Также шпаргалка с иллюстрацией и в формате pdf

Пользуйтесь 😉!

Источник: @ba_and_sa

Игнорирование стратегии приводит к проблемам на проекте

⏳ 12 мин | 🟤⚪️⚪️

Перейти | BA|SA

Почему мы построили монолит на чистой архитектуре. И почему это взбесило системных аналитиков

⏳ 12 мин | 🟤🟤⚪️

Перейти | BA|SA

Салют! На днях выкладывала пост про Модель OSI и TCP/IP и у нас возник там спор или недопонимание/недовольствие, что я обозвала TCP/IP - тоже моделью, и хотела бы разобраться в этом вопросе, но либо я, либо дети, либо еще какая магия, удалили комментарии к постам за весь этот год 😢 или отключили группу((( а ведь там были хорошие комментарии насчет этого

Для этого пишу этот пост, чтобы разобраться в этом вопросе «Можно ли называть TCP/IP - сетевой моделью?» Если у вас есть мысли на этот счет поделитесь с нами в комментариях 👇

Даже подготовилась и прошерстила инет по данной теме и накидала вам несколько источников:

- Сложно о простом. Модель OSI и TCP/IP
- TCP IP — уровни, стек протоколов модели и краткая история
- Протокол TCP/IP
- Модели OSI и TCP/IP
- TCP/IP vs OSI модель: в чём разница?
- Сетевые модели OSI И TCP/IP

Вот есть разные источники и разных годов, и везде по-разному трактуют, где-то пишут, что это Модель, где-то просто Протокол, где-то Стандарт.

Я на собесе отвечала, что это сетевая модель и говорила разницу между OSI и меня не поправляли)) Где же правда и суть?

Шаблоны проектирования в документации

⏳ 5 мин | 🟤⚪️⚪️

Перейти | BA|SA

Первые шаги в BPMN. Типы диаграмм

⏳ 6 мин | 🟤⚪️⚪️

Перейти | BA|SA

Глава 1. Введение в API-интерфейсы для самых маленьких

⏳ 6 мин | 🟡⚪️⚪️

Читать статью | Analyst IT

Оценка срока и трудозатрат на реализацию задач с помощью Монте-Карло

⏳ 5 мин | 🟤🟤🟤

Перейти | BA|SA

Как сделать полезный дашборд: советы и идеи

⏳ 8 мин | 🟤⚪️⚪️

Перейти | BA|SA

С чего начать изучение API для аналитика: руководство для системных аналитиков

#API | @ba_and_sa

API-аналитика — это ключевой навык для тех, кто хочет глубже погрузиться в интеграцию систем, оптимизацию процессов и анализ данных.

Предлагаю небольшой гайд по изучению API, если ты не знаешь с чего начать:

1️⃣ Освежите или изучите базовые концепции

Даже опытным аналитикам стоит начать с повторения основ:

- Типы API: REST, SOAP, GraphQL, gRPC.
- Форматы данных: JSON, XML.
- Методы HTTP: GET, POST, PUT, DELETE.
- Аутентификация: OAuth 2.0, API-ключи, JWT.

📎Матриалы:
- REST API для начинающих на Хабре — отличный старт
- REST API vs GraphQL: в чём между ними разница - сравнение технологий
- Как работает GraphQL и чем он лучше RESTful API
- Что такое API словами аналитика? Как работает и как они устроены?

2️⃣ Изучите инструменты для работы с API

- Postman или Insomnia — для тестирования и документирования запросов.
- Swagger/OpenAPI — для чтения и создания спецификаций.
- Prometheus + Grafana — для мониторинга метрик API.

Практический совет:
Начните с анализа публичных API (например: VK API или Yandex.Cloud). Изучите их документацию, составьте несколько запросов и проанализируйте ответы.

3️⃣ Углубитесь в метрики и аналитику

API-аналитика включает:
- Производительность: время ответа, ошибки (4xx, 5xx), нагрузка.
- Бизнес-метрики: количество вызовов, популярные эндпоинты.
- Безопасность: отслеживание подозрительных запросов.

📎 Материалы:
- Правильный мониторинг API: метрики и лучшие практики
- Справочник по REST API Log Analytics

4️⃣ Советы от опытного аналитика (если вы плотно работаете с API)

- Документируйте всё:
Используйте Swagger для создания спецификаций. Даже если API кажется простым, описание методов сэкономит время команде.
- Автоматизируйте тесты: Настройте CI/CD-пайплайны с проверкой API (например, через **Postman + Newman**).
- Изучайте чужой код: Анализируйте, как реализованы API в open-source проектах на GitHub.
- Задавайте вопросы «почему»: За каждым API стоит бизнес-логика. Поймите, зачем клиент вызывает определённый метод и как это влияет на продукт.
- Коммуникация с разработчиками: Участвуйте в код-ревью API. Это поможет понять тонкости реализации.

