Forwarded from Зарплатник Аналитика
Что делаем с визуалом историй?
Anonymous Poll
57%
1) Оставляем как есть
27%
2) Берем как у Ромы
16%
3) Делаем микс двух вариантов
Forwarded from Yandex DataLens
🚀 Ускоряем дашборды DataLens c помощью ClickHouse!
Приглашаем на вебинар 9 июля, где Юрий Красильников, BI-евангелист Yandex DataLens и экс-лид BI в Яндекс Маркете, расскажет, почему ClickHouse – лучший выбор для BI.
Разберём:
🔹Как DataLens работает с ClickHouse;
🔹Каким должен быть KPI скорости загрузки данных;
🔹Как DataLens помогает диагностировать проблемы в ClickHouse;
🔹Лайфхаки по оптимизации ClickHouse для DataLens;
🔹Полезные скрипты для анализа производительности ClickHouse.
🎁 В конце вебинара все участники получат бонус — чек-лист простых шагов по оптимизации ClickHouse и DataLens.
Вы можете задать свой вопрос спикеру заранее, заполнив форму по ссылке.
➡️ Участвуйте бесплатно — нужно только зарегистрироваться!
Приглашаем на вебинар 9 июля, где Юрий Красильников, BI-евангелист Yandex DataLens и экс-лид BI в Яндекс Маркете, расскажет, почему ClickHouse – лучший выбор для BI.
Разберём:
🔹Как DataLens работает с ClickHouse;
🔹Каким должен быть KPI скорости загрузки данных;
🔹Как DataLens помогает диагностировать проблемы в ClickHouse;
🔹Лайфхаки по оптимизации ClickHouse для DataLens;
🔹Полезные скрипты для анализа производительности ClickHouse.
🎁 В конце вебинара все участники получат бонус — чек-лист простых шагов по оптимизации ClickHouse и DataLens.
Вы можете задать свой вопрос спикеру заранее, заполнив форму по ссылке.
➡️ Участвуйте бесплатно — нужно только зарегистрироваться!
Forwarded from Системы это красиво
Продолжая разговор про влияние BI отчетности на процессы.
Основная идея:
Визуализация метрик процесса, этот тот самый Check из цикла PDCA Деминга / Шухарта
Чутка подробнее:
PDCA (Plan-Do-Check-Act) это основа основ бизнес анализа и анализа процессов. По факту, это процесс изменения процесса, как бы тафтологически это не звучало.
Спланируй, сделай, погляди че получилось, поменяй, заново.
И вот смотреть, что получилось лучше всего теми же самыми метриками, собираемыми теми же самым образом. Тем самым получая действительно значимую аналитику.
Длина цикла сделки, конверсия в продажу, количество брака на тысячу, оборачиваемость SKU по складу. Все эти бизнес метрики демонстрируют эффективность ваших процессов в текущей среде.
И часто, после просмотра эих цифр поднимается вопрос у руководства - а чего делать то, что бы поменять вот это вот все.
Ну и один из вариантов ответа - поменять процесс.
Тут бы я вкинул одну крамольную мысль.
‼️Цикл Деминга / Шухарта для процессов можно сдвинуть. И начать не с планирования процесса, а с планирования метрик которые он должен достигать.‼️
А заодно и с проектирования отчета, который будет эти метрики визуализировать.
А там глядишь и процесс совсем по другому построится.
Спецы по анализу бизнес процессов, вы тут точно есть. Накидайте, пожалуйста, мне ваших идей и возражений.
Основная идея:
Визуализация метрик процесса, этот тот самый Check из цикла PDCA Деминга / Шухарта
Чутка подробнее:
PDCA (Plan-Do-Check-Act) это основа основ бизнес анализа и анализа процессов. По факту, это процесс изменения процесса, как бы тафтологически это не звучало.
Спланируй, сделай, погляди че получилось, поменяй, заново.
И вот смотреть, что получилось лучше всего теми же самыми метриками, собираемыми теми же самым образом. Тем самым получая действительно значимую аналитику.
Длина цикла сделки, конверсия в продажу, количество брака на тысячу, оборачиваемость SKU по складу. Все эти бизнес метрики демонстрируют эффективность ваших процессов в текущей среде.
И часто, после просмотра эих цифр поднимается вопрос у руководства - а чего делать то, что бы поменять вот это вот все.
Ну и один из вариантов ответа - поменять процесс.
