LEFT JOIN

Гайд по «Друзьям» А вы смотрели сериал «Друзья»? В любом случае, у нас для вас гайд по всем 10 сезонам с рейтингами каждого эпизода краткими описаниями и информацией про персонажей. Теперь вы знаете, какие серии стоит посмотреть (или пересмотреть), а какие можно скипнуть.

А вы смотрели «Друзей»? 👀 ❤️ — Конечно! 🙈— Нет :(

Владимир Наумкин про экономику пива, интуитивное пивоварение и рынок крафта в России Обычно про данные и аналитику мы говорим с точки зрения диджитал-компаний — онлайн-школ, интернет-магазинов и финтехов. В честь Нового Года мы решили оторваться от компьютеров и обратиться к офлайну! А именно — узнать про 🍻аналитику пивоварения🍻! 🔵За какими метриками следит пивовар, чтобы пиво получилось, как надо? 🔵Как варится пиво и как пивовары обеспечивают стабильный вкус от партии к партии? 🔵Чем сейчас живет рынок крафта в России, и откуда такая любовь к томатному гозе и «супам в банке»? 🔵Из чего складывается стоимость банки пива, и какие сорта варить выгоднее всего? 🔜 Смотрите на YouTube и в VK

ИИ-стартап призывает перестать нанимать людей В начале декабря на улицах Сан-Франциско появилась реклама ИИ-стартапа Artisan — в переводе с английского «мастер» или «ремесленник». Продукт стартапа — Artisans, ИИ-сотрудники, которые готовы взять на себя роль сейлзов или маркетологов. На своем сайте компания пишет про то, что ее «мастера» будут работать вместе с людьми и помогут автоматизировать большую часть работы. На своих рекламных плакатах они выразились менее дипломатично. ☝🏻 Artisan прямо предложили перестать нанимать людей и выбрать их «мастеров», которые рады работать 70 часов в неделю и не будут жаловаться на work-life balance. Вот такой киберпанк. 😐

Как вам реклама? 🔥 — Круто, все правильно сделали 🙈 — Жесть!

Специальный рождественский датавиз Католики и протестанты сегодня отмечают Рождество, так что в честь праздника делимся находкой с Tableau. Приближаются не только праздники и новый 2025-й год, но и пик солнечной активности, который приведет к появлению ярких полярных сияний. На инфографике, собранной в Tableau, автор рассказывает, в каких частях мира они будут особенно хорошо видны на это Рождество. И заодно рассказывает, почему полярные сияния бывают разных цветов.

А вы когда-нибудь видели полярное сияние? 👀 ❤️ — Да! 🙈 — Нет…

Аналитики читают LEFT JOIN и слушают Data Heroes Мы это не сами выдумали, а прочитали в результатах исследования компании NEWHR, которое они провели в октябре 2024. В исследовании приняли участие почти 1300 аналитиков разных специализаций — продуктовые, маркетинговое, системные, дата-аналитики и так далее. 💬 Самыми читаемыми экспертами по аналитике оказались Анатолий Карпов, Валерий Бабушкин и Роман Бунин. В десятку попал и Николай Валиотти — создатель LEFT JOIN. 💬 В рейтинге каналов и подкастов первые три места заняли karpov.courses, Reveal the Data и Настенька и графики. 💙 LEFT JOIN на 4 месте, на 20-м — наш подкаст Data Heroes. Спасибо, что читаете (а еще смотрите и слушаете)! ❤️ Ну и конечно, обязательно ознакомьтесь с результатами исследования целиком — наверняка найдете для себя новые интересные каналы про данные и аналитику.

Глубокое погружение в машинное обучение Парадокс машинного обучения: с одной стороны, оно сейчас абсолютно везде. С другой стороны, может быть непонятно, как войти в эту область сейчас и стоит ли вообще это делать? Давайте разбираться. Руководитель ШАД Алексей Толстиков рассказал про обстановку в ML в России на подкасте MLinside. Как всегда, приведем в посте самое интересное. 🔵 Нужны ли ML-щики сейчас? Тут ответ короткий: да, спрос большой, и он будет расти. 🔵 В ML важно не только знать математику, уметь мыслить абстрактно и работать с алгоритмами. Без софт-скиллов тоже далеко не уедешь: пригодится умение грамотно доносить свою точку зрения до коллег и заказчиков и объяснять ценность ML тем, кто от него далек. Небольшой оффтоп про харды. Да, математика нужна, но вкатиться в сферу можно и без оконченного физмата. Алексей рассказал про музыканта, который отучился у них в ШАД, успешно ушел в ML и стал разработчиком в Алисе. 🔵 Найти работу поможет насмотренность — понадобится и понимание возможностей ИИ в целом, и знание, как с его помощью решать реальные, практические задачи. Хороший способ прокачать свои скиллы — соревнования по ML. 🔵 Сложно бывает не только найти работу, но даже поступить на учебу — в тот же ШАД многие попадают не с первого раза. Но тут главное не унывать и не бросать попытки — если, конечно, действительно хотите работать в ML. А что вы думаете — согласны со словами Алексея? 👀

Реалии работы в ML #мем

Как показать выполнение KPI на графиках Шпаргалка для всех, кто занимается версткой дашбордов — 20 способов изобразить выполнение KPI. В основном это разные вариации барчартов и линейных графиков, но все равно поглядеть что-нибудь полезное для себя можно.

