Khan of data & analytics🎲

🚀 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

Всем привет!
Мои друзья из Beeline ищут сильных специалистов в области NLP — от миддла до лида. Если ты чувствуешь, что готов взяться за крутые задачи в сфере обработки естественного языка, обязательно откликайся:


class MiddleDataScientistFilter:

REQUIRED_SKILLS = {"Python", "Git", "Docker", "SQL"}
DL_FRAMEWORKS = {"PyTorch", "TensorFlow"}
BONUS_SKILLS = {"backend_dev", "vector_db", "inference_opt", "kaggle"}

def __init__(self, candidates):
self.candidates = candidates

def get_qualified_candidates(self):
return [
candidate for candidate in self.candidates
if self._has_mandatory_requirements(candidate)
]

def _has_mandatory_requirements(self, candidate):
skills = set(candidate.get("skills", []))
return all([
candidate.get("has_nlp_experience"),
candidate.get("has_deep_learning_experience"),
candidate.get("has_llm_experience"),
self.REQUIRED_SKILLS.issubset(skills),
not self.DL_FRAMEWORKS.isdisjoint(skills)
])

def get_bonus_score(self, candidate):
skills = set(candidate.get("skills", []))
return len(skills.intersection(self.BONUS_SKILLS))


Если остались вопросы — смело пиши @darinaid

#вакансия

Вспомнил, когда-то на собеседовании на позицию Head мне задали одну прикольную задачу, которую я решил благодаря статье, которую когда-то выкладывал в канал)))

Задача:

Вы проводите собеседование 10 кандидатов на должность. После каждого интервью нужно сразу принять решение – нанять или нет. При этом вернуться к уже прошедшим кандидатам нельзя. Какова стратегия, чтобы максимизировать шанс выбрать именно лучшего кандидата?

#задачи

На консультациях меня часто спрашивают, как наладить Discovery-процессы или разобраться с тонкостями продакт-менеджмента — хотя, по идее, вопросы должны быть техническими. Сам я считаю себя чистым технарем, но за годы работы в разных компаниях успел накопить массу наблюдений и полезных инсайтов, которыми с удовольствием делюсь.

Недавно друзья из стартапа обратились ко мне с вопросом о модном в мире продакт-менеджмента термине — Product-Market Fit (PMF). Что это такое и как понять, что вы его нашли?

В общем, Product-Market Fit — это момент, когда ваш продукт настолько хорошо удовлетворяет потребности рынка и пользователей, что начинает приносить прибыль. Однако важно помнить: достижение PMF — это не финальный этап, а постоянный процесс, требующий регулярного анализа и корректировок.

Существует несколько методов для оценки, достиг ли ваш продукт PMF. По моему мнению, самые простые из них следующие:

1️⃣ Опрос PMF — Правило 40%
Опрос — простой и эффективный способ узнать, насколько ваш продукт действительно незаменим для пользователей. Один из ключевых вопросов звучит так:

«Как бы вы себя чувствовали, если бы больше не могли использовать наш продукт?»

Варианты ответов: Сильно расстроюсь, Немного расстроюсь, Не расстроюсь, Уже не пользуюсь

Интерпретация результатов:
🟠≥40% пользователей отвечают, что были бы очень расстроены — PMF достигнут.
🟢25–40% — есть потенциал достичь PMF после внесения изменений.
🔵