При этом, если собирать этот самый Check не регулярно, по разному и руками. То есть неилюзорная вероятность менять не то, не там и не тогда.
Тут бы я вкинул одну крамольную мысль.
‼️Цикл Деминга / Шухарта для процессов можно сдвинуть. И начать не с планирования процесса, а с планирования метрик которые он должен достигать.‼️
А заодно и с проектирования отчета, который будет эти метрики визуализировать.
А там глядишь и процесс совсем по другому построится.
Спецы по анализу бизнес процессов, вы тут точно есть. Накидайте, пожалуйста, мне ваших идей и возражений.
Forwarded from Работая в айтишечке
Меня давно интересовал вопрос: как подружить данные и искусственный интеллект — сделать так, чтобы на вопрос «какая выручка за прошлый месяц» система выдавала мне нужную цифру? На первый взгляд, задача простая. Но на практике всё оказывается сложнее: алгоритмы генерируют SQL-запросы, игнорируя бизнес-контекст. Например, если в запросе фигурирует «клиенты», ИИ может выбрать таблицу
users
, а не customers
, если не указано, что именно подразумевается. Это приводит к ошибкам и недоверию к результатам.Решение пришло после изучения концепции
семантического слоя
. Оказалось, что проблема скрывается в отсутствии единой «карты» для ИИ: без чёткой связи между бизнес-терминами и техническими источниками данные превращаются в 💩.Семантический слой — это прослойка между сырыми данными и конечными пользователями. Он выступает своего рода «переводчиком», объясняя ИИ и аналитическим инструментам, что именно означают метрики, откуда они берутся и как рассчитываются.
Он не выглядит как «наворот» для крупных корпораций. Он необходим любому бизнесу, который хочет масштабировать аналитику и внедрять ИИ. Без него есть риск создать «долг» в виде противоречивых данных, ручной работы и потери доверия к выводам.
Если вы начинаете путь к цифровизации: заложите семантический слой на этапе проектирования. Это сэкономит время и деньги в будущем, а ИИ превратится из «черного ящика» в надёжного партнёра.
#data #ai #semantic
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Forwarded from Это считается (Oleg Filonov)
Главные ошибки в визуализации данных
Инструменты приходят и уходят, AI меняет рынки и профессии, а начинающие и опытные аналитики продолжают визуализировать данные так, что получить из графиков пользу сложно или вовсе невозможно.
Вредные советы, как визуализировать данные. Подсмотрено на практике, испробовано на себе!
1️⃣ Добавь в финальный отчет по исследованию все визуализации, которые ты сделал. Так отчет станет настолько большим, что никто не будет его читать до конца. А если кто-то дочитает, то не вспомнит, ради чего все затевалось.
2️⃣ Чем больше графиков (Axes) в одном рисунке (Figure), тем лучше. Пускай заказчик сам разбирается, что из этого важно, а что просто красиво. Единственный из всех говорящий график вставь справа посередине, пусть ищут!
3️⃣ Сделай все графики в одном отчете разного цвета 🌈. Потому что это красиво. И ещё это точно размоет внимание пользователя, а падение год-к-году ключевых метрик станет менее очевидным.
4️⃣ В любой непонятной ситуации строй pie-chart. Так пользователь точно не сможет сравнить между собой две группы и принять правильное решение.
5️⃣ Если эффект от новой фичи не поражает воображение стейкхолдеров, то нужно строить диаграмму не от начала координат (0, 0), а где-нибудь повыше. Это заставит изменения на сотые доли процентов выглядеть внушительно.
6️⃣ В один график постарайся вложить как можно больше информации. Обязательно сделай вспомогательную ось и попробуй вставить график, значения которого будут в подписях. И пользователь точно проведет с твоей визуализацией больше времени.
7️⃣ И главное - делай 3D графики. Используй тени, градиенты, сделай фон графика картинкой. Не зря же ты учил все свойства графиков в matplotlib!
Сообщество, если я упустил что-то из вашего любимого, напишите в комментариях!
Всем полезных графиков и продуктивной рабочей недели!
Инструменты приходят и уходят, AI меняет рынки и профессии, а начинающие и опытные аналитики продолжают визуализировать данные так, что получить из графиков пользу сложно или вовсе невозможно.
Вредные советы, как визуализировать данные. Подсмотрено на практике, испробовано на себе!
Сообщество, если я упустил что-то из вашего любимого, напишите в комментариях!
Всем полезных графиков и продуктивной рабочей недели!
