Мир сегодня с "Юрий Подоляка"

Труха⚡️Україна

Паглядзець

Николаевский Ванёк

Паглядзець

Мир сегодня с "Юрий Подоляка"

Паглядзець

Труха⚡️Україна

Паглядзець

Николаевский Ванёк

Паглядзець

Статистика и R в науке и аналитике

Всем привет!
Подробнее о канале со списком самого интересного: https://t.me/stats_for_science/108
Чат канала: https://t.me/chat_stats_for_science
По всем вопросам - @lena_astr

Рэйтынг TGlist

ТыпПублічны

Вертыфікацыя

Не вертыфікаваны

Надзейнасць

Не надзейны

РазмяшчэннеРосія

МоваІншая

Дата стварэння каналаСерп 26, 2021

Дадана ў TGlist

Жовт 03, 2024

Я ўладальнік канала

Гісторыя змяненняў

Прыкрепленая група

Чат канала "Статистика и R"

151

Статыстыка Тэлеграм-канала Статистика и R в науке и аналитике

Падрабязней

Падпісчыкаў

3 899

24 гадз.

40.1%Тыдзень

110.3%Месяц

2145.8%

Індэкс цытавання

0

Згадкі0Рэпостаў на каналах0Згадкі на каналах0

Сярэдняе ахоп 1 паста

823

12 гадз.8640%24 гадз.8230%48 гадз.9410%

Узаемадзеянне (ER)

6.08%

Рэпостаў19Каментары0Рэакцыі31

Узаемадзеянне па ахопу (ERR)

21.11%

24 гадз.

0.02%Тыдзень

0.03%Месяц

1.23%

Ахоп 1 рэкламнага паста

1 013

1 гадз.35635.14%1 – 4 гадз.27727.34%4 - 24 гадз.38037.51%

Падрабязней

Падключыце нашага бота да канала і даведайцеся пол аўдыторыі гэтага канала.

Усяго пастоў за 24 гадзіны

1

Дынаміка

Апошнія публікацыі ў групе "Статистика и R в науке и аналитике"

Усе пасты

28.04.202512:01

⚡Собираем и автоматизируем анализ данных в Airflow с оповещениями в Telegram

Проведем вебинар, где вместе с Александром Дарьиным развернем пайплан в Airflow на датасетах Kaggle и алертах в Telegram. Александр — старший аналитик данных в СберТройка.

Что будем делать на вебинаре:

🟠 Выберем данные — заглянем в огромный каталог Kaggle (450+ тысяч наборов данных);
🟠Настроим автоматическую загрузку — покажем, как это делается в Airflow;
🟠Исследуем данные — простыми методами проверим их качество и построим наглядные графики;
🟠Соберем весь процесс в один пайплайн — чтобы все работало само, без ручного вмешательства;
🟠Добавим уведомления в Telegram — если в данных что-то пошло не так, бот сразу вас предупредит.

Этот вебинар поможет вам автоматизировать работу с данными, масштабировать процесс, избегать ошибок и освободить время для сложных задач, что актуально как новичку, так и опытному специалисту.

🕗 Встречаемся 29 апреля в 18:30 по МСК, как всегда, ответим на все вопросы в прямом эфире.

😶Зарегистрироваться на бесплатный вебинар

От себя добавлю, что Airflow очень актуальный инструмент для аналитика

#реклама

25.04.202512:00

История A/B тестирования: первые тесты в бигтехе

Продолжаем разбирать историю A/B тестов — начало в этом посте.

Сегодня рассмотрим первопроходцев A/B в современном понимании. Точно сказать, какой именно тест был самым первым, нельзя, но ранние примеры приходятся на начало 2000-х:

📱 Amazon:
Amazon позиционирует себя как data-driven компания, где тестируют самые минимальные изменения интерфейса. Уже в 2004 году Рон Кохави представил доклад об их тестах.
Грег Линден предложил показывать персональные рекомендации на этапе чекаута ("Похожие товары" перед оплатой). Старший вице-президент по маркетингу был категорически против, опасаясь, что это отвлечет пользователей от покупки и снизит продажи.
Однако Линден все равно запустил A/B тест, в котором вариант с рекомендациями победил с таким отрывом, что отказ от этой идеи стоил бы Amazon миллионы долларов.

