#счеговсёначиналось
Всем привет!
Меня зовут Денис Соловьёв, я web-аналитик и Data Engineer в компании Promodo. Я решил создать канал про Data Engineering, аналитику и данные в целом, так как уверен, что полезный контент помогает находить оптимальные решения для бизнеса и развить критическое мышление.
Благодаря этому, мы развиваем индустрию и делаем этот мир немножко лучше 🌎
Это, так сказать, миссия нашего канала)
Здесь я буду публиковать посты, ссылки, видео и подкасты, которые затрагивают общие принципы работы с данными, полезные инструменты из арсенала инженеров данных и аналитиков, облачные технологии а также главные тренды data-индустрии.
Я хочу, чтобы читатели не просто зацикливались на конкретных инструментах, но и понимали, как их переложить на конкретные задачи бизнеса и приносили реальную бизнес-ценность. Поэтому постараюсь дополнять материалы примерами кейсов, где имеет смысл применять тот или другой инструмент.
Также побуждаю всех к здоровой дискуссии в комментариях, так как именно в дискуссии рождаются крутые идеи для оптимизации существующих решений и создания классных продуктов.
Я планирую каждый пост помечать хештегом. Пока есть идея размечать посты по уровню сложности: #easy, #medium и #hard. Возможно, потом придумаю какую-то систему для объединения постов в темы. Обязательно об этом расскажу)
И напоследок немного о себе:
- финансист по образованию, но свой карьерный путь начал в digital-маркетинге
- 1 год работал менеджером по платному трафику, потом стал руководителем отдела
- руководить мне не понравилось, и я начал изучать всё, что касается данных
- люблю строить современные аналитические платформы в облаке
- анализировать умею, но больше кайфую от инжиниринга
- отдыхаю, проводя время с близкими людьми)
P.S. Пожалуйста, в комментариях относитесь друг к другу с уважением. У всех разный уровень знаний и навыков, но все мы учимся и канал как раз для этого и создан.
Всем привет!
Меня зовут Денис Соловьёв, я web-аналитик и Data Engineer в компании Promodo. Я решил создать канал про Data Engineering, аналитику и данные в целом, так как уверен, что полезный контент помогает находить оптимальные решения для бизнеса и развить критическое мышление.
Благодаря этому, мы развиваем индустрию и делаем этот мир немножко лучше 🌎
Это, так сказать, миссия нашего канала)
Здесь я буду публиковать посты, ссылки, видео и подкасты, которые затрагивают общие принципы работы с данными, полезные инструменты из арсенала инженеров данных и аналитиков, облачные технологии а также главные тренды data-индустрии.
Я хочу, чтобы читатели не просто зацикливались на конкретных инструментах, но и понимали, как их переложить на конкретные задачи бизнеса и приносили реальную бизнес-ценность. Поэтому постараюсь дополнять материалы примерами кейсов, где имеет смысл применять тот или другой инструмент.
Также побуждаю всех к здоровой дискуссии в комментариях, так как именно в дискуссии рождаются крутые идеи для оптимизации существующих решений и создания классных продуктов.
Я планирую каждый пост помечать хештегом. Пока есть идея размечать посты по уровню сложности: #easy, #medium и #hard. Возможно, потом придумаю какую-то систему для объединения постов в темы. Обязательно об этом расскажу)
И напоследок немного о себе:
- финансист по образованию, но свой карьерный путь начал в digital-маркетинге
- 1 год работал менеджером по платному трафику, потом стал руководителем отдела
- руководить мне не понравилось, и я начал изучать всё, что касается данных
- люблю строить современные аналитические платформы в облаке
- анализировать умею, но больше кайфую от инжиниринга
- отдыхаю, проводя время с близкими людьми)
P.S. Пожалуйста, в комментариях относитесь друг к другу с уважением. У всех разный уровень знаний и навыков, но все мы учимся и канал как раз для этого и создан.
www.promodo.ua
Digital агентство Promodo: Онлайн-маркетинг повного циклу
Надійний партнер з діджитал-маркетингу. Нам довіряють свій розвиток в онлайн сотні українських та світових компаній, серед яких Rozetka, monobank, Glovo
#easy
Всем привет!
Я подумал, что часто буду использовать профильную терминологию в своих постах. Поэтому, сделал для вас справочник основных понятий, с которыми встречаются практически все специалисты по данным.
Также я убеждён, что правильное оперирование понятиями - не менее важно, чем владение каким-то инструментом. Это ключевые слова, которые определяют отрасль. И чтобы говорить с ней на одном языке, нужно их знать и грамотно использовать.
Попытался расписать как можно понятнее.
В общем, сохраняйте себе в надёжное место, чтобы вы всегда могли туда подсмотреть:)
P.S. Я написал самые основные понятия. Со временем справочник будет пополняться
Всем привет!
Я подумал, что часто буду использовать профильную терминологию в своих постах. Поэтому, сделал для вас справочник основных понятий, с которыми встречаются практически все специалисты по данным.
Также я убеждён, что правильное оперирование понятиями - не менее важно, чем владение каким-то инструментом. Это ключевые слова, которые определяют отрасль. И чтобы говорить с ней на одном языке, нужно их знать и грамотно использовать.
Попытался расписать как можно понятнее.
В общем, сохраняйте себе в надёжное место, чтобы вы всегда могли туда подсмотреть:)
P.S. Я написал самые основные понятия. Со временем справочник будет пополняться
Google Docs
Справочник основных понятий, связанных с данными
База данных - простыми словами, это обычная программа, которая устанавливается на ваш рабочий компьютер или сервер. Её основная задача - хранить какие-то данные. Реляционные базы данных (SQL-базы данных) - базы данных, в которых данные хранятся в виде таблиц.…
#easy
Когда я создавал канал, я хотел, чтобы люди читали его как книгу. Поэтому, решил всю информацию выкладывать последовательно - начиная от общих принципов работы компаний с данными и заканчивая разбором инструментов и трендами рынка.
Поэтому, сегодня я решил снова написать более фундаментальный пост о том, зачем вообще нужны данные и аналитика в организации.
Давайте начнём с того, какие вообще есть типы компаний. Все существующие компании мы можем условно разделить на 2 основные категории:
1) коммерческие компании;
2) некоммерческие компании.