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Kirill Polyakov
Роман, добрый день!
Меня зовут Кирилл Поляков, я представляю ICT.Moscow🗣
Предлагаю новость, которая, полагаю, будет полезна вашим подписчикам: на ICT.Moscow собрано более 3,5 тыс. исследований об ИТ-рынке.
Доступ к ним бесплатный и не требует регистрации + имеется многофункциональный фильтр: https://www.tg-me.com/ict_moscow_analytics/5719.
Спасибо и хорошего июля!)
Меня зовут Кирилл Поляков, я представляю ICT.Moscow
Предлагаю новость, которая, полагаю, будет полезна вашим подписчикам: на ICT.Moscow собрано более 3,5 тыс. исследований об ИТ-рынке.
Доступ к ним бесплатный и не требует регистрации + имеется многофункциональный фильтр: https://www.tg-me.com/ict_moscow_analytics/5719.
Спасибо и хорошего июля!)
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Мониторинг аналитики об IT
Каждый день ICT.Moscow отслеживает десятки источников в поисках исследований, чтобы предпринимателям и ИТ-специалистам не нужно было тратить на это время. Наиболее показательная аналитика доступна на сайте.
Все публикации бесплатны. Никаких регистраций или…
Все публикации бесплатны. Никаких регистраций или…
👎1
Forwarded from настенька и графики
✨Оптимальные размеры барчарта✨
Недавно на курсе обсуждали, какие же они, идеальные пропорции для барчарта? На что я обычно ориентируюсь -- с пропорциями все хорошо, если:
- Можем охватить график одним взглядом:
Если ловите себя на том, что глаза "бегают"от начала и до конца столбиков, то можно сУзить
- Легко проводить сравнение:
Немного субъективная штука, но можно попробовать убрать подписи чисел и посмотреть, как хорошо вы можете узадать реальную разницу
- Текст и подписи влазят в столбец:
Числа не прилипают к краям, размеры текста и столбика визуально сбалансированы
- Столбики не слишком широкие и не слишком узкие
На слишком широких теряется текст -- столбики начинают визуально перевешивать. На узких появляется ощущуение "сетки", как будто белое пространство такое же важное, как и сами столбцы. В идеале расстояние между столбцами составляет ~30-50% ширины самого столбика.
Недавно на курсе обсуждали, какие же они, идеальные пропорции для барчарта? На что я обычно ориентируюсь -- с пропорциями все хорошо, если:
- Можем охватить график одним взглядом:
Если ловите себя на том, что глаза "бегают"от начала и до конца столбиков, то можно сУзить
- Легко проводить сравнение:
Немного субъективная штука, но можно попробовать убрать подписи чисел и посмотреть, как хорошо вы можете узадать реальную разницу
- Текст и подписи влазят в столбец:
Числа не прилипают к краям, размеры текста и столбика визуально сбалансированы
- Столбики не слишком широкие и не слишком узкие
На слишком широких теряется текст -- столбики начинают визуально перевешивать. На узких появляется ощущуение "сетки", как будто белое пространство такое же важное, как и сами столбцы. В идеале расстояние между столбцами составляет ~30-50% ширины самого столбика.
👍1
Forwarded from LEFT JOIN
Бенчмарк для дата-команд
Всегда интересно, а иногда и полезно, посмотреть, как другие решают те же задачи, с которыми многим из нас приходится сталкиваться регулярно.
🔜 Например, создание дата-команды в компании — сколько человек в ней должно быть? Какое должно быть распределение ролей, сколько нужно аналитиков, а сколько — инженеров?
На сайте databenchmarks.com можно увидеть, как на эти вопросы ответили в компаниях вроде Zoom, Notion, Tinder и так далее — там много громких названий. Авторы исследования собрали данные из открытых источников вроде LinkedIn, верифицировали через своих инсайдеров в индустрии и отобразили на графиках:
🔵 размер дата-команды относительно всей компании;
🔵 состав команд — процент аналитиков, инженеров, дата-саентистов, ML-специалистов и так далее, а также соотношение инженеров к аналитикам и продактам;
🔵 зарплаты по грейдам;
🔵 стек.
Любопытно сравнить, как меняется размер и состав команды в зависимости от специфики компании: кто-то делает упор на ML, кто-то развивает Data Governance, а у кого-то почти половина команды — дата-сайентисты. Но есть и минус — это все-таки срез западного рынка, и их подходы не всегда актуальны для России, как и данные о зарплатах.
