Data Driven Decisions

Стартует какая то задача по улучшению любой метрики. Так вот, если мы улучшаем некую метрику, то как мы задаем величину улучшения в абсолютных значениях (было 2 станет 5) или в относительных (улучшим на 10%).

⚠️ Ваш маршрут перестроен! Когда-то я осознала, что моя миссия – нести аналитику в бизнес. Улучшать экономику страны через улучшение экономики конкретных компаний. Я пыталась это делать по-разному: через предпринимательство, в найме, в миксе того и другого, в преподавании, в консультировании. Выяснила только одно – не могу не делать. 🎙️ …Мы решили проводить вебинары. Не ново, да. И мы немало думали над тем, что можно в этих самых вебинарах сделать так, чтобы повысить их ценность и не слиться с массой других мероприятий. 🟠В эпоху ИИ легко запускать вебинары. Закинул промпт в ИИшку - она тебе и тексты, и сайты, и анонсы. Но мы осознанно не пошли этим путём. Пластиковые шаблонные тексты с лёгким налётом нестыковок - отталкивают. ИИшные презы вызывают сомнение в качестве контента и спикера. Это как будто эффективнее и проще, чем делать руками. Но мы сказали "нет" нейрослопу. 🟠Вместо этого мы старательно выуживали "боли" и "сложности", с которыми сталкивается бизнес в аналитике, перелопачивали годы собственного и вашего опыта. Вложили немало времени в то, чтобы каждая фраза была наполнена смыслом. И будем очень довольный собой, если поймём, что "попали в боль". Этот принцип сейчас в наших постах, на сайте, в рассылках и он же будет на вебинаре. 🟠На вебинарах не будет продажи. Будет кратко о нас, будет приглашение в каналы и к сотрудничеству. Но 10 слайдов о том, какие мы классные со всех ракурсов – нет, не будет. Мы не будем тратить колоссальное суммарное время всех участников и ваше доверие на это. Может быть, это странно, и маркетологи покрутят нам пальцем у виска, пусть. 🟠Мы знаем не понаслышке, что руководителю зачастую непросто выдернуться на целый час вебинара. Время слишком ценно. И многие регистрируются на вебинар, чтобы просто получить запись… и не посмотреть. Сама так делаю… 🫠 Поэтому мы решили (помимо классической регистрации) дать альтернативную регистрацию – только для получения 🎙️ записи, к которой приложим краткий 📝 конспект вебинара. Конечно, мы очень хотим, чтобы вы были с нами в онлайне, участвовали в интерактиве, задавали вопросы и ставили огонёчки. Но наша основная цель – дать пользу и ценность. 🔸🔸🔸 И главное. ❗️10 сентября в 11 МСК мы проводим первый вебинар. ⭐️Внедрение BI: ваш маршрут перестроен.⭐️ Про путь и грабли на этом пути. Типичные "болячки" первых уровней аналитической зрелости, проблемы перехода и рекомендации по решению. Как выстроить свой маршрут внедрения BI максимально оптимальным способом. 🗓️Когда: 10.09.2026 11:00 МСК 📝Детальнее про вебинар: тут Если у вас не прогружается видео-приглашение: 📱Youtube 📱 VK 📹 Rutube Ждём вас! 💛

