Yandex for Analytics

От выбора удобной IDE зависит скорость работы и удовольствие от неё.

CLI-агенты помогают разработчикам писать код и напрямую взаимодействуют с файлами проектов.

Сейчас LLM вовсю автоматизируют рутину и внедряются в рабочие процессы.

🤨 А точно ли я всё делаю правильно? Работу аналитика сложно оценить по результату здесь и сейчас: она часто не приводит к «видимому эффекту», и из-за этого легко начать сомневаться в себе. В новом выпуске «Доверительного интервала» ведущие разбираются: 🔵 Как справляться с синдромом самозванца 🔵 Что даёт понять, что ты правда хорошо работаешь 🔵 Как отвлекаться от задач правильно (нет, скроллинг ленты не считается) 🔵 Почему даже сильные специалисты продолжают сомневаться в себе 🎙 В этот раз в гостях Маша Медведева, аналитик-разработчик Техплатформы Городских сервисов. ⏭️ Смотрите на YouTube и в VK Видео, слушайте в Яндекс Музыке. Подписывайтесь: 💬 @Yandex4Analytics

🧠 Готовые датасеты: почему они важнее, чем могут казаться Для начинающих аналитиков и ML-специалистов это отличная тренировка навыков. Готовые датасеты позволяют быстро проверить идею, собрать воспроизводимый пример, сравнить методы на нейтральной территории и отладить пайплайн без доступа к продовым или персональным данным. ⏬ Датасеты можно разделить по классам источников: 🔵 Kaggle, OpenML. Для сравнения методов, baseline и быстрого эталонного пайплайна 🔵 Hugging Face Datasets, TensorFlow Datasets. Для NLP/CV/Audio и быстрого старта 🔵 BigQuery Public Datasets, Registry of Open Data on AWS, Azure Open Datasets. Для SQL-анализа в больших объёмах 🔵 Common Crawl, Wikimedia Dumps, Stack Exchange Data Dump. Для работы с масштабными текстовыми корпусами 🔵 Data.gov, World Bank Open Data, Eurostat Database. Для надёжных временных рядов 🔵 OpenStreetMap, OpenAlex, NOAA. Для геоданных, анализа климата и графов Кстати, ссылки на все эти датасеты вы можете найти в комментариях 😉 👳 А ещё мы сделали для вас чек-лист, который поможет выбрать датасет и не наступить на грабли. Подробности — в карточках выше Этот пост нам помог подготовить Александр Вальд, старший эксперт и академический руководитель магистратур по аналитике данных в Яндекс Практикуме. Заглядывайте в его канал Thinking Face. Там он вместе с коллегами рассказывает про исследования в маркетинге и data-driven-аналитику 📊 Подписывайтесь: 💬 @Yandex4Analytics

🚕 Динамическое ценообразование в Такси и как мы его строили Привет, это Тимур Шаймуханов, аналитик-разработчик в группе алгоритмов ценообразования. Одна из ключевых метрик в Такси — эффективность платформы. Это доля времени, которую водитель проводит в машине с пассажиром, от всего рабочего дня. В идеальном мире вместе с исполнителем всегда должен быть клиент. ♾ Но раньше у нас была проблема: спрос пользователей мог концентрироваться в каком-то конкретном тарифе. И когда такое происходило, остальным водителям приходилось пересаживаться на него — или тратить время в ожидании заказов. Чтобы исправить эту проблему, мы научили «Эконом» и «Комфорт» работать согласованно — и в итоге повысили эффективность всего сервиса. 👳 Читайте в карточках, как у нас это получилось Подписывайтесь: 💬 @Yandex4Analytics

🤔 Почему «серые» результаты в экспериментах нужны Иногда тесты показывают «серые» результаты, но при этом бизнес продолжает настаивать на развитии продукта. Порой причина в том, что результаты отражают текущие состояния и решения, которые могут измениться при развитии продукта и его дальнейшей стратегии. 🎙 Мы ответили на этот и многие другие вопросы подписчиков в шестом выпуске подкаста «Доверительный интервал». В этот раз к нам в гости пришёл Роман Васильев, руководитель аналитики международного Поиска. ⏭️ Смотрите на ютубе, в VK Видео и слушайте в Яндекс Музыке. Подписывайтесь: 💬 @Yandex4Analytics

