Матемаркетинг’25: AI & ML, поведенческая аналитика, новые решения и технологии для работы с данными
20–21 ноября в Москве пройдёт Матемаркетинг’25 — восьмой раз одна из крупнейших конференций по маркетинговой и продуктовой аналитике соберёт ведущих экспертов индустрии.
Для более чем 2 000 участников подготовили 12 тематических потоков и свыше 100 докладов, мастер-классов и экспертных сессий, а также множество интерактивов от организаторов и партнеров.
Среди спикеров — Олег Бартунов (сооснователь и президент Postgres Professional), Денис Димитров (создатель линейки моделей Kandinsky, СБЕР), Фёдор Вирин (партнер Data Insight), Максим Андреев (руководитель аналитики привлечения и платформы атрибуции Т-Банк), Вячеслав Марков (основатель TargetADS) и многие другие.
Ключевые темы этого года:
— AI-аналитика и оптимизация процессов в условиях сжатия экономики.
— Data-платформы и CVM: новые подходы к инфраструктуре и персонализации клиентского опыта.
— Аналитические агенты, нейроассистенты и алгоритмы оптимизации на базе машинного обучения.
— A/B-тестирование и автоматизация маркетинга: как ускорить эксперименты и повысить эффективность.
— BI и визуализация данных: превращение массивов данных и цифр в продуктовые инсайты.
— Презентации новых продуктов и технологий от Яндекс и Tengri Data.
Помимо деловой программы участников будут ждать стенды технологических брендов и тематические зоны: чайные церемонии, настольные игры, шахматный турнир, карьерные консультации от экспертов HeadHunter, Го с роботами и запись живого подкаста.
Дополнительно каждый гость получит 6-месячный доступ к онлайн-платформе конференции с материалами более чем 500 докладов прошлых лет.
Место проведения: Кластер «Ломоносов» МГУ, Раменский бульвар 1.
Подробности и регистрация — на сайте мероприятия.
Ну и главное, для подписчиков канала Промокод на 10% —
20–21 ноября в Москве пройдёт Матемаркетинг’25 — восьмой раз одна из крупнейших конференций по маркетинговой и продуктовой аналитике соберёт ведущих экспертов индустрии.
Для более чем 2 000 участников подготовили 12 тематических потоков и свыше 100 докладов, мастер-классов и экспертных сессий, а также множество интерактивов от организаторов и партнеров.
Среди спикеров — Олег Бартунов (сооснователь и президент Postgres Professional), Денис Димитров (создатель линейки моделей Kandinsky, СБЕР), Фёдор Вирин (партнер Data Insight), Максим Андреев (руководитель аналитики привлечения и платформы атрибуции Т-Банк), Вячеслав Марков (основатель TargetADS) и многие другие.
Ключевые темы этого года:
— AI-аналитика и оптимизация процессов в условиях сжатия экономики.
— Data-платформы и CVM: новые подходы к инфраструктуре и персонализации клиентского опыта.
— Аналитические агенты, нейроассистенты и алгоритмы оптимизации на базе машинного обучения.
— A/B-тестирование и автоматизация маркетинга: как ускорить эксперименты и повысить эффективность.
— BI и визуализация данных: превращение массивов данных и цифр в продуктовые инсайты.
— Презентации новых продуктов и технологий от Яндекс и Tengri Data.
Помимо деловой программы участников будут ждать стенды технологических брендов и тематические зоны: чайные церемонии, настольные игры, шахматный турнир, карьерные консультации от экспертов HeadHunter, Го с роботами и запись живого подкаста.
Дополнительно каждый гость получит 6-месячный доступ к онлайн-платформе конференции с материалами более чем 500 докладов прошлых лет.
Место проведения: Кластер «Ломоносов» МГУ, Раменский бульвар 1.
Подробности и регистрация — на сайте мероприятия.
