rafanalytics

Welcome Times для аналитиков Коллеги из разных команд Яндекса приглашают на неформальные офлайн-встречи, чтобы познакомиться, рассказать про специфику своей работы и ответить на все вопросы. На ивентах вы сможете пройти диагностику: проверить уровень своих технических навыков по Python и SQL. Интервьюер подсветит сильные стороны и покажет зоны роста. А хороший результат засчитают как одну техническую секцию, если решите пройти собеседование в Яндекс. ⚡️Ближайшие встречи: 🔵26 июля — команда Алисы и Умных устройств Приглашают data scientists, data- и ML-аналитиков с опытом работы на Python от трёх лет и опытом с LLM. 🔵22 августа — команды Поиск и Суперапп, Независимый Ecom, Яндекс Поиск и Международный Поиск Приглашают data- и продуктовых аналитиков с опытом работы на Python от трёх лет. 📍 Москва, улица Льва Толстого, 16 Подробности и регистрация — на сайте: https://yandex.ru/project/events/welcometimes-all

Как эффективнее попросить рефералку? 🤝 Мне часто пишут ребята из канала с просьбой порекомендовать их в Авито 😎 Пусть тут будет универсальный мануал, который можно применять при поиске работы практически в любой компании с реферальной системой Рекомендация обычно не позволяет пропустить этапы отбора: вам всё равно придётся пройти скрининг, интервью и остальные секции( Но заявки по рекомендации обычно разбирают приоритетнее откликов из других источников 🤭 Сотрудник обычно ничего не теряет, рекомендуя кандидата, а при успешном найме может получить бонус Единственная проблема - если рекомендаций много, то на заполнение анкет уходит ощутимое время, особенно когда информацию приходится вытягивать из переписки и резюме 🥲 Поэтому, когда вы хотите попросить рефералку у сотрудника, лучше сразу отправляйте одним сообщением: 1. Имя и фамилию 2. Номер телефона и email 3. Ник в Telegram 4. Город проживания 5. Резюме отдельным файлом (лучше в PDF) 6. Небольшой комментарий к отклику (опционально) 7. Ссылки на конкретные вакансии с карьерного сайта кампании (к примеру вот карьерный сайт Авито или Яндекса) Лучше присылать готовую ссылку на вакансию, а не писать «Я аналитик, посмотри плиз что там по вакансиям есть» ✨ Обычно вы лучше знаете свой опыт и интересы, а поиск подходящей позиции может занять больше времени, чем сама рекомендация) Если вакансии нет на карьерном сайте, то, скорее всего, сотрудник тоже её не найдёт( По моему опыту, почти все открытые позиции публикуются там, кроме некоторых руководящих ролей Всё это резко повысит вероятность того, что сотрудник быстрее вас порекомендует 👌 Кстати, я всё ещё могу рекомендовать ребят из канала в Авито 😎, так что можно сразу применить этот пост на практике) А сотрудников других компаний, готовых пореферить ребят из канала, предлагаю отметиться в комментариях - поможем тем, кто сейчас ищет работу 👍

Анализируем водопой на ЧМ-2026 💧⚽️ Приятно, когда можно объединить аналитику с увлечениями 🥰 Если вы тоже наблюдаете за ЧМ-2026, то этот пост для вас) Вы наверняка слышали гипотезу о том, что появление перерывов на водопой меняет поведение команд на текущем чемпионате Я собрал небольшой датасетик из открытых источников (с коллегой кодексом): взял API ESPN и вытащил доступные данные по 92 матчам текущего ЧМ, нашёл в комментариях те самые "hydration breaks" и разбил каждый тайм на два бина - до и после водопоя. Так как поминутного владения мячом в открытом виде я не нашёл, то пришлось искать прокси-метрику поведения команды: так получилась метрика давления, куда я с разными весами сложил голы, удары, угловые, опасные штрафные и офсайды. Идея простая: если команда чаще создаёт такие события, значит она сильнее давит на соперника 📊 Как проверить гипотезу? В идеале нам бы конечно получить две вселенные, где один и тот же матч играется с водопоем и без него, однако ФИФА такой AБ-тест не проводит. Поэтому я пошёл более простым путём: для каждого тайма смотрел, какая команда сильнее давила до водопоя, а потом проверял, сохранила ли она свою долю давления после паузы. Причинность может и неидеальная, но для такого датасета пойдёт) Что получилось? Команда, которая сильнее давила до водопоя, после паузы в среднем теряла около 15 п.п. своей доли давления. Такое падение было в 72% таймов 🤯 Статистически это тоже выглядит ощутимо: 95% бутстрэп-интервал для среднего эффекта получился в интервале [-18.8 п.п; -11.5 п.п.] (т.е. 0 туда не попадает) Получается водопой действительно статзначимо влияет на изменение поведения команд: матч после паузы не обязательно становится менее активным, но давление часто перераспределяется. Ну а рекламная выручка у чемпионата, вероятно, тоже ощутимо выросла 👍 А теперь ставим реакцию: ❤️ - смотрю ЧМ-2026 💔 - не смотрю P.S.: Роналду очень жаль 😭

