rafanalytics

Считаем крошки на рынке фастфуда Вчера я впервые попробовал "Крошку-Картошку") 🥔 Странно, что только сейчас, хотя сеть существует с 1998 года и наверняка попадалась вам в ТЦ После картошечки стало интересно: а насколько это вообще большой бизнес? Потому что формат кажется довольно нишевым. В фастфуде обычно вспоминают бургеры, курицу и пиццу, а тут основной продукт - печёная картошка с наполнителями 🧀 На странице франшизы Крошка Картошка пишет, что у сети 253 кафе в 51 городе, больше 15 млн покупателей в год и около 4 млрд рублей общей выручки партнёров 📊 Кажется, что 4 млрд рублей - это много. Но чтобы понять масштаб, нужно с чем-то сравнить.

Например, у "Вкусно и точка" выручка основного юрлица за 2024 год составила 187,4 млрд рублей. Получается, "ВиТ" больше "Крошки Картошки" примерно в 50 раз. А если смотреть на трафик, то у Крошки указано больше 15 млн покупателей в год, а Rostic’s, по открытым данным, обслуживает больше 1,7 млн гостей в день. То есть годовой поток Крошки примерно равен 9 дням трафика Rostic’s, получается действительно нишево))

Кстати, такие рынки обычно оценивают двумя способами 🧮 Первый способ - идти от большого к маленькому. Например, сначала найти объём всего рынка быстрого питания в России, а потом посмотреть, сколько в нём занимает Крошка Картошка. Такой подход нужен, если хочется получить именно долю рынка: условно, 1%, 5% или 10%. Но тут сразу появляется проблема: сначала нужно договориться, что именно считать фастфудом? От этого сильно поменяется итоговая доля. Второй способ - идти от маленького к большому. Берём конкретные сети и сравниваем их между собой: выручку, количество точек, поток гостей, средний чек. Такой подход не всегда даёт точную долю рынка, зато помогает быстро понять порядок: компания ближе к крупным игрокам или живёт в своей нише. Например, где-то считают выручку всей сети вместе с франчайзи, где-то только одно юрлицо, где-то количество ресторанов, а где-то поток гостей. На вид всё это про “размер бизнеса”, но выводы могут получиться разными 🤔

В случае Крошки оба подхода сходятся в одном: это не игрок масштаба "Вкусно и точка" или Rostic’s, но и не маленький локальный проект. Скорее устойчивая нишевая сеть с миллиардной выручкой и узнаваемым продуктом.

Таким образом обычная картошечка внезапно стала поводом напомнить вам про два главных способа оценить долю рынка ☺ А теперь отметимся реакциями: 🔥 - если пробовал Крошку Картошку ❤️ - если не пробовал

2 недели бесплатного обучения и возможность получить оффер на оплачиваемую стажировку 🧑‍💻

Компания КРОК открыла регистрацию на Летнюю ИТ-школу 2026 для студентов и недавних выпускников. Открытые треки: 🤩Телекоммуникации – для тех, кому интересны сетевые технологии 🤩ИТ-аналитика – для тех, кому интересны автоматизация бизнес-процессов, ведение ИТ-проектов и анализ данных

Почему стоит попробовать: 🤩 возможность получить оффер 🤩 новые скиллы для резюме 🤩 закрытие практики для вуза 🤩 стильный мерч 🤩 погружение в культуру (и вкусные обеды каждый день) Узнать больше можно по ссылке! 🎁🎁 p.s. а еще можно рекомендовать друзей через реферальную программу и получить за это подарок!

