Datalytics

Базовый анализ продуктовых фичей

В статье автор делится своим опытом анализа интерфейсных решений и отдельных фичей продуктов. Основной вопрос, с которым ему приходится сталкиваться: "Зашла ли фича пользователям и приносит ли она доход?"

Автор разработал компактный фреймворк, который помогает планировать исследования и адаптируется под разные продукты

В статье он кратко рассказывает о своём подходе и объясняет, почему важно разбирать продукт на отдельные фичи. Улучшая каждую часть, можно улучшить весь продукт в целом

Основная идея заключается в создании системы метрик для оценки фичи — от её заметности до экономического эффекта. Это помогает сравнивать ожидания с реальными результатами и принимать дальнейшие решения

Обязательно прочтите статью "Базовый анализ продуктовых фичей", чтобы узнать, как шаг за шагом улучшать свой продукт

Таким образом, не важно планируете ли вы пойти на рынок труда и апнуть себе зарплату в 2 раза или нацелены на развитие внутри текущей компании — вы всегда через стратегическое планирование будете возвращаться к удержанию фокуса на собственном развитии. Это позволит сохранять мотивацию, добиваться поставленных целей и обеспечивать согласованность вашей текущей деятельности с личными карьерными устремлениями

Я сначала немного приуныл по результатам опроса. А потом подумал «А чё мне приунывать?»: стратегия роста через смену компании — вполне себе ок. Каждый сам кузнец своего счастья

Какой же непрошенный совет я могу дать людям, которые выбирают для себя стратегию частой смены работ?

Обращать внимание на то, насколько текущие рабочие приоритеты соответствуют вашим собственным долгосрочным целям. Долгосрочные личные цели в профессиональном развитии — это то, что позволяет наделять работу смыслом и уменьшать риск того, что работа в какой-то момент начнёт восприниматься как «перекладывание задачек в джире»

Аспект долгосрочного планирования должен быть на переднем плане, в независимости от того какая стратегия выбрана: будь то при частой смене работы ради карьерного роста или намеренном развитии внутри одной компании

Очень важно иметь четкий карьерный вектор и соизмерять свою деятельность с ним. Регулярно задавайте себе вопрос: «где я сейчас?». Например, хочу ли я развиваться в лидера или в принципала? Какие навыки и качества мне необходимо развить для этих ролей? Что важно для моего роста как лидера или какими специализированными знаниями мне нужно овладеть? Как я донесу до стейкхолдеров, что теперь обладаю этими важными качествами?

Не следует работать «наскоками», реагируя только на входящие задачи. Можно и нужно учиться через входящие задачи. Но если вы не смотрите на это обучение через призму ваших долгосрочных целей, то такое обучение получается как бы реактивным (в противовес проактивному) и вы не управляете своей карьерой. Ваши скиллы развиваются «как попало». Важно держать в фокусе свои цели и мотивироваться их достижением, обеспечивая соответствие этих целей вашему внутреннему компасу. Это помогает быстрее расти через входящие задачи

А ещё лучше ставить тебе дополнительные задачи, которые будут продиктованы только вашими стратегическими целями. Попробовать выбить у руководителя немного времени на них. И тогда появляется возможность самому управлять своим бэклогом, что добавляет в работу больше контроля и элемента некоторого творчества

Для того, чтобы успевать думать о своём карьерном развитии, можно выделять раз в месяц в календаре время для вот такого простого процесса:

1. Остановиться — Приостановить деятельность и дать себе время для размышлений
2. Чекнуть ожидания — Сформировать стратегические карьерные ожидания (если ещё не сформированы) или обновить предыдущие ожидания. Лучше их прям фиксировать письменно. Лично я это делаю через голосовое во время прогулки, а потом голосовое перевожу в текст и структурирую через GPT — на то, чтобы начать говорить мне нужно меньше когнитивного ресурса, чем на то, чтобы писать, поэтому голосовое тут хороший icebreaker, чтобы запустить эту работу
3. Зафиксировать разницу — Проанализировать свои ожидания и текущие результаты. Сравнивая первоначальные цели с текущими достижениями, важно понять, в каком направлении вы движетесь и где вам потребуется корректировка стратегии. Разбить результаты на ключевые показатели: что достигнуто, что требует доработки. Зафиксировать, в каких навыках и знаниях вы преуспели, а какие области требуют больше внимания. Хорошим инструментом здесь может быть SWOT-анализ (сильные и слабые стороны, возможности и угрозы). Это позволяет выявить расхождения и планировать действия для их устранения
4. Анализ и планирование — После этого можно отприоритизировать расхождения в соответствии с вашей стратегией. И дальше сформулировать план работы для дальнейшего личного роста. При этом тут можно опираться на текущее представление о планах компании, оценить возможности для использования корпоративных ресурсов (если есть внутренние обучения), свериться с планами развития по грейдам (если они есть), узнать у команды или лида какие сейчас существуют проблемы, где может быть важна ваша включенность. То есть ключевое тут — не смотреть на развитие «в вакууме», а попытаться включить его в окружающую вас среду и возможности этой среды. В итоге, на этом этапе у нас появляется план, который позволит систематически приближаться к своим карьерным целям

