Khan of data & analytics🎲

Работая у нас во многих компаний — и изнутри, и в роли консультанта — я для себя выработал один лайфхак: достаточно задать пару правильных вопросов, чтобы понять, насколько в компании реально уважают аналитику, или всё держится на вере, BI и магии Excel.
⠀
🧠 Ниже — не все, но важные вопросы, которые я использую. Можно применять при найме, аудите, или просто для самодиагностики своей команды.

🔹 1. Роль аналитики в бизнесе
— Кто инициирует задачи: бизнес или аналитики?
— Были ли кейсы, когда аналитика реально повлияла на ключевые решения?
— Есть ли регулярные product reviews, где цифры — главный аргумент, а не украшение на слайде?
— Какие 3 бизнес-решения в компании были недавно приняты на основе аналитики? Если никто не вспомнит — возможно, и не было.

🔹 2. Команда и процессы
— Есть ли карьерный трек у аналитиков?
— Разделены ли роли: аналитик, BI, Data Engineer, ML? Или у всех «всё подряд»?
— Проводятся ли код-ревью, гайды по SQL, A/B тестам, документации?
— Есть ли единый стандарт расчёта метрик? Или каждый считает DAU по-своему?

🔹 3. Инфраструктура и инструменты
— Сколько времени занимает ответ на вопрос вроде “Сколько новых пользователей в марте?”
— Есть ли витрина данных и единая точка правды?
— Какой процент расхождений по ключевым метрикам между системами? Есть ли процесс сверки или у всех «свои цифры»?
— Версионируются ли SQL-запросы и пайплайны? Или всё хранится как final_FINAL_last_ok.sql?

🔹 4. A/B тесты и Causal Inference
— Делаете ли A/B тесты? Как часто?
— Проверяете ли SRM и корректность распределения?
— Есть ли подходы к причинно-следственному анализу там, где тесты невозможны?

🔹 5. Продуктовое мышление
— Участвуют ли аналитики в генерации гипотез или только цифры выдают по запросу?
— Делаете разбор провалившихся фич? Учитесь на них?
— Есть ли регулярный анализ retention, LTV, сегментов?
— Есть ли посчитанная юнит-экономика? Кто ей реально пользуется? Или она лежит в архиве презентаций?

🔹 6. Культура и взаимодействие
— Делятся ли аналитики инсайтами между командами?
— Проводятся ли внутренние митапы, демо, обсуждения?
— Подключают ли аналитику на ранних этапах продуктовых идей? Или когда уже “пора померить”?
— Есть ли процесс контроля качества данных? Или снова “BI багует”?
— Есть ли сквозная аналитика от денег до денег? Можно ли проследить путь пользователя от клика до прибыли?

📌 Эти вопросы — простой способ быстро понять, насколько компания реально data-driven.
Красивый дашборд — не признак зрелости. Зрелость — это когда по данным принимаются решения.

Какие еще вопросы можно задать?) пишите в коментах

Математика существует не для того, чтобы навязывать кому-либо тяжелую работу. Наоборот, она существует только для удовольствия. Для удовольствия тех, кто любит анализировать то, что он делает, или может сделать, или то, что уже сделал в надежде сделать это еще лучше.

Роберт Брингхерст

🚀 Запускаю самообучающийся курс с менторством (Х-Analytics)!

Так получается, что в мае, после праздников, у меня чуть освободятся руки, и я решил сделать бесплатный проект — взять на менторство 5 зеленых ребят (джунов, студентов и тех, кто только начинает свой путь в аналитике), у которых есть потенциал стать сильными аналитиками.

🎯 Как это будет?

Формат самообучения с моей поддержкой: каждую неделю буду открывать вам доступ к новым темам и материалам (SQL, Python, статистика, A/B-тесты, причинно-следственные связи, базовый ML и AutoML, Метрики, Продуктовые кейсы).

Вы будете изучать материалы самостоятельно, я буду направлять, ставить задачи и проверять их выполнение.

Курс продлится примерно 2 месяца.

📌 Курс полностью бесплатный!

Моя цель — вырастить реально сильных аналитиков. Про платные проекты пока не думал, хоть и много раз звали — всегда отказывался. Может, позже вернусь к этой теме, но сейчас — только так.
Может позже сделаю отдельный поток для сеньоров, которым не хватает хардкора — возможно, с подготовкой к различным кубкам по аналитике, посмотрим в общем.