Личный блог — это плюс в карьере или red flag для нанимающих? 🚩 Я начал вести этот канал в 2023-м будучи стажёром-аналитиком в Яндексе. И, честно говоря, тогда я не задумывался, какие плюсы это может дать линейному сотруднику - я просто хотел ответить на вопросы, волнующие студентов-айтишников. Но с ростом аудитории я всё больше начал удивляться тому, какое сильное влияние это начинает оказывать на мою жизнь. И вот что блог может дать линейному сотруднику: • узнаваемость и полезные связи: большие охваты порой помогают дотянуться до самых разных людей и на разных уровнях • карьерные возможности: приглашения на митапы/конференции и нахождение в поле видимости рекрутеров • предложения о партнёрствах: приходят бренды и предлагают выгодное сотрудничество • дополнительный доход: за счёт рекламы или продажи собственных продуктов Но есть и ощутимые недостатки: • фильтрация контента: приходится сглаживать острые моменты, чтобы случайно не задеть свою или чужую компанию. Много мыслей может оставаться в черновике, а другие могут переписываться несколько раз 🫠 • настороженность при найме: команде нужен педантичный аналитик, а не блогер — и тут возникает разумный вопрос "а не уйдёт ли вместо рабочих задач его время на контент в соцсети сотрудника, которые продукту, в общем-то, не очень-то и нужны" 🧐 • вторая работа: в какой-то момент канал реально начинает требовать времени — а если что-то не успел или не выпустил, догоняет чувство вины перед подписчиками 😬 Но повторюсь: это взгляд со стороны линейного сотрудника. А по-хорошему вопрос из заголовка стоит задавать не мне, а именно менеджеру, который реально принимает решения о найме 😎 Поэтому мы объединились с Лёшей Малинским — руководителем отдела аналитики Авито Путешествий 😎 (да-да, моим коллегой) и автором канала @lexmalinskiy — и решили закрыть тему сразу с двух сторон. Лёша честно ответил со стороны менеджера:

Чем личный бренд полезен руководителю? И что в публичности подсвечивает сильного специалиста, а что заставляет насторожиться при найме?

Очень советую почитать его пост — мне самому было интересно обсудить эту тему с разных сторон баррикад грейдов 🤝

Хотите стать аналитиком, но боитесь, что для вас вакантного места нет? Это совершенно не так и вот почему: в 2026 году трудовую конкуренцию выигрывают не те, кто знает больше инструментов, а те, кто понимает, что именно нужно рынку прямо сейчас и готов подстраиваться под изменения бизнеса ⚙️ Заходите на бесплатный эфир, на котором не будет информации «как стать аналитиком за 30 дней», но будет подробный разбор карьеры аналитика и то как им стать в 2026 году. Ведет Андрон Алексанян — CEO школы аналитики 📉📉📉📉📉📉, 8 лет в аналитике, работал с крупнейшими компаниями РФ и мира. Что обещают разобрать: 🔶Как реально устроен вход в аналитику в 2026; 🔶Как думают нанимающие менеджеры — и что прямо бесит их в резюме; 🔶Какое портфолио сегодня реально смотрят; 🔶Почему кандидаты с меньшим опытом получают работу первыми — и как этим воспользоваться; 🔶Ну и про возраст 30 / 40 / 50+ тоже разберут — есть ли смысл стартовать сейчас. Плюс всем зарегистрировавшимся дают урок по прохождению собеседований — обычно он только в платных курсах. Эфир стартует уже совсем скоро! 📊 Зарегистрироваться бесплатно

Самый жизненный раздел из ML 😱 Вы наверняка видели видосы, где ИИ обучают играть в разные игры: к примеру тут Open AI ещё до появления ChatGPT выпускал довольно хайповый видос про обучения ботов игре в прятке. Подобные идеи относятся к теме Reinforcment Learning (или RL), которую я, почему-то, в университете так и не изучал, хотя вроде брал разные курсы на тему ML 🤔 Но так уж вышло, что недавно преподавание заставило меня разобраться в этой теме подробнее, и больше всего мне понравилось, как идеи из ML можно переносить в целом на процессы в повседневной жизни. Вот две интересных для меня идеи: 1) Мы постоянно прогнозируем свой «профит» и часто завышаем его 🤫 В RL игрок не знает заранее, какой "профит" принесёт то или иное действие. Всё что у него есть — накопленный опыт, на основе которого он учится предсказывать "выгодность" каждого следующего шага. Для этого в RL вводят конкретную Q-функцию, которая оценивает суммарную ожидаемую награду за конкретное действие в конкретной ситуации. Вот только есть один неприятный момент — так называемый "overestimation bias": это когда игрок склонен завышать свои ожидаемые награды, особенно когда данных ещё мало. Мы делаем то же самое: думаем, что новая работа окажется идеальной, а переезд сразу изменит жизнь к лучшему. Иногда так и выходит, но чаще реальная награда оказывается скромнее ожидаемой, да?)) 2) Сначала исследование, а потом эксплуатация 🧑‍🎓 В RL есть два режима. Во время обучения игрок специально исследует разные действия, даже если некоторые выглядят неоптимально — это так называемый "exploration". Только так можно найти по-настоящему лучшую стратегию. На инференсе же агент переключается в "exploitation": берёт лучшую из найденных стратегий и действует максимально эффективно. Это хорошая метафора для жизненных этапов: пока есть "ресурс на ошибки" — можно быть в режиме exploration и пробовать разные сферы, роли, проекты (так скажем быть открытым к возможностям). Когда понял, что работает — переключаешься в exploitation. Так что вывод простой:

