Традиционная подборка интересных ссылок
🔭 Много визуализаций и журналистики данных в исследованиях Яндекса. Есть классные примеры интересных дата историй.

🎓 Ребята из Solvery проводят фестиваль пробных интервью для разных типов аналитиков. Не знаю, что там будет точно, но звучит интересно.

▶️ Женя Козлов (бывший руководитель аналитики Такси) сходил на подкаст к Karpov.Courses. Женю всегда интересно послушать, особенно про аналитику.

📈 Gartner выпустили новое исследование про BI-инструменты, а я традиционно собрал небольшой дашборд на эту тему.

🥔 Классный разбор вариантов дизайна простой таблицы про картофель (только звук местами не айс).

📄 Подборка статей по визуализации данных на Оди. Например, про линейные графики очень понравилась.
#дайджест

Конференция по продвинутой продуктовой аналитике Aha!’23 пройдет 30 мая.

За 12 часов работы конференции участники прослушают 29 докладов про запуск новых продуктов, монетизацию, эксперименты и сопровождающие их ETL-процессы.

Полная программа конференции: https://bit.ly/ahaconf23

Актуальные темы, в которых важно разбираться каждому аналитику и продакт-менеджеру.

Аналитики разберут решения десятки реальных аналитических задач - от постановки до получения финальных результатов, получат рекомендации по дизайну A/B/n-экспериментов, узнают как обеспечить "бесшовность" при смене источников данных, напишут метод Propensity Score на Python, узнают как автоматизировать мониторинг событийных данных в аналитике, получат готовый чек-лист переезда на Datalens от команды Яндекс, поймут как стандартизировать работу с аналитическими пайплайнами, узнают как выполнить подготовку данных о пользовательских траекториях (clickstream) и многое другое.

Продакты разберутся в процессах запуска новых фич, узнают как использовать аналитику для принятия обоснованных решений и как устроены крупные запуски в больших продуктах и как проходит предстартовая подготовка, моделирование, оценка потенциала и рисков, разберутся в процессах выстраивания процесса оценки влияния фичей на экономику компании и влияния A/B-тестов на финансовую отчетность и разберутся в разных сценариях использования скидок.

Участники конференции познакомятся с подходом к продуктовой аналитике в таких компаниях как OZON, Авито, Яндекс, Retentioneering, Мегафон, Сравни, Тинькофф, Сбермаркет, Доставки, X5, HeadHunter, MTC, Adidas, Varioqub и др.

Аудитория конференции - опытные data- и продуктовые аналитики, ML-специалисты, product-менеджеры и тимлиды. Спикерами и экспертами выступают руководители R&D департаментов и служб аналитики, senior data scientists, системные архитекторы и другие специалисты с уникальной экспертизой и опытом.

Вне зависимости от формата участия все участники получают доступ к записям всех докладов, презентациям и прочим материалам конференции. Также, все участники Aha!’23 получат доступ к материалам конференции прошлого года.

Дополнительные возможности:
- Если вы в поисках работы или студент очного отделения ВУЗа, то у вас есть шанс попасть на Матемаркетинг бесплатно.
- Если вы HR и ищите аналитиков, приглашаем вас посетить Aha! и промоутировать вакансию на площадке
- Если вы devrel и хотите с нами познакомиться - мы пригласим вас вместе с вашим тимлидом аналитики и обсудим будущие интеграции 😉

Конференция Aha! проводится третий раз и пройдет в оффлайн-формате в Москве на площадке ЦДП (Покровка 47), а также в онлайн-формате. Мы ждем как тех, кто сейчас в России, так и тех, кто нашел себя в новых локациях. Оплата билетов доступна с зарубежных юрлиц тоже доступна.

Мы ждем вас! Это будет круто и очень полезно!

С уважением, команда Матемаркетинга
@a_nikushin
8 800 222 55 67

info@matemarketing.ru
matemarketing.ru

Внимание на дополнительные возможности☝️

🐍 Самоучитель по Python для начинающих. Часть 18: Основы ООП – инкапсуляция и наследование

Рассмотрим базовые понятия (классы, подклассы и методы) и приступим к изучению первых двух фундаментальных принципов объектно-ориентированного программирования.