Дмитрий Аношин про разницу между туризмом и иммиграцией, выгорание в Amazon и work-life balance Работа в корпорации с громким названием вроде Microsoft или Amazon для кого-то может выглядеть, как мечта — ведь это большая зарплата, стабильность, интересные проекты. Но иногда реальность разочаровывает, и перестают мотивировать что статус, что деньги. И как быть? В новом выпуске LEFT JOIN Partners дата-инженер Дмитрий Аношин (вы наверняка знаете его по его проектам вроде Surfanalytics и курсам на Data Learn), рассказал о переезде в Канаду, работе в Amazon и Microsoft и борьбе с выгоранием. Обсудили не только трудности. 🔵 Как сегодня переехать в Северную Америку и найти работу в IT? 🔵 Сколько платят дата-инженерам в Amazon? 🔵 Что нужно, чтобы стать востребованным специалистом и построить карьеру в IT на западе? 🔜 YouTube 🔜 VK

Все задачи перед выходными закончили? 👀 #мем

Итоги Yandex DataLens Festival Фестиваль закончился, и мы вспоминаем, что интересного на нем было. Самое-самое вынесли на карточки! 3 новых сценария использования DataLens: 1️⃣ Создание многостраничных отчетов с нуля: обзор и мастер-класс от Алексея Салынина. 2️⃣ Встраиваемая аналитика: обзор и мастер-класс от Яндекс Магистралей 3️⃣ Как развернуть DataLens Open Source в своем контуре: Deep Dive с Георгием Малковым 10 новых историй пользователей DataLens в облаке и своем контуре: 🔵 Petrovax: как дружили OLAP кубы, Excel и DataLens 🔵 Glenmark: про аналитику в фармкомпании 🔵 Информбокс: переход с Looker Studio 🔵 РУЛОГ: аналитика крупнейшего логистического оператора 🔵 Таблички: решение для аналитики маркетплейсов 🔵 Интернет-эксперт: встройка DataLens в Битрикс24 🔵 ABGroup: аналитика для FMCG 🔵 ЁбиДоёби: аналитика для foodtech франшизы 🔵 ППР: переезд с Tableau и сравнение с Superset 🔵 VK: переезд с Superset и создание мигратора 2 конкурса: 🔥 Лучший отчет в новом конструкторе 🔥 Лучший лайфхак aka «Золотой костыль» 🔥 Разбор топ-3 частых ошибок в конкурсных работах от Романа Бунина (Reveal the Data) Афтерпати в офисе Яндекса В завершение фестиваля на афтерпати 18 декабря команда рассказала, как работает с фичреквестами, развивает документацию и разрабатывает опенсорс. Еще больше контента с фестиваля — на канале Yandex DataLens!

Найти ценность для клиентов на пересечении науки и бизнеса | Ecom.tech (ex-Samokat) 🔵 Сервис по созданию рецептов из продуктов в корзине интернет-магазина. 🔵 Определение склонности покупателя к мошенничеству по его истории просмотра. 🔵 Сервис для «виртуальных фотосессий», которой позволяет «примерить» одежду из магазина на сгенерированного нейросетью аватара. 🔵Лента видеообзоров на товары, из которой понравившуюся вещь можно отправить прямо в корзину. Что объединяет все эти вещи? Это все — сценарии использования ИИ и Data Science в «Самокате». Кое-что уже внедрили в работу, а кое-что пока на стадии разработки. Хотите узнать, что уже применяется, а что ждет пользователей в будущем? Тогда смотрите новый выпуск подкаста Data Heroes. Его героем стал Петр Лукьянченко, руководитель департамента машинного обучения в ecom.tech — бывшем Samokat.tech. Про что выпуск? 🔵 Почему Samokat.tech сменил название? 🔵 Чем занимается департамент машинного обучения, почему он так быстро растет и как в него попасть? 🔵 Какую пользу ML и Data Science приносят всем отделам компании, продавцам и покупателям? 🔵 Почему операционное планирование — одна из самых красивых задач, которую бизнес ставит перед Data Science? Смотреть: YouTube, VK Видео Слушать: Spotify, Apple Podcasts