Чтобы избежать overestimation bias — можно чуть занизить свои ожидания, а ещё убедиться, что собрал достаточно вводных данных перед тем, как переходить в режим exploitation. И это не всегда про машинное обучение))

Ставь ❤️ если нравятся посты такого формата, где идеи из DS перекладываются на рутину (таким образом я смогу скорректировать наиболее подходящие для блога форматы)

Есть кто на Aha’26? Газ нетворкаться 😎 Если вы на конференции в Москве, то давайте спишемся в ЛС @rafaeldks - и вживую поболтаем за жизнь, аналитику, Авито и любые другие приколы.

Нетворкинг (кумовство) - вещь полезная 🤝

А в выходные должен выйти неочевидный (на мой взгляд) пост про ML. Давайте поставим ❤️, чтобы ускорить его выход

Устройтесь в Яндекс за 2 дня 6–7 июня проводим онлайн-мероприятие быстрого найма. Ищем продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет. Всего за два дня вы можете пройти все секции и получить офер: ⚪️ Зарегистрируйтесь до 27 мая, после регистрации с вами свяжется рекрутер и договорится об удобном времени для интервью. ⚪️ 6 июня пройдите две технические секции, вместо трёх в обычном найме: аналитические задачи на знание матстата и алгоритмическую задачу на знание алгоритмов и структур данных. ⚪️ 7 июня познакомьтесь с командами и получите офер. Подробности и регистрация — на сайте: yandex.ru/project/events/wo-analytics-0626

Аналитику изучают ещё в школе 😱 Да-да, и ты когда-то тоже её изучал. Только называлась она физикой 🤫 Если чуть отойти от формулировок из учебников, то на физику можно смотреть как на попытку описать и «оцифровать» реальный мир: придумать для него понятные метрики и договориться, как именно мы будем их считать. Потом эти метрики стыкуются в модели, по ним делают выводы и проверяют гипотезы... Звучит знакомо, да?) Возьми хотя бы скорость, массу, силу или энергию. Это всё меры того, насколько быстро что-то движется, насколько оно «тяжёлое» для ускорения, насколько сильно на него давят, сколько работы удалось запасти. Константы вроде g = 9.8 м/c^2 или универсальной газовой R — это фиксированные коэффициенты, которые мы один раз хорошо померили и дальше спокойно используем как «эталонные значения» для оценки явлений, чтобы не пересчитывать каждый раз вселенную с нуля 🧠 Дальше есть идея нормировок: например, давление — это сила, поделённая на площадь. Мы берём эффект и делим на масштаб, чтобы получить показатель (как в ARPU — делим выручку на кол-во пользователей). Плотность — масса на объём, удельная теплоёмкость — на градус. Везде одна идея: взять величину в более удобном и отнормированном виде. А что с «экспериментами»? В лабораторных работах ты редко делаешь ровно АБ-тест в корпоративном смысле, но идея та же. Например, измеряем ускорение тележки с грузом: в одном прогоне считаешь, что трение почти нулевое, в другом — намеренно меняешь условие (ставишь на другую поверхность) и смотришь, как поменяется результат. Контрольная и экспериментальная серии измерений, табличка значений, график — и ты уже почти проверил гипотезу. Ну, или если совсем по-продуктовому: у тебя есть гипотеза из теории, ты собираешь данные, сравниваешь сценарии и подгоняешь делаешь вывод лабораторной работы Плюсом идут погрешности приборов (как шум в данных), усреднения (чтобы нивелировать дисперсию в наблюдениях), графики зависимости как твой первый дашборд на бумаге. Даже порядок величин и размерности — это как алёрты в данных перед тем, как отдать отчёт: если в ответе человек бежит со скоростью 100 м/сек, то где-то точно есть ошибка 😅 В общем, если ты когда-то изучал школьную физику, то ты уже тренировал мозг на вещах, которые часто нужны в аналитике: выбрать метрику, понять масштаб, нормализовать, проверить гипотезу данными и статистически признать расхождение модели с реальностью 📈 Не забываем, что сила канала измеряется не в ньютонах и не в правде, а в красных сердечках под постами ❤️