Считаем крошки на рынке фастфуда Вчера я впервые попробовал "Крошку-Картошку") 🥔 Странно, что только сейчас, хотя сеть существует с 1998 года и наверняка попадалась вам в ТЦ После картошечки стало интересно: а насколько это вообще большой бизнес? Потому что формат кажется довольно нишевым. В фастфуде обычно вспоминают бургеры, курицу и пиццу, а тут основной продукт - печёная картошка с наполнителями 🧀 На странице франшизы Крошка Картошка пишет, что у сети 253 кафе в 51 городе, больше 15 млн покупателей в год и около 4 млрд рублей общей выручки партнёров 📊 Кажется, что 4 млрд рублей - это много. Но чтобы понять масштаб, нужно с чем-то сравнить. Например, у "Вкусно и точка" выручка основного юрлица за 2024 год составила 187,4 млрд рублей. Получается, "ВиТ" больше "Крошки Картошки" примерно в 50 раз. А если смотреть на трафик, то у Крошки указано больше 15 млн покупателей в год, а Rostic’s, по открытым данным, обслуживает больше 1,7 млн гостей в день. То есть годовой поток Крошки примерно равен 9 дням трафика Rostic’s, получается действительно нишево)) Кстати, такие рынки обычно оценивают двумя способами 🧮 Первый способ - идти от большого к маленькому. Например, сначала найти объём всего рынка быстрого питания в России, а потом посмотреть, сколько в нём занимает Крошка Картошка. Такой подход нужен, если хочется получить именно долю рынка: условно, 1%, 5% или 10%. Но тут сразу появляется проблема: сначала нужно договориться, что именно считать фастфудом? От этого сильно поменяется итоговая доля. Второй способ - идти от маленького к большому. Берём конкретные сети и сравниваем их между собой: выручку, количество точек, поток гостей, средний чек. Такой подход не всегда даёт точную долю рынка, зато помогает быстро понять порядок: компания ближе к крупным игрокам или живёт в своей нише. Например, где-то считают выручку всей сети вместе с франчайзи, где-то только одно юрлицо, где-то количество ресторанов, а где-то поток гостей. На вид всё это про “размер бизнеса”, но выводы могут получиться разными 🤔 В случае Крошки оба подхода сходятся в одном: это не игрок масштаба "Вкусно и точка" или Rostic’s, но и не маленький локальный проект. Скорее устойчивая нишевая сеть с миллиардной выручкой и узнаваемым продуктом. Таким образом обычная картошечка внезапно стала поводом напомнить вам про два главных способа оценить долю рынка ☺ А теперь отметимся реакциями: 🔥 - если пробовал Крошку Картошку ❤️ - если не пробовал

