Я у мамы аналитик

Обмен опыта по использованию Tableau и Power BI от двух авторов, которых я читаю - Продакт аналитикс и Налейте аналитику. Круто, что раскрыта актуальная для топовых BI-инструментов тема лицензирования и ценообразования. #business_intelligence #каналы

В статье Noteable здорово описан жизненный цикл визуализации данных в организации: 🔹Exploratory data analysis; 🔹Генерация и проверка гипотез; 🔹Описательные и объясняющие графики; 🔹Построение аналитических бизнес-приложений; 🔹Отслеживание метрик и принятие стратегических решений. Дальше они, конечно, набрасывают, что обычно эти виды анализа часто живут в разных инструментах, а в их «Dashtellingbooks» (data storytelling, dashboards and notebooks) все прекрасно и логично сочетается. Сама по себе идея единого инструмента для разных ролей не новая, но интересно, что теперь в эту сторону все чаще идут не только крупные вендоры аналитических решений, но еще и стартапы. 🔗Ссылка #инструменты #визуализации

В продолжение темы. Я редко целенаправленно читаю подобное, поэтому даже немного удивился: пишут отдельные статьи по найму аналитиков (продуктовых, маркетинговых и data scientists). Под капотом там стандартные рекомендации, но зато можно посмотреть, какими аналитиков видят рекрутинговые агентства. Еще можно сравнить данные по зарплатам с предыдущим постом. Забавно еще, что помимо требований к специалистам очень подробно рассматривается обратная сторона - что повышает шансы работодателя быть выбранным. Но это, наверное, особенность, связанная с посреднической схемой работы у авторов статьи. 🔗Ссылка #анализ_рынка

У ребят сегодня вышел классный пост про дашборд с вакансиями аналитиков. Каждый раз смотрю на него и радуюсь: и инструмент классный, и пример совместной работы вдохновляет. Почему-то ни разу не упоминал его в канале, исправляюсь. #проекты

Алексей Салынин, уже знакомый нам эксперт, который записывал видео про SAP Analytics Cloud поделился со мной интересной визуализацией: динамика включения BI-инструментов в тот или иной квадрант Gartner. С его позволения публикую эту визуализацию.

Отличная идея альтернативной визуализации квадрантов Gartner - попадание продуктов в категории по годам. Пример максимально релевантный - BI-инструменты. #business_intelligence

Опубликованы результаты ежегодного опроса аудитории Stack Overflow (он же «Developer Survey 2021»). Большая часть информации пригодится аналитикам разве что для расширения кругозора, но и кое-что интересное есть. В части баз данных топ используемых технологий остался практически без изменений (что удивительно). Классно сделаны хордовые диаграммы, отображающие с чем хотят поработать текущие пользователи каждой из СУБД. Если прокрутить ниже, можно найти тоже самое про фреймворки и языки программирования. И забавный факт: Python, наконец, обогнал по популярности SQL и теперь располагается на третьем месте в топе. Полная версия исследования для любознательных: 🔗Ссылка #базы_данных #анализ_рынка

Описание разных способов преобразования данных с понятными иллюстрациями. 🔗Ссылка #инструменты

В последнее время чаще встречаю в англоязычных материалах устойчивое выражение «Modern Data Stack». Сегодняшняя статья «Five Predictions for the Future of the Modern Data Stack» хороша для ознакомления с ним по трем причинам. Во-первых, сформулированы признаки «современного набора технологий для обработки данных»: 🔹поставляется как услуга; 🔹построен вокруг облачного хранилища данных; 🔹доступ к данным для большого количества людей обеспечивается через запросы в SQL-формате; 🔹оплата только за использованные ресурсы; 🔹фокус на построении автоматизированных пайплайнов. Во-вторых, описана история развития этих технологий. В-третьих, есть предположения, куда он будет развиваться: 🔸внедрение прикладного AI; 🔸переход к data as a service; 🔸добавление инструментов для Data Governance; 🔸больше стриминга вместо батчинга; 🔸использование в современных приложениях (как запихать в OLAP-хранилища OLTP-нагрузку автор сам не придумал, но подход довольно интересный). 🔗Ссылка #data_engineering #инфраструктурное

По названию статьи «Why constantly looking at metrics sets companies up for failure» можно предположить, что автор призывает сжечь дашборды и жить в неведении. На самом деле, он напоминает про здравый смысл в повседневной деятельности: 🔹задавать себе вопросы о метриках и их интерпретации; 🔹фокусироваться не на всех одновременно, а только на важных в текущий момент времени; 🔹автоматизировать отслеживание важных метрик и выявление проблем. Вопросы, которыми периодически стоит задаваться: 🔸What value would the metric need to reach in order to cause alarm? 🔸Is there some upper or lower bound that simply is not acceptable? 🔸Would the metric begin to influence other metrics or processes once it exceeds a certain level? 🔸Is simply breaching the current goal a good enough notification? 🔸Is the trend more important than the actual value? 🔗Ссылка #business_intelligence #компетенции

Business Intelligence Strategy: How to Develop and Document your BI Roadmap. Статья описывает подход к развитию корпоративной BI-системы, который меня так и тянет назвать «продуктовым». Все как по учебнику: стратегия, вижен, roadmap, отслеживание метрик, процессы и документирование. В качестве бонуса есть классная картинка Gartner про уровни зрелости BI. 🔗 Ссылка #business_intelligence

Ежегодный обзор российского рынка аналитики от Cnews традиционно хорош тем, что в нем есть подробная информация про денежки. Топ-15 компаний рейтинга вместе зарабатывают 24,9 млрд рублей, на 15% больше прошлогоднего результата. Измерять таким способом размеры рынка странновато, но темпы роста примерно прикинуть можно. Вот рейтинг поставщиков аналитических решений с прибылью год к году. Если интересно, на разводящей странице можно найти все материалы исследования: 🔗Ссылка #анализ_рынка

Оставлю тут мою любимую картинку со слоупоком для привлечения внимания.