Теперь давайте определим, какие цели преследуют эти 2 типа компаний:
- коммерческие компании, главным образом, преследуют такие цели, как увеличение своей рыночной стоимости, получение прибыли и увеличение доли рынка. Т.е. такие компании банально хотят больше зарабатывать в краткосрочной и долгосрочной перспективе;
- некоммерческие компании, напротив, в первую очередь думают о какой-то социальной пользе (например, благотворительный фонд). Их целью не является получение прибыли.
В любом случае оба типа компаний хотят приносить какую-то ценность (есть, конечно, и исключения). Но чтобы приносить эту ценность нужны конкретные действия, шаги, принимаемые решения.
И тут снова у нас есть выбор: мы можем принимать стратегические и тактические решения, полагаясь только на нашу интуицию либо опираясь на конкретные факты. И чтобы эти факты получить, нам нужна аналитика и данные. Причём чем качественнее данные (за это, как раз, отвечают инженеры данных) и чем качественнее аналитика (а за это уже отвечают аналитики), тем достовернее факты мы будем получать. Как итог, мы принимаем более эффективные решения и приносим ценность.
Т.е. мы можем декомпозировать нашу конечную цель таким образом:
Данные -> Аналитика -> Принимаемые решения -> Конкретные действия -> Ценность
Мы собираем данные и анализируем их не потому, что это модно, а потому что это помогает приносить большую ценность. И все должны это понимать - специалисты, топ-менеджеры, собственники компаний. Нужно создать такую среду в организации, чтобы все думали в первую очередь о конечной ценности, конечном продукте, а не о том, какой он гениальный прогер или ещё кто-то.
Надеюсь, этот пост останется у каждого из вас на подкорке:)
P.S. Считаю, что лучшие решения всегда принимаются на стыке рационального (аналитика и данные) и иррационального (банальная чуйка). Это то, что двигает компании вперёд. Хочу услышать ваше мнение на этот счёт. Пишите в комментариях.
Когда я создавал канал, я хотел, чтобы люди читали его как книгу. Поэтому, решил всю информацию выкладывать последовательно - начиная от общих принципов работы компаний с данными и заканчивая разбором инструментов и трендами рынка.
Поэтому, сегодня я решил снова написать более фундаментальный пост о том, зачем вообще нужны данные и аналитика в организации.
Давайте начнём с того, какие вообще есть типы компаний. Все существующие компании мы можем условно разделить на 2 основные категории:
1) коммерческие компании;
2) некоммерческие компании.
Теперь давайте определим, какие цели преследуют эти 2 типа компаний:
- коммерческие компании, главным образом, преследуют такие цели, как увеличение своей рыночной стоимости, получение прибыли и увеличение доли рынка. Т.е. такие компании банально хотят больше зарабатывать в краткосрочной и долгосрочной перспективе;
- некоммерческие компании, напротив, в первую очередь думают о какой-то социальной пользе (например, благотворительный фонд). Их целью не является получение прибыли.
В любом случае оба типа компаний хотят приносить какую-то ценность (есть, конечно, и исключения). Но чтобы приносить эту ценность нужны конкретные действия, шаги, принимаемые решения.
И тут снова у нас есть выбор: мы можем принимать стратегические и тактические решения, полагаясь только на нашу интуицию либо опираясь на конкретные факты. И чтобы эти факты получить, нам нужна аналитика и данные. Причём чем качественнее данные (за это, как раз, отвечают инженеры данных) и чем качественнее аналитика (а за это уже отвечают аналитики), тем достовернее факты мы будем получать. Как итог, мы принимаем более эффективные решения и приносим ценность.
Т.е. мы можем декомпозировать нашу конечную цель таким образом:
Данные -> Аналитика -> Принимаемые решения -> Конкретные действия -> Ценность
Мы собираем данные и анализируем их не потому, что это модно, а потому что это помогает приносить большую ценность. И все должны это понимать - специалисты, топ-менеджеры, собственники компаний. Нужно создать такую среду в организации, чтобы все думали в первую очередь о конечной ценности, конечном продукте, а не о том, какой он гениальный прогер или ещё кто-то.
Надеюсь, этот пост останется у каждого из вас на подкорке:)
P.S. Считаю, что лучшие решения всегда принимаются на стыке рационального (аналитика и данные) и иррационального (банальная чуйка). Это то, что двигает компании вперёд. Хочу услышать ваше мнение на этот счёт. Пишите в комментариях.
#easy
Пока еду в метро, решил написать ещё небольшой пост вдогонку предыдущему.
Я часто сталкивался и сталкиваюсь с кейсами, когда компании забывают о конечной ценности. Например, есть компании, которые заказывают дорогое end-to-end решение (сквозную аналитику) и потом даже не открывают дашборды. Или компании, которые обрабатывают данные на стороне с помощью Databricks (Spark), имея в облачном хранилище данных только 100 тыс. строк (которые можно просто обработать на SQL внутри). Многие зацикливаются на сложных и модных штуках, забывая, что нужно анализировать, принимать решения и приносить ценность.
P. S. Будет намного больше толку от таблиц и графиков в excel, если их регулярно анализируют и принимают решения, чем от Spark и Delta Lake, если потом эти данные просто лежат мёртвым грузом.
Пока еду в метро, решил написать ещё небольшой пост вдогонку предыдущему.
Я часто сталкивался и сталкиваюсь с кейсами, когда компании забывают о конечной ценности. Например, есть компании, которые заказывают дорогое end-to-end решение (сквозную аналитику) и потом даже не открывают дашборды. Или компании, которые обрабатывают данные на стороне с помощью Databricks (Spark), имея в облачном хранилище данных только 100 тыс. строк (которые можно просто обработать на SQL внутри). Многие зацикливаются на сложных и модных штуках, забывая, что нужно анализировать, принимать решения и приносить ценность.
P. S. Будет намного больше толку от таблиц и графиков в excel, если их регулярно анализируют и принимают решения, чем от Spark и Delta Lake, если потом эти данные просто лежат мёртвым грузом.
#easy
Где-то пол года назад я прочитал книгу Ицхака Адизеса "Идеальный руководитель". Автор считает, что успех любой организации зависит от создания атмосферы взаимного доверия и уважения внутри команды топ-менеджмента и компании в целом.
При этом на создание такой атмосферы влияют 4 фактора:
1) Люди
2) Процессы
3) Структура
4) Единые взгляды и ценности
Вчера мы выяснили, какова роль аналитики и данных в компании. Мы определили, что аналитика и данные нужны, чтобы создавать какую-то ценность.