Работа аналитика - уже не только про цифры 😎 Это про умение принимать решения быстрее других. В 2026 году выигрывают не те, кто знает больше инструментов, а те, кто понимает, что именно нужно рынку прямо сейчас. Если вы: 🟠застряли в обучении и не понимаете, что учить дальше 🟠откликаетесь на вакансии, но не получаете ответ 🟠хотите в айти, но думаете, что «уже поздно что-то менять» Приглашаем вас на бесплатный вебинар, где Андрон Алексанян (CEO Simulative) разложит по полочкам, как на самом деле устроен вход в аналитику сегодня! Андрон ответит на вопросы:

➖почему классические “роадмапы” больше не работают ➖как собрать портфолио, которое действительно смотрят ➖какие кандидаты получают офферы, даже уступая по опыту ➖как думают нанимающие менеджеры (и что их бесит в резюме) ➖можно ли войти в профессию после 30/40/50 — и какие у вас есть реальные преимущества.

Все, кто зарегистрируются, бесплатно получат урок по прохождению собеседований, который обычно мы даем в платных курсах 📚 😶РЕГИСТРИРУЙТЕСЬ

AI оптимизирует экономику тг-канала 🤖 Я заметил, что в какой-то момент этот блог, который изначально был просто увлечением, превратился в мини-продукт со своей экономикой: есть ресурсы, есть затраты, а следовательно появляется и метрика окупаемости 🤫 Например, чтобы телеграм-бот стабильно делился с вами полезными и бесплатными материалами, мне нужно: • выделить время на подготовку этих материалов • платить каждый месяц за сервис-конструктор тг-бота То есть в любом случае есть косты: и время, и деньги 💸 И если смотреть на блог как на продукт, то ведение контента без монетизации в какой-то степени становится благотворительностью с отрицательной окупаемостью, но как аналитику мне хочется, чтобы такая система была оптимальна и не разваливалась по ресурсам 📊 Поэтому я смотрю на это как на задачу оптимизации: где можно уменьшить затраты, а где можно повысить отдаваемую пользу ⚖️ А ещё для сокращения костов можно подключать самые разные навыки: например, я учился на разработчика на ФКН Вышки, и сейчас в связке с вайбкодингом можно переписать тг-бота под своё решение, вынести его на иностранный сервер и проверить, насколько это сократит косты по сравнению с подпиской (если знаете хороший VPS для тг-ботика - напишите в комментарии 🙏) Следующий шаг в рамках оптимизации - отреагировать на замедление телеграма и выйти на дополнительные источники трафика, так что увидимся и на других площадках) И да, лучшая помощь такому продукту - это поставить ❤️ под этим постом, а я буду отдавать ещё больше)

Авторский ноутбук для практики Pandas и визуализаций 👨‍💻 Подъехали новые материалы для канала 🎉 В этом jupyter-ноутбуке можно загрузить датасет по продажам кофе (конечно, Раф там тоже есть) и попробовать выполнить несколько заданий на Pandas, Matplotlib и немного Seaborn 📊 Если выполнишь предложенные задания, то можешь считать, что обладаешь базовым минимумом для стажировки (а может и больше) по анализу данных 😎 Сам файл можно забрать в боте по команде

/jupyter

Ну и реакциями давайте поддержим ❤️, а то собирать всё это оказалось довольно непросто 😮‍💨

