Pre mortem: искусство предсказания факапов

Что такое post mortem, я думаю, вы все и так знаете. Но я в своей работе больше люблю проводить pre mortem, прежде чем что-то запускать, делать, одобрять, и так далее.

Это значит: сразу представить, что всё пошло по самому худшему сценарию, и заранее понять, где и почему оно могло развалиться.

Зачем это нужно?
Чтобы убрать грабли до того, как на них наступят, и подстелить соломку.

И это не какое-то мыслительное упражнение, чисто посидеть поразмышлять, а полезная практика для бизнеса. Ты становишься адвокатом дьявола, начинаешь фокусироваться не на желаемом результате, а на потенциальных фейлах. Это очень помогает избавиться от предвзятых мыслей и ожиданий, которые мозг даже не фиксирует, когда думает только о цели.

Выглядит это так:
— Зовёшь коллег.
— Вместе брейнштормите, где и что может пойти не так.
— Сразу ищете решения, чтобы прикрыть слабые места.

Так факапы, которые могли случиться, не случаются. Эксперименты становятся точнее, результаты — чище, а команда начинает думать критически и смотреть на риски прежде, чем с энтузиазмом браться за задачку.

Запомните: чем лучше проведён pre mortem, тем меньше шансов, что потом придётся проводить post mortem.

P.S. Эта практика противопоказана беременным женщинам, ипохондрикам и любителям аффирмаций.

Если вы когда-нибудь смотрели на свой технологический стек и думали: «Почему тут всё горит и стоит столько денег?», вот подсказка: дело не в инструментах, а во внутренних процессах и приоритетах.

Когда продукт, разработка и руководство думают каждый о своем, это превращается в басню Крылова либо в дорогую, сложную и неэффективную систему. Вот как это происходит:

1️⃣ Руководство хочет чего-то эдакого
Кто-то из фаундеров или C-level видит вирусный пост в LinkedIn и решает: «Нам срочно надо внедрить AI» или «Переводим нашу пекарню на блокчейн!». А разработчики потом скотчем прилепляют что-то, что юзеры не просили, но «штука крутая + в питчдеке будет смотреться мощно».

2️⃣ Разработка зацикливается на элегантности
Тем временем разработчики любят так сильно увлечься оптимизацией незначительных элементов или 1000х масштабированием, что забывают про главное: продукт должен работать. Прямо сейчас.

3️⃣ Продакт-менеджер хочет всё вчера
Под давлением руководства продуктовые менеджеры требуют быстрых решений. А такие патчи добавляют ещё больше трещин в фундамент.

Итог? Бюджет куда-то делся, система раздута, а проблемы так и не решены.

Вот жёсткая правда:
Ваш технологический стек — это зеркало ваших приоритетов.

Если руководство, разработка и продукт не согласны друг с другом в том, что важно (спойлер: важна ценность для пользователя), всё разлетается в стороны. Каждый инструмент, каждая строчка кода, каждая фича должны быть привязаны к ясной цели, которую знают все-все приниматели решений или как это po-russki.

Как исправить, если все уже разлетелось:
✅ Начинать с проблемы пользователя. Решает ли нынешний стек эту проблему?
✅ Упрощать. Беспощадно удалять всё, что не добавляет ценности.
✅ Разговаривать словами через рот. Все должны вместе и согласованно строить коммунизм идти к одной цели.

Короче, технолгический стек — это ваши приоритеты в действии. А методология «Лебедь, Рак и Щука» работает еще хуже, чем «Жаба и Гадюка».

Ну и в чем я не прав?

Я когда писал про лысины и жопы, вспомнил еще одну историю⬇️⬇️⬇️

В мире стриминг-платформ логика проста:

Микрофон — значит блогер или певец, пушим в рекомендации.
Дилдак — значит контент для взрослых, блокируем немедленно.

Звучит разумно, но на практике…

Предположение, что микрофон — это серебристая/черная штука у рта, а дилдак — что-то цветное совсем в других местах, с реальностью не бьётся. Причём в обе стороны.