🧑‍💻 Какие метрики помогают повышать качество ответов LLM На связи Иван Дёгтев, руководитель службы аналитики Alice AI LLM. Наша миссия — научить модель решать самые разнообразные задачи и при этом сохранить баланс между главными метриками качества ответов. 👳 В карточках я рассказываю, как мы его оцениваем и какие трудности преодолеваем в процессе ⏭️ А если вас заинтересовала работа нашей команды, то мы рады поделиться новостью: 6–7 июня пройдёт Weekend Offer Analytics. Сейчас мы ищем аналитиков с опытом от 3 лет на Python в Москве и Петербурге, готовых к работе в офисе или гибридном формате. 📆 Регистрируйтесь до 12:00 мск 27 мая, проходите всего две секции вместо трёх в обычном найме и получите офер, если всё пройдёт успешно. Подписывайтесь: 💬 @Yandex4Analytics

🐚 Ответили на вопросы подписчиков Недавно мы собрали вопросы от аналитиков, чтобы ответить на самые интересные из них в подкасте «Доверительный интервал». Для нового выпуска мы выбрали 10 самых интересных, которые ведущие Саша, Ксюша и Дима обсудили вместе с гостем выпуска. Да, теперь у нас будут гости, и первым из них стал Рома Васильев — руководитель международного Поиска. 📺 Смотрите в выпуске: 🔵 Что учить, если есть всего один час в день 🔵 Как без опыта в А/В вкатиться в команду, которая проводит A/B-тесты 🔵 Чем хороший аналитик отличается от плохого ⏭️ Ответы на эти и другие вопросы уже на ютубе, в VK Видео и Яндекс Музыке. Подписывайтесь: 💬 @Yandex4Analytics

⏬ Когда метрики сходят с ума: автоматические детекты инцидентов в Monium В инфраструктуре Яндекса работают тысячи микросервисов, которые каждую секунду генерируют миллионы метрик: от процента ошибок API и потребления памяти до времени ответа. Все они хранятся и обрабатываются в общеяндексовой системе Monium. Эти значения мы представляем как временные ряды, чтобы видеть происходящие изменения в динамике. Для детекта аномалий — резких отклонений от метрик — в системе Monium существует механизм алертов. Скачок времени ответа может предвещать перегрузку сервиса, необычное падение конверсии — намекать на поломку в UI и так далее. Пороговые алерты работают по принципу «если RPS выше 1000 — отправить уведомление дежурному». Но вот проблема: почему порог именно 1000? Как учесть праздники, сезонность, время суток? Что делать, если поведение метрики меняется? Поэтому нужна автоматическая детекция аномалий. Система должна анализировать исторические данные, запоминать нормальные паттерны поведения и определять статистически значимое отклонение. 🈂️ Но универсального решения не существует Чтобы выбрать оптимальный подход к автоматизации, мы ориентировались на результаты тестов алгоритмов на датасетах с размеченными аномалиями. Мы использовали шесть публичных датасетов — всего 834 ряда. Каждый из них подаётся в детектор. Модель анализирует ряд и возвращает степень аномальности для каждой точки — anomaly-score. Далее рассчитываются метрики качества детекции. За основу берём anomaly-score и эталонную разметку. При этом в качестве основной метрики качества мы рассматривали величину F1-best, которая вычисляется как наилучшая F1-мера по всем возможным порогам. 🈂️ Как выяснилось, тяжёлые и сложные модели часто проседают по качеству детекции Простые алгоритмы нередко превосходят тяжеловесные архитектуры. В итоге мы остановились на двух лёгких и предсказуемых детекторах: 🔵 Авторегрессия — легко учить в рантайме, немного гиперпараметров, отличный выбор для метрик без чёткой сезонности 🔵 MEDIFF — хорошо засекает негладкие паттерны и подходит для ярко выраженных сезонных рядов 🈂️ Переходим к практике В качестве испытательного полигона для умных алертов мы выбрали Яндекс Такси. Для пилота взяли 46 ключевых регионов по объёму GMV и количеству ежедневных поездок. На каждый из них настроили алерты по четырём критическим метрикам: 🔵 created — общее количество созданных заказов 🔵 assigned — те, в которых назначен водитель 🔵 found_share — доля заказов, в которых был найден исполнитель 🔵 seen_timeout — заказы, которые мы не успели предложить водителю Вот что мы поняли: 🔵 Одиночная аномальная точка редко означает инцидент. Для дежурного важнее не разовый выброс, а устойчивое отклонение 🔵 Для разных метрик важно учитывать направление аномалии. Резкий рост числа заказов не обязательно говорит о проблеме в сервисе — это может быть дождь, снегопад или локальное событие. А вот рост seen_timeout или падение found_share уже гораздо больше похожи на ситуацию, требующую реакции 🔵 Уровень естественного шума различается от города к городу. То, что для крупного региона выглядит как нормальная флуктуация, для небольшого города может быть заметным отклонением, и наоборот После калибровки и доработки механизм прекрасно справился с обнаружением аномалий в дикой природе. Сейчас мы переносим подход на доступность тарифов, количество водителей на линии и готовим интеграцию с системами анализа инцидентов на основе LLM. ⏭️ А больше о детекции аномалий читайте на Хабре. Там мы рассказываем, как стабилизировали авторегрессию, адаптировали дисперсию для MEDIFF и оценивали качество детекторов. Подписывайтесь: 💬 @Yandex4Analytics