🔤🔤🔤🔤🔤🔤 🔤🔤🔤🔤🔤🔤🔤🔤 Быстрый старт и неожиданности при масштабировании Этим постом начинаем цикл статей по разным BI-системам. Планируем выдержать более-менее единую структуру описания. И позже дополнить статьи демо-дашбордами и видео-демонстрациями. Но... как говорит одна моя хорошая знакомая: "Всё будет, но не сразу" 🔤 1️⃣Знакомство с системой ☁️ DataLens – продукт компании Яндекс, интегрированный в достаточно широкий ландшафт многочисленных продуктов компании. Самое большое сообщество пользователей среди российских BI-систем. Только телеграм-канал насчитывает более 14,7 тысяч подписчиков, пользователей по разным источникам - в разы больше. На то могу выделить, как минимум, несколько причин: ➕наличие opensource варианта системы ➕длительное время бесплатного распространения облачной версии ➕широкая инфраструктура Яндекса ➕относительная простота входа – зарегистрировался и пользуйся ➕бесплатные курсы на Яндекс.Практикум DataLens, в отличие от многих российских систем, представлен в нескольких вариантах: облачный, серверный и opensource. Любой инфраструктурный каприз. Почти. Здесь и далее буду говорить про наиболее распространённый вариант использования – облачную версию. 2️⃣Подготовка данных Две важные особенности системы, которые могут сильно влиять на архитектуру всего проекта: DataLens не хранит данные в себе и не имеет встроенного ETL-модуля. Что это значит для бизнеса: ❗️Когда пользователь открывает дашборд, DataLens отправляется за данными в источник. Если этот источник медленно отдаёт данные / данных много / запрос к данным пытается хитро их преобразовать на ходу – пользователь наблюдает крутящееся колёсико ожидания вместо графиков. ❗️Так как встроенного модуля преобразования данных у DataLens нет, то преобразования должны быть выполнены либо непосредственно в запросе к данным (помним про колёсико), либо данные в источнике должны быть уже преобразованы заранее. ❗️И как итог - на проектах DataLens почти всегда подразумевает организацию хранилища данных, которое заберёт на себя все преобразования. И чем "ближе" это хранилище к DataLens, тем меньше ожидание пользователя. Максимально оптимальное решение – ClickHouse, развёрнутый на серверах самого Яндекса. 3️⃣Модель данных Только классические "звезда" и "снежинка". Модель типа "созвездие" с несколькими таблицами фактов не допустима. Какая-нибудь модель, когда у нас не "снежинка", а, простите, "сугроб" (любят некоторые аналитики такое делать) – тоже в DataLens не собрать. Всё строго. Что это значит для бизнеса: ❗️Большое внимание уделяется этапу формирования итоговых витрин данных, и, соответственно, модели. Чуть больше, чем в любых других системах. 4️⃣Языки и расчёты Для создания вычисляемых полей используется SQL-подобный язык, есть набор агрегатных функций и оконных выражений. Что это значит для бизнеса: ❗️Низкий порог для аналитиков, знающих SQL. Для базовых и умеренно сложных вычислений достаточно. Но если нужно рассчитать что-то более-менее сложное, то обычно вычисления переносятся на хранилище и учитываются при подготовке данных. 5️⃣Визуализация Стандартный набор визуализаций, закрывающий бОльшую часть запросов проекта. Умеренный выбор настроек. Местами есть жёсткие ограничения. Например, для корректной работы таблицы в датасете должно быть не более 100 000 строк. Некоторое время назад появилась возможность разрабатывать свои кастомные визуализации с прямыми запросами в источник. Что это значит для бизнеса: ❗️Тщательно продумываем и проектируем подготовку данных. Оцениваем достаточность стандартных визуализаций. 6️⃣Ценообразование Облачная версия для одного пользователя – бесплатна. Регистрируем учётку в Яндексе и поехали. Но как только мы добавляем к себе второго пользователя – начинаем платить сразу за обоих по 990р в месяц. Это очень даже приятная цена. Для серверной версии ценовая политика начинает расчёт от 100 пользователей и 1,6 млн р в год. А здесь резкий скачок. 🔤🔤🔤 ❓Что бы вам хотелось ещё узнать о Yandex DataLens? ❓Какие термины оказались непонятными? О чём рассказать подробнее? #datalens #обзор_bi