🔍Google:
Первый A/B тест провели в начале 2000х годов. UX-исследования показывали, что пользователи хотят видеть больше результатов поиска на странице: 20 лучше чем 10, 25 ещё лучше, 30 — идеально. Google провел A/B тест: в экспериментальной группе пользователям показывали 30 результатов поиска на одной странице.
Трафик в экспериментальной группе упал на 25% менее чем за шесть недель. Сотрудники задумались, почему это произошло. Одним из вариантов был парадокс выбора, когда пользователи из-за слишком большого количества вариантов не могут решить, что им выбрать.
Однако разгадка оказалась проста: скорость. Страницы с 30 результатами грузились дольше в среднем на 0.5 секунды, и этого оказалось достаточно, чтобы серьезно ухудшить пользовательский опыт, что повлекло за собой падение трафика и выручки. В результате Google остановился на 10 результатах поиска в выдаче, и это число используется до сих пор.

📱 Bing:
Сотрудник Bing предложил удлинить заголовки рекламы, добавив к ним первую строчку описания: группа A — короткий заголовок (Купить iPhone), группа B — длинный (Купить iPhone 5 с гарантией и доставкой). Идея казалась незначительной и полгода пылилась в бэклоге (очереди задач разработки), пока разработчик не решил её протестировать. Через несколько часов после старта теста сработал "revenue-too-high alert" — новый формат оказался "слишком хорош", подняв выручку на невероятные 12%. Это принесло Bing более $100M годового дохода в США, не ухудшив UX-метрики. Тест многократно повторяли, подтверждая результат (HBR, 2017).

📱 Netflix:
Тестировали обложки фильмов: группа A — стандартные постеры, группа B — персонализированные. Например, для фильма "Умница Уилл Хантинг" любителям романтики показывали кадры с Мэттом Дэймоном и Минни Драйвер, а фанатам комедий — с Робином Уильямсом, известным комиком. A/B тест показал, что персонализированные обложки значительно увеличили вовлечённость и персонализация стала стандартом Netflix (Netflix Tech Blog, 2017).

А вы замечали, что попали в A/B тест? Я недавно заметила, что я не попала в тестовую группу, когда у коллег изменился интерфейс гугл мита, а у меня нет. Однако примерно через неделю это изменение интерфейса доехало и до меня.

#AB_tests #analytics

16.04.202515:59

А вот и запись стрима
https://youtu.be/gqbuCF8B4Cg

12.04.202508:34

Как вкатиться в продуктовую аналитику с научным бэкграундом?
Насколько важна сильная база в статистике?

На эти и другие вопросы отвечу на стриме с Юрой Борзило, он крутой продуктовый аналитик в Альфа банке, автор канала про A/B тесты и продуктовую аналитику: https://t.me/y_borzilo

Напомню, что я раньше работала биоинформатиком в лаборатории, изучала генные сети фитогормонов растений. Теперь перекатилась в продуктовую аналитику в Литрес, провожу A/B тесты и исследования.

На стриме поговорим:
1. Что такое "Анализ генных сетей фитогормонов растений"?
2. Почему решила уйти из науки в в аналитику?
3. Что было самое сложное при поиске первой работы аналитиком?
4. В чем отличие использования статистики в науке и в аналитике?
5. Почему всем нужен реальный опыт A/B тестов даже если хорошо знаешь статистику?
6. Действительно ли надо упарываться рядовому аналитику в статистику или хватит какой-то базы?

Стрим состоится 16 апреля, в 19.00 МСК.
Ссылки на трансляцию пришлю в день проведения стрима, а также обновлю в этом посте:
а вот и она https://us06web.zoom.us/j/82861386388?pwd=gguHOFCxOwAQT5MzNK4t2aSaz98bDK.1, запись будет отдельно

Пишите вопросы в комментариях или во время стрима!

Не змаглі атрымаць доступ
да медыяконтэнту

09.04.202506:02

Ну как там с нормальным распределением для t-теста?

Уже завтра, 10 апреля в 19:00 МСК, будет долгожданная лекция про ненужность нормального распределения от лектория «Разрушители статистических мифов»!