🤩 3 главных фактора для роста Как подготовиться к повышению? Какие типичные ошибки совершают аналитики в процессе развития карьеры? В чём реальная разница между лидами и сеньорами? 🎙 В новом выпуске подкаста «Доверительный интервал» ведущие Дима, Ксюша и Саша разобрали: 🔵 Как поговорить с руководителем о повышении 🔵 Сколько времени занимает рост до сеньора 🔵 Чем ответственность за свои задачи похожа на мытьё посуды ⏭️ Смотрите на ютубе и в VK Видео или слушайте в Яндекс Музыке. А на какой вы сейчас позиции и сколько занял ваш рост? Пишите нам в комментариях 👇 Подписывайтесь: 💬 @Yandex4Analytics

⏬ Из экономической теории в Антифрод Яндекса 👨‍💻 Всем привет, меня зовут Далер Джабборов, я старший аналитик-разработчик в команде Антифрода. Я рос в то время, когда экономическая парадигма менялась буквально на глазах. Спрятаться было негде — вот и получилось, что я заинтересовался всем этим ещё в детстве 😃 Я поступил в экономико-математическую школу при МГУ, а потом и в сам университет. В программе была сильная математическая база и большой спектр теоретических направлений. На третьем курсе я начал заниматься политической экономией, а продолжил уже в аспирантуре, где получил степень кандидата наук. Тема моей кандидатской — «Трансформация отношений товарного производства под влиянием креативного труда». Это достаточно специфичное направление со своими особенностями ценообразования и мотивации. Я продолжил изучать креативный труд в Институте экономики РАН, а параллельно преподавал дисциплины в РАНХиГСе и Финансовом университете. К слову, тогда мы с группой коллег изучали деглобализацию (ещё до того, как это стало мейнстримом) и опубликовали монографию. И вот тут-то мне и пришлось поизучать и Python, и R, и аналитику данных. Меня очень заинтересовала тема машинного обучения. Во время исследований мне нужно было строить модели в контексте планирования производства, оптимизации цепочек поставок, прогнозирования спроса. 🈂️ В конечном счёте ML перетянул меня в Data Science Мне хотелось видеть больше осязаемых результатов моей работы. В теоретической науке они становятся заметны очень нескоро, поэтому я перешёл в IT: окончил несколько курсов по Data Science, поучаствовал в соревнованиях и решил начать ходить на собеседования. В итоге через пару месяцев устроился в маркетинговую платформу Flocktory, где занимался ранжированием и прогнозированием отклика клиентов. У нас была небольшая команда, и мы напрямую влияли на бизнес: модели выкатывались в прод практически сразу, а уже через пару дней было видно, сколько денег приносили наши решения. После этого я занимался прогнозированием цен на недвижимость в компании «Домклик». Тут экономический бэкграунд помогал находить инсайты и строить дополнительные фичи. 🈂️ А теперь я работаю в Антифроде Яндекса Мне нравится, что в этом проекте есть прикладная ценность, социальная сторона и интересная интеллектуальная составляющая. Мы помогаем пользователям защищаться от мошенников, а командам — очищать сервисы от фрода, точнее считать метрики и улучшать рекомендательные системы. 