Смотреть статью

Джуны аналитики часто ищут датасет для петпроекта. В чате @analysts_hunter поделились (спасибо @iskakovshamil) несколькими сайтами, на которых можно найти датасеты на любой вкус и цвет

1. https://www.mavenanalytics.io/data-playground
2. https://data.world/datasets/open-data
3. https://habr.com/ru/articles/452392/
4. https://paperswithcode.com/datasets
5. https://www.kaggle.com/datasets
6. https://habr.com/ru/companies/yandex/articles/458326/
7. https://habr.com/ru/articles/331528/
8. https://habr.com/ru/companies/edison/articles/480408/
9. https://data-in.ru/data-catalog/?access_mode__in=1&page=2
10. https://github.com/awesomedata/awesome-public-datasets
11. https://www.reddit.com/r/datasets/

@internetanalytics

Интересная вакансия "Junior Дата Аналитик в продукт Фиксированный бизнес B2C (Big Data)" — https://hh.ru/vacancy/79747518?from=share_android
Отправлено с помощью мобильного приложения hh https://hh.ru/mobile?from=share_android

Коллеги, добрый день!
Ищу сотрудника на позицию "Аналитик BI" уровня junior или middle.
Компания: - Российский футбольный союз (РФС)
Трудоустройство в штат
Ссылка на позицию: https://gorki-2.hh.ru/vacancy/72009138?hhtmFrom=employer_vacancies
Основное требование: создание отчета в Superset от А до Я (сбор требований, подготовка датасета, построение отчета и отладка стилей в CSS)
От себя: обучение*, развитие, поддержка на всех этапах задач
ЗП: до 130 т.р. net
Формат работы: гибридный в Москве

P.S.
Пожалуйста, дабы ускорить процесс рассмотрения, пишите мне в личку.
Спасибо!

#вакансия #гибрид #СПб #Санкт-Петербург #Питер #data_analyst #аналитик_данных #dataanalyst #аналитикданных

Всем привет. Разыскивается Аналитик данных (Junior+/Middle)

✔Куда: ИТ-команда мультисервисной управляющей компании
✔Сфера: цифровизированное жилищно-коммунальное хозяйство
✔Вилка: 120 - 160 (Middle)
✔Стек: Power BI, Power Query, Power Pivot, MS Excel, MS SQL, PostgreSQL.
✔Ключевым на этапе онбординга будет
- продвинутый Excel, включая, сложные сводные таблицы;
- уверенный SQL с самостоятельным написанием запрос.
✔Как преимущество Знание VBA, Python.
✔Основная задача - анализ большого массива информции, выявление несоответствий и проблемных зон, поиск причин отклонений, визуализация отчетов для бизнес-заказчиков.
✔Формат: гибрид, офис-удаленка (50/50), офис Санкт-Петербург (в пешей доступности от ст. м. Бухарестская, Международная)
✔Занятость: полная занятость - пятидневка, 09.00 -18.00
✔Тип контракта: постоянный, оформление по ТК


Если вакансия заинтересовала и появились вопросы - просьба писать в тг @olya_agafitsa

Книга "Рассказы о математике с примерами на языках Python и C"

Блог Duolingo. Как Duolingo улучшает свои метрики

Как быстро начать программировать на Python аналитику данных?

Я уверена, что даже полный новичок в Python сможет сделать простой анализ уже через 2 недели. Анализ данных на Python - это не миллионы строк кода, многие манипуляции с данными - это всего лишь одна или несколько строчек.

Вот некоторые мысли из моего опыта.

1) ИЗУЧИТЕ ОСНОВЫ PYTHON (СИНТАКСИС).

Однако тут может возникнуть проблема - вы неделями и месяцами изучаете синтаксис, но при этом до сих пор не понимаете, как делать анализ данных с помощью Python.

На старте я изучала бесплатный курс Python в 2х частях (Часть 1 и Часть 2) на Stepik. Хороший курс? Да. Но изучать его довольно долго. Заявлено 40 + 64 часа, но выходит гораздо больше. Некоторые задачи можно решать по несколько часов, а задач только в Части 1 более 150). Ну и если уделять даже 2 часа в день 5 дней в неделю, обучение все равно растянется на несколько месяцев, а то и полгода. А за это время вы так и не поймете, как делать анализ данных с помощью Python.

Синтаксис знать важно, но также важно не утонуть в нем. На мой взгляд, начать лучше с более короткого курса и быстрее перейти к изучению библиотек для анализа данных и практике. А к синтаксису вы так или иначе будете возвращаться и углубляться в него по мере практики.

Например, есть 2 коротких бесплатных курса от Kaggle по синтаксису: Введение в программирование с Python и Python. Но можно брать и другие.

2) ИЗУЧИТЕ БИБЛИОТЕКИ ДЛЯ АНАЛИЗА ДАННЫХ.

Именно изучая библиотеки вы и поймете, как делать анализ данных с Python. Библиотеки - это наборы шаблонов кода для каждой конкретной ситуации. Знакомиться с библиотеками лучше всего выполняя реальный проект по анализу данных.