🦖Миф №3: Ненормальное распределение требует ненормальных решений | Матвей Славенко
На встрече мы поговорим про то, откуда взялись проверки на нормальность, что с ними не так и что делать, если не проверять на нормальность.

Регистрация по ссылке, и еще я закину в комменты непосредственно перед началом ссылку на трансляцию.
Запись будет опубликована на сайте.

🔥 Эксклюзивный контент для моих подписчиков: администрация секретно ознакомилась с черновиками лекции, прикрепляю несколько слайдов оттуда и бонусные мемы. Приходите на лекцию онлайн, чтобы иметь возможность задавать вопросы, но запись тоже будет.

P.S. ААААААА наконец-то Матвей выпустит лекцию, с прошлого лета ждем! Дождались, ура!)))

13.03.202508:02

История A/B тестирования: от лечения цинги до цвета ссылок Google

Сегодня разберем историю A/B тестов — от первых экспериментов в медицине до современных бизнес-кейсов. Материал получился объемнее, чем изначально планировался, поэтому вынесла отдельно:

https://ubogoeva.github.io/R4Analytics/posts/history_of_AB_testing.html

В следующих постах разберем больше про первые A/B тесты в Amazon, Microsoft и других бигтехах.

Пишите в комментариях, что уже знали и что оказалось новым!

09.03.202507:00

NEWHR выпустили результаты исследования рынка аналитиков за 2024 год

Я репостила анонс исследования NEWHR, спасибо всем, кто прошел опрос, удалось набрать довольно солидную выборку, 1293 человека 🔥

Смотреть полные результаты

Основные инсайты из исследования:

👉 Главные выводы

👉 Какие задачи решают аналитики

👉 ЗАРПЛАТЫ: как менялись за год и сколько получают аналитики, существует ли гендерное неравенство в зарплатах (спойлер: существует) + NEWHR дополнили исследование своей экспертизой: что повышает или снижает стоимость аналитиков

👉 Откуда пришли в профессию и куда идут дальше

👉 ТОП и Анти-ТОП компаний для аналитиков

👉 Каких экспертов котируют и за кем следят

Для меня наиболее интересным оказались результаты по зарплате аналитиков, их гендерному распределению, а также топ и анти-топ компаний для аналитиков (забавно, например, что яндекс ❤️ попал и туда и туда).

Еще хочу отметить исследование как пример очень хорошей визуализации данных (хотя по мелочи есть к чему придраться, например в самом первом графике цвет избыточен, на мой взгляд).

В основном в выборке представлены дата- и продуктовые аналитики, и дата-аналитиков было почти столько же, сколько всего респондентов в аналогичном исследовании 2023 года.

Спасибо NEWHR за проведение таких исследований, и всем, кто прошел опрос, это очень полезно, чтобы понимать рынок труда и свое место в нем.

14.02.202506:10

Долгожданный разбор курса “Основы статистики” на степике

Итак, это свершилось, я наконец-то дописала разбор и опубликовала его здесь

https://ubogoeva.github.io/R4Analytics/posts/review_of_statistics_course.html

Немного контекста: в качестве вводного курса по статистике часто рекомендуют курс “Основы статистики” Анатолия Карпова на степике. Однако многие считают, что курс устарел и содержит много неточностей и ошибок, и я решила подробно разобрать, какие именно.
Постаралась следовать формату “критикуешь - предлагай” и самостоятельно раскрыть темы, которые были недостаточно объяснены в курсе, дополнив их источниками для дальнейшего изучения.

В конце разбора предлагаю свой список рекомендованных источников для изучения статистики на любой уровень подготовки.

В вычитке и корректировке формулировок финальной версии мне очень помог крутой статистик Матвей Славенко (рекомендую подписаться на его канал душно про дату).

#base_stat #stats

07.02.202507:00

Без статистики — не жизнь, а без аналитики тем более!

Для аналитика критически важно не только знать статистику, но и понимать особенности данных, уметь их интерпретировать на понятном для заказчика языке, то самое загадочное "продуктовое мышление".

Превращать статистику в аналитику можно научиться. Например, на курсе «Аналитик PRO» онлайн-школы аналитики Changellenge >> Education.

