Как заставить поставщика признать ошибку и исправить её за два часа, а не за неделю, руководство для Jun-аналитиков


В продуктовых исследованиях часто встаёт вопрос — как не просто описывать поведение пользователей, а управлять им: понимать, кто уйдёт в отток, кто готов к апсейлу, а кому стоит предложить скидку или новую фичу. ML-модели позволяют формализовать закономерности в данных и прогнозировать, как конкретный пользователь поведёт себя в будущем или как изменится его поведение под воздействием наших действий.
В этой статье я собрал три типа моделей, которые часто используются в решении таких задач. ПерваяЧитать полностью »
Меня зовут Виктория Агейкова, и я занимаюсь аналитикой 7 лет. Работала в найме и на фрилансе, в маркетинге и в продукте, преподавала в Международной школе профессий. В первые годы работы я сама совершала ошибки, а теперь встречаю те же проблемы у младших коллег, даже у аналитиков с опытом.
Дело в том, что в университетах и на курсах аналитики обычно учат хард-скиллам: как группировать и анализировать данные, как строить отчёты и делать из них выводы. Но никто не учит вести переговоры с заказчиком, грамотно оценивать риски и учитывать другие детали, которые напрямую влияют на репутацию аналитика.
В данной статье будет рассказано о некоторых методах библиотек Python, с помощью которых можно производить анализ данных, писать аналитические запросы к набору данных, визуализировать необходимую информацию в виде графиков и гистограмм.
Для примеров использования методов библиотек Python взят готовый датасет с информацией о пользователях онлайн-кинотеатра, о фильмах и их рейтинге. Будут использованы три библиотеки: Pandas, Numpy для аналитических запросов и Seaborn для визуализации.
Умение доставать метаданные из дашбордов может существенно упростить рабочий процесс. Особенно когда перед вами задачи описательного характера.
Заполнить файл с мерами, подключениями или другой метаинформацией - это могут быть вашими типичными задачами.
Как сделать это просто и быстро?
Поможет известная среди PBI разработчиков утилита DAX Studio
DAX Studio — это мощное и специализированное приложение, предназначенное для работы с языком DAX (Data Analysis Expressions), который используется в Microsoft Power BI, SQL Server Analysis Services (SSAS) и Excel Power Pivot для создания вычислений и анализа данных.
Читать полностью »
Привет! Я работаю аналитиком данных в IT компании и только начинаю писать статьи на habr. Как и все когда-то я только начинала входить в IT и не понимала, что мне необходимо знать. Эта статья поможет тем кто находится в поисках подходящей BI платформы для изучения.
Привет! Меня зовут Кермен, я — аналитик на второй линии SOC. Наша команда исследует данные от инфраструктуры и сервисов Ozon для выявления нелегитимной активности: от нарушения политик информационной безопасности до целенаправленных атак.
Я начала пользоваться ClickHouse до того, как это стало мэйнстримом: первый раз я столкнулась c этой базой данных лет 8 назад. C тех пор я уверена, что это лучшая DB для аналитики. Большинство аналитиков, которых я знаю, в восторге от ClickHouse (иногда чтобы проникнуться, требуется немного времени: разобраться и привыкнуть к синтаксису). Однако, я не могу не отметить, что администрирование ClickHouse имеет свои нюансы и подводные камни, но это уже совсем другая история.
В этой статье я расскажу что такое ClickHouse и почему я считаю его идеально подходящим мощным инструментом для аналитики. А также поделюсь tips & tricks из моего опыта. Поехали.