Учитывая разнообразие форм и цветов микрофонов, даже опытный модератор иногда путался, что уж говорить об алгоритмах. Поэтому, как и с лысыми головами и ягодицами, этой проблеме пришлось выделить отдельный проект. Интересно, сколько из участвовавших в нём саентистов гордо добавили это в своё CV.

Так что если вас в следующий раз позовут на запись подкаста, подумайте: а микрофон ли это перед вами? 😉

Друзья, сегодня без вайба достигаторства, легкий хи-хи контент

10 заповедей стартапера

1. Не называй себя «Uber для [чего угодно]».
2. Не пивоть каждый раз, когда выходит новый хайповый тренд.
3. Не говори «Мы маленький стартап», если нанимаешь людей как Amazon.
4. Не делай редизайн офиса с блекджеком и шлюхами как только инвесторы дали денег.
5. Не говори, что ты лучше ChatGPT, если это не так (а это не так).
6. Не заменяй нормальную стратегию скоростью.
7. Не упахивай команду под лозунгом «стартап-атмосферы».
8. Не называй свой питчдек емким, когда там тупо не хватает данных.
9. Не называй сверхурочный неоплачиваемый проект хакатоном.
10. Почитай отца, мать, а также свой питчдек несколько раз перед отправкой инвестору.

Аминь 🙏
Что я забыл?

Я много чем недоволен и постоянно пишу про свои и чужие ошибки и про то, как все кругом неправы и все делают неправильно.

Но мой психотерапевт говорит, что надо обращать внимание на светлые стороны, так что вот вам позитивный пост с зелеными флагами дата-саентистов.

Вот несколько вещей, которые сразу показывают, что перед вами не просто человек, знающий Python, а реально толковый специалист:

1. Думает про проблему, а не про инструменты
Если человек сразу кидается обсуждать модели и техстак, не вникая в бизнес-контекст, — это тревожный звоночек. Хороший дата-саентист в первую очередь спрашивает:
📌 Какую проблему мы решаем?
📌 Где это встроится в бизнес?
📌 Что эта модель должна делать и как её результаты повлияют на компанию?

2. Выбирает самое простое решение
Если задаёшь тестовое, а человек сразу начинает строить LLM на коленке, вместо того чтобы решить задачу в три строки, — это плохой знак. Настоящие профессионалы не пытаются забивать гвоздь микроскопом. Они находят минимально сложный и при этом рабочий вариант.

3. Задаёт вопросы и не боится сказать «я не знаю»
Хороший специалист не боится уточнять, если что-то не понимает. Он не будет давать любое решение лишь бы что-то сказать. Вместо этого он спросит:
💡 Какие допущения мы можем сделать?
💡 Я бы начал с того и этого, но для более детального ответа мне надо больше данных.
💡 Я не вижу очевидного решения, не хватает контекста.
Это признак зрелости, а не слабости.

4. Быстро адаптируется, если условия задачи меняются
Классический прием, который я очень люблю применять на техсобесах: берём ту же задачу, но добавляем новые ограничения или меняем условия (например, цель задачи). Как меняется решение? Если кандидат тут же соображает, какие части модели или данных надо пересмотреть, — отлично. Если он начинает паниковать и пытаться натянуть старое решение на новую ситуацию — это уже не очень. Подход к таким задачам как раз поможет понять, как кандидат понимает бизнес.

(Есть такое, что я под видом зеленых флагов опать напихал кучу красных? Я старался как мог, но я хейтер по натуре).

Раньше бизнесам в целом и дата-саентистам в частности приходилось с нуля делать почти все — от инфраструктуры до ML-моделей. Сегодня ландшафт изменился:

📌 Готовые решения теперь есть почти для всего
Когда-то, чтобы встроить ML в продукт, приходилось писать кастомные пайплайны, решать инфраструктурные задачи и тонко настраивать модели. Теперь для большинства задач есть готовые библиотеки, third-party сервисы и огромное количество best practices. Если e-commerce стартапу захотелось сделать чат-бот, больше не надо создавать под это отдельную команду и решать кучу инженерных проблем. Сейчас ты просто берешь готовый API и интегрируешь.