⚡️ ВАЖНОЕ ДОПОЛНЕНИЕ!

Техническим навыкам можно научиться самому при правильном подходе или делегировать алгоритмам. То, чему я хочу научить, гораздо глубже: это насмотренность, эрудиция и самое главное — продуктовое мышление.

⚠️ ВАЖНО!

Буду очень тщательно отбирать первых участников. Обязательно опишите подробно и искренне свою мотивацию в форме, расскажите, почему хотите именно ко мне. Мне нужны ОЧЕНЬ мотивированные ребята, которые будут действительно стараться и делать то, что я скажу. Если вы придёте ко мне и не будете относиться серьёзно — я сильно обижусь (а этого лучше не надо 😅). Мир аналитики у нас очень тесный)

📋 Минимальные требования:

Базовые знания SQL, Python, статистики

⏳ Дедлайн подачи заявки — ровно месяц. После праздников в мае я отберу и свяжусь с вами.

👉 Заполняйте форму максимально четко, чтобы я смог сформировать правильную картину о Вас

📢 Можете распространить этот пост студентам и всем, кому он будет полезен — уверен, среди них найдутся сильные будущие аналитики!

Привет всем! Ищу к себе мощного Senior Data Engineer'а в продукт «Социальный кошелек»,
Который построит DWH с нуля и наладит процессы сбора, хранения и обработки данных.
Вам предстоит проектировать ETL/ELT-процессы, выбирать инструменты и архитектуру,
а также обеспечивать надёжность и масштабируемость решения.
Будем вместе тесно работать и развивать дата-культуру!


SELECT *
FROM data_engineers
WHERE role = 'Senior Data Engineer'
AND product = 'Социальный кошелек'
AND remote_work = TRUE
AND experience_years >= 4
AND skills IN (
'DWH design', 'ETL/ELT', 'SQL (advanced)', 'Airflow', 'dbt', 'Kafka', 'PostgreSQL',
'ClickHouse', 'Docker', 'Kubernetes', 'Git', 'Python' )
AND understands IN ('Data Vault', 'ODS', 'Lakehouse')
AND abilities = ('Building DWH from scratch', 'Optimizing data pipelines', 'Data monitoring and alerting', 'Process automation')
AND collaboration = ('Analysts', 'Developers', 'Business')
AND bonus_skills IN ('Real-time data processing', 'Kafka', 'Debezium', 'DataOps', 'CDC')
AND motivation_level = 'high'
AND passion_for_data = TRUE;



Буду благодарен, если отправите знакомым дата-инженерам!
По вопросам ко мне @khan17ds

#вакансия

📌 Вот еще моя любимая задача, где есть парадокс

Представьте, что человек играет в игру: на каждом шаге его капитал либо увеличивается на 10%, либо уменьшается на 10% с равной вероятностью. И так продолжается много раз, например, тысячу. Как изменится его капитал в долгосрочной перспективе?

🔹 Интуитивный взгляд на процесс

На большом количестве шагов выигрышные и проигрышные исходы будут встречаться приблизительно равное число раз. Кажется, что это должно привести к сохранению капитала, но давайте разберёмся внимательнее.

Если сначала капитал увеличился на 10%, а затем уменьшился на 10%, то итоговое значение становится:

1.1 × 0.9 = 0.99

То есть за два шага игрок теряет 1% капитала. Если же сначала уменьшить капитал на 10%, а затем увеличить на 10%, результат будет тот же:

0.9 × 1.1 = 0.99

Получается, что за тысячу партий, где примерно 500 пар «выиграл-проиграл», общий капитал постепенно уменьшается, ведь на каждой такой паре игрок теряет 1%.

🔹 Но если решать по статистике, а она обычно правильная

При каждом ходе капитал умножается либо на 1.1 (при выигрыше), либо на 0.9 (при проигрыше) с вероятностью 0.5 для каждого. Тогда математическое ожидание множителя на одном шаге:

EM = 0.5 × 1.1 + 0.5 × 0.9 = 1.0

То есть среднее арифметическое значение капитала остаётся равным начальному даже после тысячи шагов.

❓ Почему же тогда игрок в большинстве случаев теряет деньги?

Даже если сделать симуляцию на Python, можно увидеть, что в основном люди будут терять.

#задачи