Недавно наткнулся на одно утверждение про работу, которое навело меня на мысли про стратегии личного роста внутри коммерческих компаний

Звучало это утверждение так: «Ты – это инвестиционный проект. Ты должен зарабатывать компании деньги. А она будет платить тебе зарплату, засыпать плюшками и обещать уверенность в завтрашнем дне. Для этого нужно постоянно показывать, что ты – выгодная инвестиция»

Немного категорично, но здравое зерно есть. Капитализм — это ведь про бабки, ты — часть капитализма как часть корабля коммерческой организации, а значит твоя работа должна выражается в деньгах. Но есть одно но: не все категории деятельности сводятся к деньгам

Поэтому при всей любви меня как руководителя к цифрам (потому что на цифрах проще принимать решения), я не соглашусь, что любую свою деятельность я должен отражать в количественном показателе, который в итоге переводится в табличку доходов и расходов

Представим, я занимаюсь обучением сотрудников и благодаря моему обучению продакт-менеджеры и аналитики гипотетически могут быстрее выдвигать и валидировать гипотезы. Внёс ли я дополнительную ценность в компанию? Да. Заработал ли я в тактическом горизонте компании больше денег? Сомнительно. Я, конечно, могу организовать двойное слепое рандомизированное плацебо-контролируемое исследование, чтобы определить влияет ли моё обучение действительно на скорость выдвижения, выбора и валидации гипотез и дальше сделать оценку в деньгах. Но в реальности организация — это настолько сложный механизм с таким количеством факторов и переменных, что сделать такую оценку в категориях метрик бизнеса — просто не получится. Я работаю в edtech и знаю, что если концентрироваться только на метриках бизнеса, то мы провалим качественную ценностную компоненту, при этом эта компонента очень сложно проксируется на бизнес-метрику

Поэтому мне кажется, что переформулировать это можно как «ты должен приносить компании ценность»

Офигенно, если эта ценность измеряется в деньгах. И надо признать, что ценность, выразимая в деньгах — это сильный аргумент, который лучше всего работает на руководителей, собственников бизнеса, инвесторов. Но при этом ценность не всегда выражается именно в деньгах. Я могу научиться лучше общаться со стейкхолдерами и как следствие быстрее и эффективнее решать задачи, я могу обучать, выстраивать и оптимизировать процессы, влиять на качественную компоненту бизнеса, организовывать отличные тимбилдинги, быть лучшим в проведении собеседований и тащить в этом всю команду (да ещё и так, что чтобы побывать на собеседовании со мной будет выстраиваться очередь кандидатов на входе) — всё это приносит ценность компании

Поэтому я бы сказал, что для руководителей важно слышать о том, что сотрудник приносит ценность, что у него есть намерение эту ценность наращивать и что сотрудник понимает как эта ценность влияет на общее дело и он может явно это аргументировать. С этого начинается любой продуктивный диалог про повышение, который заинтересует меня как руководителя. И если ко мне придут с тезисом «я тут уже 2 года сижу, а повышения не было», то я постараюсь зафреймить именно в разговор «я готов повышать, но давай подумаем как это повышение будет завязано на рост твоей ценности на горизонте N месяцев, поставим с тобой четкие договоренности и критерии достижения результата, а я со своей стороны буду готов идти обсуждать твоё повышение и пересмотр фот»

Так что тезис «Ты должен зарабатывать компании деньги» я бы переформулировал как «Если хочешь расти в компании, то подумай как ты можешь реализовать себя, чтобы приносить компании больше ценности»

А что вы думаете: лучше зарабатывать деньги, приносить ценность или просто сидеть таски в джире перекладывать?