Теперь давайте обсудим, каким образом происходит создание этой ценности. Я решил переложить 4 фактора успешного функционирования компании на работу с данными. Т.е. следующие посты будут посвящены таким вопросам:
- кто работает с данными и какая у них роль;
- как происходит процесс работы с данными внутри компаний;
- как может выглядеть организационная структура отделов, которые работают с данными;
- как создать единую систему взглядов и ценностей.
P.S. Кстати, в названии "Идеальный руководитель" есть ирония. Так как сам Ицхак потом приводит веские аргументы, что идеальных руководителей не существует.
Где-то пол года назад я прочитал книгу Ицхака Адизеса "Идеальный руководитель". Автор считает, что успех любой организации зависит от создания атмосферы взаимного доверия и уважения внутри команды топ-менеджмента и компании в целом.
При этом на создание такой атмосферы влияют 4 фактора:
1) Люди
2) Процессы
3) Структура
4) Единые взгляды и ценности
Вчера мы выяснили, какова роль аналитики и данных в компании. Мы определили, что аналитика и данные нужны, чтобы создавать какую-то ценность.
Теперь давайте обсудим, каким образом происходит создание этой ценности. Я решил переложить 4 фактора успешного функционирования компании на работу с данными. Т.е. следующие посты будут посвящены таким вопросам:
- кто работает с данными и какая у них роль;
- как происходит процесс работы с данными внутри компаний;
- как может выглядеть организационная структура отделов, которые работают с данными;
- как создать единую систему взглядов и ценностей.
P.S. Кстати, в названии "Идеальный руководитель" есть ирония. Так как сам Ицхак потом приводит веские аргументы, что идеальных руководителей не существует.
#easy
Итак, 1-й фактор эффективности (эффективность = взаимное доверие и уважение) - это Люди.
Но прежде чем рассказывать о hard-skills и soft-skills, которыми должны обладать конкретные специалисты по данным, я хочу рассказать о позициях, которые могут встречаться в data-team. Я выделяю такие основные позиции:
Web-аналитик - один из тех людей, кто занимается первичным сбором данных. Под первичным сбором данных я подразумеваю сбор данных на уровне источников, т.е. это не построение ETL-процессов и data-пайплайнов. Главная задача web-аналитика - собрать данные о поведении пользователей на сайте и в мобильном приложении в системы web/app аналитики, такие как Google Analytics, Яндекс Метрика, Firebase Analytics, AppsFlyer и др. Они собирают данные о том, с каких источников трафика приходят пользователи на сайт или в мобильное приложение, какие страницы они посещают, на какие кнопки нажимают, какие товары покупают в интернет-магазине и т.д. Часто web-аналитики выступают в роли продуктовых аналитиков - они анализируют данные в системах web/app аналитики, строят гипотезы по улучшению эффективности сайта или приложения как продукта, делают A/B-тесты.
Data Engineer (инженер данных) - человек, который отвечает за построение надёжных и масштабируемых ETL-процессов и data-пайплайнов. Его главная задача - извлечь данные из источников, преобразовать данные в пригодный для анализа и data science вид и загрузить их в хранилище данных (Data Warehouse) или озеро данных (Data Lake).
BI Engineer (BI-разработчик) - человек, который отвечает за проектирование и создание отчётности в BI-инструменте (Power BI, Tableau и т.д.). Его главная задача - сделать так, чтобы бизнес-пользователям было удобно пользоваться отчётами и дашбордами, они могли находить инсайты в данных и принимать решения. BI-разработчики более высокого уровня могут не ограничиваться только проектированием и созданием BI-решений. Они также анализируют уже созданные отчёты, находят инсайты, строят гипотезы и предоставляют рекомендации бизнесу.
Data Analyst (аналитик данных) - человек, который анализирует данные (часто, уже подготовленные инженерами данных). Его главная задача - находить инсайты и предоставлять рекомендации бизнесу. В отличие от BI-разработчика он использует более продвинутые методы и инструменты анализа, такие как SQL, Python или R. Аналитики данных более высокого уровня применяют знания статистики и строят простые модели для Machine Learning. Часто Data-аналитики выступают в роли продуктовых аналитиков.
Product Analyst (продуктовый аналитик) - человек, основная задача которого - находить инсайты в данных, строить гипотезы и предоставлять рекомендации по улучшению продукта. Под продуктом подразумевается IT-продукт, т.е. сайт, мобильное приложение, web-приложение и т.д. Продуктовые аналитики используют в своём арсенале инструменты web/app аналитики, SQL, Python/R и сервисы для A/B тестирования (например, Google Optimize).
Data Scientist - человек, который строит модели Machine Learning, Deep Learning и занимается предиктивной аналитикой. Главная его задача - находить закономерности в данных благодаря построенным ML/DL моделям и помогать бизнесу находить скрытые точки роста.
Очень часто один человек может исполнять несколько ролей. Всё зависит от типа компании, её размера, орг. структуры и конкретного проекта. Я, например, выполняю задачи web-аналитика, инженера данных и BI-разработчика)
P.S. Думаю, пост будет очень полезен новичкам, кто ещё не определился с выбором профессии. Возможно, в этих описаниях вы найдёте своё призвание:)
Итак, 1-й фактор эффективности (эффективность = взаимное доверие и уважение) - это Люди.
Но прежде чем рассказывать о hard-skills и soft-skills, которыми должны обладать конкретные специалисты по данным, я хочу рассказать о позициях, которые могут встречаться в data-team. Я выделяю такие основные позиции:
Web-аналитик - один из тех людей, кто занимается первичным сбором данных. Под первичным сбором данных я подразумеваю сбор данных на уровне источников, т.е. это не построение ETL-процессов и data-пайплайнов. Главная задача web-аналитика - собрать данные о поведении пользователей на сайте и в мобильном приложении в системы web/app аналитики, такие как Google Analytics, Яндекс Метрика, Firebase Analytics, AppsFlyer и др. Они собирают данные о том, с каких источников трафика приходят пользователи на сайт или в мобильное приложение, какие страницы они посещают, на какие кнопки нажимают, какие товары покупают в интернет-магазине и т.д. Часто web-аналитики выступают в роли продуктовых аналитиков - они анализируют данные в системах web/app аналитики, строят гипотезы по улучшению эффективности сайта или приложения как продукта, делают A/B-тесты.
Data Engineer (инженер данных) - человек, который отвечает за построение надёжных и масштабируемых ETL-процессов и data-пайплайнов. Его главная задача - извлечь данные из источников, преобразовать данные в пригодный для анализа и data science вид и загрузить их в хранилище данных (Data Warehouse) или озеро данных (Data Lake).