Ну и главное, для подписчиков канала Промокод на 10% —
D2DECISIONS10взяли тут у меня интервью, с точки зрения того, что такое Data driven https://probero.com/interviews/conveyor-belt-growth
Probero
The Conveyor Belt of Growth
🔥4
Всем привет! решил напомнить о себе, что не пропал.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
🔥8👍6
Питер Тиль продал всю свою долю в Nvidia. Все уже активно обсуждают пузырь AI. И сравнивают его с крахом доткомов. Я же хочу поднять другой вопрос.
Когда в 2000 году случился крах доткомов, инвесторы забирали деньги из NASDAQ и несли их в другие биржи (компании, рынки, ресурсы). И в целом крах затронул только раздутые IT компании. Те, кто вывел деньги сохранил их.
В этот раз ситуация несколько иная, современные IT компании стоят больше, чем все остальные рынки вместе взятые. И возникает вопрос, а куда собственно будут выводить деньги инвесторы? Ведь такого места просто нет, куда можно перелить столько денег. Значит ли это, что инвесторы массово потеряют деньги?
Что думаете?
Когда в 2000 году случился крах доткомов, инвесторы забирали деньги из NASDAQ и несли их в другие биржи (компании, рынки, ресурсы). И в целом крах затронул только раздутые IT компании. Те, кто вывел деньги сохранил их.
В этот раз ситуация несколько иная, современные IT компании стоят больше, чем все остальные рынки вместе взятые. И возникает вопрос, а куда собственно будут выводить деньги инвесторы? Ведь такого места просто нет, куда можно перелить столько денег. Значит ли это, что инвесторы массово потеряют деньги?
Что думаете?
🤯6
пост не про принятие решений, но про данные. я считаю, что нужно очень аккуратно относиться к данным и тому, как с ними работать. По этому история про самую маленькую игру.
Ни для кого не секрет, что современная разработка порождает огромным размер кода, современные программы, игры и т.д. занимают гигабайты, иногда даже сотни гигабайт.
Но знаете, ли вы, что в мире есть еще умельцы, например, рабочая игра шахматы (кто из вайбкодеров не умеющих кодить сможет вообще в целом написать игру шахматы?), которая занимает 270 Bytes, для тех, кто не в курсе, компьютер хранит всю информацию в битах (бинарное состояние 0 или 1), 1 байт это 8 битов, 1 килобайт это 1024 байта, 1 мегабайт это 1024 килобайта и так далее... Так вот полноценная игра в шахматы, которая занимает 270 байт, менее одного килобайта. Это фантастика.
Игра называется ChesSkelet.
Ни для кого не секрет, что современная разработка порождает огромным размер кода, современные программы, игры и т.д. занимают гигабайты, иногда даже сотни гигабайт.
Но знаете, ли вы, что в мире есть еще умельцы, например, рабочая игра шахматы (кто из вайбкодеров не умеющих кодить сможет вообще в целом написать игру шахматы?), которая занимает 270 Bytes, для тех, кто не в курсе, компьютер хранит всю информацию в битах (бинарное состояние 0 или 1), 1 байт это 8 битов, 1 килобайт это 1024 байта, 1 мегабайт это 1024 килобайта и так далее... Так вот полноценная игра в шахматы, которая занимает 270 байт, менее одного килобайта. Это фантастика.
Игра называется ChesSkelet.
Прогнозирование когорт на основе исторических данных
Задача прогнозирования будущего в бизнесе является достаточно сложной и важной. Прогнозирование позволяет понимать какие ресурсы необходимы бизнесу для достижения целевых показателей, как они будут тратиться и как будут достигаться цели. Все это позволяет уменьшить риски в работе, и принимать управленческие решения основываясь на данных, а не вслепую.
Идеальный вариант, построить прогнозную модель изменения бизнес процессов, по которой построить прогнозные планы прибылей и убытков (P&L), движения денежных средств (CF) и баланса. Однако, задача построения прогноза для этих документов достаточно сложна и трудоемка. Однако, использование юнит-экономики позволяет решить эту задачу в более простом виде, так как вся модель строиться на небольшом количестве показателей, которые связаны с понятными бизнесу бизнес процессами, которые проще контролировать и планировать.