Что там будет:
✅ Практический формат — много работы с проектами (индивидуально и в мини-группах, все как мы любим).
✅ Полный набор инструментов — Python, SQL, Excel, BI и тд и тп.
✅ Продуктовое мышление — разберетесь на примерах, как аналитика влияет на бизнес.

На курсе особая система мотивации «только попробуй не дойти до диплома!», а по завершении вы добавите в резюме кейсы от Т-Банка и Авито — что значительно усилит резюме. А через 3-4 года станете тимлидом (но это неточно 😁). Там зарплаты от 300К и стремятся к бесконечности.

Зачем платный курс, если все есть в интернете?

✔️ потому что это разработанная методистами четкая программа без хаотичного поиска материалов
✔️ потому что обучение проходит на реальных кейсах реальных компаний
✔️ потому что по каждому заданию вы получите обратную связь от экспертов и кураторов, а не будете делать проекты в стол, даже не зная, справились ли вы с задачей.

Оставляйте заявку на обучение по ссылке, а по промокоду STATS25 вы можете получить дополнительную скидку 25 000 рублей до 10 февраля.

20.01.202505:00

Что такое продуктовая аналитика?

Хочу похвастаться — чуть больше двух месяцев работаю продуктовым аналитиком в Литрес 📚, в команде монетизации, поэтому решила написать впечатления о работе и вообще о том, что такое и зачем нужна продуктовая аналитика.

Впечатления о работе продуктовым аналитиком в Литрес

…если нужно описать одной картинкой ⬆️

А если серьезно, у меня классический стек продуктового аналитика: дизайн и проведение A/B тестов (в основном через вариокуб, иногда вручную подвожу итоги), генерация продуктовых гипотез, написание ETL-процессов (airflow, python) и создание дашбордов (Superset).

Немного о том, чем занимаются продуктовые аналитики в моем понимании.
Я бы описала многообразие работы продуктовым аналитиком так: аналитик помогает бизнесу принять взвешенные решения, основываясь на данных. Это может включать:

- Анализ поведения пользователей на основе логов приложения для выявления наиболее популярных функций и проблемных мест.
- Дизайн и проведение A/B тестов для улучшения пользовательского опыта и увеличения монетизации приложения.
A/B тесты позволяют статистически сравнить эффект какого-либо воздействия в продукте, это очень похоже на обычные эксперименты сравнения с контролем, которые используются в науке (методика A/B тестирований и пришла из научных исследований). Простое объяснение про A/B можно посмотреть в посте Юры, также я выкладывала пример дизайна A/B теста в соревновании от Samokat.tech.
В целом методика тестирований это обширная тема, на много курсов и телеграм-каналов, но в двух словах так.
- Создание дашбордов для наглядного представления информации и отслеживания ключевых метрик продукта.
- И самое интересное - генерация гипотез, что можно улучшить в продукте, далее разработчики могут реализовать это изменение, а аналитики проверяют результат с помощью A/B тестов.

Не все из перечисленного является уникальной способностью продуктового аналитика, например дашборды делают BI-аналитики, и в принципе любые аналитики, гипотезы могут придумывать продакт-менеджеры, анализируют поведение пользователей маркетологи и UX-исследователи. Несмотря на это, продуктовые аналитики играют ключевую роль в интеграции и интерпретации данных для принятия решений бизнеса.
Именно это для меня кажется самым интересным в работе продуктовым аналитиком 😎

#product #analytics

31.12.202409:00

Итоги года 🎉🌲🌲🌲

TGstat приготовили красивую открытку с итогами года, приятно увидеть в одном месте значимые метрики) На канале уже больше 3000 человек, что очень радует и мотивирует продолжать развивать канал и готовить новые материалы.

От себя добавлю еще проекты, которые хотелось бы отметить как значимые в 2024 году.

📱 Выпустила ряд видео, посвященных статистике и R, с плейлистом можно ознакомиться по ссылке.

🌱 Провели совместно с каналом чтопосеешь.org курс по статистике для селекционеров.

🖥 Совместно с Бластим подготовили курс по tidyverse на stepik, а также провели два потока курса по R и статистике. Рассматриваю в дальнейшем продолжение формата курса на stepik, с увеличением количества материалов и сложности заданий, и рассчитываю продолжать сотрудничество как учебный ассистент на курсе по R.

😎 Написала как биологу вкатиться в аналитику данных.