Личный блог — это плюс в карьере или red flag для нанимающих? 🚩 Я начал вести этот канал в 2023-м будучи стажёром-аналитиком в Яндексе. И, честно говоря, тогда я не задумывался, какие плюсы это может дать линейному сотруднику - я просто хотел ответить на вопросы, волнующие студентов-айтишников. Но с ростом аудитории я всё больше начал удивляться тому, какое сильное влияние это начинает оказывать на мою жизнь. И вот что блог может дать линейному сотруднику: • узнаваемость и полезные связи: большие охваты порой помогают дотянуться до самых разных людей и на разных уровнях • карьерные возможности: приглашения на митапы/конференции и нахождение в поле видимости рекрутеров • предложения о партнёрствах: приходят бренды и предлагают выгодное сотрудничество • дополнительный доход: за счёт рекламы или продажи собственных продуктов Но есть и ощутимые недостатки: • фильтрация контента: приходится сглаживать острые моменты, чтобы случайно не задеть свою или чужую компанию. Много мыслей может оставаться в черновике, а другие могут переписываться несколько раз 🫠 • настороженность при найме: команде нужен педантичный аналитик, а не блогер — и тут возникает разумный вопрос "а не уйдёт ли вместо рабочих задач его время на контент в соцсети сотрудника, которые продукту, в общем-то, не очень-то и нужны" 🧐 • вторая работа: в какой-то момент канал реально начинает требовать времени — а если что-то не успел или не выпустил, догоняет чувство вины перед подписчиками 😬 Но повторюсь: это взгляд со стороны линейного сотрудника. А по-хорошему вопрос из заголовка стоит задавать не мне, а именно менеджеру, который реально принимает решения о найме 😎 Поэтому мы объединились с Лёшей Малинским — руководителем отдела аналитики Авито Путешествий 😎 (да-да, моим коллегой) и автором канала @lexmalinskiy — и решили закрыть тему сразу с двух сторон. Лёша честно ответил со стороны менеджера: Чем личный бренд полезен руководителю? И что в публичности подсвечивает сильного специалиста, а что заставляет насторожиться при найме? Очень советую почитать его пост — мне самому было интересно обсудить эту тему с разных сторон баррикад грейдов 🤝

Самый жизненный раздел из ML 😱 Вы наверняка видели видосы, где ИИ обучают играть в разные игры: к примеру тут Open AI ещё до появления ChatGPT выпускал довольно хайповый видос про обучения ботов игре в прятки. Подобные идеи относятся к теме Reinforcment Learning (или RL), которую я, почему-то, в университете так и не изучал, хотя вроде брал разные курсы на тему ML 🤔 Но так уж вышло, что недавно преподавание заставило меня разобраться в этой теме подробнее, и больше всего мне понравилось, как идеи из ML можно переносить в целом на процессы в повседневной жизни. Вот две интересных для меня идеи: 1) Мы постоянно прогнозируем свой «профит» и часто завышаем его 🤫 В RL игрок не знает заранее, какой "профит" принесёт то или иное действие. Всё что у него есть — накопленный опыт, на основе которого он учится предсказывать "выгодность" каждого следующего шага. Для этого в RL вводят конкретную Q-функцию, которая оценивает суммарную ожидаемую награду за конкретное действие в конкретной ситуации. Вот только есть один неприятный момент — так называемый "overestimation bias": это когда игрок склонен завышать свои ожидаемые награды, особенно когда данных ещё мало. Мы делаем то же самое: думаем, что новая работа окажется идеальной, а переезд сразу изменит жизнь к лучшему. Иногда так и выходит, но чаще реальная награда оказывается скромнее ожидаемой, да?)) 2) Сначала исследование, а потом эксплуатация 🧑‍🎓 В RL есть два режима. Во время обучения игрок специально исследует разные действия, даже если некоторые выглядят неоптимально — это так называемый "exploration". Только так можно найти по-настоящему лучшую стратегию. На инференсе же агент переключается в "exploitation": берёт лучшую из найденных стратегий и действует максимально эффективно. Это хорошая метафора для жизненных этапов: пока есть "ресурс на ошибки" — можно быть в режиме exploration и пробовать разные сферы, роли, проекты (так скажем быть открытым к возможностям). Когда понял, что работает — переключаешься в exploitation. Так что вывод простой: Чтобы избежать overestimation bias — можно чуть занизить свои ожидания, а ещё убедиться, что собрал достаточно вводных данных перед тем, как переходить в режим exploitation. И это не всегда про машинное обучение)) Ставь ❤️ если нравятся посты такого формата, где идеи из DS перекладываются на рутину (таким образом я смогу скорректировать наиболее подходящие для блога форматы)

Есть кто на Aha’26? Газ нетворкаться 😎 Если вы на конференции в Москве, то давайте спишемся в ЛС @rafaeldks - и вживую поболтаем за жизнь, аналитику, Авито и любые другие приколы. Нетворкинг (кумовство) - вещь полезная 🤝 А в выходные должен выйти неочевидный (на мой взгляд) пост про ML. Давайте поставим ❤️, чтобы ускорить его выход