Отличная возможность ворваться в аналитику уже в 2026 году Если вы давно смотрите в сторону аналитики или хотите прокачаться как специалист, для вас есть классная новость: сейчас ваше время сделать первый шаг 🤔 Данных вокруг всё больше, бизнесу нужны люди, которые умеют превращать цифры в решения. И именно этим занимаются аналитики данных - профессия, которая стабильно востребована уже много лет и не собирается сдавать позиции 🙏 Курс-симулятор «Аналитик данных» от Simulative Что внутри:

➖12 модулей: SQL, Python, BI, статистика, продуктовые метрики и не только; ➖Практика на реальных кейсах, которые помогут нарастить ваше портфолио; ➖Свободный формат, можно легко совмещать с другой учебой или работой; ➖Наставники, которые реально помогают и ведут за руку; ➖Рекомендации по составлению резюме и поиску работы; ➖Дополнительная возможность трудоустройства сразу после курса.

Кому будет полезно: 1. Тем, кто хочет войти в аналитику с нуля; 2. Тем, кто устал от своей текущей работы и хочет получить новую профессию; 3. Тем, кто начал учиться самостоятельно, но нуждается в системном обучении. Simulative сейчас дают возможность получить грант на обучение, так что оставляйте заявку и не упускайте свой шанс начать карьеру в IT 📚 🔗 ПОЛУЧИТЬ ГРАНТ НА ОБУЧЕНИЕ

Как войти в классическую айтишку с текущими ценами на курсы? 🤔 Ответ простой: сейчас есть платформы, которые уверены в своем обучении и берут полную оплату только после того, как вы найдете работу 👨‍💼 И такое предложение довольно редко встречается в условиях кризиса. Речь идет про Erida — ребята готовят системных аналитиков с полного нуля. Если вы думаете о смене профессии, но боитесь бросать всё в никуда, это ваш идеальный «безопасный вход» Это отличный вариант как альтернатива классическим фронтенду и тестированию: — Конкуренция меньше — Опыт в IT не требуется (совсем) — Обучение занимает 3 месяца (интенсивно, но вполне реально) — Гарантия трудоустройства: компания заинтересована в вашем успехе, потому что оплату вы вносите только после получения первой зарплаты — Если первая работа «не зайдет», Erida поможет найти другой вариант На сайте есть отзывы студентов, которые рискнули и не прогадали - убедитесь сами Переходи на сайт, чтобы сделать первый шаг в новой профессии 👉🏻http://erida-it.ru

Библиотеки для анализа данных: с чего начать? 🐍 Сегодня разберём один из самых частых вопросов у тех, кто задумался об изучении анализа данных:

Как мне изучать библиотеки Pandas, Matplotlib и Seaborn?

Там же дофига функций и методов 🥲 Как по мне, это правда достаточно неочевидный вопрос, т.к. сами по себе библиотеки довольно объёмные и содержат кучу методов и функций, из-за чего можно подумать, что надо запомнить их все. Спойлер: это далеко не так, и чтобы быстро их изучить попробуем исходить из практики Более длительный вариант (для тех, кто любит статьи и курсы): • Pandas - самая важная библиотека, чтобы работать с табличными данными. Здесь нужно научиться их фильтровать, группировать и производить преобразования таблиц. В связке с ней можно изучить NumPy - разберётесь с массивами и векторными вычислениями, что иногда сильно ускоряет работу с числами. Хороший материал для старта - хендбук от Яндекса по NumPy и Pandas 📋 - Matplotlib - да, кода много и поначалу библиотека кажется громоздкой, но именно она даёт полный контроль над каждым элементом графика и закладывает понимание того, как устроена визуализация в Python в целом. Разобравшись в ней один раз, ты получишь понимание того, как работает визуализация у других библиотек 🎨 - Seaborn - это как раз надстройка над Matplotlib, которая позволяет строить красивые статистические графики буквально в одну строку. После базового Matplotlib обычно сразу ощущается, насколько это удобно. Один из способов изучить — просто листать галерею примеров на официальном сайте и разбирать код 😌 Быстрый вариант (для тех, кто любит практику): Тут лучшая стратегия - взять реальный датасет и "покрутить" его, попытавшись найти в нём закономерности и инсайты 🔍 Заходим на Kaggle, находим интересный для себя датасет, пытаемся задавать себе вопросы по его структуре (тут можно попросить GPT составить по датасету вопросы) и пытаемся ответить при помощи вышеупомянутых библиотек и их документаций - сначала чистим/агрегируем/фильтруем данные в Pandas, потом визуализируем закономерности 📊 Уверяю, что такая практика на реальных данных в разы эффективнее чтения туториалов без применения навыков, и таким образом можно изучить эти библиотеки за неделю 🔥 Если наберём 100 ❤️, то сделаю авторский jupyter-ноутбук с датасетом и конкретными вопросами к нему. Решив его, ты сможешь поставить галочку в изучении этих библиотек