BI Engineer (BI-разработчик) - человек, который отвечает за проектирование и создание отчётности в BI-инструменте (Power BI, Tableau и т.д.). Его главная задача - сделать так, чтобы бизнес-пользователям было удобно пользоваться отчётами и дашбордами, они могли находить инсайты в данных и принимать решения. BI-разработчики более высокого уровня могут не ограничиваться только проектированием и созданием BI-решений. Они также анализируют уже созданные отчёты, находят инсайты, строят гипотезы и предоставляют рекомендации бизнесу.
Data Analyst (аналитик данных) - человек, который анализирует данные (часто, уже подготовленные инженерами данных). Его главная задача - находить инсайты и предоставлять рекомендации бизнесу. В отличие от BI-разработчика он использует более продвинутые методы и инструменты анализа, такие как SQL, Python или R. Аналитики данных более высокого уровня применяют знания статистики и строят простые модели для Machine Learning. Часто Data-аналитики выступают в роли продуктовых аналитиков.
Product Analyst (продуктовый аналитик) - человек, основная задача которого - находить инсайты в данных, строить гипотезы и предоставлять рекомендации по улучшению продукта. Под продуктом подразумевается IT-продукт, т.е. сайт, мобильное приложение, web-приложение и т.д. Продуктовые аналитики используют в своём арсенале инструменты web/app аналитики, SQL, Python/R и сервисы для A/B тестирования (например, Google Optimize).
Data Scientist - человек, который строит модели Machine Learning, Deep Learning и занимается предиктивной аналитикой. Главная его задача - находить закономерности в данных благодаря построенным ML/DL моделям и помогать бизнесу находить скрытые точки роста.
Очень часто один человек может исполнять несколько ролей. Всё зависит от типа компании, её размера, орг. структуры и конкретного проекта. Я, например, выполняю задачи web-аналитика, инженера данных и BI-разработчика)
P.S. Думаю, пост будет очень полезен новичкам, кто ещё не определился с выбором профессии. Возможно, в этих описаниях вы найдёте своё призвание:)
#easy
Вот видео с выступления Алексея Натёкина. Видео довольно старое, но не потерявшее актуальности. Думаю, многие опытные ребята его видели. Здесь Алексей как раз рассказывает про разницу между инженерами данных, аналитиками данных и Data Scientists.
P.S. На сегодня всё. Надеюсь, было полезно. А я пошёл хардкодить на Python.
Вот видео с выступления Алексея Натёкина. Видео довольно старое, но не потерявшее актуальности. Думаю, многие опытные ребята его видели. Здесь Алексей как раз рассказывает про разницу между инженерами данных, аналитиками данных и Data Scientists.
P.S. На сегодня всё. Надеюсь, было полезно. А я пошёл хардкодить на Python.
YouTube
074. Чем отличаются data analyst, data engineer и data scientist – Алексей Натёкин
- Как войти в сообщество data science?
- О различиях data scientist, data analyst, data engineer, кто из них чем занимается?
- В чём отличия между Machine Learning и Data Science?
- Что у них общего и чем их работа отличается?
* 21 октября 2018 г. в московском…
- О различиях data scientist, data analyst, data engineer, кто из них чем занимается?
- В чём отличия между Machine Learning и Data Science?
- Что у них общего и чем их работа отличается?
* 21 октября 2018 г. в московском…
Спасибо моему хорошему другу @sasha_borysenko за классный логотип!
В логотипе заложено несколько идей:
- так как канал называется Smart Data, главная концепция логотипа - мозг и мышление
- левое полушарие изображает поток данных
- правое полушарие в виде облака изображает облачные технологии, которым я посвящу большую часть постов
Короче, я считаю, получилось круто! Саня, спасибо!:)
Как вам новый логотип?
В логотипе заложено несколько идей:
- так как канал называется Smart Data, главная концепция логотипа - мозг и мышление
- левое полушарие изображает поток данных
- правое полушарие в виде облака изображает облачные технологии, которым я посвящу большую часть постов
Короче, я считаю, получилось круто! Саня, спасибо!:)
Как вам новый логотип?
#easy
Пару дней назад я рассказал, какие есть роли в современной команде по работе с данными. Давайте теперь определимся, какими личными качествами и hard-skills должны обладать эти специалисты, чтобы поддерживать эффективную работу.
Сегодня поговорим о soft-skills, личных качествах, которыми, на мой взгляд, должен обладать каждый специалист вне зависимости от его позиции.
Вот мои ТОП-5 качеств:
1) Критическое мышление. Для меня это самый важный скилл в работе специалиста или руководителя. Считаю, что на фоне текущего информационного шума нужно относиться ко всему с определённой долей скепсиса. Более того, именно критическое мышление порождает здоровую дискуссию и споры внутри команды. Именно благодаря дискуссии, спорам и одновременному взаимному уважению рождаются оптимальные решения. Эти решения помогают создавать классные продукты (без привязки к конкретной сфере деятельности). Поэтому, если вы не согласны с коллегами, руководителем, директором (не важно кто это будет), обязательно высказывайте свою точку зрения и аргументируйте её, при этом уважая собеседника. А если ваш руководитель ничего не хочет слушать, то это повод искать новую работу. С таким руководителем вы будете расти недолго или вообще не будете расти.
2) Честность. Честность показывает вашу внутреннюю смелость и уверенность в себе. Благодаря этому, вам будут доверять, и вы сможете построить крепкие деловые и товарищеские отношения с коллегами. Это отразится на общий ментальный и эмоциональный фон команды, благодаря чему ваша работа будет более эффективной. Если вам часто врут, то это тоже повод сменить работу.
3) Умение работать в команде. Компания - это единый организм, её подразделения - внутренние органы, а люди, которые в ней работают - клетки. Если на уровне клеток процессы функционируют неправильно, это отражается на работе внутренних органов. Из-за этого страдает весь организм. Думаю, аллегория понятна.
4) Проактивность. Чтобы вас замечали, нужно постоянно стремиться делать что-то полезное и ценное. Если вы работаете над каким-то продуктом, подумайте, как его можно улучшить. Если над процессами - подумайте, как улучшить их.
5) Любознательность (горящие глаза). Это то, что позволяет вам расти и расти быстро, потому что вы постоянно узнаёте что-то новое, прокачиваете свои навыки, стремитесь применять best practices. Любой руководитель будет ценить таких работников и поощрять.
