Аналитика и growth mind-set

2022-08-19 10:57:25 Открыть/Комментировать

2022-08-15 13:47:04 10+ бесплатных курсов по аналитике данных от Harvard University, Google, IBM и других

Сейчас много платных курсов по аналитике данных, качество которых очень низкое. Но в то же время есть бесплатные курсы от лучших университетов и зарекомендовавших себя международных платформ, о которых никто не знает.

HARVARD UNIVERSITY

Data Science: Wrangling. На курсе научитесь обрабатывать и преобразовывать необработанные данные в форматы, необходимые для анализа.

Data Science: Visualization. Изучите основные принципы визуализации данных.

Data Science: Machine Learning. На курсе изучите машинное обучение. Создатите систему рекомендаций фильмов и изучите научные основы одного из самых популярных и успешных методов обработки данных.

И другие курсы от университета

GOOGLE DATA ANALYTICS Professional Certificate

В этой программе вы освоите востребованные навыки, которые помогут вам подготовиться к работе менее чем за 6 месяцев. Никакой степени или опыта не требуется. Курс состоит из 8 подкурсов, посвященных конкретной теме в аналитике данных.

IBM

IBM - это один из крупнейших в мире поставщиков программного обеспечения.

Курс состоит из нескольких частей: введение, визуализация данных, основы Python, SQL, анализ данных с помощью Python, визуализация с помощью Python, итоговый проект.

OPENLEARN

Бесплатный восьминедельный курс OpenLearn по кодированию «Учитесь кодировать для анализа данных» дает четкое представление об основных концепциях программирования и анализа данных, и вы даже сможете писать простые аналитические алгоритмы в среде программирования.

UDEMY

Udemy предлагает тысячи курсов по анализу данных и науке о данных от различных загрузчиков. Это не курсы от Harvard, Google и IBM, однако можно найти что-то полезное для себя.

CAREER FOUNDRY

Бесплатный краткий курс по аналитике данных CareerFoundy, состоящий из 6 частей, идеально подходит, если вам нужно легкое введение в аналитику данных.

Приятного обучения! Открыть/Комментировать

2022-08-11 09:42:01 Вопрос: какую информацию о вине дает нам данная визуализация? Открыть/Комментировать

2022-08-11 09:41:01 Истина в вине?

Как связаны вино и анализ данных: реальный кейс

Речь идет о вине из провинции Бордо, где производители столкнулись с проблемами:

- цена и качество вина могут сильно меняться из года в год

- необходимо знать, сколько будет стоить вино через 10, 20, 30 лет, чтобы решить, хранить его или продать сейчас

- кто умеет лучше предсказывать будущую цену вина - тот может лучше заработать

Как можно узнать будущую цену вина?
Точно никак. Разве что только с помощью машины времени.

Как решали эту задачу ранее?

Приглашался очень высокооплачиваемый эксперт по вину, который пробовал вино, смотрел на свет и говорил: "Это вино через 20 лет будет очень дорогим" или "Это вино будет так себе, продайте его сейчас". И это работало годами.

Но в 1990 году профессор Орли Ашенфелтер написал: "Я могу предсказать будущую цену вина, не пробуя его и не смотря на него".

Но как это возможно?

Ашенфелтер использовал простую модель - линейную регрессию и с ее помощью научился прогнозировать будущую цену вина.

Линейная регрессия (Linear regression) — модель зависимости переменной x от одной или нескольких других переменных (факторов, регрессоров, независимых переменных) с линейной функцией зависимости.

В свою модель он взял зависимость цены от погоды (температура, количество дождей в год урожая), а также возраста вина.

Сейчас подобные модели делают повсеместно, но тогда это было огромным прорывом.

———————————————————————————-

Полностью статью ученого можно почитать по запросу: Predicting the Quality and Prices of Bordeaux Wine

А кейс подсмотрела у Игоря Клейнера (Ph.D.) Открыть/Комментировать

2022-08-09 10:21:01 Работа с данными: ожидание VS реальность Открыть/Комментировать

2022-08-04 10:44:01 Что делает продуктовый аналитик? Неделя 2

На прошлой неделе делала несколько задач.

