Приветствую, любители аналитики!
В первом посте канала я пояснил, в каком месте заключается ценность аналитики (которая, вообще-то, является дорогущим процессом).
Потом я долго описывал разные этапы этого процесса.
И вот решил наконец, собрать их кратко в одном посте, который и выложили мои друзья из Simulative.
Предлагаю заценить.
А если вы уже работаете с данными, напишите в коменты, как выглядит конвейер данных у вас, будет интересно сравнить.
В первом посте канала я пояснил, в каком месте заключается ценность аналитики (которая, вообще-то, является дорогущим процессом).
Потом я долго описывал разные этапы этого процесса.
И вот решил наконец, собрать их кратко в одном посте, который и выложили мои друзья из Simulative.
Предлагаю заценить.
А если вы уже работаете с данными, напишите в коменты, как выглядит конвейер данных у вас, будет интересно сравнить.
Telegram
Тимлидское об аналитике
Привет любителям аналитики!
Начнем с простого, но очень важного - с ценности аналитики.
Процессы работы с данными дороги и сложны, особенно если данных много, как по объему, так и по разнообразию.
Аналитику всегда следует помнить, за что, в конечном счёте…
Начнем с простого, но очень важного - с ценности аналитики.
Процессы работы с данными дороги и сложны, особенно если данных много, как по объему, так и по разнообразию.
Аналитику всегда следует помнить, за что, в конечном счёте…
Forwarded from Simulative
Привет! На связи Павел Беляев — автор канала Тимлидское об аналитике и ментор курса «Аналитик данных» 👋
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель бизнеса может принимать решения на её основе.
А для этого данные следует прогнать через несколько процессов и стадий. Я называю этот путь конвейером данных.
Конвейер данных включает в себя следующие основные этапы:
1️⃣ Формирование вопросов
2️⃣ Сбор данных
3️⃣ Преобразование данных
4️⃣ Визуализация
5️⃣ Анализ
6️⃣ Решение
Путь данных весьма насыщен приключениями и этим он интересен!
Курс «Аналитик данных» достаточно комплексно составлен и затрагивает все эти этапы, чем меня и впечатлил.
❗️ И напоминаю, что до 12 сентября у вас есть возможность попасть на курс со скидкой -25%. Успевайте ей воспользоваться и желаю успехов в аналитике, коллеги!
➡️ Узнать больше о курсе и забронировать скидку
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель бизнеса может принимать решения на её основе.
А для этого данные следует прогнать через несколько процессов и стадий. Я называю этот путь конвейером данных.
Конвейер данных включает в себя следующие основные этапы:
Сначала определяется потребность в информации, подбираются метрики и методы анализа, а также составляется перечень необходимых данных.
Сырые, необработанные данные собираются из источников в аналитическое хранилище (АХ), где и производится всяческая аналитическая «магия».
В качестве АХ могут использоваться различные системы управления базами данных (СУБД), например, Clickhouse или PostgreSQL.
Запросы к СУБД выполняются на языке SQL. А процессы сбора и транспорта данных осуществляются специальными инструментами, например, Airflow, который «дирижирует» Python-скриптами.
Сырые данные «готовятся», а блюдом являются витрины данных: таблицы, содержащие отфильтрованные строки, рассчитанные метрики, сгруппированные сегменты и прочие результаты реализации бизнес-логики.
С данными производятся операции фильтрации, объединения, расчета, приведения к нужному виду и т.д. Обычно для этого используются языки SQL или Python.
Витрины служат источниками для отчетов или дашбордов, содержащих графики, чарты, диаграммы и прочую «наглядную красоту», которая помогает пользователю быстро сориентироваться в информации и сделать нужные выводы.
Визуализация делается с помощью соответствующих инструментов: Power BI, Data Lens, Looker Studio, Metabase и др.
Собственно, процесс изучения, осознания ситуации, а также формирования выводов, ответов на поставленные вопросы.
Рассчитанные метрики сопоставляются с некими желаемыми эталонами, изучаются тренды, обнаруживаются и обосновываются выбросы, проседания и т.д.
На основе выводов решается —достигнуты ли цели, что делать дальше, работает ли новая фича и т.п.
Путь данных весьма насыщен приключениями и этим он интересен!
Курс «Аналитик данных» достаточно комплексно составлен и затрагивает все эти этапы, чем меня и впечатлил.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍3
Дерево метрик
Приветствую, любители аналитики!
Как-то раз я писал о North Star Metric - ключевом показателе бизнеса, на который следует равняться.
Я планировал позже написать о другом понятии, тесно связанном с NSM - о дереве метрик, но так и не сподобился.
А оказалось, что об этом хорошо написал мой коллега по Яндексу - продуктовый менеджер Иван Меркурьев.
Читайте о том, что такое дерево метрик, зачем оно нужно и как его выстроить, в канале Ивана Ordinary PM.
Приветствую, любители аналитики!
Как-то раз я писал о North Star Metric - ключевом показателе бизнеса, на который следует равняться.
Я планировал позже написать о другом понятии, тесно связанном с NSM - о дереве метрик, но так и не сподобился.
А оказалось, что об этом хорошо написал мой коллега по Яндексу - продуктовый менеджер Иван Меркурьев.
Читайте о том, что такое дерево метрик, зачем оно нужно и как его выстроить, в канале Ивана Ordinary PM.
Telegram
Тимлидское об аналитике
Приветствую, любители аналитики!
Поговорим о целевой метрике, которую какой-то романтик назвал North Star Metric.
Полярная звезда аналитики, правда, поэтично?
NSM - это ключевая метрика, отражающая главную ценность продукта или цель компании. Это ориентир…
Поговорим о целевой метрике, которую какой-то романтик назвал North Star Metric.
Полярная звезда аналитики, правда, поэтично?
NSM - это ключевая метрика, отражающая главную ценность продукта или цель компании. Это ориентир…
👍7❤3🔥3
Приветствую, любители аналитики!
Через час стартует вебинар, на котором я расскажу как и чем мы тут в своей еЛаме работаем-аналичим.
Не забудьте зарегаться, говорят, запись придет тока зареганным!
Через час стартует вебинар, на котором я расскажу как и чем мы тут в своей еЛаме работаем-аналичим.
Не забудьте зарегаться, говорят, запись придет тока зареганным!
❤1
Forwarded from Simulative
Чтобы решить подходит ли вам аналитика в качестве профессии, часто нужно посмотреть чуть глубже — на то, чем предстоит заниматься каждый день, а не только на набор инструментов, который в этом поможет.
А чтобы успешно пройти собеседование в хорошую команду — важно уже со старта обучения анализировать, какие кандидаты ценятся на рынке.
Всё это мы обсудим уже в следующий вторник на вебинаре с Павлом Беляевым, руководителем команды аналитиков в Яндекс eLama, а также автором телеграм-канала «Тимлидское об аналитике».
