📊 Любой новый продукт = новый пайплайн данных

Часто кажется, что аналитика - это про графики, SQL и дашборды. Но на практике всё начинается сильно раньше.

С данных.
И с того, как они вообще появляются.

👉 Запустили новую фичу?
Появились новые события.
👉 Добавили кнопку?
Нужно логировать клики.
👉 Изменили воронку?
Меняется структура данных.

🧠 А теперь реальность аналитика:

Чтобы просто “посмотреть метрику”, нужно:
- понять, что именно считать
- договориться, какие события логировать
- проверить, что данные вообще приходят
- собрать пайплайн
- и только потом строить дашборд

⚠️ И здесь есть этап, который многие недооценивают - валидация данных

На старте нового продукта данные бывают часто:
- с пропусками
- с дублями
- с ошибками в логировании
- с разными форматами
- иногда просто не пишутся

И если это не проверить —
можно построить красивый дашборд… с неправильными выводами.

📈 Новый продукт это не просто “добавили таблицу”

Это:
• новые события
• новая схема данных
• новые метрики
• новые проверки
• новые дашборды
• новые вопросы от бизнеса

🤖 Сейчас ИИ действительно ускоряет процесс:
- помогает писать SQL
- генерирует дашборды
- ускоряет расчёты

📌 ИИ не решает главный вопрос:
«А что вообще считать?»

И вот это уже задача аналитика:
Выбрать метрики.
Понять их смысл.
Проверить корректность данных.
Связать с бизнес-целью.

📍 Поэтому аналитика — это не только про инструменты. Это про мышление и понимание бизнеса и его процессов. Понимания почему одна метрика важна для бизнеса, а другая лишь маркер тщеславия или не отражает объективной картины.

Инструменты можно автоматизировать.
Решения — пока нет.

💬 Был ли у вас кейс, когда данные “есть”, но доверять им нельзя?

#analytics #data #metrics #datascience #bi #datakad #ai #productanalytics

Немного гор, чтобы пятница приносила удовольствие 🙌

👋 Кажется, пора возвращаться.

Последние месяцы блог был не самым активным.
Причин накопилось много: работа, новые проекты, обучение, путешествия… да и просто хотелось немного перевести дух.

Но за это время произошло столько всего, что теперь есть чем делиться. Новости большие и маленькие, личные и глобальные.

📈 Изменился рынок труда.
🤖 ИИ продолжает менять привычные процессы.
📚 Появились новые кейсы, идеи и наблюдения, которыми хочется поделиться.

Поэтому постепенно буду возвращаться к привычному формату постов. Расскажу о том, что успел сделать, чему научился и каким, как мне кажется, будет ближайшее будущее аналитики и IT. Об этом уже было мое видео полугодовой давности. Но актуализировать данные не помешает)

🎉 Начать хочу с небольшой новости, которая произошла ещё в мае. Я продлил свою сертификацию Microsof по Power BI.

Честно говоря, ожидал увидеть гораздо больше вопросов, связанных с ИИ. Всё-таки за последние годы он проник почти во все продукты Microsoft. Но экзамен оказался довольно консервативным.

Большая часть вопросов была про:
• DAX;
• моделирование данных;
• настройку прав доступа;
• визуализации;
• стандартный функционал Power BI.

Без каких-то неожиданных сюрпризов.

😊 Самое интересное — экзамен я проходил практически без подготовки. То ли действительно сказался опыт работы и преподавание, то ли просто повезло с вопросами. Скорее всего и того и другого понемногу. Но трудности экзамен не вызвал.

Наверное, именно это и стало для меня главным выводом: регулярная практика всё-таки работает лучше, чем зубрёжка перед экзаменом.

📍Это лишь первая новость из тех, что накопились за последнее время.

Рад снова быть на связи. 🙂

#powerbi #microsoft #сертификация #analytics #bi #datakad #обучение #карьера

Ну и как же без пруфов 👇

📈 Data + BI + AI становятся одним целым

Сегодня появилась интересная новость. Databricks привлекает новый раунд инвестиций, после которого компанию оценивают уже примерно в $188 млрд. Для сравнения: ещё несколько месяцев назад оценка была около $134 млрд. Но интересна не сама сумма. Привлекает скорее то, во что именно сейчас инвестируют. Это отражает как моду, так и тренд на смену развития ИИ.

Ещё несколько лет назад всё выглядело довольно просто:

📦 Хранилище данных — отдельно.
📊 BI-инструменты — отдельно.
🤖 ИИ — вообще отдельная история.

Теперь границы все больше размываются. Современные платформы постепенно превращаются в единое пространство, где объединяются:

• хранение данных (Lakehouse);
• BI и дашборды;
• управление доступами и качеством данных (Governance);
• языковые модели;
• ИИ-агенты.