Эта новость — ваш знак начать преподавать ⬆️ Запускаем интенсив для будущих преподавателей — короткое обучение от Центрального университета для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знает, с чего начать.  Вас ждут две очные встречи и две в онлайн-формате: узнаете всю теорию и закрепите ее на практике, даже проведете свою первую пару.  За четыре дня активной работы вы:  ➡️ Узнаете, как упаковать профессиональный опыт в образовательный материал так, чтобы студенты вас слушали и слышали.  ➡️ Познакомитесь с преподавателями ЦУ, которые успешно совмещают эту деятельность с работой в ИТ, а также с профессиональными методистами и студентами — от каждого получите обратную связь. ➡️ Сможете получить удостоверение о повышении квалификации. Участникам, которые пройдут всю программу, можем выдать документ, который позволит увереннее чувствовать себя при поиске работы.  ➡️ Познакомитесь с академическими лидами направлений, чтобы попасть в ЦУ уже сейчас, если мы совпадем по профилю и ценностям. Интенсив проведут преподаватели ЦУ с опытом работы в индустрии: компаниях Авито, МТС Линк, Консалтика. Узнать подробности о программе и спикерах можно на сайте.  Регистрируйтесь и отправьте другу, которому стоит попробовать себя в преподавании: https://l.cu.ru/prof_intensive 

Как начать карьеру в образовании? 🎓 Если ты часто задаёшься этим вопросом, то сейчас самое время попробовать себя в роли преподавателя на интенсиве от Центрального Университета 😀 22 марта ЦУ начнёт интенсив для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знают, с чего им начать 🤔 Все подробности - в посте от моих коллег 👇

⚡️Пошаговый план: как получить оффер на аналитика в 2026 году? Если вы только зашли в аналитику, но не знаете как искать работу - решение есть 🥳 К тому же непонимание уйдёт, если вы будете уверены в эффективности своих действий Simulative приглашают на бесплатный вебинар, где Андрон Алексанян - эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет все важные аспекты в работе аналитика, а также расскажет как получить оффер быстрее других ⚡️ Будет очень полезно тем, кто только зашел в аналитику, и для тех, кто хочет зайти в ближайшее время. Особенно если вы не понимаете, какие навыки действительно важны или боитесь, что без опыта вас не возьмут на работу. Кстати, на вебинаре также разберут: как стать аналитиком в 30/40/50 лет и т.д. 🧑‍🎓 На вебинаре: 🟠Разберем полный роадмап: что учить, в каком порядке, до какого уровня; 🟠Покажем структуру хорошего портфолио с примерами; 🟠Обсудим, что говорят реальные наниматели - какие у них требования:

— Покажем примеры, как оформить резюме и портфолио, чтобы привлекать внимание — Рассмотрим как выглядит найм изнутри от лица HR

💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения. 😶Зарегистрироваться на бесплатный вебинар

