каганова: деск рисёрч
Open in Telegram
343
Subscribers
No data24 hours
+27 days
+1430 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
June '25
June '25
+3
in 0 channels
May '25
+315
in 0 channels
Get PRO
April '250
in 1 channels
Get PRO
March '25
+30
in 3 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 13 June | 0 | |||
| 12 June | 0 | |||
| 11 June | 0 | |||
| 10 June | 0 | |||
| 09 June | +1 | |||
| 08 June | 0 | |||
| 07 June | 0 | |||
| 06 June | 0 | |||
| 05 June | 0 | |||
| 04 June | +1 | |||
| 03 June | 0 | |||
| 02 June | +1 | |||
| 01 June | 0 |
Channel Posts
Repost from Chief Philosophy Officer
Пара слов про выбор типа исследований для контор разного уровня зрелости.
Формулирование смысла освобождает от необходимости знать детали. Напротив, обширная база накопленных эмпирических данных позволяет не рефлексировать о смыслах. Однако такую базу просто невозможно создать, если у конторы нет устойчивых онтологических паттернов в силу её незрелости или из-за того, что она создаёт что-то принципиально новое, чего ещё никто не делал.
Мелкие конторы просто не могут позволить себе роскошь «репрезентативных данных» — у них нет ни структуры реальности, ни карт мира, чтобы эти данные вообще во что-то сложить. Им бы в принципе понять, о чём их бизнес и почему он кому-то нужен. Поэтому небольшой конторе, находящейся в состоянии эпистемического вакуума, разумнее нанимать специалистов по качественным исследованиям. А вот крупняку с его устоявшимися парадигмами, для которого важнейшими являются вопросы оптимизации, масштабирования и точного измерения уже известных процессов, можно плюнуть на причинно-следственные связи, использовать вместо них корреляции — будет разумно нанимать количественных аналитиков.
Ирония в том, что мелкие конторки нередко стремятся построить собственные CDP, озёра данных и прочие фишки как у корпораций, хотя им просто нечем наполнять эти онтологии. Тогда как крупные конторы сейчас активно нанимают психологов для проведения глубинок и антропологов для этнографии, но зачастую не способны воспользоваться их инсайтами в рамках уже выстроенных и забетонированных конвейеров производства.
Старик красит седые волосы, пытаясь выглядеть моложе. А школьник отращивает усики, пытается выглядеть старше. Возрастные кризисы, не иначе.
| 2 | Отметьте все утверждения, с которыми вы согласны. | 275 |
| 3 | Чем исследователь отличается от аналитика? Например, в контексте бизнеса, разработки и реализации ИТ-продуктов. | 286 |
| 4 | С чего начинается хорошая аналитика?
В прошлом посте я рассказывал, почему без EDA нельзя делать ни аналитику, ни машинное обучение. Даже если продакт стоит над душой и требует цифры «ещё вчера». Теперь давай разберём первый и самый недооценённый шаг в исследовательском анализе: осмотр данных.
Представь, что ты лезешь в базу и... сразу пишешь groupby() или строишь график? Это ловушка. Начинать нужно не с расчётов, а с банального знакомства с тем, что у тебя вообще в руках. Осмотр данных — это как включить свет в темной комнате. Сразу видно, где пыльно, а где стоит тумбочка, об которую легко споткнуться.
Первым делом смотри на объем данных: df.shape покажет, сколько строк и колонок. Иногда там вообще пара десятков строк — и это уже повод позвать дата-инженера.
Дальше — названия колонок. Через df.columns можно заметить лишние пробелы, странные символы, дубли названий. Здесь же удобно сразу стандартизировать названия: убрать русские слова и привести к единому стилю ("snake_case" ван лав). Такие вещи не бросаются в глаза, но потом ломают пайплайн.
Теперь — в бой идет df.info(). Это твой лучший друг. Он покажет:
▪️какие типы данных у колонок,
▪️сколько ненулевых значений,
▪️сколько памяти жрёт датафрейм.
Обрати внимание: если в колонке написано, что у неё 80 000 непустых значений, а в df.shape[0] у тебя 100 000 — значит, 20% пропусков. Это серьёзно.
Ещё один лайфхак: если колонка выглядит пустой, но info() говорит, что там всё заполнено — проверь, не строки ли там вроде " " или "None". Это визуальные, а не настоящие пропуски. Так что df.replace() тебе в помощь.
Если всё типы данных соответствуют ожиданиям — отлично. Если нет — можно наткнуться на неприятности. Например, object вместо чисел или дат — и ты не сможешь нормально группировать, фильтровать, делить на категории. В таких случаях сразу меняй тип или уточняй источник.
Следом подключай df.describe(). Это быстрый способ понять, как «живут» числовые данные. Сравни среднее и медиану — это может подсветить асимметричное распределение. Проверь минимум и максимум — там часто сидят выбросы или ошибки: отрицательные значения там, где их быть не должно, нули в колонке с деньгами, тысячи категорий у рейтинга от 1 до 5.