Всегда интересно, а иногда и полезно, посмотреть, как другие решают те же задачи, с которыми многим из нас приходится сталкиваться регулярно.
На сайте databenchmarks.com можно увидеть, как на эти вопросы ответили в компаниях вроде Zoom, Notion, Tinder и так далее — там много громких названий. Авторы исследования собрали данные из открытых источников вроде LinkedIn, верифицировали через своих инсайдеров в индустрии и отобразили на графиках:
Любопытно сравнить, как меняется размер и состав команды в зависимости от специфики компании: кто-то делает упор на ML, кто-то развивает Data Governance, а у кого-то почти половина команды — дата-сайентисты. Но есть и минус — это все-таки срез западного рынка, и их подходы не всегда актуальны для России, как и данные о зарплатах.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Маргарита Репина: Disrupt & Scale
Как построить data-driven культуру, а не просто BI, в который никто не заходит?
🟣 В прошлом посте я писала:
данные ≠ актив, если вы с ними ничего не делаете.
Но чтобы начали делать, нужна не просто BI-система.
Нужна культура.
И как и всё важное в бизнесе, она начинается с головы.
Я вообще выросла в аналитической среде.
Когда я начинала карьеру в консалтинге, ни Big Data, ни ChatGPT ещё не было,
но мышление
«данные → вывод → решение»
у нас тренировали так, как будто от этого зависела судьба миллионов (и иногда — правда зависела).
🟣 Этот майндсет остался со мной до сих пор.
И я вижу: чем дальше, тем чаще компании говорят, что они аналитичные,
но при этом продолжают принимать решения на летучках в духе «ну по ощущениям».
А BI-системы — просто красивые панели, на которые никто не заходит.
Вот 5 элементов, которые реально помогают построить культуру решений на данных.
1️⃣ Всё начинается с фаундера и C-Level:
Если CEO говорит «я чувствую, что надо пушить эту фичу» и не дает задачу проверить гипотезу — всё, приехали.
Команда будет делать то же самое.
Data-driven культура начинается с того, что лидер принимает решения на данных.
✸ Он задаёт вопросы.
✸ Просит цифры.
✸ Не ведёт обсуждения в стиле «мне кажется».
2️⃣ Без инструментария — ничего не взлетит:
Не надо думать, что культура вырастет на энтузиазме.
Если у людей нет доступных и понятных дешбордов —
никакая data-driven культура не сложится.
Метрики должны быть:
✸ Привязаны к бизнес-целям
✸ Регулярно обновляемы
✸ С возможностью копать вглубь, а не просто «доход-расход»
Иначе всё закончится в Excel на 17 вкладок у одного аналитика.
3️⃣ Люди должны понимать, что их перформанс считают по данным:
Не метафорически, а буквально.
✸ Если в компании бонус зависит от бизнес-результатов —
значит, сотрудник должен видеть свои метрики.
✸ Если продуктовая команда оценивается по росту retention — она должна уметь его мерить, а не угадывать.
Когда оценка и рост человека связаны с метриками —
у него появляется привычка на них смотреть.
4️⃣ Нормализуйте «сначала смотрим → потом решаем»:
Я обожаю команды, в которых принято начинать обсуждение с цифр.
Прямо нормализовать это:
✸ Хотите запустить фичу? Где данные?
✸ Хочешь отключить воронку? Что на неё влияет?
✸ Думаешь, надо пушить что-то в маркетинге? Где проверка гипотез?
Это становится привычкой.
А привычка → поведение → культура.
5️⃣ Культуру нужно растить через обучение:
Если вы строите команду посильнее или у вас уже есть масштаб, то работа с данными = отдельная компетенция.
🟣 Что можно делать:
✸ Обучение по интерпретации ключевых метрик
✸ Мини-тренинги по юнитке, ретеншну, воронкам
✸ Кейсы «что сказали данные и к чему это привело»
✸ Отправлять на курсы или собирать внутренний чек-лист
Если компания маленькая — то хотя бы:
✸ Привычка делиться аналитикой
✸ 1 инсайт недели в чат
✸ Простые дешборды для всей команды
🟣 Пример
Плохой сценарий:
✸ «У нас упала конверсия с лендинга!!!»
✸«Паника!!!»
Хороший:
✸ «Конверсия упала, но трафик вырос в 2 раза, потому что залили TikTok с нерелевантной аудиторией. А CTR по email — остался стабильным».