Для этого, используя теорию ограничений Голдратта, можно прогнозировать оптимальную конфигурацию метрик юнит-экономики, которая необходима для достижения планового значения целевого показателя, например, маржинальной прибыли, прибыли или оборота. На основе прогнозной юнит-экономики можно построить продуктовый план — план изменения метрик юнит-экономики для каждого месяца плана. А уже на основе продуктового плана легко построить P&L, CF и баланс.
Однако использовании юнит-экономики добавляет предпринимателю новую задачу, понимание и прогнозирование когорт. Дело в том, что юнит-экономика, работает в когортах. Все метрики показывают значения для когорт, а не для интервалов времени. При этом бизнес живет, ведет учет и отчитывается перед государством в календарных периодах, месяцах, кварталах и годах.
Поэтому задача моделирования когорт в будущем является крайне важной для бизнеса, и она рассматривается в рамках этой статьи.
Задача прогнозирования будущего в бизнесе является достаточно сложной и важной. Прогнозирование позволяет понимать какие ресурсы необходимы бизнесу для достижения целевых показателей, как они будут тратиться и как будут достигаться цели. Все это позволяет уменьшить риски в работе, и принимать управленческие решения основываясь на данных, а не вслепую.
Идеальный вариант, построить прогнозную модель изменения бизнес процессов, по которой построить прогнозные планы прибылей и убытков (P&L), движения денежных средств (CF) и баланса. Однако, задача построения прогноза для этих документов достаточно сложна и трудоемка. Однако, использование юнит-экономики позволяет решить эту задачу в более простом виде, так как вся модель строиться на небольшом количестве показателей, которые связаны с понятными бизнесу бизнес процессами, которые проще контролировать и планировать.
Для этого, используя теорию ограничений Голдратта, можно прогнозировать оптимальную конфигурацию метрик юнит-экономики, которая необходима для достижения планового значения целевого показателя, например, маржинальной прибыли, прибыли или оборота. На основе прогнозной юнит-экономики можно построить продуктовый план — план изменения метрик юнит-экономики для каждого месяца плана. А уже на основе продуктового плана легко построить P&L, CF и баланс.
Однако использовании юнит-экономики добавляет предпринимателю новую задачу, понимание и прогнозирование когорт. Дело в том, что юнит-экономика, работает в когортах. Все метрики показывают значения для когорт, а не для интервалов времени. При этом бизнес живет, ведет учет и отчитывается перед государством в календарных периодах, месяцах, кварталах и годах.
Поэтому задача моделирования когорт в будущем является крайне важной для бизнеса, и она рассматривается в рамках этой статьи.
❤6👍1🔥1
так как не все читали мою статью, которую я написал выше, в предыдущем посту, по этому публикуем дальше открытый материал, и только в канале, так что приглашайте друзей, это полезный контент.
И так, я придумал механизм прогнозирования когортных данных на основе исторических данных когорт.
перед вами пример, использования этого подхода к прогнозированию когорты 03.2025 года и сравнение прогноза с фактом. Сам прогноз строился на базе когорт 2024 года.
И так, я придумал механизм прогнозирования когортных данных на основе исторических данных когорт.
перед вами пример, использования этого подхода к прогнозированию когорты 03.2025 года и сравнение прогноза с фактом. Сам прогноз строился на базе когорт 2024 года.
❤3👍3🔥1
Привет, друзья!
Как вы уже поняли, последнее время, я занимаюсь тем, что применяю юнит-экономику (и не только) для продуктовой аналитики и принятия решений в действующем бизнесе.
И если вы со мной давно, то знаете, что я разработал методику прогнозирования юнит-экономики в будущем с использованием теории ограничений Голдратта. Данная методика, позволяет найти конфигурацию метрик юнит-экономики с учетом рыночных и компетационных ограничений, при этом достигая поставленных целей.