5️⃣ Практикуйтесь на реальных проектах

- Пет-проекты: Создайте свой мини-API (например, для учета задач) и настройте для него аналитику.
- Пройдите онлайн-курсы/вебинары

———————————————

API-аналитика — это микс технических навыков и бизнес-мышления. Начните с малого: проанализируйте один эндпоинт, подключите метрики, обсудите результаты с командой. Постепенно вы научитесь видеть за запросами реальные бизнес-процессы и находить точки роста.

Главное правило: Не бойтесь экспериментировать. Даже ошибки в тестовой среде дают бесценный опыт. Удачи в изучении! 🚀

Источник: @ba_and_sa

Давайте (не) разрушим монолит. Часть 1

⏳ 6 мин | 🟤⚪️⚪️

Перейти | BA|SA

Обратная сторона SCRUM

⏳ 7 мин | 🟤⚪️⚪️

Перейти | BA|SA

System Design для начинающих: всё, что вам нужно. Часть 4

⏳ 12 мин | 🟤⚪️⚪️

Перейти | BA|SA

База про жизненный цикл разработки ПО (SDLC): этапы, виды моделей и их различия

⏳ 15 мин | 🟤⚪️⚪️

Перейти | BA|SA

Работа с Kafka в Go: практическое применение

⏳ 10 мин | 🟤🟤⚪️

Перейти | BA|SA

Зачем аналитику знать Kafka?

🎯Главная цель: зачем системному аналитику знать Kafka?

Kafka — это не просто технология для разработчиков. Аналитик, понимающий её принципы, может проектировать более эффективные системы, улучшать процессы сбора данных и точнее ставить задачи команде.

❓ Зачем аналитику разбираться в Kafka?

1. Проектирование потоков данных
- Аналитик часто участвует в проектировании интеграций между системами.
- Kafka помогает организовать гибкую передачу событий (например, заказы → аналитика → CRM → склад).
- Без Kafka такие потоки часто делают через прямые вызовы API или базы данных, что сложнее масштабировать.

2. Работа с реальными данными (event-driven аналитика)
- Современные системы генерируют потоки событий (клики, платежи, логины).
- Kafka позволяет собирать их в реальном времени и передавать в аналитические хранилища (ClickHouse, BigQuery и др.).
- Без Kafka данные могут теряться или приходить с задержкой.

3. Упрощение ETL-процессов
- Раньше данные выгружали пакетами (раз в час/день), теперь можно стримить их непрерывно.
- Например:
- Данные из мобильного приложения → Kafka → обработка → витрины данных.
- Логи веб-сервера → Kafka → анализ аномалий.

4. Общение с разработчиками на одном языке
- Если аналитик говорит: *«Нам нужно подписаться на топик user_actions и агрегировать данные»* — это понятнее, чем *«Сделайте выгрузку из БД каждые 5 минут»*.
- Понимание Kafka помогает уменьшить разрыв между аналитикой и разработкой.

5. Оптимизация нагрузки на БД
- Если система пишет данные напрямую в PostgreSQL / MySQL, при высокой нагрузке могут быть тормоза.
- Kafka буферизирует данные и отдаёт их потребителям в удобном темпе.

⛔️ Когда Kafka НЕ нужна?

- Если данные обновляются редко (раз в день).
- Если система маленькая и нет проблем с производительностью.
- Если команда не готова поддерживать Kafka (это всё же дополнительная инфраструктура).

📌 Вместо вывода

Аналитику Kafka нужна, чтобы:

✅ Лучше проектировать интеграции.
✅ Работать с данными в реальном времени.
✅ Упрощать ETL и снижать нагрузку на БД.
✅ Говорить с разработчиками на одном языке.

📖 Полезные материалы для аналитика:

1. Официальная документация Kafka – база для понимания.
2. Введение в Apache Kafka для системных аналитиков и проектировщиков интеграций - основы в одном месте
3. Kafka для самых маленьких разработчиков, аналитиков и тестировщиков. - немного теории для самых маленьких

Если в вашем проекте есть много событий, микросервисы или большая нагрузка — Kafka стоит изучить 🚀

Источник: @ba_and_sa