Павел регулярно нанимает аналитиков в команду, поэтому поделится с нами качествами, на которые обращает внимание при отборе кандидатов.
На вебинаре обсудим:
💬 Обязательно ждем вас в лайве – вы сможете напрямую задать свои вопросы Павлу Беляеву и получить консультацию крутого практика.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Simulative
Как онбордятся дата-аналитики в Яндекс eLama
Приветствую любителей аналитики! С вами Павел Беляев, ментор курса «Аналитик данных». Расскажу, как у нас погружается в работу новый человек и какой выработался подход у меня как тимлида / руководителя команды.
Новичку предстоит освоить немало всего:
➖ Рабочие процессы и регламенты;
➖ Наш инструментарий;
➖ Наши данные;
➖ Персонажи (заказчики, исполнители, смежники).
Соль моего подхода не нова: неофит получает небольшую вводную, а затем познаёт все премудрости на «боевых» задачах. Если изначально кандидат соответствует требованиям, то у него есть всё для планомерного впитывания необходимой информации.
Вводная — это встреча со мной как тимлидом, на которой я рассказываю ещё раз о задачах, стеке, экторах — людях и отделах, причастных к работе с данными — а также выдаю список ссылок на документацию. Этих ссылок довольно много, поэтому изучить и понять всё сразу нереально. Но это и не требуется в первые дни. Пока нужно только сориентироваться, где что есть, и осознать общие контуры ситуации, в которую вы вписались.
В списке ссылок новичок найдёт сведения об инструментах и процессах:
🟠 Корпоративные сервисы — структура компании, данные о сотрудниках, календарь, диск, почта и т. д.;
🟠 Раздел Data Office в корпоративном wiki-справочнике;
🟠 Регламент работы дежурного, или SLA — Service Level Agreement, о котором еще расскажу;
🟠 Наш стандарт оформления кода SQL;
🟠 Бизнес-глоссарий — используемые термины и метрики;
🟠 Описание рабочих процессов: планирование, движение задач, жизненный цикл витрин данных.
А также техническую информацию о данных:
🟠 Архитектура аналитического хранилища и ETL-механизмов;
🟠 Основные таблицы (витрины) и их представления;
🟠 Модель данных;
🟠 Механизм обновления данных и метаданных;
🟠 Используемые технические справочники и т. д.
Новому сотруднику назначается бадди (buddy), то есть куратор, более опытный член команды, который далее помогает ему с оргвопросами, поясняет рабочие моменты и т. д.
Начиная со второй недели неофит участвует в планировании спринта, получает боевые задачи. Сначала простенькие, позже посложнее. А с третьей недели он уже дежурит, принимая текущие заявки от заказчиков. (Во многих компаниях у аналитиков имеется институт дежурства, когда один человек в течение некоторого периода отвечает за прием и обработку входящих обращений, чтобы остальные не отвлекались от проектных дел.)
Постепенно процессы, данные, инструменты становятся привычными и через несколько месяцев новый дата-аналитик уже уверенно решает задачи, обходясь без помощи коллег. А через год он уже и сам может стать куратором.
В общем, если человек обучаемый, коммуникабельный и имеет достаточную техническую базу, он втянется в работу.
🧡 Получить предложение по низкой цене
📊 Simulative
Приветствую любителей аналитики! С вами Павел Беляев, ментор курса «Аналитик данных». Расскажу, как у нас погружается в работу новый человек и какой выработался подход у меня как тимлида / руководителя команды.
Новичку предстоит освоить немало всего:
Соль моего подхода не нова: неофит получает небольшую вводную, а затем познаёт все премудрости на «боевых» задачах. Если изначально кандидат соответствует требованиям, то у него есть всё для планомерного впитывания необходимой информации.
Вводная — это встреча со мной как тимлидом, на которой я рассказываю ещё раз о задачах, стеке, экторах — людях и отделах, причастных к работе с данными — а также выдаю список ссылок на документацию. Этих ссылок довольно много, поэтому изучить и понять всё сразу нереально. Но это и не требуется в первые дни. Пока нужно только сориентироваться, где что есть, и осознать общие контуры ситуации, в которую вы вписались.
В списке ссылок новичок найдёт сведения об инструментах и процессах:
А также техническую информацию о данных:
Новому сотруднику назначается бадди (buddy), то есть куратор, более опытный член команды, который далее помогает ему с оргвопросами, поясняет рабочие моменты и т. д.
Раньше я курировал новенького сам, но теперь у нас ребята достаточно компетентные, сами справляются. Вообще коллектив у нас дружный и отзывчивый, поэтому новичок никогда не остаётся один на один с проблемой. Он может задать вопрос в чат команды и ему быстро подскажут, что к чему, так что назначение бадди — в известной мере, формальность.
Начиная со второй недели неофит участвует в планировании спринта, получает боевые задачи. Сначала простенькие, позже посложнее. А с третьей недели он уже дежурит, принимая текущие заявки от заказчиков. (Во многих компаниях у аналитиков имеется институт дежурства, когда один человек в течение некоторого периода отвечает за прием и обработку входящих обращений, чтобы остальные не отвлекались от проектных дел.)
Я как руководитель созваниваюсь с новоиспечённым аналитиком на часок раз в неделю или в две, чтобы обсудить его прогресс, снизить стресс и обменяться обратной связью.
Постепенно процессы, данные, инструменты становятся привычными и через несколько месяцев новый дата-аналитик уже уверенно решает задачи, обходясь без помощи коллег. А через год он уже и сам может стать куратором.
В общем, если человек обучаемый, коммуникабельный и имеет достаточную техническую базу, он втянется в работу.
Что же до необходимых основ аналитики, на мой взгляд, они неплохо изложены в курсе «Дата-аналитик». Если вы серьёзно настроены влиться в нашу отрасль или прокачать свои знания, не пожалейте ресурса, пройдите курс.♾ Кстати, до 19 сентября действует скидка -15%, так что успевайте зарегистрироваться и прокачать себя в профессии аналитика.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8
С какими данными работает аналитик
Приветствую, любители аналитики!
Сегодня поговорим о том, с какими данными и из каких источников приходится работать дата-аналитику.
Чем крупнее компания, тем больше у неё данных. Конечно, дело не только в величине, но и в «цифровой зрелости» — готовности компании собирать и использовать данные.
Чем выше интерес руководства к управлению на основе данных, тем больше оно стремится собрать их из разных источников.
Что же за источники обычно используют компании, для каких целей и как они интегрируются в конвейер данных?
Вот несколько самых "популярных":
1️⃣ CRM-системы
Что это: инструменты сбора, обработки и отображения информации о клиентах и взаимодействии с ними.
Метод сбора данных: чаще всего веб-интерфейс и свой API, через который можно отправить запрос в систему и получить ответ. Большие CRM могут дорабатываться под особенности бизнеса, также может допиливаться и API.