5️⃣🧡🧡🧡🧡🧡🧡🧡аналитической зрелости: почему наличие BI-системы – это ещё не успех 🔸Материал про Yandex Datalens уже готовится к выпуску. Скоро-скоро! 🔸 Когда в моём арсенале появилось такое понятие, как "аналитическая зрелость", жить стало кратно понятнее. Важно понимать предстоящий путь, чтобы распределить усилия, бюджеты и спланировать остановки для отдыха. Когда приходит заказчик и рассказывает, что хранит сметы на строительные объекты в текстовых комментариях карточек Trello, и при этом хочет принимать решения на основе данных – становится понятно, что путь из точки А в точку Б будет ой каким не простым. Реальным, но непростым. Data-driven иногда интерпретируется как некий хайп. Бизнес может туда очень рьяно хотеть и одновременно не понимать, каких стереотипов и привычек ему придётся лишиться. И появление BI в закладках браузеров сотрудников – не самоцель, но шаг на немалом пути. ➡️Гартнер выделяет 5 уровней аналитической зрелости: 1️⃣ Excel и героизм Руководитель приходит с вопросом: "А почему упала маржа?" Начинается квест. Финансист скачивает отчёт из 1С, менеджер по продажам – выгрузку из CRM, начальник производства – свою таблицу. Все это сводится в один огромный Excel, который сводит один "гуру ВПР". На это уходит полдня, а то и неделя. Руководитель не дожидается, машет рукой и принимает решение "по наитию". 2️⃣ Дорогая автоматизация Компания решает: "Хватит этого ада, покупаем BI-систему!" Строят красивые отчёты. Но... данные в системах – полная каша. BI не склеивает их по умолчанию, а хаос вскрывается один за другим. Сотрудники паникуют: "Наше знание ВПР больше не востребовано!" Менеджмент фыркает: "Денег потратили кучу, а толку – ноль". Эксельки всё ещё в ходу, "на всякий случай". 3️⃣ Много отчётов, мало решений BI наконец-то заработал. Качество данных уже приемлемое. Отчётов стало много, или даже очень много. Дашборды раскрашены разными цветами. Руководитель заходит в BI и видит 100 циферок, но не находит нужной. Отчёты смотрят, кивают, но решений не принимают. Или приняли решение, но в процессы оно не ушло. Нет связи между цифрами и реальными действиями в бизнесе. 4️⃣ Данные начинают рулить Компания уже не просто смотрит, что было вчера, а начинает считать, что будет завтра. Появляются прогнозы, план-фактный анализ, понимание корреляций. Решения принимаются на основе цифр. И, что самое важное, эти решения внедряются и влияют на процессы. Сотрудники уже не сопротивляются, они просят: "А можно мне такой же отчёт для моего отдела?" 5️⃣ Аналитика – это топливо бизнеса Данные становятся центром бизнес-стратегии. Новый продукт не запускается без анализа рынка и прогнозов. Инвестиционные решения согласовываются исключительно на основе цифр. В компании есть CDO (директор по данным), который влияет на все изменения. Компания постоянно обменивается лучшими практиками. Аналитика – не просто красивая игрушка за доп бюджет, а обязательная часть жизни компании. У каждого перехода между уровнями свои симптомы и своё лекарство: 1️⃣➡️2️⃣: автоматизация работы с данными, внедрение BI, постепенное исключение ручной сборки отчётов 2️⃣➡️3️⃣: внедрение BI в процессы, работа над качеством данных и расчётов, повышение компетенций сотрудников и руководителей по работе с данными 3️⃣➡️4️⃣: выстраивание связи между аналитикой и бизнес-результатами, повышение охвата процессов аналитикой 4️⃣➡️5️⃣: встраивание аналитики в управление изменениями   Главные выводы: ✅ Фокус на внедрении BI без работы с качеством данных и культурой не даёт результата.  ✅ Зрелость компании в работе с данными – это не количество отчётов, а замкнутый цикл принятия решений. Мало построить дашборд, нужно ещё, чтобы решения, принятые на его основе, реально влияли на процессы в компании. ✅ Цифровую трансформацию часто тормозит не технология, а культура. Данные долго остаются "разрозненным лоскутным одеялом", пока руководители не начинают использовать их для управления. ✅ Для того чтобы сдвинуть компанию с уровня на уровень, нужны не просто приказы сверху, а "евангелисты" внутри команды, которые своим примером показывают пользу аналитики.

🔥Друзья, спасибо всем за ваши голоса и активность! Мы подвели итоги опроса в обоих каналах и составили порядок разбора BI-систем в наших статьях. ⭐️ Первые две системы с большим отрывом: Yandex Datalens (13) и Apache Superset (9). ⭐️ "Большая" четвёрка с одинаковым количеством голосов: AW BI, Fine BI, Visiology и PIX BI (по 4). ⭐️ И завершают список – Modus BI (3) и Glarus BI (2). Порядок разбора систем с одинаковыми голосами – на усмотрение редакции 😊 Но вы ещё можете добавить голосов, опрос ещё активен. 🔸🔸🔸 Мы себе придумали правило – по пятницам не писать страшно полезного контента. Поэтому в комментах ловите шуточку про все BI разом. На злобу дня. 😊 Всем хороших выходных! 💛

