Постик для тех, кто сейчас думает над магистратурой📖
(и снова, к сожалению или к счастью, не реклама)

Дала небольшое интервью своей альма-матер по случаю открытия совместной программы ФКН и Авито🌍

В комментах справедливо подметили, что я училась на другой специальности, совместной с ШАД Яндекса. Всё так, но заглянуть в будущее, чтобы спросить выпускников маги Авито, не вышло.

Коллаборации университетов и бигтехов — это топ, потому что там минимальная концентрация духоты и максимальная — экспертности и релевантных знаний от людей из индустрии📈

Всем успехов и хороших выходных!💓

@analytess 👩

Как улучшить алерты по данным, и причём тут аналитики😐

Сегодня я хочу поделиться двумя статьями с Хабра, в которых затрагивается интересный кейс, близкий к предметной области, с которой я работаю в Авито — определение аномалий в продуктовых метриках для алертов по ним📈

📱 Чтобы не терять деньги: оповещения о падениях продуктовых метрик — VK, декабрь 2022

🏦 Как сэкономить силы и время аналитиков: наш алгоритм выявления аномалии данных — Купер, сентябрь 2023

➡️ Что здесь происходит?
Базово это очередная вариация на классическую задачу продуктового аналитика — поиск аномалий в данных.

Представим себе временной ряд покупок на сайте, допустим, в минуту. Понятно, что ночью и днём ожидаемые значения разные, а ещё есть более «крупная» сезонность (например, еду домой чаще заказывают на выходных), и даже общий растущий тренд этой продуктовой метрики (мы же делаем крутой сервис, у которого становится всё больше пользователей и их заказов).

Так что с такими метриками определение границ нормальных значений перестаёт быть тривиальным, иначе бы дежурные каждую ночь просыпались от алертов, что юзеров мало😄

➡️ Почему это вообще задача для аналитика, а не DevOps?
Абсолютно резонный вопрос. DevOps занимаются технической реализацией всех этих мониторингов (настраивают Grafana для сервиса, подключают отправку уведомлений в чаты дежурных, интегрируют прочие процессы). Для этого у метрики должен быть известен диапазон нормальных значений. Например, количество ошибок должно быть достаточно близко к нулю.

С продуктовыми метриками уже не всё так просто, и логично, что алгоритмы определения аномальных значений делают аналитики, или даже DS, если выбрать ML-модель для этого.

➡️ Почему я считаю, что вам стоит это прочитать?
Во-первых, мне кажется, что это хорошие статьи для насмотренности продуктового аналитика. Лично я раньше тоже сталкивалась с задачей «как нам определить, что данных не достаточно и надо кидать алерт» в Озоне, но там было достаточно простого варианта, так как речь шла о состоянии наших витрин, а не мониторинге сервиса в режиме онлайн.

Во-вторых, вы уже не раз спрашивали, чем вообще можно заниматься в технической платформе👍 На этот вопрос я пока что сама пытаюсь осознать ответ, но у меня уже есть в работе задача, где я участвую во внедрении алгоритма выявления таких аномалий от моего предшественника — тестирую его на различных метриках и скоро буду работать над его качеством.

Что думаете? Сталкивались с подобными кейсами?😎

#хардов_пост
@analytess 👩

Могла ли эта встреча быть письмом?🎮
...о созвонах здорового человека

Есть такое расхожее мнение, что созвоны — это плохо. Их назначают менеджеры, чтобы до всех докопаться, или создать иллюзию бурной деятельности, или просто поболтать. Или, и того хуже, микроменеджеры. «Коллеги, меня слышно? А теперь? Так, какой там статус по задаче?» Но, кажется, команд вообще без созвонов тоже не существует, и не просто так.

➡️ Простая математика: если собрать человек 6 разных грейдов на полчаса встречи, которая никому не дала новых знаний, но отняла рабочее время, это будет стоить компании минимум 4-5 тысяч рублей. А ещё потенциально демотивирует сотрудников и рассеет кому-то «окно внимания» на задаче😄

Примерами таких встреч, которые могли бы быть письмом или тредом в маттермосте, могут служить:
⚪️не стратегически-важные встречи, на которые зачем-то зовут несколько сотрудников одной функции (мидла и его лида и т.д.)
⚪️дейлики/стендапы/синки (кстати, как у вас это называется?) в командах, где люди работают над разными направлениями
⚪️настоятельно рекомендованные к посещению (у нас не так, к счастью) собрания/All Hands целых отделов или всей компании. На провокационные вопросы всё равно там не ответят😀

Обилие таких встреч ведёт к потере вовлечённости: каждый хочет быстренько ответить по своим статусам и заняться своей рабочей рутиной, а ещё лучше — выключить камеру и пойти готовить обед (признаюсь, у меня был такой опыт).