📌 Изобретать новые модели нужно только deep-tech компаниям
Если бизнес не строит свою R&D-лабораторию, то нет никакого смысла изобретать велосипед. Всё, что реально работает, уже давно описано, запротоколировано и доступно в виде фреймворков и сервисов. Ключевой навык теперь — не писать модели с нуля, а понимать, когда и как их применять.

📌 Data Science становится про продукт, а не про код
Технические задачи не исчезли, но теперь они гораздо более стандартизированы. В итоге ценность создают не те, кто может собрать модель с нуля на ассемблере, а те, кто понимает, зачем она нужна и какую проблему решает.

Время метафоры: раньше каждый столяр сначала должен был сначала сам придумать и сделать себе набор инструментов, а потом только начать строгать. Сегодня все можно изучить онлайн и купить на маркетплейсе — кроме понимания, какую мебель делать лучше, каким именно способом и кому она вообще нужна. И именно из-за того, что инструменты доступны практически каждому, технический порог входа ниже, а значит и конкуренция уходит в область продукта и бизнеса.

И такие навыки, конечно, будут цениться всегда.

Уважаемые лучшие люди в интернете!

Мы тут с коллегами сели переделывать тексты — на сайте, в презентациях, везде, где ASAO DS объясняет, что мы вообще делаем. Почему? Потому что не всем понятно, что мы вообще делаем.

Поэтому предлагаю и вам аттракцион прожарки.

Пишите в комментариях всё, что вам неясно, раздражает или вызывает вопросы. Не в целом во вселенной, а конкретно в том, что я делаю, про что пишу, на что обращаю внимание. Что вам кажется размытым, непонятным или странным?

Приветствуется любые хейтерские комментарии, от «Чем ты лучше чата GPT?» и «Да что такое этот ваш консалтинг?» до «Вот у вас на сайте не написана цена за консалтинг (1 шт.), где прейскурант? Позовите менеджера» и «А ничо тот факт что у вас нет веганской разработки без глютена?»

Если вы хотите прям жестко меня обидеть и довести до слез, напоминаю, что у нас прикручен бот для анонимных вопросов и комментариев.

Зачем это всё?
Локальная цель: понять, что непонятно + понять, какой у нас вайб в целом сейчас. И понять, кого в канале забанить.
Глобальная цель: сделать так, чтоб непонятно больше не было + улучшить вайб.

Помните, что во1) тупых вопросов не бывает, а во2) я — просто часть вашей симуляции, так что не стесняйтесь, освободите своего внутреннего хейтера.

Я не люблю книги по саморазвитию, но я люблю узнавать новое, так что вот мой топ нон-фикшенов. Все эти книги прекрасно и весело написаны, и все они не то чтобы прям меняют твою жизнь, но нехило расширяют кругозор:

📖 The Secret
📖 «Транссерфинг реальности»
📖 «Богатый папа, бедный папа»

📖 Taxtopia — не только самый смешной нон-фикшн этого века (помимо этого канала), но и 100% самая смешная книга о налогах. После неё становится ясно, почему налоговая система — это полный хаос, который никто не будет исправлять, потому что он выгоден всем стейкхолдерам.

📖 Live Work Work Work Work Die — отличная книга про Кремниевую долину, стартапы и то, почему все эти мотивирующие истории про стартапы из грязи в князи — это по большей части маркетинговый скам. Если вы хотите делать свой бизнес — лучше прочитать её до того, как начнёте. И не читайте вторую половину книги, где автора начинает нести в сторону политики.

📖 Straight to Hell — книга Джона Ле Февра (для твиттерских: это автор Goldman Sachs Elevator) про внутреннюю кухню корпоративного мира и инвест-банкинга. Не научит ничему полезному, но объяснит, почему индустрия устроена так, как она устроена, и сделает это с юмором.

📖 Kleptopia — про то, как околокриминальные русско-казахские деньги оседали в Лондоне в огромных количествах с формальным KYC, и как местная система просто закрывала на это (и не только на это) глаза. Если интересен путь больших денег — это для вас.

📖 When McKinsey Comes to Town — взгляд изнутри на работу McKinsey и консалтинговых гигантов. В том числе про их вклад в опиоидную эпидемию в США. Великие «моральные» действия великих корпораций.