Однако, главный минус подхода был в том, что юнит-экономика живет в когортах, а это значит, разворот данных юнит-экономики в календарные периоды надо было сделать. Это необходимо для того, чтобы планировать бизнес в привычных нам календарных периодах.
В итоге в течении последнего месяца я придумал, как имея исторические данные получать представление о том, как ведут себя когорты и применять это поведение для предсказания поведения модельных когорт (значения которых я получаю с использованием теорий ограничений Голдратта).
Получив поведение когорт я легко разворачиваю когортные значения в календарные и могу строить уже привычные бизнесу отчеты, например, P&L, CF и Balance.
На картинке иллюстрация применения подхода. Синяя линия — это модель, а красная факта. Лично для меня это очень хороший результат.
Мой план строился исключительно на данных юнит-экономики, которые описывают компетенции команды в соответствующих бизнес процессах. А отклонение красной линии от синей, позволяет мне понимать, в каком именно процессе происходит отклонение и, какие нужно предпринять действия для улучшения показателей.
Ну и главное, завтра я буду снимать видео ролик про использование всех этих знаний в продуктовой аналитики для бизнеса, который уже имеет активность, продажи и растет.
Чтобы не пропустить ролик, подписывайтесь на мой ютуб канал https://www.youtube.com/@DataDrivenDecisions мне очень нужны подписчики.
Как вы уже поняли, последнее время, я занимаюсь тем, что применяю юнит-экономику (и не только) для продуктовой аналитики и принятия решений в действующем бизнесе.
И если вы со мной давно, то знаете, что я разработал методику прогнозирования юнит-экономики в будущем с использованием теории ограничений Голдратта. Данная методика, позволяет найти конфигурацию метрик юнит-экономики с учетом рыночных и компетационных ограничений, при этом достигая поставленных целей.
Однако, главный минус подхода был в том, что юнит-экономика живет в когортах, а это значит, разворот данных юнит-экономики в календарные периоды надо было сделать. Это необходимо для того, чтобы планировать бизнес в привычных нам календарных периодах.
В итоге в течении последнего месяца я придумал, как имея исторические данные получать представление о том, как ведут себя когорты и применять это поведение для предсказания поведения модельных когорт (значения которых я получаю с использованием теорий ограничений Голдратта).
Получив поведение когорт я легко разворачиваю когортные значения в календарные и могу строить уже привычные бизнесу отчеты, например, P&L, CF и Balance.
На картинке иллюстрация применения подхода. Синяя линия — это модель, а красная факта. Лично для меня это очень хороший результат.
Мой план строился исключительно на данных юнит-экономики, которые описывают компетенции команды в соответствующих бизнес процессах. А отклонение красной линии от синей, позволяет мне понимать, в каком именно процессе происходит отклонение и, какие нужно предпринять действия для улучшения показателей.
Ну и главное, завтра я буду снимать видео ролик про использование всех этих знаний в продуктовой аналитики для бизнеса, который уже имеет активность, продажи и растет.
Чтобы не пропустить ролик, подписывайтесь на мой ютуб канал https://www.youtube.com/@DataDrivenDecisions мне очень нужны подписчики.
👍7🔥3🥰2❤1🏆1
делаю небольшой релиз, в ueCalc добавился шаблон построения дерева метрик, теперь можно легко создавать связи между метриками в одной системе с юнит-экономикой. https://beta.uecalc.com/product/tree
Uecalc
ueCalc.X smart finance modeling tool | ueCalc
❤7👍3
This media is not supported in your browser
VIEW IN TELEGRAM
это что-то невероятное, управляя исключительно прогнозом когортных метрик, и применяя новую идею для развертывания когорт, на основе анализа поведения исторических данных, я смог прогнозировать Revenue в календарных периодах, с очень четким попаданием в исторические данные.