Очень многие зацикливаются на hard-skills. Они, безусловно, очень важны, но грамотный работодатель и руководитель смотрит не только на них.
Сейчас технологии развиваются по спирали. Постоянно появляются какие-то новые продукты, инновации и всё очень быстро меняется. То, что вы изучаете сейчас, может быть неактуально через 5 лет и именно личные качества помогут быстро адаптироваться к изменившейся ситуации. И эти soft-skills будут актуальны долгое время.
P.S. Это только моё субъективное мнение. Вы можете быть не согласны и аргументировать свою точку зрения)Помним про критическое мышление
Пару дней назад я рассказал, какие есть роли в современной команде по работе с данными. Давайте теперь определимся, какими личными качествами и hard-skills должны обладать эти специалисты, чтобы поддерживать эффективную работу.
Сегодня поговорим о soft-skills, личных качествах, которыми, на мой взгляд, должен обладать каждый специалист вне зависимости от его позиции.
Вот мои ТОП-5 качеств:
1) Критическое мышление. Для меня это самый важный скилл в работе специалиста или руководителя. Считаю, что на фоне текущего информационного шума нужно относиться ко всему с определённой долей скепсиса. Более того, именно критическое мышление порождает здоровую дискуссию и споры внутри команды. Именно благодаря дискуссии, спорам и одновременному взаимному уважению рождаются оптимальные решения. Эти решения помогают создавать классные продукты (без привязки к конкретной сфере деятельности). Поэтому, если вы не согласны с коллегами, руководителем, директором (не важно кто это будет), обязательно высказывайте свою точку зрения и аргументируйте её, при этом уважая собеседника. А если ваш руководитель ничего не хочет слушать, то это повод искать новую работу. С таким руководителем вы будете расти недолго или вообще не будете расти.
2) Честность. Честность показывает вашу внутреннюю смелость и уверенность в себе. Благодаря этому, вам будут доверять, и вы сможете построить крепкие деловые и товарищеские отношения с коллегами. Это отразится на общий ментальный и эмоциональный фон команды, благодаря чему ваша работа будет более эффективной. Если вам часто врут, то это тоже повод сменить работу.
3) Умение работать в команде. Компания - это единый организм, её подразделения - внутренние органы, а люди, которые в ней работают - клетки. Если на уровне клеток процессы функционируют неправильно, это отражается на работе внутренних органов. Из-за этого страдает весь организм. Думаю, аллегория понятна.
4) Проактивность. Чтобы вас замечали, нужно постоянно стремиться делать что-то полезное и ценное. Если вы работаете над каким-то продуктом, подумайте, как его можно улучшить. Если над процессами - подумайте, как улучшить их.
5) Любознательность (горящие глаза). Это то, что позволяет вам расти и расти быстро, потому что вы постоянно узнаёте что-то новое, прокачиваете свои навыки, стремитесь применять best practices. Любой руководитель будет ценить таких работников и поощрять.
Очень многие зацикливаются на hard-skills. Они, безусловно, очень важны, но грамотный работодатель и руководитель смотрит не только на них.
Сейчас технологии развиваются по спирали. Постоянно появляются какие-то новые продукты, инновации и всё очень быстро меняется. То, что вы изучаете сейчас, может быть неактуально через 5 лет и именно личные качества помогут быстро адаптироваться к изменившейся ситуации. И эти soft-skills будут актуальны долгое время.
P.S. Это только моё субъективное мнение. Вы можете быть не согласны и аргументировать свою точку зрения)Помним про критическое мышление
#easy
Очень полезно иногда смотреть, какие личные качества ценят ведущие мировые компании (Amazon, Google, Microsoft и т.д.) Они задают тон для других компаний.
Вот Amazon Leadership Principles. Советую прочитать и узнать, на что обращают внимание флагманы IT-индустрии.
P.S. Завтра сделаю обзор hard-скиллов
Очень полезно иногда смотреть, какие личные качества ценят ведущие мировые компании (Amazon, Google, Microsoft и т.д.) Они задают тон для других компаний.
Вот Amazon Leadership Principles. Советую прочитать и узнать, на что обращают внимание флагманы IT-индустрии.
P.S. Завтра сделаю обзор hard-скиллов
amazon.jobs
Leadership Principles
We use our Leadership Principles every day, whether we’re discussing ideas for new projects or deciding on the best way to solve a problem. It’s just one of the things that makes Amazon peculiar.
#easy
Всем привет. Сегодня, как и обещал, делаю для вас пост о hard-skills, которыми должны обладать специалисты по данным. Решил написать про общие скиллы (вне зависимости от конкретной позиции) и скиллы, которые нужны специалистам, выполняющим определённую роль в команде.
Итак, я на самом деле выделяю 2 общих обязательных навыка, которые не зависят от конкретной роли в команде. Это:
1) Знание SQL. Сейчас практически все специалисты по данным, вне зависимости от занимаемой позиции, используют SQL в своей работе. SQL используется во всех или почти во всех задачах: трансформации внутри хранилища данных мы делаем на SQL, запросы в Data Lake мы пишем на SQL, для подготовки отчётности BI-разработчики используют SQL. Даже когда мы извлекаем данные из OLTP и хотим их загрузить в DWH мы можем использовать SQL (например, с помощью Python-библиотеки SQL Alchemy). Может возникнуть логичный вопрос: на каком уровне его нужно знать? Отвечу так: на уровне решения бизнес-задач. Т.е. не когда мы просто решаем задачки в "песочнице", а когда мы можем эти знания применить для решения конкретного бизнес-кейса. Если говорить за синтаксис языка, то для базового уровня нужно знать: DDL, простейший синтаксис (SELECT, FROM, WHERE, ORDER BY, LIMIT, OFFSET), объединение таблиц (JOIN), группировку (GROUP BY) и агрегатные функции, подзапросы (EXISTS, IN, SELECT FROM SELECT, CTE), простые функции для работы с числами, строками и датами. Если знаете, как использовать регулярные выражения при работе со строками и применяете оконные функции, то круто!
2) Знание английского языка (хотя бы на уровне чтения технической документации). Большинство продуктов, с которыми работают специалисты по данным, западные. Соответственно и документация у них на английском. Вы, конечно, можете использовать Google Переводчик, но он не понимает технического контекста и часто искажает восприятие понятий. По своему опыту скажу, что оригинальный технический текст воспринимается проще, чем переведённый.