Дополнительно пригодится .nunique(): иногда колонка кажется категориальной, а там каждый второй элемент уникален. Это уже почти ID, и скорее всего — не то, что ты хотел анализировать.
И не забывай смотреть глазами. df.head(), df.tail() — быстрый способ поймать неявные проблемы. Например, даты, которые лежат строками. Или списки внутри ячеек. Или дубли с разницей в один символ. В табличке может быть много неожиданного — особенно если её собирали в два этапа, три человека, а выгружал четвёртый.
Осмотр данных — это про внимательность и здравый смысл. Здесь ты ловишь грубые баги, структурные проблемы и мусор, который может незаметно утащить твою аналитику не туда. А ещё — экономишь себе кучу времени, потому что не придется всё переделывать после того, как уже построен отчёт.
В следующем посте поговорим про пропуски и дубликаты. Ставь лайк, если тема интересна.
#eda | 295 |
| 5 | Задачка для кабинетных исследователей (разомнёмся после майских):
Сколько в России семей, в которых из взрослых есть только отец, а детей три и более? | 358 |
| 6 |  кринж🌚 или база❤️? | 481 |
| 7 |  Емкость рынка (market size) — это оценка, в которой много неопределенности, допущений и переменных
Чтобы оценить емкость рынка, мы должны проделать один важный шаг: перевести абстрактную идею в конкретные измеримые параметры. Этот процесс называется операционализацией — и именно он превращает фантазии в цифры.
Операционализация — это процесс превращения абстрактных понятий в измеримые и проверяемые показатели. Иначе говоря, это «перевод» понятий вроде «число потенциальных пользователей», «средний чек» или «уровень потребности» в конкретные формулы и параметры.
Каждое допущение и каждый параметр, который мы выбираем, влияет на итоговую цифру. Проблема начинается, когда:
- данные собираются нерелевантные;
- не определены источники неопределенности;
- формулы расчета не адаптированы к реалиям конкретного рынка.
» Пример ошибки: если вы берете данные по средней цене психолога из Москвы и экстраполируете их на регионы без поправки на доход населения — итоговая оценка будет завышена.
Пошаговый переход от концепции к расчету
1. Формулировка гипотезы или рыночной идеи.
Пример: «Есть высокий спрос на онлайн-обучение в сфере ИИ».
2. Разделение на компоненты.
Кол-во потенциальных пользователей, стоимость курсов, частота покупки.
3. Операционализация каждого компонента.
Используем: демографические данные, статистику по покупкам, аналоги.
4. Сбор данных.
Госстатистика, исследования, отчеты, API, web-scraping.
5. Построение модели расчета.
Bottom-up (снизу вверх) или top-down (сверху вниз), или комбинированный подход.
6. Проверка на чувствительность и допущения.
Где «тонкие места», какие допущения критичны.
Расчет емкости рынка — это не просто арифметика. Это аналитическая дисциплина, где ключевую роль играет умение правильно интерпретировать и структурировать данные. Операционализация превращает маркетинговые фантазии в проверяемые гипотезы и позволяет делать выводы, на которых можно строить бизнес.
✨ | 441 |
| 8 |  как вам это? | 442 |
| 9 |  Что не так с этим графиком? | 569 |
| 10 | Буквально я, когда решила автоматизировать задачу и сделать более гибкий код, но в итоге делала задачу в 5 раз дольше, чем было бы руками.
Но в долгосрочной перспективе это позволил снизить количество багов. | 658 |
| 11 |  No text... | 550 |
| 12 | Коллеги-кабинетники! Ищу коллегу в Центр исследований Т-Банка, где сама работаю.
Вакансия: https://hh.ru/vacancy/118761284?from=employer&hhtmFrom=employer | 2 049 |
| 13 |  источник | 582 |
| 14 |  No text... | 478 |
| 15 |  +1Конференция "Укоренённость экономического поведения:
границы и перспективы теоретического подхода"
«Векторы» — это публичный интеллектуальный проект, созданный сообществом Шанинки. Ежегодно проводится Международная научная конференция для студентов, аспирантов, преподавателей и независимых исследователей, посвященная актуальным проблемам социально-гуманитарных наук.
📍Где: онлайн и оффлайн на площадке Шанинки
🗣️Язык: русский, английский
📅Когда: 12 апреля 2025 г.
👥Для кого: для слушателей
Тематические направления
- Экономическая социология
- Организационные исследования
- Социоэкономика
- Антропология
⏰Дедлайн: регистрация по 10 апреля 2025 г.
➡️ Подробнее
➡️StudyGrants - стажировки| стипендии| летние школы 🌎
#конференции
#гуманитарные | 469 |
| 16 | 📢 Моя книга о кабинетных исследованиях
Коллеги, хочу рассказать о проекте, который для меня очень важен. Это книга, где я собрала всё, что узнала и проверила на практике за годы работы в кабинетных исследованиях.