Данные
➖ Контакты и прочие данные клиентов;
➖ Данные о сделках, взаимодействиях и прочих процессах работы с клиентами;
➖ Новые лиды;
➖ Данные о сотрудниках, работающих с клиентами;
➖ Источники лидов;
➖ Другие сведения, которые стекаются в CRM.
Примеры: Битрикс24, amoCRM, Мегаплан.
2️⃣ Cистемы веб-аналитики
Что это: комплекс инструментов для сбора, измерения, анализа и интерпретации данных о посетителях веб-ресурсов.
Метод сбора данных: использование API, но не все системы отдают всё полностью.
Например, Google Analytics 4 не отдаёт полные сырые данные о хитах по API. Эта опция доступна только при прямой интеграции с Google BigQuery, остальным придётся довольствоваться лишь агрегированными данными.
Другой вариант — своими силами собирать нужные события, но это, скорее всего, потребует ресурсов разработчика.
Данные
➖ Хиты (события, просмотры страниц);
➖ Визиты/сессии (источники трафика, длительность, данные о приложении-клиенте пользователя и т. д.).
Примеры: Google Analytics, Яндекс Метрика, Amplitude.
3️⃣ Базы данных бизнес-приложений
Что это: практически любые цифровые продукты и сервисы имеют свою базу данных, а то и десятки для нормального функционирования.
Данные
Всё, что генерирует и хранит приложение:
— Учётные записи пользователей, их финансовые транзакции и баланс;
— Перечни услуг, тарифов, расписания событий и т. д.;
— Статусы заказов юзеров, состояние их работы с сервисом — например, подключенные аккаунты в системах автоматизации рекламы.
Метод сбора
Данные из «своих» СУБД собираются через стандартные методы подключения, например, из Python-скриптов (например, библиотека psycopg2 для работы с PostgreSQL) или же с помощью специализированных инструментов (например, оператор PostgresOperator для Airflow).
Примеры: PostgreSQL, MySQL, Microsoft SQL Server, Oracle Database.
4️⃣ Электронные таблицы
Что это: простое решение для внесения в аналитическое хранилище данных с ручного ввода либо из источников, сбор из которых не поддаётся недорогой автоматизации.
Данные: любые табличные данные.
Метод сбора: популярные облачные решения имеют свои API и Python-библиотеки. Для csv и xlsx-файлов в Python также есть функции загрузки в скрипт (например, в Pandas-датафрейм) и заливки в аналитическое хранилище.
Примеры: Google Sheets, Яндекс Таблицы, файлы Excel, файлы csv.
Приветствую, любители аналитики!
Сегодня поговорим о том, с какими данными и из каких источников приходится работать дата-аналитику.
Чем крупнее компания, тем больше у неё данных. Конечно, дело не только в величине, но и в «цифровой зрелости» — готовности компании собирать и использовать данные.
Чем выше интерес руководства к управлению на основе данных, тем больше оно стремится собрать их из разных источников.
Что же за источники обычно используют компании, для каких целей и как они интегрируются в конвейер данных?
Вот несколько самых "популярных":
1️⃣ CRM-системы
Что это: инструменты сбора, обработки и отображения информации о клиентах и взаимодействии с ними.
Метод сбора данных: чаще всего веб-интерфейс и свой API, через который можно отправить запрос в систему и получить ответ. Большие CRM могут дорабатываться под особенности бизнеса, также может допиливаться и API.
Данные
➖ Контакты и прочие данные клиентов;
➖ Данные о сделках, взаимодействиях и прочих процессах работы с клиентами;
➖ Новые лиды;
➖ Данные о сотрудниках, работающих с клиентами;
➖ Источники лидов;
➖ Другие сведения, которые стекаются в CRM.
Примеры: Битрикс24, amoCRM, Мегаплан.
2️⃣ Cистемы веб-аналитики
Что это: комплекс инструментов для сбора, измерения, анализа и интерпретации данных о посетителях веб-ресурсов.
Метод сбора данных: использование API, но не все системы отдают всё полностью.
Например, Google Analytics 4 не отдаёт полные сырые данные о хитах по API. Эта опция доступна только при прямой интеграции с Google BigQuery, остальным придётся довольствоваться лишь агрегированными данными.
Другой вариант — своими силами собирать нужные события, но это, скорее всего, потребует ресурсов разработчика.
Данные
➖ Хиты (события, просмотры страниц);
➖ Визиты/сессии (источники трафика, длительность, данные о приложении-клиенте пользователя и т. д.).
Примеры: Google Analytics, Яндекс Метрика, Amplitude.
3️⃣ Базы данных бизнес-приложений
Что это: практически любые цифровые продукты и сервисы имеют свою базу данных, а то и десятки для нормального функционирования.
Данные
Всё, что генерирует и хранит приложение:
— Учётные записи пользователей, их финансовые транзакции и баланс;
— Перечни услуг, тарифов, расписания событий и т. д.;
— Статусы заказов юзеров, состояние их работы с сервисом — например, подключенные аккаунты в системах автоматизации рекламы.
Метод сбора
Данные из «своих» СУБД собираются через стандартные методы подключения, например, из Python-скриптов (например, библиотека psycopg2 для работы с PostgreSQL) или же с помощью специализированных инструментов (например, оператор PostgresOperator для Airflow).
Примеры: PostgreSQL, MySQL, Microsoft SQL Server, Oracle Database.
4️⃣ Электронные таблицы
Что это: простое решение для внесения в аналитическое хранилище данных с ручного ввода либо из источников, сбор из которых не поддаётся недорогой автоматизации.
Данные: любые табличные данные.
Метод сбора: популярные облачные решения имеют свои API и Python-библиотеки. Для csv и xlsx-файлов в Python также есть функции загрузки в скрипт (например, в Pandas-датафрейм) и заливки в аналитическое хранилище.
Примеры: Google Sheets, Яндекс Таблицы, файлы Excel, файлы csv.
И напоминаю, что я нынче ментор курса "Аналитик данных" (кстати, неплохо сделанного, на мой взгляд).
Так что кто хочет прокачаться как следует в этой теме, а также потерзать меня вопросами о том, как реально работает аналитика в компаниях, вот вам ссылочка: вписывайтесь, сегодня последний день скидки 15%!
Telegram
Тимлидское об аналитике
Привет! На связи Павел Беляев — автор канала Тимлидское об аналитике и ментор курса «Аналитик данных» 👋
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель…
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель…
👍6❤1
Об отдыхе
Приветствую, любители аналитики!
Суббота - отличное времечко (особенно утро), когда стоит посвятить время самоанализу, планированию, медитации, - короче, остановиться и подумать. Так сказать, обработать все данные, напряжения, неурядицы, что поступали в течение недели.