🈂️ Экономика и аналитика Их объединяет особый склад мышления: нужно хотеть и уметь погружаться в данные, глубоко копать, видеть причинно-следственные связи, искать нужные подходы. И математическая база у них общая. Так что экономический бэкграунд всегда со мной и помогает мне постоянно (пускай часто и неосознанно). Ещё аналитику и экономику объединяет желание предсказывать. Но у них присутствует и общий предел: даже с учётом развития нейросетей и рекомендательных систем, предугадывать движение общества, его мотивы и поведение очень сложно. Так что аналитика, как и экономика, — это не просто математика. Когда я только пришёл в IT, мне хотелось параллельно оставаться и в науке. К сожалению, так у меня не получилось: на всё вместе не хватает времени. Но я не закрываю для себя эту дверь: идея вернуться в науку с накопленным практическим опытом всегда лежит в моём мысленном бэклоге. Подписывайтесь: 💬 @Yandex4Analytics

🧑‍💻 На Analytics Party было жарко! На прошлой неделе в нашем офисе в Санкт-Петербурге мы собрали больше 120 аналитиков, чтобы вместе послушать доклады о сложных продуктовых и исследовательских задачах. После этого на афтерпати обсудили работу AI-агентов, разметку событий мобильных приложений, тестирование без A/B и аналитику качества технологий. Было так огненно, что даже пожарная тревога не выдержала 🔥 🗳 Спасибо, что провели этот вечер четверга с нами! 📷 Ищите себя на фото по ссылке. 📺 Записи докладов уже доступны на YouTube и в VK Видео. Подписывайтесь: 💬 @Yandex4Analytics

🎲 Сыграем в игру с кубиком? Майские уже не за горами! В преддверии праздников мы принесли вам немного полезных квестов, которые можно выполнить в свободное время. А какой из них достанется вам — решит удача: 🔵 Бросайте кубик 🎲 в комментах 🔵 Запоминайте результат 🔵 Открывайте спойлер для выпавшего числа 🔵 Держите квест на выходные 📝 ⬇️ Список заданий 1️⃣ Послушать подкаст «Доверительный интервал». Награда: 500 XP и клад лайфхаков, которые помогут справиться со срочными задачами 2️⃣ Почитать настольные книги аналитика. Награда: 1000 XP и сундук с классикой о системном анализе, математике и подходах к метрикам: тут подборка 2025-го, а здесь — 2026-го 3️⃣ Выяснить, как поставить эксперимент без A/B-теста. Награда: 500 XP и новое заклинание — Propensity Score Matching 4️⃣ Порешать задачки. Награда: 300 XP и +1 к теории вероятностей. А если войдёте во вкус — переходите по хештегу #задачи_для_аналитиков 5️⃣ Посмотреть доклады с Data Driven 2025. Награда: 500 XP и способность трансмутировать данные в артефакты и инсайты. Плейлисты по трекам: Data to Artifacts (ютуб и VK Видео), Data to Insights (ютуб и VK Видео) 6️⃣ Завести пет-проект. Награда: 1000 XP и верный компаньон, который поможет в приключениях (и в поиске работы квестов, за которые платят голдой 💰) Подписывайтесь: 💬 @Yandex4Analytics