Теперь в разрезе отдельных позиций:
Web-аналитик:
Базовые навыки:
1) Навыки работы с Google Analytics (Universal Analytics и Google Analytics 4): настройка аккаунта/ресурса/представления, настройка целей и фильтров, настройка простой и расширенной электронной торговли, применение фильтров и сегментов в отчётах
2) Навыки работы с Яндекс Метрикой (для российского рынка): практически тоже самое, что и в Google Analytics
3) Навыки работы с Google Tag Manager: настройка и создание переменных, триггеров, тегов, настройка передачи событий в системы аналитики и рекламные сервисы, понимание принципа работы dataLayer (уровня данных), настройка электронной торговли, междоменного отслеживания
4) Навыки работы с сервисами мобильной аналитики (Firebase Analytics, AppsFlyer, Amplitude, Adjust и др.)
5) Навыки работы с сервисами визуализации данных (Google Data Studio, Power BI/Tableau)
Продвинутые навыки:
5) Навыки работы с Google Optimize
4) Знание SQL
5) Навыки работы с Google BigQuery / Clickhouse в качестве аналитического хранилища данных
6) Знание Python/R (как плюс)
Всем привет. Сегодня, как и обещал, делаю для вас пост о hard-skills, которыми должны обладать специалисты по данным. Решил написать про общие скиллы (вне зависимости от конкретной позиции) и скиллы, которые нужны специалистам, выполняющим определённую роль в команде.
Итак, я на самом деле выделяю 2 общих обязательных навыка, которые не зависят от конкретной роли в команде. Это:
1) Знание SQL. Сейчас практически все специалисты по данным, вне зависимости от занимаемой позиции, используют SQL в своей работе. SQL используется во всех или почти во всех задачах: трансформации внутри хранилища данных мы делаем на SQL, запросы в Data Lake мы пишем на SQL, для подготовки отчётности BI-разработчики используют SQL. Даже когда мы извлекаем данные из OLTP и хотим их загрузить в DWH мы можем использовать SQL (например, с помощью Python-библиотеки SQL Alchemy). Может возникнуть логичный вопрос: на каком уровне его нужно знать? Отвечу так: на уровне решения бизнес-задач. Т.е. не когда мы просто решаем задачки в "песочнице", а когда мы можем эти знания применить для решения конкретного бизнес-кейса. Если говорить за синтаксис языка, то для базового уровня нужно знать: DDL, простейший синтаксис (SELECT, FROM, WHERE, ORDER BY, LIMIT, OFFSET), объединение таблиц (JOIN), группировку (GROUP BY) и агрегатные функции, подзапросы (EXISTS, IN, SELECT FROM SELECT, CTE), простые функции для работы с числами, строками и датами. Если знаете, как использовать регулярные выражения при работе со строками и применяете оконные функции, то круто!
2) Знание английского языка (хотя бы на уровне чтения технической документации). Большинство продуктов, с которыми работают специалисты по данным, западные. Соответственно и документация у них на английском. Вы, конечно, можете использовать Google Переводчик, но он не понимает технического контекста и часто искажает восприятие понятий. По своему опыту скажу, что оригинальный технический текст воспринимается проще, чем переведённый.
Теперь в разрезе отдельных позиций:
Web-аналитик:
Базовые навыки:
1) Навыки работы с Google Analytics (Universal Analytics и Google Analytics 4): настройка аккаунта/ресурса/представления, настройка целей и фильтров, настройка простой и расширенной электронной торговли, применение фильтров и сегментов в отчётах
2) Навыки работы с Яндекс Метрикой (для российского рынка): практически тоже самое, что и в Google Analytics
3) Навыки работы с Google Tag Manager: настройка и создание переменных, триггеров, тегов, настройка передачи событий в системы аналитики и рекламные сервисы, понимание принципа работы dataLayer (уровня данных), настройка электронной торговли, междоменного отслеживания
4) Навыки работы с сервисами мобильной аналитики (Firebase Analytics, AppsFlyer, Amplitude, Adjust и др.)
5) Навыки работы с сервисами визуализации данных (Google Data Studio, Power BI/Tableau)
Продвинутые навыки:
5) Навыки работы с Google Optimize
4) Знание SQL
5) Навыки работы с Google BigQuery / Clickhouse в качестве аналитического хранилища данных
6) Знание Python/R (как плюс)
Data Engineer:
1) Понимание принципов SQL и NoSQL баз данных
2) Знание SQL: DDL и DML (INSERT, SELECT и т.д.)
3) Навыки работы хотя бы с одним ETL-инструментом: Pentaho Data Integration, Matillion ETL, Fivetran, Amazon Glue, Azure Data Factory, Google Cloud Dataflow
4) Базовые знания системного и сетевого администрирования: знание командной строки (Bash/PowerShell), умение самостоятельно запустить виртуальную машину в облаке, понимание архитектуры "клиент-сервер", знание основных протоколов верхнего уровня (HTTP/HTTPS, FTP/FTPS, SFTP)
5) Знание скриптового языка программирования (Python/Java/Scala). Python наиболее популярный язык за счёт его простоты синтаксиса. Здесь, как и с SQL, язык нужно знать на уровне решения бизнес-задач. Т.е. если вы умеете самостоятельно писать ETL-скрипты, это говорит о достаточном уровне владения.
6) Навыки работы с фреймворками для оркестрации data-пайплайнов (Airflow/Luigi)
7) Умение работать с Big Data продуктами (Hadoop, Spark): если вы работаете с on-premise решениями, нужно знать как настроить и развернуть Hadoop/Spark и уметь использовать их для ETL. Если вы работаете с облачными технологиями, то провайдеры предоставляют serverless-решения для Hadoop и Spark. Например, вы можете в несколько кликов запустить Amazon EMR, Cloud Dataproc или Databricks и сразу писать там PySpark. Для облачных сервисов Hadoop и Spark нужно понимать на уровне концепций.
8) Навыки построения DWH и Data Lake
9) Понимание моделей данных (dimensional modelling, 3NF, data vault)
10) Навыки работы с сервисами для стриминга данных (Kafka, Amazon Kinesis, Google Cloud Pub/Sub и т.д.)
11) Знание принципов облачных вычислений и опыт работы хотя бы с одним облачным провайдером (AWS/GCP/Azure)
12) Знания DevOps, DataOps, MLOps (для самых-самых хардкорных)
P.S. Продолжение завтра
1) Понимание принципов SQL и NoSQL баз данных
2) Знание SQL: DDL и DML (INSERT, SELECT и т.д.)