Как ни странно, даже если всем на встрече интересно и даже немного весело, это тоже не значит, что её нужно проводить. На одной из моих работ раз в 2 недели были двухчасовые ретро с Miro-доской с мемами. Простите, а когда работать?🌟

➡️ Но не всё так плохо и печально.
Как бы я ни любила возможность при пустом календаре ни на что не отвлекаться или куда-то отлучаться, надо признать: некоторые вопросы в разы проще решаются голосом.

Асинхронная коммуникация по сложным техническим вопросам — это боль (формулировать вопрос, делать скриншоты, ждать ответа, который другой стороне тоже тяжело формулировать... брр), а созвон с шарингом экрана может помочь договориться о чём-то или передать знания буквально за 10-15 минут. Я думаю, что такие созвоны вполне окупаются, так как позволяют сделать задачи в срок и уменьшить вероятность переделки.

И да: это тот самый аргумент, который часто используется в обоснованиях возвращения к гибридному или даже офисному режиму. Тем не менее, практика показывает, что даже в пределах офиса иной раз проще просто созвониться, чем искать укромный уголок или вообще выяснять, на какой сегодня террасе воркает нужный коллега. Так что с этим поинтом я не согласна, но демонизировать сами созвоны тоже не хочу🤓

➡️ Два ключевых правила созвонов здорового человека:
⭐️ у любой нерегулярной встречи есть конкретная повестка (agenda), невежливо просто так кидать в календарь созвон
⭐️ после встречи должны быть понятны итоги — список, кто что делает и за что отвечает, ну либо факт решённого вопроса

➡️ Напоследок расскажу, какие созвоны у меня есть сейчас в Авито, их не так мало, но мне кажется это адекватным👍
⚡️ планирование всей команды с заказчиками раз в неделю — ну это база, фактически справляемся за полчаса
⚡️ 2 синка в неделю по одному из направлений и по одному по двум другим (включая ААА), тоже всё по делу
⚡️ 2 синка всей команды в неделю — в основном, мы там обсуждаем общие планы, новости, тимбилдинги, без нудных статусов по конкретным задачам, так как они у всех разные
⚡️ 1-on-1 с лидом каждую неделю, это, ИМХО, must have везде

Всё остальное — либо стихийные созвоны по конкретным вопросам, либо общие активности отдела/всего Авито, которые можно включать на фоне, смотреть в записи или скипать.

Что думаете? Сколько созвонов в неделю у вас?⬇️
😎 — люблю созвоны по делу, 🤓 — давайте в чате решим

#жизнь_в_бигтехах #непопулярное_мнение
@analytess 👩

Недооценённая базовая библиотека языка Python🐍

Я думаю, все уже знают, как работать со структурами данных list, set, tuple и dict, и чем они отличаются. Сегодня я хочу рассказать про модуль сollections, который делает всё ещё чуть проще. Устанавливать его не нужно, просто импортировать — и это тоже плюс, так как снимает вопросы версий и совместимости с окружением.

🧮 Counter — быстрая статистика частот значений

from collections import Counter

pages = ['main', 'catalog', 'main', 'cart', 'main']
c = Counter(pages)
c.most_common(3)

>> Counter({'main': 3, 'catalog': 1, 'cart': 1}). 

Позволяет даже в случае простого списка (а не колонки pandas) быстро узнать, какие есть дубли. Метод most_common(n) позволяет вывести только n самых частотных значений. Counter-ы можно вычитать друг из друга. А ещё можно брать Counter(s) от строки и моментально проверять так анаграммы — пригождается на собеседованиях🤵

📚 defaultdict — избавляет от if key not in dict

from collections import defaultdict

clicks = [('user1', 'main'), ('user1', 'cart'), ('user2', 'main')]
user_pages = defaultdict(list)

for user, page in clicks:
    # if user not in user_pages.keys():
    #    user_pages[user] = []
    user_pages[user].append(page)

Применяется тогда же, когда и обычный словарь dict(), где при попытке добавить значение для user2 будет KeyError, так как список ещё не инициализирован, я закомментила то, что нужно было бы добавить.

⚡️ deque — очередь, которая не тормозит
Тут я вам сразу признаюсь, в жизни пока пригождалось реже других, но можно блеснуть на собесе, если зайдёт речь об оптимизации. Обычный list() тормозит при вставках с начала, а deque() создан специально для них (см. стандартные структуры данных очередь и дек).

А ещё у deque() есть параметр maxlen, который позволяет удобно поддерживать скользящее окно или другой топ-N элементов.

from collections import deque

q = deque(maxlen=3)
q.append(1)
q.append(2)
q.append(3)
q.append(4)  # 1 вылетит, останется [2, 3, 4]

➡️ Ещё в модуле collections есть упорядоченный словарь OrderedDict , namedtuple() для структур данных с полями и ещё кое-что. Ловите доку.

Ставьте, пожалуйста, реакции, если было полезно, и пишите, какие ещё недооценённые крутые методы и библиотеки знаете⬇️

😎 — если уже используешь, ❤️ — если сохранил или переслал другу

#хардов_пост #найм_и_собесы
@analytess 👩