Линейное мышление тебе мешает 📉 Недавно обучая нейросеть со студентами, я задумался о том, что мы учим модели улавливать нелинейные зависимости, а сами продолжаем думать линейно 🤔 Мы привыкли к интуитивной логике: чем больше усилий - тем больше результат (т.е. линейная зависимость) Но когда начинаем наблюдать за реальностью, то оказывается, что жизнь чаще протекает по другим уравнениям 🤔 Нелинейность — это когда результат непропорционален усилиям: иногда одно действие даёт столько эффекта, сколько не приносили годы работы Разберём на конкретных примерах: 1. Создание контента - месяцами снимаешь и пишешь материалы, со скрипом набираешь каждые 100 подписчиков - и вдруг один пост "залетает", его репостит крупный канал, и за ночь приходит больше людей, чем за полгода, а усилий на этот пост потрачено ровно столько же, сколько на остальные 🤯 2. Изучение новой дисциплины — на примере Data Science это ощущаешь особенно остро: месяцами разбираешь формулы, матрицы, производные, а модели все ещё кажутся чёрным ящиком. Прогресс едва заметен, но вдруг линейная алгебра, статистика и градиентный спуск складываются в единую картину, и ты начинаешь видеть, почему нейросеть обучается именно так💡 3. Поиск работы — десятки резюме, собеседования, отказы. Из-за этого кажется, что КПД стремится к нулю, но каждый отказ чуть подтачивает резюме и прокачивает ответы на вопросы. В итоге один звонок или случайное знакомство приводят к офферу мечты, и весь предыдущий опыт оказывается всего-лишь подготовкой к этой единственной точке 📍 4. Масштабирование мёртвого продукта — пример обратной нелинейности: можно работать по 20 часов в сутки и лить огромные бюджеты в маркетинг - и не получить ничего, если рыночного спроса на продукт нет. В таком случае "больше усилий" = "быстрее сжигаешь ресурсы", при этом даже не приближаясь к результату 🔥 Окей, но как это применить? 🤷‍♂️

Учись не ждать линейного роста — усилие не всегда равно результату здесь и сейчас. Дай процессу время, и если даже через разумный срок динамики совсем нет — это сигнал пересмотреть стратегию, а не удваивать усилия вхолостую

✍️ Быстрые результаты — это исключение, которое современный мир обобщил в норму. Но вот только чаще реальность так не работает, и об этом следует помнить 🌱 Кстати, это напрямую связано с аналитическим мышлением: умение находить точки максимального рычага в продукте, гипотезах или собственном развитии - один из ключевых навыков хорошего аналитика 📊 Лучший способ поддержать такой формат постов - поставить реакцию ❤️‍🔥 или поделиться мнением в комментариях

Кэшбек — бесплатная скидка или скам? 😦 Этот пост — часть рубрики, в рамках которой можно обрести насмотренность для решения бизнес-кейсов, которые так часто возникают на собеседованиях для аналитиков 📊 В прошлый раз ты узнал(-а) про динамическое ценообразование в ритейле, а теперь разберём немного финтеха: откуда у тебя появляется кэшбек в банке и за чей счёт он на самом деле существует?

Представим ситуацию: в кофейне ты берёшь раф из Авито на миндальном, расплачиваешься картой и получаешь назад 5% от его стоимости бонусами на ту же карту

☕️ Обычно мы считаем, что такой банковский кэшбек является 💅благотворительностью💅, но на самом деле это продуманный механизм, основанный на борьбе за клиента Так откуда у банка деньги на твой кэшбек? 1. Межбанковские комиссии - когда ты покупаешь кофе с карты, торговая точка выплачивает комиссию банку-эквайеру (банк, обслуживающий магазины). А тот, в свою очередь, делится частью этих денег с банком-эмитентом (банком, который выпустил твою карту) 💳 2. Партнерские соглашения - кэшбек в конкретной кофейне тебе часто может финансировать сама кофейня, доплачивая банку за привлечение трафика и увеличение среднего чека, покупая твою лояльность 🤑 3. Прибыль от кредитов - программы лояльности финансируются за счет высокой маржи по кредитным картам. Проценты и пени, которые платят одни клиенты, позволяют банку вернуть тебе часть средств за твой любимый латте 🤔 4. Экосистема и долгосрочная выгода - банк готов нести краткосрочные убытки ради удержания хороших клиентов. Довольный бонусами чел дольше хранит деньги на счетах и в будущем с большей вероятностью купит страховку, оформит ипотеку или подключит платные сервисы 💰 Увы, кэшбек — это не бескорыстный подарок, а инструмент, выгодный всем участникам цепочки 📈 Кстати, выбор категорий кэшбека, вероятно, даёт банку широкий простор для проведения A/B-тестов: экспериментируя с набором доступных категорий и размером процента для разных групп пользователей, аналитики находят оптимальный баланс между вашими тратами и затратами банка (но это лишь моя догадка), отсюда и всякие мемы про "кэшбек 7.3% на корм для бобров" Понравилась такая рубрика? Ставь красную реакцию ❤️🍓