3) Навыки работы хотя бы с одним ETL-инструментом: Pentaho Data Integration, Matillion ETL, Fivetran, Amazon Glue, Azure Data Factory, Google Cloud Dataflow
4) Базовые знания системного и сетевого администрирования: знание командной строки (Bash/PowerShell), умение самостоятельно запустить виртуальную машину в облаке, понимание архитектуры "клиент-сервер", знание основных протоколов верхнего уровня (HTTP/HTTPS, FTP/FTPS, SFTP)
5) Знание скриптового языка программирования (Python/Java/Scala). Python наиболее популярный язык за счёт его простоты синтаксиса. Здесь, как и с SQL, язык нужно знать на уровне решения бизнес-задач. Т.е. если вы умеете самостоятельно писать ETL-скрипты, это говорит о достаточном уровне владения.
6) Навыки работы с фреймворками для оркестрации data-пайплайнов (Airflow/Luigi)
7) Умение работать с Big Data продуктами (Hadoop, Spark): если вы работаете с on-premise решениями, нужно знать как настроить и развернуть Hadoop/Spark и уметь использовать их для ETL. Если вы работаете с облачными технологиями, то провайдеры предоставляют serverless-решения для Hadoop и Spark. Например, вы можете в несколько кликов запустить Amazon EMR, Cloud Dataproc или Databricks и сразу писать там PySpark. Для облачных сервисов Hadoop и Spark нужно понимать на уровне концепций.
8) Навыки построения DWH и Data Lake
9) Понимание моделей данных (dimensional modelling, 3NF, data vault)
10) Навыки работы с сервисами для стриминга данных (Kafka, Amazon Kinesis, Google Cloud Pub/Sub и т.д.)
11) Знание принципов облачных вычислений и опыт работы хотя бы с одним облачным провайдером (AWS/GCP/Azure)
12) Знания DevOps, DataOps, MLOps (для самых-самых хардкорных)
P.S. Продолжение завтра
Судя по комментариям, вчерашние посты выглядят немного устрашающими, мол "как это всё возможно выучить?"
Я описал картину, к которой нужно стремиться. Это не значит, что если вы что-то из этого не будете знать, вас не возьмут даже junior-специалистом.
Я намеренно не выделял навыки по грейдам, так как требуемый набор скиллов сильно зависит от уровня компании, её технической культуры (какой стек технологий используется) и конкретных проектов. В одной компании вы со своим набором навыков можете быть senior, а другая компания оценит ваши навыки на strong-junior.
Поэтому, не пугайтесь, двигайтесь небольшими шагами, но регулярно развивайтесь.
Если вы запутались и не знаете с чего начать или что учить дальше, можете написать мне в личку, или я подготовлю отдельный пост на эту тему.
Я описал картину, к которой нужно стремиться. Это не значит, что если вы что-то из этого не будете знать, вас не возьмут даже junior-специалистом.
Я намеренно не выделял навыки по грейдам, так как требуемый набор скиллов сильно зависит от уровня компании, её технической культуры (какой стек технологий используется) и конкретных проектов. В одной компании вы со своим набором навыков можете быть senior, а другая компания оценит ваши навыки на strong-junior.
Поэтому, не пугайтесь, двигайтесь небольшими шагами, но регулярно развивайтесь.
Если вы запутались и не знаете с чего начать или что учить дальше, можете написать мне в личку, или я подготовлю отдельный пост на эту тему.
#easy
Всем привет. Продолжаю писать про hard-skills, которыми должны обладать специалисты по данным. В прошлых постах я описал навыки для специалистов вне зависимости от позиции, для web-аналитика и инженера данных. Сегодня я опишу навыки для BI-разработчика, аналитика данных, продуктового аналитика и data scientist.
Итак,
BI Engineer:
1) Углублённые знания хотя бы одного BI-инструмента (как правило, Power BI, Tableau)
2) Базовые знания баз данных
3) Знание SQL
4) Навыки установки и администрирования BI-сервера: Power BI Report Server, Tableau Server или др.
5) Понимание параметров и показателей предметной области (маркетинг, продажи, финансы и т.д.)
6) Навыки анализа данных (сегментирование, контекст)
Data Analyst:
1) Знание предметной области. Если вы не понимаете основные концепции предмета вашего анализа, вы просто не сможете строить разумные гипотезы и предоставлять рекомендации бизнесу. Т.е. если вы работаете аналитиком данных в маркетинге, вы должны понимать базовые концепции маркетинга: что есть рынок продавцов и рынок покупателей, есть различные каналы привлечения трафика на сайт, есть такие метрики, как CPC, CPA, CPL, AOV, CAC, ROAS, LTV и т.д.
2) Знания Excel/Google Spreadsheets. Многие думают, что Excel - прошлый век, и кричат что-то типа "Вы что, Excel используете, вы серьёзно???" Но скажу по своему опыту: обычный Excel меня не раз спасал, когда мне нужно было быстро сделать какой-то ad-hoc отчёт или нужно было собрать статистику с разных аккаунтов Google Analytics, при этом применяя различные фильтры. Я понимал, что на автоматизацию может уйти больше времени, чем я просто вручную внесу цифры в таблички и построю базовые графики. Так что, не нужно категорично относиться только потому, что у него нет модных слов "databricks", "data platform" и т.д. Я во многих вакансиях встречал Excel как обязательное требование для всех аналитиков.
2) SQL - преимущественно DML
3) Python или R. Про R знаю плохо. Если собираетесь использовать Python, то нужно знать базовый синтаксис, уметь работать с различными типами файлов (CSV, Excel, JSON, XML), уметь подключаться к базе данных и импортировать данные себе в среду, владеть библиотеками Pandas и Numpy, владеть библиотеками для визуализации данных (Matplotlib, Plotly, Seaborn)
4) Знание статистики: описательные статистики, математическая статистика, тестирование гипотез, регрессия
5) Базовые знания Machine Learning: feature engineering, линейная и логистическая регрессия, k-means, matrix factorization, ARMA, ARIMA (для продвинутых специалистов)
Product Analyst:
1) Понимать основные метрики продукта: ARPU, ARPC, Retention Rate, Churn Rate, LTV и т.д.
2) Владеть основными фреймворками для продуктовой аналитики: когортный анализ, RFM-анализ и др.