Если читали что-то из этого — напишите, что зашло больше всего. А еще лучше — порекомендуйте что-то в том же духе.

Найм сотрудников — это сломанная система, и AI может её починить

Поиск работы сейчас — это какое-то насилие над всеми участвующими. Люди подают сотни заявок, заполняют бесконечные анкеты, получают тонны отказов или вообще молчание в ответ. Сейчас даже для мощнейших специалистов считается нормой отправить заявки в сотни компаний, и получить в лучшем случае пару приглашений на интервью. А это значит, что рынок совершенно сломан.

Почему так?

Потому что соискателей дохрена. Люди подаются на всё подряд, потому что они не знают, где у них реально есть шансы, потому что им очень нужна хоть какая-то работа и потому что есть боты, которые позволяют за минуту заспамить весь LinkedIn и все job-борды. В результате на каждую позицию за сутки могут прийти тысячи заявок: и релевантных, и не очень.

И рекрутеры, которые должны всё это разбирать, чувствуют себя под DDOS-атакой. У них есть возможность провести три интервью в день, и этих людей надо как-то выгрести из 10 000 резюме.

Единственное, что они могут сделать, — это придумать фильтры, чтобы хотя бы отсечь половину. Так появляются вакансии, где на позицию мидл-аналитика внезапно нужны навыки сеньора-фуллстека, дата-сайентиста и ещё желательно девопса, а ещё сертификат PMP и владение Python, R, Scala и Go.

Но даже это не спасает, поэтому заявки отбирают автоматизированные тулзы, которые просто ищут нужные слова в резюме.

Что в итоге?

До этапа интервью доходит мизерный процент людей. И это не значит, что остальные не подходят — просто у них в резюме не было «правильных» ключевых слов и пятнадцати лет опыта работы промпт-инженером. Отсюда и дефолтные стерильные "Thank you for your interest in the role. After careful consideration, we decided to proceed with the other candidates." в ответ на 99% заявок.

Те, кто доходит, попадают в другую мясорубку.
🔹 Огромный стресс. Интервью — штука редкая, у кандидатов нет опыта их прохождения, поэтому, когда появляется шанс, они нервничают и валятся на ровном месте.
🔹 Субъективность интервью. Рекрутер сегодня не выспался да еще и в туалет хочет — всё, шансов у соискателя нет.
🔹 Фокус не на том. Интервью проверяет не то, как человек будет решать бизнес-задачи, а то, насколько хорошо он подготовился к интервью.

И это просто ужас, с которым мы все как будто смирились.
Но тут на сцену выходит AI.

Как только появятся AI-продукты, которые смогут заменить интервьюера в формате живого диалога, можно будет делать так:

Нанимающий менеджер и HR будут объяснять AI, что ищут в кандидате, какой тип задач человек будет решать, какие правильные и неправильные подходы, где зеленые флаги, а где — красные и так далее. Это долгая подготовительная работа, которая окупится.

Что произойдет дальше:
🔹 AI-интервью вместо резюме-менеджмента.
Кандидат заходит на платформу, отвечает на вопросы AI, тот адаптируется, идёт по разным веткам, проверяет реальные навыки и решает, подходит ли он.
🔹 Параллельный скрининг всех кандидатов.
Теперь нет лимита в три интервью в день. AI может собеседовать 1000 человек сразу.
🔹 Равные условия.
Нет «плохого настроения» у интервьюера, нет субъективного фактора. AI проверяет именно то, что важно для работы, а не умение в small talk (что тоже может быть важным фактором, но и оно будет одинаково оцениваться для всех).
🔹 Реальный опыт прохождения интервью.
Вместо одного интервью раз в пару месяцев, у человека может быть по несколько в день. Набирается форма и скилл прохождения интервью.
🔹 Спокойствие.
Отсутствие нервов и фрустрации от того, что это тот самый «единственный шанс, который никак нельзя упустить».
🔹 Фидбек.
Сейчас человек может ходить по собеседованиям годами и не понимать, почему его не берут. AI-интервью дадут возможность всегда получать релевантную обратную связь.

И что останется людям?
Только финальный этап: проверка culture fit и разговор с нанимающим менеджером.
Всё.