Гайд по аналитикам: какие они бывают? 📊 Когда я говорю, что работаю аналитиком, то часто слышу: «О, а ты бизнес/системный/крипто аналитик?» 🤔 Давайте разберёмся, кто есть кто в мире аналитиков 👇 📈Продуктовый аналитик (Product Analyst) Чем занимается: • Строит воронки конверсии — анализирует путь пользователя от первого касания до целевого действия • Проводит A/B-тесты — проверяет гипотезы по улучшению продукта • Анализирует поведение пользователей — изучает, почему одни остаются с продуктом надолго, а другие уходят после первого дня Средняя ЗП*: 150к - 320к ₽ 💰 Вакансий на hh: ~2500 🔍 Аналитик данных (Data Analyst) Чем занимается: • Строит дашборды и отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании • Ищет инсайты в данных — находит аномалии, выявляет тренды, объясняет, почему метрики изменились • Работает с базами данных — извлекает нужную информацию с помощью SQL-запросов и превращает её в понятные выводы для бизнеса Средняя ЗП*: 100к - 250к ₽ 💰 Вакансий на hh: ~6700 🏢Бизнес-аналитик (Business Analyst) Чем занимается: • Работает на стыке бизнеса и IT — собирает требования от бизнеса и переводит их на язык, понятный разработчикам • Описывает бизнес-процессы — документирует, как работают процессы в компании • Анализирует эффективность процессов — предлагает конкретные улучшения для ускорения и упрощения бизнес-операций Средняя ЗП*: 110к - 250к ₽ 💰 Вакансий на hh: ~8600 💼Финансовый аналитик (Financial Analyst) Чем занимается: • Работает с деньгами компании — управляет финансовыми данными и помогает бизнесу эффективно распоряжаться ресурсами • Анализирует рентабельность — оценивает доходность разных направлений бизнеса и продуктов • Строит модели unit-экономики — считает, сколько стоит привлечь клиента и сколько он принесёт денег за всё время взаимодействия с компанией Средняя ЗП*: 140к - 250к ₽ 💰 Вакансий на hh: ~4600 🤖Data Scientist Чем занимается: • Строит ML-модели для предсказаний — создаёт системы машинного обучения, которые автоматически анализируют данные и делают прогнозы • Предсказывает отток клиентов — строит модели, которые заранее определяют, кто из клиентов может уйти • Работает на стыке аналитики, программирования и математики — использует продвинутую статистику, алгоритмы и ML для решения бизнес-задач Средняя ЗП*: 130к - 360 000 ₽ 💰 Вакансий на hh: ~1000 🖥Системный аналитик (System Analyst) Чем занимается: • Описывает, как должна работать IT-система — создаёт детальную техническую документацию • Собирает требования от бизнеса — общается с заказчиками и превращает их пожелания в чёткую техническую документацию для разработчиков • Рисует схемы процессов — создаёт диаграммы, описывает логику работы функций, продумывает сценарии использования системы Средняя ЗП*: 140к - 310к ₽ 💰 Вакансий на hh: ~4100 📊BI-аналитик (Business Intelligence Analyst) Чем занимается: • Строит дашборды и витрины данных — создаёт централизованные наборы данных с ключевыми метриками компании для быстрого доступа • Создаёт удобные интерактивные отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании • Помогает всем отделам принимать решения — от маркетинга до финансов обеспечивает визуализированными данными для обоснованных бизнес-решений Средняя ЗП*: 150к - 300к ₽ 💰 Вакансий на hh: ~1600 * - зарплаты указаны примерно для Москвы и крупных IT-компаний, в регионах суммы могут быть на 20-40% ниже Лайфхак:

Честно говоря, за годы работы аналитиком данных я постоянно оказывался на пересечении всех этих ролей, и теперь знаю точно — есть набор знаний, которые нужны каждому аналитику 💯

Именно о них я и рассказывал в своём бесплатном туториале для начинающих аналитиков 👀 Ставь ❤️ если такой контент тебе полезен