Свежие статьи уже в ленте!

Есть проверенный метод: чтобы досконально изучить предмет, начни учить этому других. Так случилось и у Тани Мисютиной. Когда она начинала вести курсы по визуализации данных, то стала анализировать свои и чужие работы, чтобы проложить путь к предсказуемо качественному результату. Так родился рецепт создания визуализаций – Алгоритм Δλ. Для тех, кто хотел бы глубже погрузиться в суть метода, Рома Бунин сохранил ссылки на вебинары и примеры построения визуализаций по данному алгоритму.

Автор блога на Medium (VPN) опросил тысячу дата команд и выявил три инсайта. Во-первых, хранилище данных перестало служить только для аналитики и создания отчетов. Теперь на него возлагают ответственность за решение критически важных для бизнеса задач, таких как AI/ML, автоматизированного маркетинга и отчетности. Во-вторых, дата команды и их стеки становятся больше. С возрастанием датасетов и ориентацией на data-driven подход возрастает и размер дата команды. В-третьих, универсального подхода к тестированию разросшихся данных нет. Дата специалист, проводящий тестирование, должен хорошо разбираться в доменной области. В конце статьи автор делает интересный прогноз: хранилище данных имеет все шансы стать центром управления компанией. Оно выйдет за рамки аналитики и станет ядром продаж, операций, финансов и т. д.

Как подобрать длительность эксперимента и объем выборки, чтобы обеспечить заданную точность результатов при A/B-тестировании? Такую задачу еще можно сформулировать как расчет Minimum Detectable Effect (MDE) целевой метрики. Данила Леньков, создатель in-house платформы для A/B-тестирования в Авито, поделился эффективным решением. Он написал простой SQL-запрос, который поможет избежать большого количества потенциальных ошибок. В статье вы найдете сам запрос и инструкцию по его адаптации.

#дайджест