Фильтры перестают быть бессмысленными, а поиск работы перестаёт быть унизительным.

В прошлом посте мы говорили, как AI-интервью может заменить сломанную систему найма, где кандидат оценивается не по реальным навыкам, а по ключевым словам в резюме. Но если фильтры по резюме исчезнут, что будет с самым главным фильтром в начале карьеры — университетским дипломом?

Сейчас ВУЗ выполняет три функции:
🎓 Образование — вроде бы учит чему-то полезному.
🎓 Социализация — нетворк, групповые загулы проекты, first real heartbreak.
🎓 Сигнал для работодателей — мол, если человек закончил MIT, то, скорее всего, он не полный идиот.

Но давайте честно: из этого списка только социальная часть (иногда) реально работает как надо.

Образование
Университет — это курс на 4+ лет, который обновляется медленно. В мире, где знания устаревают за полгода, это немного неэффективно.
Люди, у которых есть силы и мотивация учиться, могут пройти те же курсы, что в MIT или Стэнфорде, не выходя из дома. Контент теперь доступен всем, программа онлайн-курса обновляется гораздо быстрее, чем университетская, а преподаватели те же. А еще это сильно доступнее. Плюс, AI выводит интерактивность получения знаний на новый уровень.

Сигнал работодателям
Диплом Кембриджа = человек смог туда поступить, смог там выжить, скорее всего, не совсем безнадёжен.
Но этот фильтр нужен во многом потому, что компании не могут проверять всех кандидатов вручную. Когда AI-интервью уберёт этот барьер и начнёт проверять реальный уровень знаний, фильтр в виде диплома потеряет смысл.
И это не говоря о том, что и сейчас подавляющее число университетов по всему миру — шараги, чей диплом не подает никаких сигналов, кроме «человек смог провести 4 года, в основном, сидя».

Социализация
Это то, что у университетов никто не отнимет. В топовые вузы будут идти не за знаниями, а за связями. Нетворк, наркотики всех цветов и сексуальные опыты всех видов, шанс посидеть за одной партой с будущими единорогами — всё это останется.

Что дальше?
Трансформация неизбежна. Большинство средних универов перестанут быть местом, куда идут «учиться профессии». Образование (не всё, но во многом) уйдёт в онлайн, сигнальная функция отпадёт, а останется social hub: место, где можно прокачать софт-скиллы, научиться работать в команде и заработать парочку зависимостей и эмоциональное выгорание.

У клиентов я очень часто вижу ошибки, связанные с автоматизацией.

Причем в обе стороны:
❌ Одни продолжают делать всё вручную, хотя давно пора бы нажать пару кнопок и забыть про рутину.
❌ Другие автоматизируют что-то, чего вообще не должно быть.

Когда автоматизировать?
👉 Если задача повторяется регулярно, а не раз в год по настроению.
👉 Если усилия на автоматизацию не превышают суммарное время, которое уйдёт на ручное выполнение.
👉 Если автоматизируем не хаос, а нормальный процесс. Потому что если процесс построен из говна и палок, то, как ни крути, получится автоматизированное говно с палками в колесах.

Когда НЕ автоматизировать?
🚫 Когда это разовая задача.
Если надо просто один раз перегнать данные из одной базы в другую, нет смысла строить сложный пайплайн.
🚫 Когда то, на чем автоматизация базируется, ожидаемо изменится.
Если компания через месяц переезжает на другое облако, автоматизировать старые процессы бессмысленно — они просто отправятся в мусорку вместе с серверами.
🚫 Когда непонятно, зачем это вообще нужно.
Если нет чёткого (и желательно описанного) понимания, какой value даёт автоматизация и кто её будет поддерживать — скорее всего, она никому не нужна.

В общем, автоматизация должна упрощать жизнь, а не усложнять её. Так что перед тем как что-то автоматизировать, задайте себе несколько вопросов: а оно надо? А кому оно надо? А кто будет следить за тем, чтоб оно работало? Одиноки ли мы во Вселенной?

Представьте, что вы решили завести ребенка. Долго готовились, пили витамины, бросили пить и курить, тщательно выбирали имя. Родили здорового, идеального арийского младенца… и просто оставили его в роддоме. Пусть сам разбирается.