😎 Подвиг во имя BI Вчера Политех напомнил, что опубликовали расписание пар на портале... В смысле - скоро сентябрь? Да как так-то? 😱 А я не успела рассказать про подвиг, который мы совершили с магистрантами в весеннем семестре. И пока мы не совершили новый, надо успеть срочно рассказать про предыдущий. А это был реально подвиг. Этой весной мы уже третий год (это всё разные магистранты, если что 😊) делали проектную работу. И каждый год она всё чудесатее и чудесатее. ➡️ Шесть групп. ➡️ Шесть РАЗНЫХ BI-систем, с которыми никто из ребят никогда не работал: 🔸Visiology - позиционируют себя как лидеры российского рынка, интерфейсно ориентируются на Power BI; 🔸PIX BI - молодой амбициозный продукт, который активно себя промоутит на рынке, интерфейсно ориентируются на Qlik; 🔸Yandex DataLens - российский облачный продукт от всем известной компании; 🔸Fine BI - китайский BI, который в последнее время всё чаще и чаще попадает в предпочтения российских компаний. 🔸Glarus BI – российский продукт, с очень демократичным ценообразованием на базе опенсорсного Metabase. 🔸AW BI – российский продукт, с бесплатной облачной версией. ➡️ Три кейса с реальными данными от реальных заказчиков и реальными запросами на показатели: 🔸Общепит 🔸Фитнес 🔸Маркетплейсы У нас было чуть меньше трёх месяцев и мощный объём работы: ✅Разобраться в данных, показателях, сформировать и согласовать методики расчёта ✅Спроектировать макет визуализации и модель данных с учётом нюансов работы конкретной BI-системы ✅Обработать все данные и «уложить» в модель ✅Настроить вычисления показателей ✅Настроить все графики и взаимодействия ✅Протестировать данные и работу визуала ✅Сформировать рекомендации для заказчика на базе получившегося дашборда ✅Написать отчёт по проделанной работе, проанализировать особенности конкретной BI-системы ✅И, наконец, презентовать свою работу заказчикам, руководству кафедры и гостям. ✅А для этого всего, само собой, - изучить BI-систему в достаточной степени, освоив языки и диалекты, инструменты и особенности работы Мы встречались каждую неделю, а последние недели даже чаще. Вели диалоги в реальном времени в чате, обсуждая возникающие сложности. Это было очень плотно. ❗️ Чем мне нравится эта проектная работа. Каждая команда не просто изучает одну BI-систему, она косвенно изучает в моменте все шесть. Происходит взаимное "переопыление" знаниями. И по итогу через 3 месяца, оглядываясь, все сильно удивляются, какой багаж знаний и опыта они получили. ❗️ И это в особенности важно сейчас. Потому что в текущих реалиях, выходя из стен университета в реальную жизнь, надо уметь быстро осваивать инструменты и ориентироваться в их ассортименте. Чтобы быть востребованными на рынке и понимать, как этот самый рынок работает, чем дышит. ❗️ А я, со своей стороны, делаю ценные выводы. Вижу простоту и сложность освоения разных систем, ограничения и нюансы, сложности работы с реальными данными, типичные ошибки и многое другое. Адаптирую материалы курса, выстраиваю стратегию работы с разными системами. ⭐️ В итоге - получилось круто и очень ярко! На следующий год обязательно повторим с другой группой, добавим на этот раз ещё и этап непосредственной работы с заказчиками. 😊 ❓ В планах рассказать в канале про все системы. Но с какой начнём – решать вам (ниже опрос).

🫣 Прячем нули в Excel Три клика мышкой. Вы видите сусликов нули? А они есть! ❓ Кто расскажет в комментах - что за мейджик? #ачётакможнобыло

🫣 Прячем нули в Excel Три клика мышкой. Вы видите сусликов нули? А они есть! ❓ Кто расскажет в комментах - что за мейджик? #ачётакможнобыло

Сразу спрошу, если вам такой контент не нужен, я не буду постить, только проголосуйте (в комментариях), я тут решил пойти дальше и собрать M68000 и поверх него Macintosh а это видео показывает, что я сам все делаю, а не силами LLM на видео создание сумматора-вычитатор из сумматора, на 32 бита :) если вам зайдет расскажу больше что я делают и как и какая технология лежит (я ее изменил относительно того как делал ранее, старшие товарищи подсказали где я был не прав)

Прошло уже много лет, как я прочитал книгу Чарльза Петсольда Код. Тайный язык информатики, в которой он описал как устроен компьютер, с точки зрения базовых принципов, а именно транзисторов. И подал он свой рассказ так увлекательно, что мне хотелось его повторить. Просто взять в руки проволоку, лампочки, батарейки, собрать простые реле, из них логику, затем заменить все это на транзисторы и начать собирать простую систему, например, которая умеет складывать 2 числа. На картинки ниже, как раз показана схема, как выглядит устройство, которое складывает два числа, при этом есть ограничение каждой число не может быть больше 15. #CPO_notes #LLM_notes Продолжение...

