Data & AI Talks

Делимся подборкой статей про важные аспекты управления данными, включая каталоги данных, качество информации и подходы к A/B-тестированию.

➡️ "Data catalog: от истории до сравнения решений"

Статья посвящена инструментам, которые служат центральным хранилищем информации о структуре, свойствах и взаимосвязях данных. Рассматриваются различные поколения архитектур каталогов — от простейших моделей до современных решений с потоковым API.

Читайте статью по ссылке

➡️ "Как мы работаем с качеством данных в Электронной коммерции"

Статья посвящена методам оценки качества данных в компании "Магнит". Создание команды, отвечающей за качество данных, помогает сэкономить ресурсы и избегать ошибок в принятии решений. В статье делается акцент на важность заинтересованности бизнес-пользователей и регулярном мониторинге данных для поддержания их высокой надежности.

Читайте подробнее о процессе по ссылке

➡️ "Увеличиваем размер выборки и прокрашиваем серые метрики: неочевидная ошибка при проведении A/B-тестов"

В статье исследуются проблемы, возникающие при анализе данных в рамках A/B-тестирования. Автор обсуждает использование синтетических данных, преимущества t-теста и модели машинного обучения для контроля ключевых метрик. В ней также подчеркивается важность валидации статистических критериев перед проведением тестов.

Подробности здесь

Please open Telegram to view this post

VIEW IN TELEGRAM

🔥2

www.tgoop.com/data_talks/477

637 viewsJan 15 at 09:29

Делимся подборкой статей про важные аспекты управления данными, включая каталоги данных, качество информации и подходы к A/B-тестированию.

➡️ "Data catalog: от истории до сравнения решений"

Статья посвящена инструментам, которые служат центральным хранилищем информации о структуре, свойствах и взаимосвязях данных. Рассматриваются различные поколения архитектур каталогов — от простейших моделей до современных решений с потоковым API.

Статья посвящена методам оценки качества данных в компании "Магнит". Создание команды, отвечающей за качество данных, помогает сэкономить ресурсы и избегать ошибок в принятии решений. В статье делается акцент на важность заинтересованности бизнес-пользователей и регулярном мониторинге данных для поддержания их высокой надежности.

В статье исследуются проблемы, возникающие при анализе данных в рамках A/B-тестирования. Автор обсуждает использование синтетических данных, преимущества t-теста и модели машинного обучения для контроля ключевых метрик. В ней также подчеркивается важность валидации статистических критериев перед проведением тестов.