Если, кто не хочет читать текст на картинке, я управляю сигмоидами для когортных значений метрик юнит-экономики, то есть описываю какими должны быть конкретные бизнес процессы и получаю прекрасное описание как истории так и прогноза.
Если, кто не хочет читать текст на картинке, я управляю сигмоидами для когортных значений метрик юнит-экономики, то есть описываю какими должны быть конкретные бизнес процессы и получаю прекрасное описание как истории так и прогноза.
👍9❤2
Развитие современных LLM, которых из-за маркетинга часто называют AI, на самом деле в очередной раз понизило порог входа в IT.
Такое уже было в конце 70-х, начале 80-х, когда с развитием персональных компьютеров, "любая" домохозяйка могла легко на бейсике (спасибо Вильям Генри Гейтс 3) собрать продукт для управления своими рецептами, и планировать семейные ужины. Это круто повлияло на индустрию в целом. Изучите историю становления компании Sierra Online — особенно ее первые годы, кто и как создал то, что стало революцией в гейм индустрии.
Так, что вайбкодинг, он не про убьет современную разработку, он ее обогатит новыми талантами, которые благодаря вайбкодингу придут в профессию. Если честно, я не припомню, когда еще в истории в индустрии понижали порог входа. Если вы знаете — делитесь.
В интересное время живем, товарищи.
Такое уже было в конце 70-х, начале 80-х, когда с развитием персональных компьютеров, "любая" домохозяйка могла легко на бейсике (спасибо Вильям Генри Гейтс 3) собрать продукт для управления своими рецептами, и планировать семейные ужины. Это круто повлияло на индустрию в целом. Изучите историю становления компании Sierra Online — особенно ее первые годы, кто и как создал то, что стало революцией в гейм индустрии.
Так, что вайбкодинг, он не про убьет современную разработку, он ее обогатит новыми талантами, которые благодаря вайбкодингу придут в профессию. Если честно, я не припомню, когда еще в истории в индустрии понижали порог входа. Если вы знаете — делитесь.
В интересное время живем, товарищи.
💯4❤2👍2🔥2
Сколько нужно пробовать, чтобы достичь цели?
Известное средство против коррозии и много чего еще WD40, было разработано в начале 50х. И число 40 означает количество попыток найти формулу, которая представит средства нужные свойства.
Данная формула хранится в секрете (привет кока-кола). Так, что за 70 лет никому не удалось воспроизвести ее полностью.
А для нас это урок, что получить результат с первой попытки не всегда возможно.
Так что ошибки это то, что помогает нам получать результат.
Известное средство против коррозии и много чего еще WD40, было разработано в начале 50х. И число 40 означает количество попыток найти формулу, которая представит средства нужные свойства.
Данная формула хранится в секрете (привет кока-кола). Так, что за 70 лет никому не удалось воспроизвести ее полностью.
А для нас это урок, что получить результат с первой попытки не всегда возможно.
Так что ошибки это то, что помогает нам получать результат.
👍6
Аналитика бывает красивой. Когорты, скрытая сила аналитики, мало людей, кто знает о ней, еще меньше ею владеют, и совсем единицы ее используют в своей работе.
А между тем, этот инструмент позволяет понимать скрытые проблемы в бизнес процессах, выявлять кассовые разрывы за долго до их появления.
Находить проблемные бизнес процессы и много что еще.
А вы используете когорты в своей работе? Если да, то как?
А между тем, этот инструмент позволяет понимать скрытые проблемы в бизнес процессах, выявлять кассовые разрывы за долго до их появления.
Находить проблемные бизнес процессы и много что еще.
А вы используете когорты в своей работе? Если да, то как?
👍7
Когортный анализ позволяет выявлять различные поведенческие аномалии. Например тут я вижу как в одной конкретном бизнесе, что-то произошло с одной единственной когортой, причем видно в какой конкретно месяц это произошло.
осталось только выяснить, что было сделано менеджером, и как это повторить.
числа изменение в процентах по отношению к первому периоду жизни когорты. тепловая карта по всей таблице, то есть подсвечен максимум по всем данным.