А это капец как необходимо! Не вздумайте недооценивать важность такого перерыва!
Знаете, давеча я ехал на поезде 6 часов днём, практически без интернета, так затеял поспать. Забился на верхнюю полку и около часа просто лежал и переживал свои тревоги, только после этого заснул. Проснулся пободревшим, даже что-то писать взялся. Короче, продуктивно провел время.
А когда ехал в обратную сторону - приказал себе: ничего не делай все 6 часов! Вообще ничего!
Ну, прям 6 часов бездельничать не осилил, но часа 4 - пожалуй.
И знаете что? Это дало потрясающий эффект на следующий день! Я ощутил драйв на работе, вгрызся в задачи, а после работы - в другую работу, потом помог сыну с домашкой, сходил в магаз, еще по дому суетил что-то...
И когда уже поздно вечером пора было спать, я ощутил не привычную разбитость и усталость, а чувство удовлетворения и насыщения впечатлениями.
Как оказалось (кто бы мог подумать!), кто плохо отдыхает, тот плохо работает!
Это не новость, конечно))
А вот инсайт помощней: "смена деятельности", то есть замена одной работы на другую - это нифига не отдых. Отдых - это когда работы вообще нет!
И ещё - если развлекуха (например, компьютерные игры) вызывает у вас чувство вины за сожженное время, то это тоже не отдых. (Про мем "отдых с детьми" я вообще молчу))
Отдых должен быть бескомпромиссным, вседовлеющим, неотвратимым!!
Да, если вы не умеете отдыхать (я вот не умею), вам придется себя заставить. Сильно помогут определённые условия:
* ваша недоступность для окружающего мира (никто точно не придет, не позвонит, не напишет)
* отсутствие условий для работы (ни интернета, ни компа, ни стола...)
* продолжительное время (не менее нескольких часов)
* достаточный комфорт для безделья (мягкая лежаночка, бумажная книжка, чаёк и т.д.)
* невозможность прервать период отдыха до его завершения
Вот почему я люблю дальние поездки на поезде в одиночку)
Уф, хотел написать про тайм-менеджмент, но оказалось, есть темка поважней))
Приветствую, любители аналитики!
Суббота - отличное времечко (особенно утро), когда стоит посвятить время самоанализу, планированию, медитации, - короче, остановиться и подумать. Так сказать, обработать все данные, напряжения, неурядицы, что поступали в течение недели.
А это капец как необходимо! Не вздумайте недооценивать важность такого перерыва!
Знаете, давеча я ехал на поезде 6 часов днём, практически без интернета, так затеял поспать. Забился на верхнюю полку и около часа просто лежал и переживал свои тревоги, только после этого заснул. Проснулся пободревшим, даже что-то писать взялся. Короче, продуктивно провел время.
А когда ехал в обратную сторону - приказал себе: ничего не делай все 6 часов! Вообще ничего!
Просто лежи и убивай время, тебя ничто не касается, в течение этих 6 часов ты никому ничего не должен, а что будет дальше - сейчас не твоя забота.
Ну, прям 6 часов бездельничать не осилил, но часа 4 - пожалуй.
И знаете что? Это дало потрясающий эффект на следующий день! Я ощутил драйв на работе, вгрызся в задачи, а после работы - в другую работу, потом помог сыну с домашкой, сходил в магаз, еще по дому суетил что-то...
И когда уже поздно вечером пора было спать, я ощутил не привычную разбитость и усталость, а чувство удовлетворения и насыщения впечатлениями.
Как оказалось (кто бы мог подумать!), кто плохо отдыхает, тот плохо работает!
Это не новость, конечно))
А вот инсайт помощней: "смена деятельности", то есть замена одной работы на другую - это нифига не отдых. Отдых - это когда работы вообще нет!
И ещё - если развлекуха (например, компьютерные игры) вызывает у вас чувство вины за сожженное время, то это тоже не отдых. (Про мем "отдых с детьми" я вообще молчу))
Отдых должен быть бескомпромиссным, вседовлеющим, неотвратимым!!
Да, если вы не умеете отдыхать (я вот не умею), вам придется себя заставить. Сильно помогут определённые условия:
* ваша недоступность для окружающего мира (никто точно не придет, не позвонит, не напишет)
* отсутствие условий для работы (ни интернета, ни компа, ни стола...)
* продолжительное время (не менее нескольких часов)
* достаточный комфорт для безделья (мягкая лежаночка, бумажная книжка, чаёк и т.д.)
* невозможность прервать период отдыха до его завершения
Вот почему я люблю дальние поездки на поезде в одиночку)
Уф, хотел написать про тайм-менеджмент, но оказалось, есть темка поважней))
🔥24❤2👍2🤝1
Приветствую, любители аналитики!
А сегодня в 19 часов Мск состоится бесплатный вебинар для новичков в питоне, где я расскажу, как использовать простые команды для первичного анализа и очистки датасета.
Регистрируйтесь и приходите общаться!
(Запись будет только для тех, кто зарегался)
А сегодня в 19 часов Мск состоится бесплатный вебинар для новичков в питоне, где я расскажу, как использовать простые команды для первичного анализа и очистки датасета.
Регистрируйтесь и приходите общаться!
(Запись будет только для тех, кто зарегался)
🔥6
О навыках дата-аналитика
Приветствую, любители аналитики!
Несколько слов о скиллах, необходимых дата-аналитику в моём понимании. Это те навыки, которые я выделил за несколько лет опыта и стараюсь развивать в себе и в участниках моей команды.
Hard skills:
👑 SQL — must have;
👑 Clickhouse, PostgreSQL и другие СУБД — must have;
👑 Python + pandas — must have;
😶 Электронные таблицы — крайне желательно;
*️⃣ Airflow или другие средства автоматизации — желательно;
*️⃣ Яндекс.Метрика или другие системы веб-аналитики, любой Tag Manager — желательно;
*️⃣ Git — желательно;
*️⃣ BI-системы — будет плюсом.
Soft skills
А вот тут хотел бы остановиться подробней. Каждый пунктик глубоко осмыслен и необходим!
🟡 Внимательность и дотошность. Для специалиста, имеющего дело с данными, крайне важно видеть в них изъяны и не пропустить ничего существенного. То есть постоянно проверять цифры, значения, нестыковки, выяснять причины расхождений, докапываться до истины и при этом не сходить с ума, а может, даже находить в этом удовольствие — чертовски важный навык.
🟡 Коммуникабельность, умение излагать мысли. Дата-аналитик — не кондовый технарь, и взаимодействие с людьми, причём с разными и со многими, составляет немалую часть его работы. Поэтому уметь понять, что хочет заказчик, а иногда и помочь ему это понять, а также объяснить задачу разработчикам или дата-инженерам — must have.