🐈⬛Эта книга — результат шести лет работы, в течение которых я училась искать данные в самых неожиданных местах, систематизировать их так, чтобы ничего не терялось, и адаптироваться к разным задачам, используя доступные цифровые средства.
🔤 О чем книга?
Это сборник советов, историй и кейсов из моей практики.
🟣Как искать, систематизировать и сохранять данные так, чтобы не тратить время зря.
🟣Чек-листы и пошаговые инструкции — всё, что помогает мне на практике.
🟣Кейсы из моей практики — реальные истории по поиску данных и их анализу.
⭐️ Для кого книга?
Для студентов, исследователей, аналитиков, консалтеров — для всех, кто регулярно работает с информацией: ищет её, сохраняет и использует в работе.
❗️Важно, что эта книга обновляемая. Я буду добавлять новые главы с примерами из своей практики и методами, которые помогают мне каждый день.
Доступ к книге тут.💜 | 403 |
| 17 |  No text... | 374 |
| 18 | Я планирую сделать небольшой платный курс по использованию ИИ для кабинетных исследований. Как вам идея? | 1 369 |
| 19 | Как я перестала бояться новых тем и начала их понимать (секрет от науки о памяти!)
"Понимание контекста – это половина успеха в деле восприятия, обработки и запоминания информации." Эти слова Елены Сосновцевой из книги "Memento memory" попали прямо в точку! Как человек, занимающийся кабинетными исследованиями, я постоянно сталкиваюсь с необходимостью быстро погружаться в совершенно новые для меня темы. И признаюсь, раньше это вызывало у меня панику.
Только представьте: еще вчера я изучала глобальные тренды в образовании, а сегодня мне нужно срочно разобраться в ИТ-рынке Бразилии! Сроки горят, информации море, и все кажется каким-то "птичьим языком", как описывает Елена свой опыт на выставке. Знакомо?
Я долго мучилась, пытаясь сразу "впитать" все, но в итоге в голове оставалась каша. Помню, как пыталась разобраться в бразильских стартапах, и чувствовала себя абсолютно потерянной. Пока не выработала свою систему, которая, как оказалось, подтверждается наукой о памяти!
Теперь я делаю так:
1. Первое погружение: Гуглю 10-15 страниц с обзорами, отчетами, новостями по теме. Просто бегло просматриваю, чтобы уловить основные понятия, тренды, ключевых игроков. Например, когда изучала ИТ-рынок Бразилии, искала информацию о ключевых компаниях, правительственных программах поддержки и основных технологических трендах.
2. Перерыв – это важно! Самое главное – после этого я откладываю задачу до следующего дня.
И вот тут начинается магия! За ночь мозг как бы "переваривает" полученную информацию, выстраивает первые нейронные связи. На следующий день, когда я возвращаюсь к теме, все кажется уже не таким чужим и непонятным.
Как пишет Елена Сосновцева, когда мозг – "чистый лист", новой информации не за что зацепиться. Но после первого погружения и перерыва, у меня уже есть какой-то контекст, какие-то "крючки", к которым можно прицепить новые знания.
Этот метод помогает мне избежать перегрузки, усвоить хотя бы базовый контекст и, самое главное, перестать бояться новых тем.
Оказывается, мой интуитивный подход подтверждается наукой! Елена Сосновцева в своей книге объясняет, что без контекста информация просто "проваливается в никуда". А вот когда есть система знаний, новая информация легко "прицепляется" к уже существующим знаниям и лучше запоминается. | 1 480 |
| 20 |  Нам всё-таки пришлось связать Фила и отобрать у него телефон... теперь про серьёзное.
Почему вам нужно работать над впечатлениями клиентов в 2025 году?
В постиндустриальный переход свою ценность теряли товары. Теперь эстафета перешла к услугам: они уступают место впечатлениям.
📍 Пример
Капучино за 400 рублей в Price Coffee - это перебор весной 2025 года. Но если это 500 рублей в Кофемании на Красной площади или в кофейне четвертой волны в окружении кофейных любителей, то не так уж и дорого.
Секрет в том, что ценность дает возможность растить маржинальность. Впечатления - маржинальный продукт. Речь не только про индустрию развлечений (кино, театры и т.п.). Получать впечатления можно от эксклюзивных товаров и высоко персонализированных услуг, в чём сильно помогают ML и AI.
📍 Ориентируйтесь на впечатления, выбирая продукт
Во-первых, это поможет выбрать правильную индустрию. Работа в сырьевой или производственной компании стабильная, но рост там ограничен
Во-вторых, впечатления и трансформации - это возможности. Будьте ближе к персонализации и созданию впечатлений. Так работать будет веселее, а зарплата выше
В-третьих, впечатления и трансформация - это возможность для роста лояльности и LTV вашей аудитории. Потому что маржинальность у продуктов такого этапа выше.
Если тема интересна, советую прочитать 📚 Экономика впечатлений.
Поделитесь, как вы создаёте впечатления для своих клиентов? | 405 |