Кажется, что ведение канала - единственная вещь, которая заставляет меня на 100% ощущать себя слоупоком. Еще в прошлую пятницу ребята из @it_resume выкатили на Хабр подборку telegram-каналов для аналитиков. Ссылка на нее довольно резво разлетелась по всем задействованным каналам (что чертовски логично). А вот у меня только сегодня доходят руки написать что-то типа «Мама, я в телевизоре!». Лично меня порадовала сама статья: В ней есть почти все классные каналы, которые читаю. На ребят, с которыми не был знаком, тоже было не грех подписаться. Широк набор освещаемых тем: от дата-инжиниринга и хард-скилловых вещей до визуализации и нежно любимого мной BI. Неожиданно для меня список получился довольно «очеловеченным». Упоминания авторов и их историй напомнили о том, что за всеми постами, ссылками, картинками стоят живые люди. Поэтому и сами каналы такие разные - со своим стилем, экспертизой в предметной области, взглядом на аналитику. И круто, что таким образом можно смотреть на предмет своего интереса с разных сторон. Жаль только, что ряд классных каналов не попал в подборку. Частично с этим поборолся Роман Бунин вот тут. Я тоже занялся систематизацией того, что читаю, возможно чем-то поделюсь позже. 🔗Ссылка #каналы

Инструментальных статей для аналитиков и дата-саентистов на любом ресурсе хоть отбавляй. Может сложиться впечатление, что эта роль - чисто про hard-skills: взял правильный инструмент, закодил/залоукодил обработку данных, красиво визуализировал. При чтении сегодняшней статьи разу вспоминается фраза «самые важные вещи на свете - это не вещи». Переформулировать это изречение можно так: инструменты - это замечательно, но критическое мышление и здравый смысл еще никто не отменял. Про них и расскажут по ссылке ниже. 🔗 Ссылка #компетенции

Продолжение классной статьи про роль дата-инженера, на этот раз про тренды и будущее. Очевидно, все они напрямую связаны с общими по отрасли (аналитика, ML, Big Data): 🔹дата-инженеры в будущем частично заменят дата-саентистов (задач по инфраструктуре будет только больше); 🔹после того, как ответственность за данные перетечет из единого центра компетенций к отдельным командам, каждой из них потребуется поддержка дата-инженера или свой собственный специалист такого профиля; 🔹появится больше стартапов-единорогов, решающих задачи дата-инженеров (далеко ходить не надо, Snowflake и Databricks уже безумно взлетели); 🔹инструменты для перемещения данных станут повсеместно распространены, будут у всех, учить их обязательно; 🔹обработка данных в реальном времени станет отраслевым стандартом. 🔗Ссылка #data_engineering #компетенции

«Data Strategy: Good Data vs. Bad Data» - классная статья про то, как стратегия компании влияет (точнее, должна влиять) на стратегию по работе с данными. Есть интересная классификация данных: 🔹«хорошие» - это те, которые осознанно собраны и обработаны для того, чтобы решить конкретную задачу бизнеса; 🔻«плохие» - это те, которые мы просто собрали и пытаемся на их основании делать выводы, не отталкиваясь от текущей стратегии и приоритетов. Еще тут зачем-то снова переизобрели HADI-циклы (или PDCA, как кому удобнее), но уже применительно к обработке данных. Получилось 5 этапов: Action -> Data -> Information -> Insight -> Decision. 🔗Ссылка #компетенции

С помощью статьи «Analytics Maturity Model: Levels, Technologies, and Applications» можно глубже погрузиться в тему data literacy и уровни развития аналитики в организациях. По сути, описаны отличия пяти уровней зрелости: 🔹Отсутствие аналитики; 🔹Описательная; 🔹Диагностическая; 🔹Предикативная; 🔹Предписательная. Очень круто, что сформулированы необходимые изменения для перехода с этапа на этап и общие рекомендации в конце статьи. Немного другая интерпретация, чуть менее подробно, но зато на русском - тут. 🔗Ссылка #компетенции

Занятный кейс использования матриц в Excel в качестве альтернативы протягиванию формул. Вроде как таблицы с большим количеством вычислений становятся более «антивандальными» и простыми в поддержке. С другой стороны, использование такой функциональности для совсем уж базовых сценариев вроде «вычел-поделил» похоже на выстрел из пушки по воробьям. Надо будет попробовать на досуге (вроде как работает и в Google Sheets). И да, поделитесь опытом подобных извращений, если имели удовольствие его получить. 🔗Ссылка #excelное

Краткая история появления роли дата-инженера на фоне развития инструментов для работы с данными и команд, которые их используют. Упрощенно, это путешествие от мира, где данными владеют суровые «айтишники» к светлому будущему, где независимые команды управляют каждая своим доменом данных и эффективно обмениваются информацией. 🔗Ссылка #data_engineering