📊 А также подготовила большой разбор про сравнение теста Велча с тестом Стьюдента.

Планы по развитию канала: продолжать разбирать простые и сложные концепты в статистике, применительно к науке и аналитике данных, и постараюсь вернуться к лекциям на ютуб или степик.

Поздравляю всех с наступающим новым годом, желаю достижения всех целей в профессиональном и личном плане! 🎉
Чтобы p-value было меньше 0.05, эксперименты удавались, и данные всегда были качественными и полными 💪

Увидимся в следующем году!

29.12.202412:40

Человек наук – это канал о красоте окружающего мира глазами учёного. Ведет его Вова, крутой биоинформатик, сейчас делает PhD в Мюнхене, связанное с машинным обучением и single-cell.

Здесь вы узнаете:

🍣 Математика программ лояльности: как надолго привязать голодных студентов к доставке роллов, чтобы они ещё и остались довольны

👾 Смешные и страшные истории из мира науки, а также шокирующая обыденность жизни учёных

📊 Как стоит и не стоит визуализировать данные

✉️ А также авторское исследование о том, как лучше писать письма для стажировок или PhD и
советы со стороны собеседующих, будет актуально для науки и не только.

Подписывайтесь!

07.12.202412:00

Бесплатный курс по визуализации данных

karpov.courses выложили в открытый доступ курс по визуализации данных в Tableau (читается как "табло") от Ромы Бунина. Курс будет полезен не только BI-аналитикам, которые работают с Tableau, но и всем, кто сталкивается с визуализацией данных в своей работе.

Я посмотрела большую часть курса, мне очень понравилось, что разбираются принципы качественного датавиза (правила Тафти) и особенности конкретных графиков, например, можно ли отрывать ось в барплоте от нуля, нужно ли подписывать все точки на линейном графике, и когда стоит использовать пайчарты.
Детали и фишки Tableau тоже рассматриваются, но ничего страшного, если вы не работали с этой BI-системой, можно поставить бесплатную версию или просто пропускать части, которые относятся непосредственно к ней (хотя я смотрела целиком, несмотря на то что сейчас не работаю в Tableau).

Курс рекомендую к прохождению ученым, аналитикам данных и всем, кому нужно делать хорошую визуализацию данных 📈

#recommendation

24.11.202412:30

Долгожданный разбор теста Велча и сравнение с тестом Стьюдента

Опубликовала сравнение двух тестов в самых разных случаях. Получилось мало формул, много симуляций, неожиданный плоттвист в конце 🤔

Читаем по ссылке, пишите комментарии здесь или на сайте с авторизацией через гитхаб (недавно добавила эту фичу).

#stats #stat_hard

Статистика и R

P.S. Знаю, что есть запрос на лонгриды по статистике, но на их разбор и написание уходит очень много времени, поддержите репостами и реакциями!

24.10.202413:00

Решение задачи по DnD и терверу 🎲

Условие задачи тут.
Ответ на исходный вопрос: преимущество выгоднее на 1%

Расчеты👇
Для преимущества возьму вариант объяснения из комментариев:

Вероятность провалить DC15 один раз = 1-0.3=0.7
Вероятность провалить оба раза = 0.7*0.7=0.49
Соответственно вероятность не выполнить условие провала оба раза=1-0.49=0.51

Для прибавки посчитать вероятность проще: при выпадении кубика на значение 11 и выше - проверка пройдена. Значит, вероятность пройти проверку сложностью 15 с прибавкой 4 = 10/20=0.5

То есть преимущество выгоднее всего на 0.51 - 0.5 = 0.01=1%

В комментариях много правильных решений и рассуждений, спасибо, было интересно почитать! Например, более формальное решение, с формулами.

Для решения расширенной задачи о том, что выгоднее в зависимости от сложности проверки, накидала небольшой R-скрипт

library(tidyverse)

Еще предложили как у меня вариант с подсчетом вероятностей в экселе и с симуляцией в R, а также решение в общем случае, что выгоднее, прибавка или преимущество.

Ставьте реакцию 👍, если получилось посчитать самостоятельно, и ✍️, если узнали для себя что-то новое. Пишите, понравился ли такой формат задач!

#stat_fun #probability_theory