🎁 Павел Бухтик сделал бесценный подарок всем начинающим продуктовым аналитикам - пошаговое руководство по проведению А/Б-тестов! 📚 Это настоящий клад знаний, который редко встретишь на курсах или в книгах.

🧭 Паша создал этот роадмап, опираясь на свой богатый опыт и лучшие материалы по теме. Он пересматривал проверенные временем видео, перечитывал любимые статьи из закладок и по кусочкам собирал мозаику знаний. Результат - четкая пошаговая инструкция, которая проведет вас через все этапы А/Б-тестирования.

🎯 Каждый шаг руководства состоит из тем-ссылок, нажав на которые вы попадете на конкретный учебный материал. Это как квест, где каждая подсказка ведет вас к новому уровню мастерства. И самое приятное - большинство ресурсов на русском языке, так что языковой барьер не помешает впитывать знания.

💡 Чем это руководство может быть полезно для вашего карьерного роста? А/Б-тестирование – это мощный инструмент продуктовой аналитики. Освоив его, вы сможете на данных проверять гипотезы по улучшению продукта, находить инсайты, влиять на продуктовые решения. Вы станете ценным партнером для продуктовой команды и будете напрямую влиять на бизнес-метрики. А это уже новый уровень в карьере аналитика!

Также подписывайтесь на канал Павла — @nodatanogrowth

Недавно я обсуждал с коллегой карьерной развитие и в нашем разговоре вырисовалось разделение на 2 трека: 1️⃣ рост вглубь (движение от джуниора к миддлу и синьору); 2️⃣ рост вширь (расширение области влияния, выход за рамки своих непосредственных обязанностей)

Это очень интересная и актуальная тема, особенно для аналитиков данных и продуктовых аналитиков. Часто возникает ощущение, что твоя работа не приносит реальной ценности бизнесу, что ты просто «крутишь данные». Но на самом деле, карьерный рост аналитика напрямую связан со степенью влияния, которое он оказывает на принятие решений в компании.

Сначала аналитик выполняет конкретные задачи — собирает данные, строит отчеты и дашборды, отвечает на вопросы бизнеса. Чем лучше он это делает, тем выше его грейд. Но на определенном этапе упираешься в потолок - твое влияние ограничено рамками поставленных задач.

Чтобы выйти на новый уровень, нужно развивать стратегическое мышление. Задавать себе и окружающим вопросы:
💠Какие у бизнеса цели и метрики успеха?
💠Как данные могут помочь в их достижении?
💠Какие инсайты можно извлечь из данных?
💠Как улучшить продукт, процессы, клиентский опыт?
💠Какие гипотезы стоит протестировать?

Когда начинаешь мыслить стратегически, приходят идеи, выходящие за рамки обычных задач. Важно валидировать эти идеи, сверяясь с видением руководства и других отделов. В итоге формируется своя картина того, как аналитика может помочь бизнесу на стратегическом уровне.

И тут аналитик становится «агентом влияния» — он активно продвигает свои идеи, аргументированно доказывает их ценность для продукта и компании в целом. Он выходит за рамки своего отдела и функций, выступает консультантом и партнером для продуктовых менеджеров, маркетологов, разработчиков, руководителей. Чем больше его идеи приносят пользы, тем больше его ценят и продвигают.

Карьерный рост аналитика — это путь от выполнения задач к определению задач, от локального к стратегическому мышлению, от роли исполнителя к роли «агента влияния». Это непростой путь, требующий развития софт-скиллов, бизнес-чутья, умения убеждать. Но именно он позволяет аналитику привносить реальную ценность и расти вместе с компанией.

Если коротко: Классно, когда аналитик переходит из плоскости «я сделал этот отчет» в плоскость «я придумал, как с помощью данных улучшить продукт/процесс». А потом не только придумал, но и убедил всех, что это нужно сделать, и в итоге идея была реализована и принесла компании пользу. Вот это и есть реальное влияние! 🚀 Ну и важно, чтобы всё это конвертировалось в рост удовлетворенности от своей работы и рост вознаграждения (а это уже скорее вопрос умения вести переговоры)

Если вам интересно ещё больше почитать про различия карьерных треков — жмите 🔥
Если вам интересны конкретные практические советы по трансформации в «агента влияния» — жмите 👍🏻

👨‍🎓Сколковский институт науки и технологий Skoltech запустил бесплатный курс по продвинутому A/B тестированию. Это методика, которая помогает принимать обоснованные решения на основе данных, опираясь на теорию вероятностей и математическую статистику.  