☁️ Как перестать выгорать к обеду Часто кажется, что главный ограничивающий ресурс в работе — это время. Но на самом деле бутылочным горлышком нашей эффективности является концентрация и способность принимать решения. Наш мозг эволюционировал в те времена, когда ещё не существовало бесконечных уведомлений и видеозвонков. И он просто не успел адаптироваться к современным нагрузкам. 👳 Мы собрали несколько советов, которые помогут вам сберечь драгоценный ментальный ресурс, успевать больше и чувствовать себя лучше. Читайте их в карточках выше. ⏬ Дополнительные материалы Об усталости и восстановлении: 🔵 Статья The restorative power of small habits. Рассуждения о важности микроперерывов 🔵 Книга Тони Шварца The way we are working isn’t working. Фундаментальный труд об управлении энергетическими ресурсами, а не временем 🔵 Исследование Nature exposure and cognitive performance. Научные данные о влиянии природы на когнитивные функции О коммуникациях и фокусе: 🔵 «Почему важно отвечать не сразу». Разбор культурных установок, которые мешают глубокой работе 🔵 «А они же ждут!». Телеграм-пост о вреде реактивного режима работы О видеозвонках и самопрезентации: 🔵 Zoom fatigue and the curse of the self-view. Анализ психологических причин усталости от видеоконференций Подписывайтесь: 💬 @Yandex4Analytics

🤔 Хард-навыки vs аналитическое мышление В четвёртом выпуске подкаста «Доверительный интервал» разбираем, что важнее для современного аналитика: глубокое знание инструментов или аналитическое мышление. 🎙 Ведущие — Дима, Ксюша и Саша — поделились своим бэкграундом образования и навыками, которые им помогли вкатиться в аналитику, а также обсудили: 🔵 Нужно ли учить Python и SQL в 2026 году 🔵 Зачем на собеседованиях спрашивают формулы из матстата 🔵 Почему Excel не теряет свою актуальность 🔵 Кто ценнее для бизнеса: профессионал в одной области или T-shaped-специалист ⏭️ Смотрите новый выпуск на ютубе и в VK Видео или слушайте в Яндекс Музыке. Подписывайтесь: 💬 @Yandex4Analytics

🗳 Как сделать нетворкинг полезным Нетворкинг — это системная работа с людьми: знакомства, связи и общее понимание, кто чем занимается и где вы можете быть полезны друг другу. В этом посте разберём, как делать это с пользой для карьеры и жизни. 🈂️ Самое важное правило Общайтесь с теми, кто вам интересен. Находите удовольствие в том, чтобы узнавать других людей. Так вы сделаете нетворкинг нативным, а это помогает выстроить тёплую и крепкую связь с человеком. 🈂️ Знакомства — это не единственный результат общения Если хорошо понимаешь людей, то начинаешь подмечать их сильные и слабые стороны. Это помогает: 🔵 Грамотно распределять задачи 🔵 Понимать, к кому с каким вопросом можно обратиться 🔵 Находить подход к каждому человеку, в том числе в нерабочих ситуациях 🈂️ Как вкатиться в нетворкинг, если никогда не пробовал Начните с команды и смежников — людей, с которыми вы регулярно взаимодействуете. Нетворкинг можно найти в офисе, на тематических тусовках, конференциях, митапах и в соцсетях. Главное — не бойтесь завязать разговор! 🈂️ Какие инструменты вам помогут 🔵 Рандомный кофе: чтобы быстро находить нужных собеседников через бота 🔵 Чаты и сообщества: чтобы залететь в тематическое комьюнити и попросить совет 🔵 Elevator speech: чтобы сразу понять темы для разговора 🔵 Календарь мероприятий: чтобы быть в курсе, где найти нужных людей 🔵 Организация контактов: чтобы помнить не только ФИО, но и факты и интересы 🔵 Артефакты: чтобы вы открывали переписку и видели селфи или кружок, которые напомнят контекст знакомства 🔵 Смол-ток: чтобы поболтать у кофепойнта и заложить первый кирпичик в фундаменте сотрудничества 🔵 Напоминание о себе: чтобы скинуть полезный материал или спросить, как дела, и поддержать контакт 🈂️ О чём стоит помнить 🔵 Не будьте навязчивым. Даже открытых людей можно отпугнуть 🔵 Не нужно усложнять коммуникацию. Если хочется что-то узнать, лучше просто спросить 🔵 Вопросы можно задавать любому, и неважно, какая у человека должность. Это культура Яндекса, и это правило записано в наших генах ♾ Что, если вы задали кому-то вопрос в личку, а вам не ответили Такое бывает. Это нормально. Человек может быть занят, а вопрос — непонятен. Правильным формулировкам тоже стоит учиться. Но тот, кто вообще ничего не спрашивает, никогда не получит никаких ответов. Подписывайтесь: 💬 @Yandex4Analytics