🟡 Изобретательность. В дата-аналитике бывают рутинные, шаблонные задачи, и их стараются поскорее автоматизировать. А вот новых задач, вызовов и требований — сколько угодно. Поэтому умение подобрать или сгенерировать решение технической или аналитической проблемы очень полезно.
🟡 Самостоятельность. Это лично от меня :) Впрочем, полагаю, любой руководитель хотел бы, чтобы его сотрудники были способны сами решать вопросы с заказчиками, добывать информацию, организовывать нужные процессы в рамках своих задач и т. д.
🟡 Нацеленность на результат. Всё вышеперечисленное почти бессмысленно без этого. Аналитики — активные и важные участники функционирования бизнеса, они повышают его управляемость. Выходит, на них висит немалая доля ответственности за «здоровье» бизнеса. Не знаю, можно ли научить сотрудника ответственности, поэтому стараюсь подбирать к себе людей, кто изначально хочет быть полезным, доводить любое дело до логического завершения, не терпит висюков и долгов.
🟡 Доброжелательность. Удивительно, но с этим качеством все взаимодействия становятся проще! Да и приятнее работать в дружном коллективе, чем в токсичном или отстраненном, не так ли?
🟡 Любознательность, интерес к технике и бизнесу, обучаемость. Дата-аналитику приходится работать с крайне изменчивыми сущностями — развивающийся бизнес, прогрессирующая сфера IT, а также сами люди, которые никогда не устают удивлять. Поэтому лучше сразу нацелиться на постоянный рост и бесконечное саморазвитие. В конце концов, не в этом ли одна из основ жизни вообще?
Приветствую, любители аналитики!
Несколько слов о скиллах, необходимых дата-аналитику в моём понимании. Это те навыки, которые я выделил за несколько лет опыта и стараюсь развивать в себе и в участниках моей команды.
Hard skills:
👑 SQL — must have;
👑 Clickhouse, PostgreSQL и другие СУБД — must have;
👑 Python + pandas — must have;
😶 Электронные таблицы — крайне желательно;
*️⃣ Airflow или другие средства автоматизации — желательно;
*️⃣ Яндекс.Метрика или другие системы веб-аналитики, любой Tag Manager — желательно;
*️⃣ Git — желательно;
*️⃣ BI-системы — будет плюсом.
Soft skills
А вот тут хотел бы остановиться подробней. Каждый пунктик глубоко осмыслен и необходим!
🟡 Внимательность и дотошность. Для специалиста, имеющего дело с данными, крайне важно видеть в них изъяны и не пропустить ничего существенного. То есть постоянно проверять цифры, значения, нестыковки, выяснять причины расхождений, докапываться до истины и при этом не сходить с ума, а может, даже находить в этом удовольствие — чертовски важный навык.
🟡 Коммуникабельность, умение излагать мысли. Дата-аналитик — не кондовый технарь, и взаимодействие с людьми, причём с разными и со многими, составляет немалую часть его работы. Поэтому уметь понять, что хочет заказчик, а иногда и помочь ему это понять, а также объяснить задачу разработчикам или дата-инженерам — must have.
🟡 Изобретательность. В дата-аналитике бывают рутинные, шаблонные задачи, и их стараются поскорее автоматизировать. А вот новых задач, вызовов и требований — сколько угодно. Поэтому умение подобрать или сгенерировать решение технической или аналитической проблемы очень полезно.
🟡 Самостоятельность. Это лично от меня :) Впрочем, полагаю, любой руководитель хотел бы, чтобы его сотрудники были способны сами решать вопросы с заказчиками, добывать информацию, организовывать нужные процессы в рамках своих задач и т. д.
🟡 Нацеленность на результат. Всё вышеперечисленное почти бессмысленно без этого. Аналитики — активные и важные участники функционирования бизнеса, они повышают его управляемость. Выходит, на них висит немалая доля ответственности за «здоровье» бизнеса. Не знаю, можно ли научить сотрудника ответственности, поэтому стараюсь подбирать к себе людей, кто изначально хочет быть полезным, доводить любое дело до логического завершения, не терпит висюков и долгов.
🟡 Доброжелательность. Удивительно, но с этим качеством все взаимодействия становятся проще! Да и приятнее работать в дружном коллективе, чем в токсичном или отстраненном, не так ли?
🟡 Любознательность, интерес к технике и бизнесу, обучаемость. Дата-аналитику приходится работать с крайне изменчивыми сущностями — развивающийся бизнес, прогрессирующая сфера IT, а также сами люди, которые никогда не устают удивлять. Поэтому лучше сразу нацелиться на постоянный рост и бесконечное саморазвитие. В конце концов, не в этом ли одна из основ жизни вообще?
Софтам тоже можно научиться, главное держать их в фокусе внимания и время от времени проводить самоанализ.
Ну а по хардам — добро пожаловать на курс «Аналитик данных», где я выступаю ментором, то есть тем парнем, который не дает заснуть или отложить домашку в долгий ящик. Там есть всё что нужно и даже больше.
Кстати, курс стартует уже сегодня! Так что, если вы ждали знака записаться, то это он.
Действуйте!
👍15❤5🔥2
Смех смехом, а ребята сделали статистический анализ количества спичек в коробках и выявили шринкфляцию. Полезно для тех, кто думает, что статистика - это капец как сложно и страшно. Такой анализ может сделать каждый!
https://pikabu.ru/story/podozrenie_na_shrinkflyatsiyu_spichek_i_net_myi_ne_psikhi_13226193?utm_source=linkshare&utm_medium=sharing
https://pikabu.ru/story/podozrenie_na_shrinkflyatsiyu_spichek_i_net_myi_ne_psikhi_13226193?utm_source=linkshare&utm_medium=sharing
Пикабу
Подозрение на шринкфляцию спичек, и нет, мы не психи
Автор: enjicz
😁5
Как устроена работа дата-аналитика в Яндекс eLama
Приветствую, любители аналитики!
В моей команде 5 человек, включая меня, а кроме нас в дата-офисе есть команды дата-инженеров, которые собирают данные, и бизнес-аналитиков, которые визуализируют данные и взаимодействуют с заказчиками.
Таким образом, мы находимся посередине конвейера данных и отвечаем за:
🟠 Разработку и поддержку витрин данных первых слоёв. Это расширенные таблицы с информацией об основных бизнес-сущностях.
🟠 Наш сервис Self-analytics, который позволяет заказчикам получать выгрузки самостоятельно, без нас. Суть раскрыта, например, в моей старой статье на Хабре. С тех пор техническая реализация сменилась, но подход остался.
🟠 Прогнозирование метрик. Вот тут моя замороченная статья о нашем прогнозировании.
🟠 Настройку веб-аналитики. С помощью Google и Яндекс тег-менеджеров ловим события на сайтах компании, шлем в Метрику или GA, а оттуда забираем к себе в хранилище.