Авторы курса – наши коллеги из команды ad-hoc аналитики X5 Tech – Александр Сахнов, Михаил Хозин и Николай Назаров, а также профессора Сколтеха Евгений Бурнаев и Максим Панов.

Курс охватывает широкий спектр знаний по А/В тестированию, что полезно как для технических специалистов, так и для тех, кто не является экспертом в этой области. Он рассчитан на студентов математических, экономических и других прикладных технических наук, менеджеров и владельцев продуктов, которые хотят понять основы А/B-тестирования, а также для всех, кто хочет научиться оценивать влияние изменений в продуктовых компаниях или попасть туда на работу в роли аналитика или Data Scientist.  
 
Курс лежит здесь

Datalytics pinned Deleted message

Прорыв в прогнозировании погоды: модель Aurora от Microsoft Research

Microsoft Research представили модель искусственного интеллекта Aurora - первую foundation-модель для работы с прогнозированием атмосферных явлений

И новость в целом для меня не столько про метеорологию, сколько про то, что в будущем мы будем видеть всё больше foundation-моделек под соверешенно-разные потребности. В контексте аналитики данных и продуктовой аналитики ждём появления таких моделей для задачек прогнозирования продуктовых метрик (не удивлюсь, если какой-нибудь Amplitude обучит такое на своих данных) на малых и грязных выборках данных

В чем преимущество foundation-модели Aurora:

1. Быстрота и точность: Точные операционные прогнозы с высоким разрешением и ускорением вычислений в 5000 раз по сравнению с традиционными системами

2. Меньшая чувствительность к данным на входе: Универсальная архитектура 3D Swin Transformer с кодировщиками и декодировщиками, позволяющая эффективно работать с гетерогенными данными, минимизируя ручную предобработку.

3. Работа с малыми выборками: Благодаря предварительному обучению на разнообразных датасетах Aurora демонстрирует высокую точность даже на малых выборках при дообучении под конкретные задачи.

Внедрение подобных foundation моделей открывает доступ к надежным метеоданным даже в регионах с их нехваткой. Это открывает новые возможности для аналитики в сельском хозяйстве, энергетике, логистике и управлении рисками стихийных бедствий.

Aurora задает новый стандарт анализа данных в науках о Земле и может стать основой будущих операционных систем прогнозирования погоды и климата.

📊 Хотите прокачать свои навыки в прикладной статистике? Тогда этот пост для вас! 🚀

Открытый курс от создателей Академии Аналитиков Авито 💸

Чему вы научитесь:
✅ Применять критерии Манна-Уитни, t-test, бутстрап, хи-квадрат
✅ Использовать специализированные библиотеки Python
✅ Разрешать спорные ситуации при анализе данных
✅ Экспериментировать, выводить критерии, доказывать формулы

🌟 Особенность курса в том, что уроки построены на примере реальных данных и показывают, как решать задачи бизнеса с применением прикладной статистики.

https://avito.tech/education/statistics

Недавно прочитал у Романа Нестера пост «Прощай, объективность» про то, что OpenAI планирует внедрить в ChatGPT рекламу и продвижение "партнерского" контента от избранных издателей

При условии, что эта задумка реализуется, высок риск, что ответы модели будут смещены в сторону маркетинговых интересов спонсоров. И это вызывает некоторые опасения, что реклама, интегрированная в ответы ChatGPT, будет казаться органичной частью ответа, и не вся «маркетинговая выдача» будет явно промаркирована как реклама. Тем самым это по сути усиливает манипулятивный потенциал такого ответа от LLM и скрытое влияние на пользователей.

В целом, такой шаг довольно-таки ожидаем и неизбежен. Не хочу звучать как левак, но прозвучу как типичный левак: это закономерный шаг в логике капиталистической системы, задача которой подчинять сущности некоторому императиву прибыли. ИИ-сервисы пойдут таким же путем как и в своё время поисковые системы — включать рекламу для того, чтобы окупить операционные издержки

Кажется в этой же логике может находится и открытие доступа всем желающим к GPT-4o. Видимо, в юнит-экономике монетизация через рекламу потенциально приносит существенно больше, чем платная подписка

Интересно пофантазировать к чему это вообще может привести. Увидим ли мы LLM, в которой будет через аукционную модель реализовываться возможность для рекламодателей изменять веса выходного слоя? То есть не просто рекламные вставки, а непосредственное подмешивание рекламного контента в результаты генерации. В теории это возможно, хотя и сложно, а ещё вызывает кучу этических вопросов