🐚 Аналитический Q&A: задайте вопрос, пока никто не видит Есть вопросы, которые крутятся в голове, но обсудить их с руководителями и коллегами как-то неловко. ✨ Задайте их нашим ведущим подкаста «Доверительный интервал». В новом выпуске мы ответим на вопросы и разберём реальные ситуации, которые волнуют аналитиков в работе и карьере. Спрашивайте всё, что волнует: 🔵 Карьера и актуальные направления роста в 2026-м 🔵 Сложные рабочие ситуации, из которых непонятно как выбраться 🔵 Взаимодействие с командой и бизнесом 🔵 Всё, о чём обычно молчат, но думают 🎙 Самые интересные вопросы разберём в эфире. ⏭️ Заполняйте форму — всё анонимно! Подписывайтесь: 💬 @Yandex4Analytics

🛎 Приходите на вечеринку для аналитиков 23 апреля мы собираемся в Санкт-Петербурге на вечернем митапе для аналитиков. На этот раз поговорим о решениях сложных продуктовых и исследовательских задач — от оценки безопасности автопилота до экспериментов без A/B-тестов. Разберём реальные кейсы, где данные, модели и продуктовые решения пересекаются. Спикеры и доклады: 🔵 Елмурат Темиргалиев, руководитель группы сбора датасетов команды Автономного транспорта Яндекса, расскажет, как статистически доказать безопасность системы и сократить годы тестов до одной недели с помощью симуляции и бережливой дедупликации сцен 🔵 Тимур Шаймуханов, аналитик-разработчик команды алгоритмов ценообразования Яндекс Такси, расскажет о согласованном ценообразовании тарифов в сервисе и о том, как учёт состояния маркетплейса «Комфорта» помог снизить цены в «Экономе» и повысить эффективность платформы 🔵 Иван Меренков, аналитик команды Data AI Lab Яндекса, поделится личным опытом сборки команды AI-агентов для эффективной повседневной работы 🔵 Николай Олигеров, аналитик-разработчик Яндекс Путешествий, расскажет, чем заменить A/B-тесты, когда они невозможны: обсудим применение propensity score matching и проверку результатов ⏭️ Переходите на сайт, чтобы узнать больше о программе и зарегистрироваться! 💠 До встречи на Analytics Party! Подписывайтесь: 💬 @Yandex4Analytics

🎙 Зачем ставить цели, если всё поменяется? Как планировать работу, когда рынок штормит, а «чёрные лебеди» прилетают один за другим? Разбираем, почему постановка целей часто превращается в головную боль. В этом выпуске ведущие — Дима, Ксюша и Саша — обсудили, как ставить цели с учётом постоянно меняющихся вводных, как к этому подходят разные команды Яндекса и почему ставить цели, на самом деле не так страшно. ⏭️ Смотрите полный выпуск на ютубе и в VK Видео или слушайте в Яндекс Музыке Подписывайтесь: 💬 @Yandex4Analytics