Это и есть мышление на данных.
Контекст, динамика, гипотеза, вывод.
В итоге, data-driven культура — это про то, чтобы каждый в команде реально начал думать через данные, а не через «мне кажется» или «ну, так всегда делали».
Чтобы цифры стали не страшным отчётом, а привычкой — первым делом смотреть на них, задавать вопросы и искать ответы.
А как часто вы в команде обращаетесь к данным и стараетесь ли вы формировать привычку в команде? Пишите в комментариях 🚀.
#Data_driven
данные ≠ актив, если вы с ними ничего не делаете.
Но чтобы начали делать, нужна не просто BI-система.
Нужна культура.
И как и всё важное в бизнесе, она начинается с головы.
Я вообще выросла в аналитической среде.
Когда я начинала карьеру в консалтинге, ни Big Data, ни ChatGPT ещё не было,
но мышление
«данные → вывод → решение»
у нас тренировали так, как будто от этого зависела судьба миллионов (и иногда — правда зависела).
И я вижу: чем дальше, тем чаще компании говорят, что они аналитичные,
но при этом продолжают принимать решения на летучках в духе «ну по ощущениям».
А BI-системы — просто красивые панели, на которые никто не заходит.
Вот 5 элементов, которые реально помогают построить культуру решений на данных.
1️⃣ Всё начинается с фаундера и C-Level:
Если CEO говорит «я чувствую, что надо пушить эту фичу» и не дает задачу проверить гипотезу — всё, приехали.
Команда будет делать то же самое.
Data-driven культура начинается с того, что лидер принимает решения на данных.
✸ Он задаёт вопросы.
✸ Просит цифры.
✸ Не ведёт обсуждения в стиле «мне кажется».
2️⃣ Без инструментария — ничего не взлетит:
Не надо думать, что культура вырастет на энтузиазме.
Если у людей нет доступных и понятных дешбордов —
никакая data-driven культура не сложится.
Метрики должны быть:
✸ Привязаны к бизнес-целям
✸ Регулярно обновляемы
✸ С возможностью копать вглубь, а не просто «доход-расход»
Иначе всё закончится в Excel на 17 вкладок у одного аналитика.
3️⃣ Люди должны понимать, что их перформанс считают по данным:
Не метафорически, а буквально.
✸ Если в компании бонус зависит от бизнес-результатов —
значит, сотрудник должен видеть свои метрики.
✸ Если продуктовая команда оценивается по росту retention — она должна уметь его мерить, а не угадывать.
Когда оценка и рост человека связаны с метриками —
у него появляется привычка на них смотреть.
4️⃣ Нормализуйте «сначала смотрим → потом решаем»:
Я обожаю команды, в которых принято начинать обсуждение с цифр.
Прямо нормализовать это:
✸ Хотите запустить фичу? Где данные?
✸ Хочешь отключить воронку? Что на неё влияет?
✸ Думаешь, надо пушить что-то в маркетинге? Где проверка гипотез?
Это становится привычкой.
А привычка → поведение → культура.
5️⃣ Культуру нужно растить через обучение:
Если вы строите команду посильнее или у вас уже есть масштаб, то работа с данными = отдельная компетенция.
✸ Обучение по интерпретации ключевых метрик
✸ Мини-тренинги по юнитке, ретеншну, воронкам
✸ Кейсы «что сказали данные и к чему это привело»
✸ Отправлять на курсы или собирать внутренний чек-лист
Если компания маленькая — то хотя бы:
✸ Привычка делиться аналитикой
✸ 1 инсайт недели в чат
✸ Простые дешборды для всей команды
Плохой сценарий:
✸ «У нас упала конверсия с лендинга!!!»
✸«Паника!!!»
Хороший:
✸ «Конверсия упала, но трафик вырос в 2 раза, потому что залили TikTok с нерелевантной аудиторией. А CTR по email — остался стабильным».
Это и есть мышление на данных.
Контекст, динамика, гипотеза, вывод.
В итоге, data-driven культура — это про то, чтобы каждый в команде реально начал думать через данные, а не через «мне кажется» или «ну, так всегда делали».
Чтобы цифры стали не страшным отчётом, а привычкой — первым делом смотреть на них, задавать вопросы и искать ответы.
А как часто вы в команде обращаетесь к данным и стараетесь ли вы формировать привычку в команде? Пишите в комментариях 🚀.
#Data_driven
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2