Я думаю, что всё это будет иметь ряд долгосрочных последствий. Попробую попрогнозировать и пофантазировать:
1. Дерьмофикация (такой новоязовский термин действительно существует) ИИ-сервисов — мы все больше будем видеть растущий класс пользователей, которые будут ругаться на обилие рекламы и «раньше было лучше»
2. Попытки со стороны регуляторов явно промаркировать рекламный контент, а также создать рамки, которые призваны бороться с манипулирование поведением потребителя через ИИ
3. Модели ИИ будут обучаться за счет данных, предоставляемых рекламодателями (возможно, как часть сделки). Что в перспективе приведет к тому, что качество моделей будет находится в некоторой корреляции от количества рекламодателей
4. Создание инструментов, которые позволяли бы проверять «объективность» ответов от ИИ — то есть нужны будут какие-то алгоритмы, чтобы чекать некоторый bias моделей в сторону наличия рекламного контента (тут можно дальше уйти и вообще пофантазировать о том, что появятся анализаторы контента, которые будут определять некоторое «намерение» самого контента по отношению к пользователю, например, чтобы чекать политическую пропаганду)
5. Появление аналога адблокеров для LLM
6. Рост open-source моделек как попытки сделать «чистый ИИ». Но тут вопрос опять же о том, что такое этот самый «чистый ИИ» и как может быть ИИ вне идеологии. То есть фантазии об объективном ИИ — это всегда будут некие фантазии на тему объективности, а не объективность
7. Разные виды API. Если OpenAI предложит два вида API - с рекламными механизмами и без них - то вторые могут стоить существенно дороже. Это повысит порог входа и затраты на ИИ для бизнеса.

Внедрение рекламы в ИИ-сервисы, подобно поисковым системам, неизбежно повлечёт за собой значительные изменения в их функционировании и восприятии пользователями. Тут возникает много этических вопросов и открывает путь к новому витку борьбы за "чистый" и объективный контент (хах, верните старый интернет по диалапу). Так что в будущем мы точно ещё увидим интересные события в ходе балансирования между коммерциализацией и прозрачностью и объективностью.

Больше про ИИ читайте у меня в AI FORGE

Это очень вдохновляюще. Выход из рутины, работа на вечные ценности, вот это всё

https://vc.ru/design/112303-veb-dizayner-prevrashchaet-starinnye-knigi-i-broshyury-19-veka-v-interaktivnye-sayty

via

😎 Публичный Гайд по повышению BI Adoption перевел в более читабельный PDF формат ☝️

Размышлял над темой год и пора упаковать и переключится.

Еще родился шаблон для воркшопа, чтоб самим провести анализ в команде.

Кому эта тема интересна пишите и приходите на курс по BI стратегии в мае.
Там это все обсудится и пошарится

Запись стрима «Как проходит собеседование на продуктового аналитика в Авито?»

Вместе с Вовой Камчаткиным, продуктовым аналитиком в компании inDrive, увидите, какие вызовы и задачи ждут вас и как к ним лучше подготовиться

Самое интересное:
Рассказ про опыт и вопросы: SQL, Python, ML, продуктовые кейсы
Пример задачи со сложными аналитическими подходами
Техническая задача про кубик (теорвер)
Продуктовый кейс на примере Telegram
Фидбек Вове по итогам собеседования по матрице компетенций аналитиков Авито

Появились записи с A/B platform meetup от команды СберМаркета

🟡Система автоматического расчёта А/В тестов. Рамиль Чермантеев, руководитель команды аналитиков-инженеров платформы экспериментов СберМаркета, рассказал, что автоматический расчет из себя представляет и с какими трудностями ребята столкнулись при его развитии.

‌🔴Как привести эффекты от A/B-экспериментов к масштабу всей компании? Артем Дронов, аналитик АВ-платформы, Авито, поделился методологией приведения и оценки результатов экспериментов к масштабу всей компании.

‌🔵Система офлайн-экспериментов. Полина Ревина, и.о. руководителя A/B-платформы в СберМаркете, рассказала о свитчбэк-тестах и тестах в магазинах, сплитование для которых делается офлайн.

🟡Open Talks: Как развивать и масштабировать платформы и процесс проведения экспериментов. Модератор дискуссии со спикерами – Искандер Мирмахмадов, co-founder EXPF.