3) Иметь навыки работы с Google Analytics и Google Tag Manager
4) Иметь навыки работы с сервисами аналитики для мобильных приложений: Flurry, Mixpanel и др.
5) Уметь проводить А/Б-тестирования и владеть инструментами для их проведения (Google Optimize, Arise и др.)
6) Знание SQL
7) Python или R
8) Знание статистики - преимущественно тестирование гипотез (p-value и всё такое)
Data Scientist:
1) Знание баз данных и SQL
2) Знание Python (базовый синтаксис, библиотеки Pandas, Numpy, Matplotlib, Plotly)
3) Знание основ Linux
4) Знание алгоритмов и структур данных
5) Углублённые знания статистики
6) Знания линейной алгебры
7) Знание основных алгоритмов машинного обучения (линейная и логистическая регрессия, k-means, matrix factorization, дерево решений, нейронные сети)
8) Знание Deep Learning
P.S. В некоторых специализациях разбираюсь не очень хорошо, так что подправьте меня, если чего-то не упомянул
Всем привет. Продолжаю писать про hard-skills, которыми должны обладать специалисты по данным. В прошлых постах я описал навыки для специалистов вне зависимости от позиции, для web-аналитика и инженера данных. Сегодня я опишу навыки для BI-разработчика, аналитика данных, продуктового аналитика и data scientist.
Итак,
BI Engineer:
1) Углублённые знания хотя бы одного BI-инструмента (как правило, Power BI, Tableau)
2) Базовые знания баз данных
3) Знание SQL
4) Навыки установки и администрирования BI-сервера: Power BI Report Server, Tableau Server или др.
5) Понимание параметров и показателей предметной области (маркетинг, продажи, финансы и т.д.)
6) Навыки анализа данных (сегментирование, контекст)
Data Analyst:
1) Знание предметной области. Если вы не понимаете основные концепции предмета вашего анализа, вы просто не сможете строить разумные гипотезы и предоставлять рекомендации бизнесу. Т.е. если вы работаете аналитиком данных в маркетинге, вы должны понимать базовые концепции маркетинга: что есть рынок продавцов и рынок покупателей, есть различные каналы привлечения трафика на сайт, есть такие метрики, как CPC, CPA, CPL, AOV, CAC, ROAS, LTV и т.д.
2) Знания Excel/Google Spreadsheets. Многие думают, что Excel - прошлый век, и кричат что-то типа "Вы что, Excel используете, вы серьёзно???" Но скажу по своему опыту: обычный Excel меня не раз спасал, когда мне нужно было быстро сделать какой-то ad-hoc отчёт или нужно было собрать статистику с разных аккаунтов Google Analytics, при этом применяя различные фильтры. Я понимал, что на автоматизацию может уйти больше времени, чем я просто вручную внесу цифры в таблички и построю базовые графики. Так что, не нужно категорично относиться только потому, что у него нет модных слов "databricks", "data platform" и т.д. Я во многих вакансиях встречал Excel как обязательное требование для всех аналитиков.
2) SQL - преимущественно DML
3) Python или R. Про R знаю плохо. Если собираетесь использовать Python, то нужно знать базовый синтаксис, уметь работать с различными типами файлов (CSV, Excel, JSON, XML), уметь подключаться к базе данных и импортировать данные себе в среду, владеть библиотеками Pandas и Numpy, владеть библиотеками для визуализации данных (Matplotlib, Plotly, Seaborn)
4) Знание статистики: описательные статистики, математическая статистика, тестирование гипотез, регрессия
5) Базовые знания Machine Learning: feature engineering, линейная и логистическая регрессия, k-means, matrix factorization, ARMA, ARIMA (для продвинутых специалистов)
Product Analyst:
1) Понимать основные метрики продукта: ARPU, ARPC, Retention Rate, Churn Rate, LTV и т.д.
2) Владеть основными фреймворками для продуктовой аналитики: когортный анализ, RFM-анализ и др.
3) Иметь навыки работы с Google Analytics и Google Tag Manager
4) Иметь навыки работы с сервисами аналитики для мобильных приложений: Flurry, Mixpanel и др.
5) Уметь проводить А/Б-тестирования и владеть инструментами для их проведения (Google Optimize, Arise и др.)
6) Знание SQL
7) Python или R
8) Знание статистики - преимущественно тестирование гипотез (p-value и всё такое)
Data Scientist:
1) Знание баз данных и SQL
2) Знание Python (базовый синтаксис, библиотеки Pandas, Numpy, Matplotlib, Plotly)
3) Знание основ Linux
4) Знание алгоритмов и структур данных
5) Углублённые знания статистики
6) Знания линейной алгебры
7) Знание основных алгоритмов машинного обучения (линейная и логистическая регрессия, k-means, matrix factorization, дерево решений, нейронные сети)
8) Знание Deep Learning
P.S. В некоторых специализациях разбираюсь не очень хорошо, так что подправьте меня, если чего-то не упомянул
Вот мы и разобрали по полочкам первый фактор эффективности работы компании в целом и data-команды в частности - Люди
Мы разобрали, какие есть роли в data-team и какими soft-навыками и hard-навыками должны обладать эти специалисты, чтобы эффективно работать с данными.
В следующих постах я так же подробно хочу разобрать 2-й фактор эффективности - Процессы
Хочу на верхнем уровне показать как происходит процесс работы с данными внутри команды и переложить методологии для эффективного ведения проектов на работу с данными. Т.е. как, например, можно применить Agile в работе с данными.
Как вам такой последовательный формат постов?
Мы разобрали, какие есть роли в data-team и какими soft-навыками и hard-навыками должны обладать эти специалисты, чтобы эффективно работать с данными.
В следующих постах я так же подробно хочу разобрать 2-й фактор эффективности - Процессы
Хочу на верхнем уровне показать как происходит процесс работы с данными внутри команды и переложить методологии для эффективного ведения проектов на работу с данными. Т.е. как, например, можно применить Agile в работе с данными.
Как вам такой последовательный формат постов?
Дима Аношин вчера выступал на онлайн-фестивале ТехноИнновации, где подробно рассказывал о профессии Инженера данных. Вот презентация с его выступления. Дима много рассказал про свой опыт входа в профессию, развития в сфере и о своих кейсах. Рекомендую, кто на него ещё не подписан
Forwarded from Инжиниринг Данных (Dmitry Anoshin)
Карьера в Аналитике.pdf
8.4 MB
Вчерашняя презентация для студентов.