спойлер большой статьи, мало того я попробую объяснить зачем все это знать если вы продуктовый аналитик!

использования современных компиляторов типа LLM позволяет делать забавные штуки. Я собрал в симулятор электрических цепей компьютер из транзисторов в ручную (23000+ транзисторов) что-то типа Apple II. И попросил LLM разработать программу для него, и этот перец придумал свой ассемблер для него, потом написал на JS компилятор этого ассемблера в машинный код для моего собственного процессора, пишет на нем программу для выхода в сеть (условный интернет из 70-х) и что интересно мой компьютер исполняет эту программу и соединяется с реальным сервером в США. И все это работает в браузере. То есть виртуальная машина из транзисторов выполняет код написанный на уникальном языке (конечно же нет, но формально мой процессор в 1 экземпляре). и вся эта груда виртуальных транзисторов выходит в сеть!

🤯 Вопросы заказчику, которые спасут бюджет (и нервные клетки) Внедрение BI – проект часто очень чувствительный к разным особенностям деятельности компании. Кроме того, BI внедряют чаще в компаниях, которые непрерывно меняются, и BI должен успевать за этими изменениями. ❗️Сбор требований – один из самых ответственных этапов. Всё пропущенное в этот момент – неминуемо проявится тогда, когда от этого будет совсем уже не весело. В статье разберём один вопрос. Вопрос, который делит проекты внедрения BI на 3 категории. И этот вопрос – не "что строить?", а "как аналитика выстроена сейчас?". В каждом варианте ответа – своё коварство и свои этапы работ при последующем внедрении. 1️⃣ Переезд с одной системы на другую или импортозамещение У заказчика уже есть BI-система, она работает, люди к ней привыкли, процессы выстроены. Но по разным причинам (политика, стоимость лицензий, уход вендора) он хочет переехать на другую платформу. ➡️ Что это значит для проекта: Аналитическая зрелость. Люди умеют работать с цифрами, понимают, зачем им дашборды, и ждут от новой системы определённого уровня комфорта. Риск – "очевидные" или невыполнимые требования. Нужно детально вытащить из заказчика все «очевидные» для него фишки. Многие вещи заказчик считает очевидными и не проговаривает. Потому что в старой системе он привык, например, к определенному типу фильтрации или кастомному виду графика, и считает это нормой, а не требованием. ➡️ Итоговая задача: Провести аудит старой системы, снять все «привычки» пользователей, составить карту функционального разрыва между старой и новой системой и либо искать обходные пути, либо мириться с потерями. 2️⃣ Чистый лист Компания живет вообще без цифр. Отчеты только внутри операционных систем (1С, CRM и т.п.), но никто их не сводит в единую картину. Решения принимаются "по ощущениям" или на основе устных докладов. ➡️ Что это значит для проекта: Эффект низкой базы. Это самый благодатный с точки зрения пользы кейс. Быстро показать первый дашборд и получить вау-эффект – легко. Риск – пользу могут не принять. В компании не сформирована культура принятия решений на основе данных. Люди не понимают, что делать с цифрами, и дашборд становится "красивой картинкой", которую открывают раз в месяц из вежливости. Дополнительный пласт работ: Консалтинг. Нужно не просто сделать витрины, а встроить аналитику в совещания, научить интерпретировать отклонения, менять процессы. ➡️ Итоговая задача: Сделать "быстрый прототип" для демонстрации ценности, но параллельно закладывать в проект обучение и изменение бизнес-процессов. Иначе дашборд умрёт в первый же месяц.   3️⃣ Классический старт или ловушки Excel Аналитика есть в Excel / Google Sheets. Это самый частый случай. У компании есть отчеты, но они живут в табличках. Сотрудники вручную сводят данные, подклеивают файлы, пересылают по почте. Это работает, но больно, медленно и с ошибками. Заказчик уже созрел для автоматизации. ➡️ Что это значит для проекта: Аналитическая зрелость ненулевая. Люди уже считают цифры, есть процессы, есть понимание, какие показатели важны. Это облегчает старт. Самая большая ловушка — привычка к "гибкости" Excel. Заказчик привык — поменял в одной ячейке, и всё пересчиталось. В BI данные приезжают из внешних систем, и чтобы что-то поменять, нужно идти в исходную систему, а не в дашборд. ➡️ Итоговая задача: Не просто "перенести Excel в BI", а перепроектировать процесс. Где-то подстроить BI под привычки заказчика (если система позволяет ввод), где-то — подстроить привычки под BI (обучить работать через исходные системы).   💡На нашем канале записали видео с разбором реальных граблей, разобрали большой список вопросов на старте внедрения. Этот список вопросов – опора и для интеграторов, и для заказчиков. Снимут пелену тайны с ожиданий заказчика и привнесут ясности в проект. Смотрите, где удобно: 📱Youtube 📹 Rutube 📱 VK   ❓ А какие неочевидные требования всплывали у вас на проектах уже после старта? Делитесь в комментариях — обсудим!