Читаю я тут пост "Build Lines, Not Dots". Ключевая мысль там о том, что доверие инвесторов по отношению к стартапу сильно зависит от восприятия инвесторами последовательного роста и ощущения динамики, сдобренной грамотным принятием решений

То есть по сути надо создать картинку, что мы а) растим метрики б) этот рост обсуловлен нашим целеполаганием и действиями

А значит стартапер должен на любой стадии отношений уметь создавать сторилайн, который отображает ключевые точки роста компании, связывая их в линии. И вот это «связывание в линии» — важное качество не только для фаундеров, но и для аналитиков

👨‍🏫 Можно заменить «инвестора» на «стейкхолдера». То есть любую персону, которой вы презентуете результат аналитики (продакт, CPO, CEO, руководитель аналитики). Представляя информацию стейкхолдерам, аналитики должны фокусироваться не на единичных "точках", а выстраивать "линии". Каждая встреча, каждый инсайт - это точка. Но объединяя их в линию, мы показываем динамику, изменения, тренды. 📈

🤝 Инвесторы формируют доверие, когда видят последовательный прогресс, а не разрозненные факты. Так и аналитик должен стремиться выстроить доверие у заказчика, демонстрируя связь между инсайтами, показывая движение к некоторой цели.

💡 Но инсайты - это еще не все. Важно давать actionable recommendations: что конкретно нужно сделать, основываясь на данных и анализе? Какие шаги предпринять? Так решения будут приниматься быстрее.

🌉 Между аналитиком и стейкхолдером должен выстраиваться "мост" доверия и взаимопонимания. Через последовательные качественные инсайты, через регулярное общение, через понимание и удержание в картинке аналитика целей бизнеса. 🤝

🧘‍♂️ Быть аналитиком - это искусство балансировать между наукой и творчеством, объективностью и эмпатией, деталями и большой картиной. Совмещая эти роли, мы становимся по-настоящему ценными для бизнеса.

Вот такой путь от точек - к линиям, от разрозненных фактов - к пониманию и действиям. Каждый аналитик способен пройти его - было бы желание! 😉

🤖 AI и SQL: союзники или конкуренты в аналитике данных? 📊

Оригинал: https://benn.substack.com/p/llms-shouldnt-write-sql от Benn Stancil

Benn рассуждает о роли AI в аналитике и его взаимодействии с SQL. Ключевой вопрос - смогут ли LLM полноценно заменить SQL в качестве основного интерфейса для запросов к данным? 🤔

Автор выделяет 2 типа анализа данных:
1️⃣ "Пользовательский" - когда уже известны метрики, KPI, есть структура виджетов и дашбордов. Тут уже сейчас используются BI-tools типа drag-n-drop с SQL "под капотом"
2️⃣ "Исследовательский" - разработка новых метрик и сложных ad-hoc запросов аналитиками в SQL/Python. Со сложными join и оконными функциями, часто не поверх витрин, а на базе raw data

Перспективы применения AI в первом типе:
✅ NLP-интерфейс для BI-tools, "переводящий" вопросы на естественном языке в SQL-запросы через data model.
❌ А вот прямая генерация SQL по вопросу без data model чревата ошибками и галлюцинациями.

Второй тип анализа требует точности и гибкости SQL, поэтому генерацию полных запросов из описаний на естественном языке Benn считает утопией. 😥

💡 Идеальный сценарий на стыке AI и SQL, по мнению автора - генерация корректных запросов из "псевдокода", где аналитик задает логику на SQL вперемешку с описанием деталей на английском. Тот же принцип, что в генеративном AI для графики - дорисовка по наброску.

👍 Такой гибридный подход позволит аналитикам писать запросы быстрее и абстрагироваться от технических деталей, сохраняя точность. А AI станет "суперсилой" аналитика, а не его заменой.

Вывод: SQL и AI будут не конкурировать, а дополнять друг друга, давая аналитикам новые суперспособности. 🦸‍♂️ Но для полной замены SQL "общением" с AI нужен большой прогресс в алгоритмах и архитектурах.

Напоминаю, что помимо канала, в который я размещаю рекламу и периодически информативные репосты, у меня еще есть канал, где я делюсь разным про рабочие процессы, управление, философию, сложность систем и в особенности антропоцентричных систем

Например, недавно написал там пост про списки должностных обязанностей (ака job descriptions) и про то, что важно выходить за их рамки

Из более технического – пост про парадокс Джевонса и AI

В общем, если у вас есть желание читать длинные размышления о материях, из которых состоит наша жизнь – добро пожаловать в канал