осталось только выяснить, что было сделано менеджером, и как это повторить.
числа изменение в процентах по отношению к первому периоду жизни когорты. тепловая карта по всей таблице, то есть подсвечен максимум по всем данным.
❤2
Пересматриваю свой ролик про дерево метрик и понимаю, что создал визуальный калькулятор юнит-экономики, хотя такой цели не было, но получается, что изменяя значения метрики на дереве, видно, как меняются зависимые метрики.
Понятно, что скорее всего вы задаете вопрос, а что с этим делать? как это использовать в работе? И эти вопрос абсолютно правомерны.
Ответ на них не простой, да без дополнительной экспертизы вы не сможете использовать этот инструмент. И надо либо покупать ее на рынке (сразу скажу, что это дорогой проект, порядка 200 000€ в год) либо, если нет денег, качать ее самостоятельно.
Какие я вижу проблемы? Самая главная — у нас нет денег сейчас и мы не понимаем ценности продукта, по этому пока отложим. И вот спустя время вы сталкиваетесь с проблемой, рост остановился, и как влиять на него не ясно. Тогда приходит понимание ценности инструмента, и необходимости его внедрять, но! данных для этого не собирали (мы же изначально не заморочились над этой задачей) и надо, что-то делать. И вот тут опять выходит уже за дорого путь, потому что сначала надо собрать данные и потом уже использовать в решениях.
Если вам это знакомо, записывайтесь на консультации (205€ в час), обсудим вопрос, расскажу как начать минимально, собирать данные, хранить их и потом уже использовать в решениях.
Ссылки на ролик, на инструмент по работе с деревом метрик (цена 50€ в год + бонус все мои материалы, которые доступны только подписчикам):
1. https://www.youtube.com/watch?v=GosYQUJbxO8
2. https://khanin.info/tools/mts
Понятно, что скорее всего вы задаете вопрос, а что с этим делать? как это использовать в работе? И эти вопрос абсолютно правомерны.
Ответ на них не простой, да без дополнительной экспертизы вы не сможете использовать этот инструмент. И надо либо покупать ее на рынке (сразу скажу, что это дорогой проект, порядка 200 000€ в год) либо, если нет денег, качать ее самостоятельно.
Какие я вижу проблемы? Самая главная — у нас нет денег сейчас и мы не понимаем ценности продукта, по этому пока отложим. И вот спустя время вы сталкиваетесь с проблемой, рост остановился, и как влиять на него не ясно. Тогда приходит понимание ценности инструмента, и необходимости его внедрять, но! данных для этого не собирали (мы же изначально не заморочились над этой задачей) и надо, что-то делать. И вот тут опять выходит уже за дорого путь, потому что сначала надо собрать данные и потом уже использовать в решениях.
Если вам это знакомо, записывайтесь на консультации (205€ в час), обсудим вопрос, расскажу как начать минимально, собирать данные, хранить их и потом уже использовать в решениях.
Ссылки на ролик, на инструмент по работе с деревом метрик (цена 50€ в год + бонус все мои материалы, которые доступны только подписчикам):
1. https://www.youtube.com/watch?v=GosYQUJbxO8
2. https://khanin.info/tools/mts
🔥3
На заметку вайбкодерам.
Делаю я тут большой проект для продуктовой аналитики, с юнит-экономикой, когортами, прогнозированием, финмоделированием и прочими нищтяками.
Все круто, работает вертится, но решил я обновить данные, и бац ловлю черный экран браузера, если кто не понял, это аналог синего экрана смерти windows.
Думаю, что могло пойти не так? в чем проблема? В итоге локализация показала, что в коде есть у меня вызов функции JSON.parse и JSON.stringfy ... а вот JSON у меня все навсего 500 мегабайт. Ну вот столько данных. А JSON в браузере такого объёма не для слабонервных, а уж превратить в строку и обратно, это смерть.