А ведь именно так поступают с продуктами в большинстве компаний.
Есть идея — супер!
Сделали MVP — отлично!
Провели A/B-тест — ну, вроде нормально!
Запустили в прод — победа! Погнали делать что-то новое.

А дальше? А дальше ничего.

Никакого оунершипа, никакого мониторинга, никакой ответственности. Разработчики ушли писать новые фичи, дата-саентисты свалили на следующий проект, продакты похвастались результатами — и продукт, который должен приносить деньги, остается бесхозным.

Какие проблемы это создаёт:

1️⃣ Никто не знает, что происходит
Кусок кода живёт в проде, но его никто не мониторит. Метрики могут деградировать, системы меняться, а он продолжает работать или делать вид, что работает — как стажер, которому никто не оставил задач.
2️⃣ Что-то сломалось? Ой, никто не в курсе
Вообще никто. Был у клиента кейс: система рекомендаций перестала работать, всё уходило на fallback-алгоритм (запасной вариант, если основная логика ломается). Несколько месяцев (!) никто не замечал, что продукт давно мёртв, потому что некому было это заметить.
3️⃣ Люди уходят, знания исчезают
Человек, который разрабатывал систему, ушёл из компании — и всё. Новый сотрудник приходит, видит в проде огромную чёрную коробку, спрашивает: «А что это?»
Ответ: «Да фиг знает, оно просто работает, не трогай».
Никакой документации, никакого контекста, просто мистическая штука, которая отвечает за половину выручки. И это не какой-то корнер кейс — такое сплошь и рядом.

Как должно быть?
За продуктом надо присматривать даже после релиза.
🔹 Продуктовый оунер — отвечает за смысл, метрики и бизнес-ценность.
🔹 Технический оунер — следит за стабильностью, работоспособностью и чтобы ничего не упало.
Без этого рано или поздно наступает хаос.

И если в компании никто не знает, кто ответственный за продукт, то ответ прост: этот продукт уже мёртв, просто ещё не воняет.

Большая часть нашей аудитории — взрослые, состоявшиеся люди, поэтому приведу понятный и релевантный пример.
Возвращаетесь вы из школы, родители спрашивают: «Как дела?» — а вы отвечаете: «Физрук похвалил!»
А про двойку за годовую контрольную по математике и то, что из школы вообще-то выгнали, как-то умалчиваете.
Примерно так же выглядит общение стартапов с инвесторами и мидл-менеджеров с топами. Упор делается на красивые метрики, а важные вещи остаются за кадром.
Какие цифры чаще всего создают иллюзию успеха?

📌 DAU, MAU и прочие vanity-метрики
(Daily Active Users, Monthly Active Users — количество активных пользователей в день/месяц)

🔹 Когда высокий DAU/MAU при низком ретеншне
Продукт может быть полным провалом, но на бумаге всё выглядит хорошо. Потому что льётся реклама, регистрируются тысячи новых пользователей, которые через час отплевываются, удаляют профили и больше никогда не возвращаются. На цифрах Лев Толстой…

🔹 Когда метрики искусственно раздувают
Настоящая бизнес-метрика — revenue. DAU и MAU по-хорошему должны коррелировать с доходами, но эта цель часто подменяется. Чтобы отчитаться перед инвесторами, можно просто закупить трафик в странах, где почти никто не платит. В итоге — пользователей больше, денег нет.
Если уж смотреть на активных юзеров, важно анализировать ARPU (доход с пользователя) и ARPPU (доход с платящего пользователя).

📌 Эффект новизны
Зачастую, нововведение = кратковременный всплеск интереса и любопытства юзеров. Что-то поменялось (новые скины в игре, новая фича) — люди удивились — цифры подскочили. Только потом всё откатывается обратно, но этот момент уже не так интересно презентовать инвесторам. Подробно я об этом писал тут.

В общем, красиво выглядящие цифры в отчётах не значат ничего, если деньги не растут. Про «Титаник» тоже можно было сказать, что количество свободных кают и упоминаний в прессе резко увеличилось. Пользуйтесь здравым смыслом.