Что внутри Postgres? «Just use Postrges» — это выражение уже почти мем. Кто-то иронизирует над тенденцией в любой непонятной ситуации использовать Postgres, а кто-то говорит это вполне серьезно. Его любят за бесплатность, производительность, умение работать с разными типами данных — в общем, есть за что. Но что, если заглянуть глубже и разобраться, как именно он работает? 🔵 Как хранит данные и распределяет ваши таблицы по папкам? 🔵 Как Postgres оптимизирует работу с большими файлами? 🔵 Что делают Pages, и как они помогают снизить вероятность ошибок записи? Ответы — в лонгриде аж на 30+ минут вдумчивого чтения How Postgres stores data on disk. Если вникнуть в тонкости того, как Postgres хранит данные, то, во-первых, появится еще несколько веских причин его любить. А во-вторых, это может пригодиться в работе — когда вы понимаете, как что-то устроено, намного проще исправлять ошибки или искать причины проблем.

Хотите переведем статью целиком и выложим в блог leftjoin.ru? ❤️ — Да, давайте! 🌚 — Нет, оригинала достаточно

Dataviz, Data Science и HR К традиции подводить итоги в конце года все относятся по-разному: кому-то все равно, для кого-то это повод вспомнить, что хорошего произошло за последние 12 месяцев, а для кого-то —причина для стресса. В последнюю категорию нередко попадают сотрудники корпораций. Те тоже в конце года подводят итоги и оценивают результаты своих подчиненных. 10% (или 15%, или 20%) лучших получат премии, а 10% со дна рейтинга отправятся искать новое место работы. Обычно результат этой оценки представляют в виде всем знакомой куполообразной кривой. И это выглядит логично: 🔵 Это универсальный график, уместный для визуализации данных из самых разных областей. Если в компании дела идут нормально, то и результаты сотрудников тоже распределятся по осям нормально. 🔵График четко делит людей на несколько групп: «среднячки» в центре, топы и аутсайдеры по краям. Это наглядный, честный и объективный способ визуализировать, кто работал хорошо, а кто не постарался. Так ведь? Ну, не совсем. На графике данные распределяются симметрично, но давайте честно — отражает ли это реальность? 🔵 В любом коллективе почти всегда есть несколько топовых сотрудников, которые и правда «тянут» на себе весь отдел и генерируют львиную долю результата. 🔵 При этом обратной картины не наблюдается — их успехи не нивелируют провалы аутсайдеров из анти-топа. Встречаются люди, которые своей некомпетентностью приносят реальные убытки, но это скорее исключения, а не стабильные 10-20% от всего штата компании. Если описывать ситуацию так, то это уже не скучное нормальное распределение, а правило Парето про 20% усилий, которые генерируют 80% результата. То есть сотрудники делятся на небольшую долю топ-перформеров, большинство «среднячков» и редких аутсайдеров. Если интересно почитать подробнее, то в блоге Data Science for Fun and Profit про это есть любопытная статья. А мы просто отметим, что это отличный пример того, как датавиз влияет на восприятие данных и принятие решений.

Кто тоже до сих пор не понял, в чем разница, поднимите руки...

Почему рекомендации Netflix работают так плохо? Те, кто с нами давно, знают, что это перезалив. Если вы подписаны на Netflix, то знаете, что иногда его лента рекомендаций… удивляет. Почему популярный сервис, который собирает гору всевозможной информации о вас и ваших вкусах, так часто советует посмотреть какую-то чушь? Что он делает с этими данными — и что это вообще за данные, на которых строится работа рекомендательных алгоритмов? Разбираемся в нашем видео: 🔜 YouTube 🔜 VK

Мы просто chill guys and girls, поэтому влетаем в последний вагон этого милого тренда. Кстати, в комментариях приветствуются свои вариации этого мема. 🔜 @leftjoin_career

Присылайте ваш любимый мем с chill guy в комментарии @leftjoin_career 👀

Оцифровать нецифруемое: как понять, чем на самом деле робот хуже человека Обидная особенность аналитики в том, что очень часто сложно доказать прямую связь между работой аналитиков и дата-инженеров и бизнес-результатом компании. Все понимают, что грамотная работа с данными важна для любой компании, но как посчитать точный эффект от нее — сколько именно денег она принесла или сколько времени всем сэкономила? Тем приятнее читать такие кейсы, где профит от аналитики очевиден и неоспорим, правда же? 💬 И такой кейс у нас есть — история о том, как мы помогли ИИ-стартапу улучшить его продукт, голосового бота-продажника. Мы перелопатили гору данных сразу нескольких компаний, вооружились ML-моделями и алгоритмами и нашли, как же сделать бота умнее и полезнее для владельцев и пользователей. Подробно расписали, как мы это делали, в новой статье на VC 🔜 https://vc.ru/dev/1703499