интересная мысль тут пришла. сейчас все восхищаются новыми LLM и как компиляторы они прекрасны, но это все таки не интеллект и ничего нового он сам не создает. от природы такой. и вот что подумалось, кто автор программы, программист ее написавший или компилятор создавший из нее машинный код? кто автор открытия? ученый который использовал мощь LLM или сама LLM?

Всем привет! 🙌🏻 Раздумывая о том, что сказать в этом видео, я вспомнила, что тяга к визуализации буквально преследует меня с самого студенчества. Все курсовые и дипломные работы были про разные аспекты визуализации графиков, математические вычисления, анализ формул. На 4м курсе я узнала, что в Excel можно писать макросы и жизнь сменилась на до и после. Конечно, после этого было много разного опыта: от разработки до бухучёта и предпринимательства. Каждая новая задача давала новый взгляд и складывала в копилочку то, что пригождается сейчас. Несколько лет назад я наконец поняла, какая картинка складывается из этих кусочков совершенно разного опыта. Я нашла то дело, которое меня профессионально вдохновляет – менять экономику компаний через прозрачность информации. Через создание таких инструментов, с которыми у руководителей появляется актуальная информация о происходящем, единый источник правды. ❓Чем мы занимаемся в Энергии данных? В первую очередь, мы внедряем BI: от идеи до разработки дашбордов и уверенного их использования в управлении и принятии решений. Создаём хранилища данных, проводим аудит действующей архитектуры. Помогаем нанимать, обучаем и выстраиваем команды. Работаем с совершенно разными технологиями: как российскими, так и зарубежными. Дружим с отечественными компаниями – разработчиками BI-систем. Проводим корпоративные обучения. ❗️И активно делимся опытом. Что вы можете найти в наших каналах? Информацию о том, как решать те или иные задачи в разных системах. Как подойти к внедрению BI. Как обучать сотрудников. Математические и статистические задачки. И конечно же щепотку юмора. У нас несколько каналов на разных площадках – смотрите и читайте там, где вам удобно. Информация в каналах часто перекрёстная. Статьи дополняют видео, а видео поясняют статьи. И только по почте вы получите всё в одном флаконе. Подписывайтесь на наши каналы и рассылку, читайте материалы, комментируйте и делитесь с коллегами. Повышайте качество работы с данными, меняйте экономику вокруг себя! 🔤Подписывайтесь на нас: Сайт: https://clck.ru/3VGNo3 Rutube: https://rutube.ru/u/bienergy/ Youtube: https://www.youtube.com/@bi_energy VK: https://vk.ru/data_energy Tg: https://t.me/+x1Owb8Ftt09mMzNi Max: https://max.ru/id7000033344_biz

Друзья! время пришло, я решил продолжать развивать канал далее и теперь кроме меня тут будет писать еще и @m_drobinskaya с которой я давно веду активности в области Data Driven в бизнесе, она очень крутой аналитик, и она тоже будет делиться с вами своими секретами. Прошу любить и жаловать. Конечная цель, развивать канал как полезное медиа полезное для бизнеса, продуктовой аналитики и использованию данных в бизнесе.

Друзья! Должна же быть польза от моего канала? Я думаю должна! Я хочу порекомендовать вам человека @etomilina с которой работал в Сбере, Катя, руководила у меня командой пользовательского опыта, проводила множество не тривиальных исследований, изучала как пользуются продуктом с разных сторон и находила слабые места. Что еще очень важно, Катя, умеет выстраивать отношения в команде, именно такие, человеческие, чтобы все решали общие задачи, двигались к одной цели. Ну это я подчеркнул, потому что, моя слабая сторона ;) Так же, Катя, использует современные инструменты и методы для анализа пользовательского опыта. В общем прокаченный специалист, за которого я ручаюсь. Прямо сейчас она ищет работу в области Customer Experience, Product Discovery, UX/CX Research или Service Design, где сможет помогать создавать продукты и сервисы, основанные на реальных потребностях клиентов и данных. Если вам нужен специалист, то вы его нашли.