🟠 Помощь бизнес-аналитикам в составлении конкретных витрин для BI-отчётов. Узкоспециальные витрины они делают сами, но мы их ревьюим и деплоим.
🟠 Консультирование коллег по вопросам данных в нашем аналитическом хранилище.
🟠 Обслуживание аналитического хранилища: проверка качества данных в первичных витринах, бэкапирование, обновление витрин, документирование и т. д.
Кроме того, у нас есть дежурство. Дежурный аналитик меняется каждую неделю и отвечает за:
➖ мониторинг обновления и качества данных, решение инцидентов;
➖ выдачу доступов;
➖ быстрые задачи, т. е. занимающие не более 2-3 часов;
➖ ответы на вопросы.
Эти задачи у дежурного имеют приоритет над спринтовыми. Конечно, при необходимости ему помогают коллеги.
Чтобы всё это организовать, мы пользуемся таск-трекером, корпоративным мессенджером, календарём, облачным диском, средством для созвонов и другими офисными инструментами.
👨💻 Работаем в основном удалённо. 3 раза в неделю созваниваемся на получасовую планерку (дэйлик) и ещё полчаса уходит на планирование спринта. Остальные созвоны ситуативные.
А иногда съезжаемся вместе, чтобы пообщаться и затусить, как же без этого!
Работы у нас много и вся она интересная. Делитесь в комментариях, как устроена работа в вашем отделе 😉
PS. Про нейросети я понял, ждите в скором времени!
Приветствую, любители аналитики!
В моей команде 5 человек, включая меня, а кроме нас в дата-офисе есть команды дата-инженеров, которые собирают данные, и бизнес-аналитиков, которые визуализируют данные и взаимодействуют с заказчиками.
Таким образом, мы находимся посередине конвейера данных и отвечаем за:
🟠 Разработку и поддержку витрин данных первых слоёв. Это расширенные таблицы с информацией об основных бизнес-сущностях.
🟠 Наш сервис Self-analytics, который позволяет заказчикам получать выгрузки самостоятельно, без нас. Суть раскрыта, например, в моей старой статье на Хабре. С тех пор техническая реализация сменилась, но подход остался.
🟠 Прогнозирование метрик. Вот тут моя замороченная статья о нашем прогнозировании.
🟠 Настройку веб-аналитики. С помощью Google и Яндекс тег-менеджеров ловим события на сайтах компании, шлем в Метрику или GA, а оттуда забираем к себе в хранилище.
🟠 Помощь бизнес-аналитикам в составлении конкретных витрин для BI-отчётов. Узкоспециальные витрины они делают сами, но мы их ревьюим и деплоим.
🟠 Консультирование коллег по вопросам данных в нашем аналитическом хранилище.
🟠 Обслуживание аналитического хранилища: проверка качества данных в первичных витринах, бэкапирование, обновление витрин, документирование и т. д.
Работаем мы спринтами, то есть:
➖ На планировании (по пятницам) набираем задачи на неделю.
➖ Новые задачи идут в бэклог, т. е. пока спринт не кончится, никто не вклинится со своей хотелкой (за редкими исключениями).
➖ Стадии задачи: бэклог → в работе → ревью → приёмка → закрыто.
➖ У сотрудников есть «специализации»: каждое наше направление или группу заказчиков ведёт как минимум двое сотрудников.
➖ Операционка (например, подключение нового источника данных) и квартальные проекты.
Кроме того, у нас есть дежурство. Дежурный аналитик меняется каждую неделю и отвечает за:
➖ мониторинг обновления и качества данных, решение инцидентов;
➖ выдачу доступов;
➖ быстрые задачи, т. е. занимающие не более 2-3 часов;
➖ ответы на вопросы.
Эти задачи у дежурного имеют приоритет над спринтовыми. Конечно, при необходимости ему помогают коллеги.
Чтобы всё это организовать, мы пользуемся таск-трекером, корпоративным мессенджером, календарём, облачным диском, средством для созвонов и другими офисными инструментами.
👨💻 Работаем в основном удалённо. 3 раза в неделю созваниваемся на получасовую планерку (дэйлик) и ещё полчаса уходит на планирование спринта. Остальные созвоны ситуативные.
А иногда съезжаемся вместе, чтобы пообщаться и затусить, как же без этого!
Работы у нас много и вся она интересная. Делитесь в комментариях, как устроена работа в вашем отделе 😉
PS. Про нейросети я понял, ждите в скором времени!
Telegram
Тимлидское об аналитике
Привет! На связи Павел Беляев — автор канала Тимлидское об аналитике и ментор курса «Аналитик данных» 👋
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель…
Сегодня хочу немного пояснить, почему аналитику нужно хотя бы примерно ориентироваться во многих темах.
Ценность аналитики заключается в том, что представитель…
🔥12👍4
Приветствую, любители аналитики!
Давайте поглядим, что накопилось интересного в Тимлидском за последний месяц.
Я посвятил много внимания конкретно своему месту работы и своему видению его.
Прошлые вспоминалки
Дайджест №1
Дайджест №2
Дайджест №3
Дайджест №4
Дайджест №5
Аналитика для бизнеса
Конвейер данных - основные этапы работы с данными
Как онбордятся дата-аналитики в Яндекс eLama - процессы погружения новичка
С какими данными работает аналитик - основные виды источников
О навыках, необходимых дата-аналитику, особенно о софтовых
Как устроена работа дата-аналитика в Яндекс eLama - в моей команде
Аналитика для жизни
Об отдыхе и его бескомпромиссности
Давайте поглядим, что накопилось интересного в Тимлидском за последний месяц.
Я посвятил много внимания конкретно своему месту работы и своему видению его.
Прошлые вспоминалки
Дайджест №1
Дайджест №2
Дайджест №3
Дайджест №4
Дайджест №5
Аналитика для бизнеса
Конвейер данных - основные этапы работы с данными
Как онбордятся дата-аналитики в Яндекс eLama - процессы погружения новичка
С какими данными работает аналитик - основные виды источников
О навыках, необходимых дата-аналитику, особенно о софтовых
Как устроена работа дата-аналитика в Яндекс eLama - в моей команде
Аналитика для жизни
Об отдыхе и его бескомпромиссности
Telegram
Тимлидское об аналитике
Приветствую, любители аналитики!
Ну что, нашему канальчику чуть меньше двух недель, давайте вспомним, о чем шла речь.
Попробую такой дайджест выдавать регулярно, чтобы не пропускалось / вспоминалось полезное.
Аналитика для бизнеса
Ценность аналитики - где…
Ну что, нашему канальчику чуть меньше двух недель, давайте вспомним, о чем шла речь.
Попробую такой дайджест выдавать регулярно, чтобы не пропускалось / вспоминалось полезное.
Аналитика для бизнеса
Ценность аналитики - где…
🔥8
О нейросетях
Приветствую, любители аналитики!
