал. Поэтому ивент Building a Cloud Data Warehouse in Snowflake: 10 Best Practices
будет полезный тем, кто хочет больше узнать про модели данных.

Все современные платформы развивают свои marketplace, создают множество приложений и привлекают сторонних разработчиков. Примеров много - AWS, Azure, GCP marketplaces, salesforce marketplace, Tableau plugins/apps и тп. Интересная презентация про рынок marketplace. Ждем marketplace от Яндекс и меил облаков, это отличная возможность создание экосистемы и развития продуктов и стартапов.

#buildingdatateams chapter1 - Data Teams
Автор рассказывает про сложность BigData и важность Data Teams. Прежде всего дает определение BigData.

Для него все big data, что плохо работает или совсем не работает, например:
- данные грузятся очень долго
-запрос положит базу данных
-задача имеет много шагов
-данные разбросаны по организации и очень сложно собрать их вместе, чтобы решить задачу

Потом он говорит про важность Big data для менеджеров. Потому что они часто недооценивают важность и сложность проектов и как результат - failed.

Главное сложность big data - distributed systems (то есть кластера). Такие системы разбивают задачу на более мелкие шаги и обрабатываю на нескольких машинах.

Дальше он говорит о Data Pipelines и Data Products. Для него data pipeline это процесс, который делает данные доступные для бизнеса. И в процессе данные трансформируются. Data Product используют данные, которые приходят с pipeline и преобразуются таким образом, чтобы было удобно потреблять их пользователям.

Затем он проходится по "непониманиям". Говорит, что часто BI путают с data science и этого нельзя делать. Другая идея, что инженеринг данных это тоже самое, что хранилище данных. Разница в том, что для автора инженеры данных работают с distributed systems, а вот ETL разработчики (DW) с такими системами не работают.

За свою карьеру, он видел много failed проектов. Серкет успеха это правильный набор команд. По мнению автора их должно быть 3:
1) Команды Data Science:
-знаю математику
-понимают важность данных
-есть понимание инструментов big data
-умеют немного программировать

A data scientist is someone who has augmented their math and statistics background with programming to analyze data and create applied mathematical models.

2) Команда Data Engineering:
- у них software engineering background
- у них специализация в big data
- они круто программят
- есть базовые знания data science

A data engineer is someone who has specialized their skills in creating software solutions around big data.

3) Команда Operations:
- отвечают за работу систем и приложений созданных data science & data engineering teams
- оптимизируют и поддерживают сеть (для передачи данных)
- решают проблемы с железом
- установка и обновление ПО
- установка и конфиг операционной системы

An operations engineer is someone with an operational or systems engineering background who has specialized their skills in big data operations, understands data, and has learned some programming.

Дальше он говорит, что для маленьких организаций сложно иметь все 3 команды, и нужен один человек швейцарский нож, которого не найти просто так.

Ну и конечно, если этими команды плохо руководить, вы получите - failed project.

====
🤔 я лично не со всем соглашусь. Мне показалось, что у мужика супер крутой опыт внедрения решения Apache (Hadoop и тп) on premise, включая закупку железа и его конфигурации. Он не работал с BI/DW командами, и наверное, только сейчас начинает работать с облаками. Так как все крупные корпорации еще сидят он premise и у них реальные задачи с огромным объемом данных. Он все разделил на "черное" и "белое", например, если у вас нет background в разработке ПО, то вы плохой инженер. Или есть, вы работает с хранилищем данных, то вы тоже не инженер. Мне видеться картина не в черно белом цвете, а более яркой, когда у нас кто угодно может быть кем угодно, да и еще понятие BigData/DW уже теряет границу и современные платформы данных это микс озера данных и хранилища данных.

Я уже прочитал половину книги, и буду дальше скидывать конспекты автора.

AWS in 2015 (количество сервисов можно посчитать легко)

А вот сейчас