Аналитику изучают ещё в школе 😱 Да-да, и ты когда-то тоже её изучал. Только называлась она физикой 🤫 Если чуть отойти от формулировок из учебников, то на физику можно смотреть как на попытку описать и «оцифровать» реальный мир: придумать для него понятные метрики и договориться, как именно мы будем их считать. Потом эти метрики стыкуются в модели, по ним делают выводы и проверяют гипотезы... Звучит знакомо, да?) Возьми хотя бы скорость, массу, силу или энергию. Это всё меры того, насколько быстро что-то движется, насколько оно «тяжёлое» для ускорения, насколько сильно на него давят, сколько работы удалось запасти. Константы вроде g = 9.8 м/c^2 или универсальной газовой R — это фиксированные коэффициенты, которые мы один раз хорошо померили и дальше спокойно используем как «эталонные значения» для оценки явлений, чтобы не пересчитывать каждый раз вселенную с нуля 🧠 Дальше есть идея нормировок: например, давление — это сила, поделённая на площадь. Мы берём эффект и делим на масштаб, чтобы получить показатель (как в ARPU — делим выручку на кол-во пользователей). Плотность — масса на объём, удельная теплоёмкость — на градус. Везде одна идея: взять величину в более удобном и отнормированном виде. А что с «экспериментами»? В лабораторных работах ты редко делаешь ровно АБ-тест в корпоративном смысле, но идея та же. Например, измеряем ускорение тележки с грузом: в одном прогоне считаешь, что трение почти нулевое, в другом — намеренно меняешь условие (ставишь на другую поверхность) и смотришь, как поменяется результат. Контрольная и экспериментальная серии измерений, табличка значений, график — и ты уже почти проверил гипотезу. Ну, или если совсем по-продуктовому: у тебя есть гипотеза из теории, ты собираешь данные, сравниваешь сценарии и подгоняешь делаешь вывод лабораторной работы Плюсом идут погрешности приборов (как шум в данных), усреднения (чтобы нивелировать дисперсию в наблюдениях), графики зависимости как твой первый дашборд на бумаге. Даже порядок величин и размерности — это как алёрты в данных перед тем, как отдать отчёт: если в ответе человек бежит со скоростью 100 м/сек, то где-то точно есть ошибка 😅 В общем, если ты когда-то изучал школьную физику, то ты уже тренировал мозг на вещах, которые часто нужны в аналитике: выбрать метрику, понять масштаб, нормализовать, проверить гипотезу данными и статистически признать расхождение модели с реальностью 📈 Не забываем, что сила канала измеряется не в ньютонах и не в правде, а в красных сердечках под постами ❤️

AI оптимизирует экономику тг-канала 🤖 Я заметил, что в какой-то момент этот блог, который изначально был просто увлечением, превратился в мини-продукт со своей экономикой: есть ресурсы, есть затраты, а следовательно появляется и метрика окупаемости 🤫 Например, чтобы телеграм-бот стабильно делился с вами полезными и бесплатными материалами, мне нужно: • выделить время на подготовку этих материалов • платить каждый месяц за сервис-конструктор тг-бота То есть в любом случае есть косты: и время, и деньги 💸 И если смотреть на блог как на продукт, то ведение контента без монетизации в какой-то степени становится благотворительностью с отрицательной окупаемостью, но как аналитику мне хочется, чтобы такая система была оптимальна и не разваливалась по ресурсам 📊 Поэтому я смотрю на это как на задачу оптимизации: где можно уменьшить затраты, а где можно повысить отдаваемую пользу ⚖️ А ещё для сокращения костов можно подключать самые разные навыки: например, я учился на разработчика на ФКН Вышки, и сейчас в связке с вайбкодингом можно переписать тг-бота под своё решение, вынести его на иностранный сервер и проверить, насколько это сократит косты по сравнению с подпиской (если знаете хороший VPS для тг-ботика - напишите в комментарии 🙏) Следующий шаг в рамках оптимизации - отреагировать на замедление телеграма и выйти на дополнительные источники трафика, так что увидимся и на других площадках) И да, лучшая помощь такому продукту - это поставить ❤️ под этим постом, а я буду отдавать ещё больше)

Авторский ноутбук для практики Pandas и визуализаций 👨‍💻 Подъехали новые материалы для канала 🎉 В этом jupyter-ноутбуке можно загрузить датасет по продажам кофе (конечно, Раф там тоже есть) и попробовать выполнить несколько заданий на Pandas, Matplotlib и немного Seaborn 📊 Если выполнишь предложенные задания, то можешь считать, что обладаешь базовым минимумом для стажировки (а может и больше) по анализу данных 😎 Сам файл можно забрать в боте по команде /jupyter Ну и реакциями давайте поддержим ❤️, а то собирать всё это оказалось довольно непросто 😮‍💨