Последуем за трендом и затронем тему нейросетей.
Я неоднократно заявлял, что работа дата-аналитика - это постоянные вызовы, задачи с которыми раньше не приходилось сталкиваться. Невозможно всему научиться заранее, постоянно приходится осваивать новые инструменты, подходы, бест-практисы.
И в этом кроется первая возможность применения нейро-помощников.
Я теперь почти не пользуюсь поисковыми системами, ведь там часто приходится перелопачивать несколько сайтов, выискивать по крупицам ответы в полотнах текста (и хорошо еще, если это не SEO-текст, написанный копирайтером по ТЗ).
Нейронка даст ответ на любой прямо поставленный вопрос, а если остались неясности, их можно доуточнить в диалоге с ней. Это потрясающе, будущее наступило.
Особый интерес представляет способность этих механизмов создавать ответы, а не просто их откуда-то брать. То есть, никто нигде не писал ответа, его просто нет в интернете, а нейросеть сама его составила.
Технически они просто "угадывают" следующие слова на основе огромного количества правил. Поэтому их стоит проверять, особенно если тема сложная, непроторенная. Нейронки могут ошибаться, галлюцинировать, но делают это всё реже.
Вторая прогрессивная возможность, интересная дата-специалистам и айтишникам вообще - это, конечно, вайб-кодинг. Это программирование с помощью ИИ: пишете промпты типа "напиши скрипт, который сделает то-то" и оно вам выдает код. Разные нейросети по-разному с этим справляются. Например, Яндекс Алиса пока не очень умеет, но есть ассистенты, специально заточенные под кодинг.Я использую для вайб-кодинга Claude и вполне им доволен.
Когда-то я любил программировать, но это давно в прошлом. Сейчас меня радует, если код делает то, что мне нужно, решает мою задачу, и неважно кем и как он написан. И нейронка даёт мне именно это!
В завершение несколько простых советов по использованию нейро-ассистентов.
1. Общайтесь с ними как можно больше. Это создаст привычку, поможет понять, как им писать, чтобы получить наиболее качественный ответ, разовьет навык промтинга.
Я завел хобби - выяснять у Алисы разные внерабочие интересующие меня вопросы типа истории музыкальных групп или русских писателей. Получается очень интересно, подумываю даже опубликовать наши с ней диалоги.
2. Для повышения качества и точности ответа промпт может содержать компоненты:
• Роль – от лица кого вам должна отвечать нейросеть;
• Контекст – описание вашей ситуации;
• Задача – собственно, что требуется от ИИ;
• Ограничения – «направляющие» запреты на использование определенных элементов решения;
• Формат вывода – в каком виде хотите получить ответ
• и любые другие составляющие
Можете выделять их естественным языком или заключать в XML тэги (программы их хорошо понимают).
3. Не стоит требовать сразу всё в первом вопросе, можно доуточнять итеративно.
4. Забудьте про поисковые системы. Спрашивайте ассистента, а уж он пусть ищет.
5. Проверяйте ответ. Требуйте ссылку на источник инфы или пробуйте раскусить ИИ, указывайте на его ошибки, высказывайте недоверие или сомнения, выводите на чистую воду, ловите на противоречиях. Требуйте уточнить информацию.
Кстати, говорят, помогают даже угрозы или посулы типа: "если ошибешься, я тебя уволю" или "За правильный ответ получишь 1000 долларов".
6. Помните, это не человек, не бойтесь его оскорбить, не стесняйтесь в высказываниях, это машина, а вы пишете ей команды. Заметил за собой поначалу, что тщательно обдумываю, как бы спросить поделикатней. Постепенно эта нелепая неловкость, отнимающая долю ресурсов, ушла.
А еще жду выхода статьи, где расписал свой реальный кейс вайб-кодинга - О прогнозировании аппроксимацией на SQL. Как выйдет, скину вам ссылочку.
На этом пока всё, успехов вам в освоении нового!
Приветствую, любители аналитики!
Последуем за трендом и затронем тему нейросетей.
Я неоднократно заявлял, что работа дата-аналитика - это постоянные вызовы, задачи с которыми раньше не приходилось сталкиваться. Невозможно всему научиться заранее, постоянно приходится осваивать новые инструменты, подходы, бест-практисы.
И в этом кроется первая возможность применения нейро-помощников.
Я теперь почти не пользуюсь поисковыми системами, ведь там часто приходится перелопачивать несколько сайтов, выискивать по крупицам ответы в полотнах текста (и хорошо еще, если это не SEO-текст, написанный копирайтером по ТЗ).
Нейронка даст ответ на любой прямо поставленный вопрос, а если остались неясности, их можно доуточнить в диалоге с ней. Это потрясающе, будущее наступило.
Особый интерес представляет способность этих механизмов создавать ответы, а не просто их откуда-то брать. То есть, никто нигде не писал ответа, его просто нет в интернете, а нейросеть сама его составила.
Технически они просто "угадывают" следующие слова на основе огромного количества правил. Поэтому их стоит проверять, особенно если тема сложная, непроторенная. Нейронки могут ошибаться, галлюцинировать, но делают это всё реже.
Вторая прогрессивная возможность, интересная дата-специалистам и айтишникам вообще - это, конечно, вайб-кодинг. Это программирование с помощью ИИ: пишете промпты типа "напиши скрипт, который сделает то-то" и оно вам выдает код. Разные нейросети по-разному с этим справляются. Например, Яндекс Алиса пока не очень умеет, но есть ассистенты, специально заточенные под кодинг.Я использую для вайб-кодинга Claude и вполне им доволен.
Когда-то я любил программировать, но это давно в прошлом. Сейчас меня радует, если код делает то, что мне нужно, решает мою задачу, и неважно кем и как он написан. И нейронка даёт мне именно это!
В завершение несколько простых советов по использованию нейро-ассистентов.
1. Общайтесь с ними как можно больше. Это создаст привычку, поможет понять, как им писать, чтобы получить наиболее качественный ответ, разовьет навык промтинга.
Я завел хобби - выяснять у Алисы разные внерабочие интересующие меня вопросы типа истории музыкальных групп или русских писателей. Получается очень интересно, подумываю даже опубликовать наши с ней диалоги.
2. Для повышения качества и точности ответа промпт может содержать компоненты:
• Роль – от лица кого вам должна отвечать нейросеть;
• Контекст – описание вашей ситуации;
• Задача – собственно, что требуется от ИИ;
• Ограничения – «направляющие» запреты на использование определенных элементов решения;
• Формат вывода – в каком виде хотите получить ответ
• и любые другие составляющие
Можете выделять их естественным языком или заключать в XML тэги (программы их хорошо понимают).
3. Не стоит требовать сразу всё в первом вопросе, можно доуточнять итеративно.
4. Забудьте про поисковые системы. Спрашивайте ассистента, а уж он пусть ищет.