Начните с Pandas - это основная библиотека для работы с данными. С помощью нее можно очищать и подготавливать данные, делать анализ, визуализировать и др.

Вот краткий бесплатный курс Pandas от Kaggle.

Также у Pandas есть официальный сайт с туториалами по анализу данных.

А если вы уже знаете Excel или SQL, то вам будет еще проще освоить эту библиотеку: Pandas имеет схожие функции и может принимать различные типы данных. На официальном сайте Pandas даже есть туториалы, где функции Pandas приводятся в сравнении с Excel или SQL.

Освоив азы Pandas, вам будет легко понять Numpy, Matplotlib, Seaborn и другие библиотеки для анализа данных.

Например, вот краткий бесплатный курс по визуализации данных в Python от Kaggle (а именно используются библиотеки Seaborn и Matplotlib).

3) НАЧНИТЕ ПРАКТИЧЕСКИЙ ПРОЕКТ ПО АНАЛИЗУ ДАННЫХ С ПЕРВЫХ ДНЕЙ

Обучение на практике - лучший способ научиться программировать. Да, это вызов и выход из зоны комфорта, но так вы научитесь гораздо быстрее. После короткого курса синтаксиса уже можно переходить к реальному проекту, в процессе изучая библиотеки.

Поначалу можете подсмотреть, как выглядят проекты по анализу данных у других (например, на Medium много таких проектов).
Также примеры проектов анализа данных с помощью Python и где взять данные писала тут.

Если в процессе сталкиваетесь с ошибками, то в помощь Google и Stackoverflow.

4) ЧТОБЫ ПИСАТЬ КОД, НУЖНО НАСТРОИТЬ СРЕДУ РАЗРАБОТКИ.

Первый раз мне эта задача не показалась легкой, тк возникали ошибки, которые я достаточно долго исправляла.

Поэтому с первых дней можно начать с облачных сред разработки, в которых можно писать код сразу без настройки. Например, Google Collab или Kaggle Notebook. А в последствии установите среду разработки, например PyCharm, VScode или другую.

Если было полезно, ставьте 🔥.

Интересная вакансия "Junior BI Analyst" — https://hh.ru/vacancy/80067466?from=share_android
Отправлено с помощью мобильного приложения hh https://hh.ru/mobile?from=share_android

Поиск метрик 88 уровня :)

— Пользователи платят раз в месяц, — сказал владелец фитнес-приложения. — Выходит, проверить гипотезы можно минимум за 30 дней?
— Нет. Ищи опережающие метрики

Мы ориентируемся на важные и медленные показатели — выручку, прибыль, удержание, виральность. Но работаем с быстрыми, на изменение которых можем повлиять максимум за неделю. У Facebook — количество друзей, Slack — сообщений, Udemy — пройденных уроков, Peloton — взвешиваний.

Найти их просто, но не легко. Допустим нам нужно увеличить оплаты на второй месяц:

1. Выписываем действия пользователей в первые дни. Например, добавляют фотографию профиля.

2. Проверяем связь. В один столбец вносим данные по добавлению фото; в другой — процент оплативших второй месяц. Смотрим на коэффициент корреляции (шаблон в помощь — копируем себе, заполняем только желтые ячейки во вкладке Корреляция).

3. Проверяем влияние. Смотрим на коэффициент регрессии (шаблон в помощь — заполняем только желтые ячейки во вкладе Влияние). Чем он больше — тем лучше.

4. Рассчитываем, какова должна быть опережающая метрика, чтобы достичь цели. Например, хотим, чтобы 75% добавивших фото оплатили второй месяц. Получаем — 89% человек должны воспользоваться этой функцией.

Вывод прост: хотите результат — улучшайте процесс. А за него отвечают опережающие метрики. Как их найти и оценить вы теперь знаете.

Ребята, привет! За выходные вас заметно прибавилось 🙈🔥 Расскажите откуда пришли?😊

И давайте знакомиться.) Я Вера, продуктовый аналитик. В профессии чуть больше, чем полтора года. До этого 10 лет трудились на заводе:)
На аналитика отучилась в Karpov.courses, там же мне помогли найти своё первое место работы в геймдеве. Сейчас я в e-comm :)

Ещё закончила курс по датавизу год назад, а сейчас прохожу симулятор аб-тестирования все также в Karpov.courses :)

Канал создала для сбора полезной информации для джунов + скидываю джуновские вакансии из разных источников. Знаю не понаслышке , как сложно найти первую работу.. 🫠

Книга SQL: быстрое погружение