Задача #1. Проанализировать трафик и ключевые слова конкурентов.

Сделала первый шаг по этой задаче - выбрала подходящий сервис. Тут важно не просто взять первый попавшийся, а проанализировать плюсы и минусы нескольких и остановиться на идеальном для нашей задачи.

Я уже писала о Similar web. Но есть и другие альтернативы - Semrush, Serpstat, Mangools и т.п. Но, забегая вперед, все же Similar web и Semrush не имеют аналогов по количеству фич и тому, что любые данные можно посмотреть под разными углами. Все остальные уступают: какие-то собирают данные только по органическому трафику, какие-то только из Google и тп.

Задача #2. Построить воронки.

Воронка - это путь, который проходит клиент на сайте/в сервисе. Она помогает понять, на каком из этапов отваливаются посетители. После того, как с помощью воронок определяем “слабые” места на сайте, можно думать, как улучшиться в этих местах. Сервис большой, поэтому воронок будет много. Кроме того их нужно будет визуализировать в Redush.

Ни первая, ни вторая задача пока еще не завершены, они находятся в работе. Кроме того время заняло изучение базы данных, Redash, дополнительных материалов, также были встречи и параллельно 2 небольших задачи.

Поэтому более структурно и практично о них расскажу позже. Открыть/Комментировать

2022-08-02 09:54:01 Как выучить SQL быстрее?

Если вы погуглите, как выучить SQL, то обнаружите, что большое внимание в изучении уделяется синтаксису. Именно на нем построены практически все обучающие курсы и информационные материалы.

Но синтаксис не является самоцелью, поэтому нет смысла знать SQL помимо того, для чего реально вы его используете.

Сам SQL - это просто набор инструкций, который вы отправляете в базу данных, чтобы обрабатывать данные и манипулировать ими. С помощью SQL вы можете делать действительно важные вещи в анализе данных.

Но строителю нет смысла изучать, как работает молоток, не узнав, когда и зачем он нужен. Также и синтаксис SQL бесполезен без понимания, где и зачем вы его будете использовать.

Совет - переключить свое внимание с фактических инструкций, которые вам нужно отправить в базу данных, на то, что делают эти инструкции и зачем они нужны в общем контексте.

Речь не идет об отказе от синтаксиса, он безусловно важен, речь о смещении фокуса.

Почему в таком случае учить быстрее?

- Вам не нужно знать весь синтаксис, чтобы преуспевать в своей работе в качестве аналитика. Вам нужно знать только то, что требуется для решения конкретной проблемы

- Когда у вас в голове будет концепция, контекст, понимание зачем, запоминать будет легче. Вы не просто будете заучивать абстрактные понятия, а понимать, зачем и где они используются и какие проблемы решают. Открыть/Комментировать

2022-07-28 14:00:30 Открыть/Комментировать

2022-07-26 09:56:01 Как получить инсайты из данных?

Выявляйте выбросы и аномалии

Ищите данные, которые отклоняются от нормы. Это могут быть внезапные изменения в большую или меньшую сторону по сравнению с прошлым периодом или с целевым значением.

Определяйте причины и взаимосвязи

Ищите причины подъема или спада в ваших данных.

Преобразуйте, сегментируйте и группируйте данные

Когда вы изменяете представление своих данных, вы даете возможность себе находить новые идеи.

Подробнее об инсайтах читайте в статье в моем блоге Открыть/Комментировать

2022-07-25 18:19:02 Завтра пройдет практикум Data Analyst от Rebrain на тему Кластеризация в анализе данных

Это бесплатно, но по регистрации

26 июля (вторник) в 19:00 (мск)

Программа практикума:
- основные алгоритмы кластеризации
- какую пользу бизнесу несет кластеризация
- практика применения алгоритмов

Вебинар ведет Артур Сапрыкин - Data Scientist, AI-исследователь и автор курсов по машинному обучению и преподаватель (опыт работы 9 лет в IT, из них 6 в Data Science). Открыть/Комментировать