5. Проверяйте ответ. Требуйте ссылку на источник инфы или пробуйте раскусить ИИ, указывайте на его ошибки, высказывайте недоверие или сомнения, выводите на чистую воду, ловите на противоречиях. Требуйте уточнить информацию.
Кстати, говорят, помогают даже угрозы или посулы типа: "если ошибешься, я тебя уволю" или "За правильный ответ получишь 1000 долларов".
6. Помните, это не человек, не бойтесь его оскорбить, не стесняйтесь в высказываниях, это машина, а вы пишете ей команды. Заметил за собой поначалу, что тщательно обдумываю, как бы спросить поделикатней. Постепенно эта нелепая неловкость, отнимающая долю ресурсов, ушла.
А еще жду выхода статьи, где расписал свой реальный кейс вайб-кодинга - О прогнозировании аппроксимацией на SQL. Как выйдет, скину вам ссылочку.
На этом пока всё, успехов вам в освоении нового!
🔥15❤6👍5
Приветствую, любители аналитики!
А вот и обещанная моя статейка, которая получилась "два в одном" — рассматривается две темы:
* о вайб-кодинге — как я его применил
* о прогнозировании аппроксимирующей функцией.
Реальный кейс из бизнеса, рекомендую заценить.
А вот и обещанная моя статейка, которая получилась "два в одном" — рассматривается две темы:
* о вайб-кодинге — как я его применил
* о прогнозировании аппроксимирующей функцией.
Реальный кейс из бизнеса, рекомендую заценить.
вАЙТИ
Кейс вайб-кодинга: прогнозирование аппроксимацией на SQL
DIY-медиа для ИТ-специалистов. Практические истории про решение самых разных задач из ИТ и смежных областей.
🔥10
Нейросети и тайм-менеджмент
Приветствую, любители аналитики!
В последнее время активно ищу варианты применения нейросетей в работе с данными. Посещаю все активности Яндекса и сторонние конференции, посвящённые этой теме. Обычно там рассказывают о довольно специфичных кейсах, которые трудно перенять или масштабировать.
Но первая возможность, которую дает нам ИИ, лежит у нас под носом. Это обучение.
Можно задать любой вопрос, запросить программу любого курса и попросить наполнить эту программу, а по ходу прохождения - задавать вопросы, чтобы разрешить неясности. Извините, но это потрясающе.
Предлагаю вам попробовать.
Как-то я заводил тему о культовой книге "Тайм-драйв" Глеба Архангельского. Думал, буду подкидывать вам главы оттуда, чтоб вдохновлялись.
Но понял, что мне лень заниматься этой рутиной.
Поэтому сделайте сами, а я расскажу, как это организовать почти мгновенно. Идёт?
Итак, инструкция:
1. Откройте Алису. (Эксперимент показал, что она справилась с задачей лучше ДипСика, который выдал устаревшие данные)
2. Введите промпт:
Напиши содержание последнего издания книги Г.Архангельского "Тайм-драйв".
и дождитесь ответа.
Она выдаст содержание 30-го издания (да, книга переиздавалась десятки раз!)
3. Изучите содержание. Это уже начало структуризации вашей работы со своими ресурсами!
Выберите наиболее интересующую главу и введите промпт для её раскрытия, например, такой:
Сделай тезисный конспект Главы 1. Организация отдыха
4. Уточняйте промптом каждый пункт, о котором хотите узнать больше.
Запоминайте и внедряйте!
Таким нехитрым способом вы:
а) привыкнете пользоваться дарами наступившего будущего;
б) получите структурированные советы организации своего времени, сил и дел.
И то и другое - маст хэв для аналитика!
Приветствую, любители аналитики!
В последнее время активно ищу варианты применения нейросетей в работе с данными. Посещаю все активности Яндекса и сторонние конференции, посвящённые этой теме. Обычно там рассказывают о довольно специфичных кейсах, которые трудно перенять или масштабировать.
Но первая возможность, которую дает нам ИИ, лежит у нас под носом. Это обучение.
Можно задать любой вопрос, запросить программу любого курса и попросить наполнить эту программу, а по ходу прохождения - задавать вопросы, чтобы разрешить неясности. Извините, но это потрясающе.
Предлагаю вам попробовать.
Как-то я заводил тему о культовой книге "Тайм-драйв" Глеба Архангельского. Думал, буду подкидывать вам главы оттуда, чтоб вдохновлялись.
Но понял, что мне лень заниматься этой рутиной.
Поэтому сделайте сами, а я расскажу, как это организовать почти мгновенно. Идёт?
Итак, инструкция:
1. Откройте Алису. (Эксперимент показал, что она справилась с задачей лучше ДипСика, который выдал устаревшие данные)
2. Введите промпт:
Напиши содержание последнего издания книги Г.Архангельского "Тайм-драйв".
и дождитесь ответа.
Она выдаст содержание 30-го издания (да, книга переиздавалась десятки раз!)
3. Изучите содержание. Это уже начало структуризации вашей работы со своими ресурсами!
Выберите наиболее интересующую главу и введите промпт для её раскрытия, например, такой:
Сделай тезисный конспект Главы 1. Организация отдыха
4. Уточняйте промптом каждый пункт, о котором хотите узнать больше.
Запоминайте и внедряйте!
Таким нехитрым способом вы:
а) привыкнете пользоваться дарами наступившего будущего;
б) получите структурированные советы организации своего времени, сил и дел.
И то и другое - маст хэв для аналитика!
Telegram
Тимлидское об аналитике
Вторая маст-хэв книга наряду с "Потоком" Михая - это, конечно, знаменитый "Тайм-драйв" Глеба Архангельского. Если вы её еще не читали, найдите книжку сегодня же (она давно гуляет по интернету). А если читали - перечитайте еще раз и принимайте на вооружение!…
🔥14❤6👎1
Приветствую, любители аналитики!
Хочу с вами посоветоваться.
Давеча я проводил вебинар для растущих аналитиков на тему "Как мотивировать себя на обучение".
В нём резюмировал свои многолетние изыскания о личной эффективности применительно к процессу самообразования и достижения карьерной (или любой другой) цели.
Что скажете, если я повторю такой вебинар для вас?
Придёте послушать?
Поставьте лайк, если да и дислайк - если нет.
Если наберется, скажем, 20 лайков - буду готовить мероприятие.
Хочу с вами посоветоваться.
Давеча я проводил вебинар для растущих аналитиков на тему "Как мотивировать себя на обучение".
В нём резюмировал свои многолетние изыскания о личной эффективности применительно к процессу самообразования и достижения карьерной (или любой другой) цели.
Что скажете, если я повторю такой вебинар для вас?
Придёте послушать?
Поставьте лайк, если да и дислайк - если нет.
Если наберется, скажем, 20 лайков - буду готовить мероприятие.
👍67❤13