Далее начинаю думать, как решить задачу, все что предлагают LLM мусор, собственно проблему LLM и создало я просто не уследил за архитектурой и не провел нагрузочное тестирование. Понадеялся на авось.
Спустя пару тройку часов размышлений (моих, а не LLM) придумал решение, запустил данные, но столкнулся с новой проблемой, передать данные на сервер все равно нельзя лимит на передачу со стороны сервера и хостера, потом лимит на объем данных в БД.
В итоге, берем код в свои руки, объем данных сокращаем до 3 мегабайт в 166 раз! и все начинает работать.
Вывод, если вы вайбкодеры, но не очень понимаете в том, что именно делаете, как устроен компьютер и как работают все эти технологии, то готовьтесь к таким выкрутасам, да на небольших данных все может работать, но в реальной жизни все может рухнуть и как починить будет не ясно, и LLM не поможет и даже решение не найдет.
Ошибки LLM, не верная архитектура хранения данных, не верный формат хранения данных, не верная архитектура передачи данных, и не правильная работа с БД (но это уже моя задача была). Ошибки связаны с ограничениями памяти на вкладку браузера, на объем памяти выделяемой хостером и так по мелочи.
Код frontend написан на чистом JS на 80% Grok, 20% я сам, backend 100% я сам на PHP.
Делаю я тут большой проект для продуктовой аналитики, с юнит-экономикой, когортами, прогнозированием, финмоделированием и прочими нищтяками.
Все круто, работает вертится, но решил я обновить данные, и бац ловлю черный экран браузера, если кто не понял, это аналог синего экрана смерти windows.
Думаю, что могло пойти не так? в чем проблема? В итоге локализация показала, что в коде есть у меня вызов функции JSON.parse и JSON.stringfy ... а вот JSON у меня все навсего 500 мегабайт. Ну вот столько данных. А JSON в браузере такого объёма не для слабонервных, а уж превратить в строку и обратно, это смерть.
Далее начинаю думать, как решить задачу, все что предлагают LLM мусор, собственно проблему LLM и создало я просто не уследил за архитектурой и не провел нагрузочное тестирование. Понадеялся на авось.
Спустя пару тройку часов размышлений (моих, а не LLM) придумал решение, запустил данные, но столкнулся с новой проблемой, передать данные на сервер все равно нельзя лимит на передачу со стороны сервера и хостера, потом лимит на объем данных в БД.
В итоге, берем код в свои руки, объем данных сокращаем до 3 мегабайт в 166 раз! и все начинает работать.
Вывод, если вы вайбкодеры, но не очень понимаете в том, что именно делаете, как устроен компьютер и как работают все эти технологии, то готовьтесь к таким выкрутасам, да на небольших данных все может работать, но в реальной жизни все может рухнуть и как починить будет не ясно, и LLM не поможет и даже решение не найдет.
Ошибки LLM, не верная архитектура хранения данных, не верный формат хранения данных, не верная архитектура передачи данных, и не правильная работа с БД (но это уже моя задача была). Ошибки связаны с ограничениями памяти на вкладку браузера, на объем памяти выделяемой хостером и так по мелочи.
Код frontend написан на чистом JS на 80% Grok, 20% я сам, backend 100% я сам на PHP.
❤6💯4
Мои студенты часто спрашивают, в чем заключается продуктовая аналитика. И я привожу пример им из фильма Матрица, где в первом сезоне есть персонаж, который рассказывает Нео о том, что глядя на падающие зеленые циферки он видит Матрицу.
Так вот это не метафора — перед вами то, как я вижу бизнес в реальности, и этот странный поток цифр говорит о бизнесе очень много.
Задача продуктового аналитика научиться видеть за цифрами реальность бизнеса.
Так вот это не метафора — перед вами то, как я вижу бизнес в реальности, и этот странный поток цифр говорит о бизнесе очень много.
Задача продуктового аналитика научиться видеть за цифрами реальность бизнеса.
👍7🔥2💯1🍾1