Databricks, например, продолжает двигаться именно в эту сторону. За последние обновления появились:
• импорт отчётов Power BI и Tableau;
• возможность общаться с дашбордом на естественном языке через Genie;
• интеграции с GitHub;
• ссылки на источники при ответах модели;
• история изменений;
• отдельная модель оплаты для AI-агентов.

И если посмотреть на это целиком, становится понятно, что речь уже не про “ещё одну ИИ-функцию”. Речь про изменение самой архитектуры аналитических платформ. Для нас это означает и другие навыки и принцип взаимодействия.

🧠 Думаю, в ближайшие годы мы всё реже будем говорить:

“сначала выгрузим данные, потом построим дашборд, потом спросим gpt.”

Скорее это будет выглядеть как единый процесс. Данные → анализ → визуализация → вопросы → автоматизация.
Без постоянного переключения между пятью разными сервисами. Одно пространство, без миграций данных и прочей рутины.

📍сейчас особенно важно не зацикливаться на изучении одного конкретного инструмента. Формация изменилась на специалистов широкого плана, которые выступают в роли визионеров и имеют возможность мыслить шире форматами архитектуры, бизнес логикой и процессами.

Гораздо ценнее понимать, как устроена вся экосистема данных и как в ней взаимодействуют хранилища, BI, ИИ и автоматизация. Именно к этому, похоже, постепенно движется вся индустрия.

Иронично, что 20 лет назад вся инженерия и аналитика и тд сводилась на одном человеке. Затем из этого выросли отдельные профессии. Теперь все обратно сходится в одну.

💬 А как вы считаете: через несколько лет BI останется отдельным инструментом или превратится в одну из функций больших AI-платформ?

#ai #databricks #bi #powerbi #tableau #analytics #datascience #dataengineering #datakad

🤖 Без ИИ уже нельзя. Но и с ним можно далеко не везде

Рынок труда меняется заметно быстрее, чем кажется. Ещё недавно на собеседовании могли спросить, пользовались ли вы ChatGPT. Сейчас у опытного специалиста скорее спросят: какие инструменты на базе ИИ вы встроили в свою работу и какой результат получили?

И здесь уже недостаточно назвать ChatGPT или Claude. От кандидата ждут полноценного рассказа:
• какую задачу вы решали;
• почему выбрали именно этот инструмент;
• что удалось ускорить или автоматизировать;
• где ИИ ошибался;
• как вы проверяли результат;
• почему решение прижилось или, наоборот, не сработало.

Даже если вы принципиально не используете ИИ, это тоже должно быть обоснованным решением. Например, риски для данных оказались выше потенциальной выгоды или качество результата не соответствовало требованиям проекта.

📜 Большинство моих учеников живут и работают в Германии, поэтому я регулярно напоминаю им про GDPR. Законодательство ограничивает обработку персональных и конфиденциальных данных, а значит, нельзя просто взять внутреннюю информацию компании и отправить её в сторонний ИИ-сервис.

Некоторые компании и стартапы внедряют подобные решения в закрытом контуре: с собственными моделями, защищённой инфраструктурой и контролем доступа. Но массовое внедрение идёт медленно.

Причина не только в законодательстве. Германия в целом довольно консервативно относится к новым технологиям. Сначала безопасность, согласования и регламенты — и лишь потом эксперимент. Где-то это защищает бизнес от необдуманных решений, а где-то сильно замедляет развитие.

🌍 А теперь посмотрим шире.

Есть, например, США, где ИИ пытаются встроить практически в каждый процесс: найм, маркетинг, разработку, аналитику, поддержку, документооборот и продажи. ИИ сейчас даже в тостерах.

Компания, которая быстрее внедряет новые инструменты, быстрее проверяет гипотезы, дешевле обрабатывает данные и быстрее выводит продукты на рынок. В какой-то момент конкурировать начинают уже не отдельные специалисты, а целые компании, отрасли и страны.

Если рынок долго избегает новой технологии, последствия наследуют все, кто внутри него работает. Специалист может быть сильным, но его возможности всё равно зависят от среды, инфраструктуры и скорости принятия решений в компании.

⚖️ В этом и заключается странность текущего этапа. Раньше мы обсуждали, заменит ли ИИ специалистов. Сейчас вопрос другой: как использовать ИИ, не нарушая законодательство, не подвергая риску данные и не теряя конкурентоспособность?

Без ИИ уже практически невозможно игнорировать изменения рынка. Но и бездумно внедрять его в каждый процесс нельзя. Похоже, та самая ответственность, о которой мы говорили раньше, действительно наступила. Теперь недостаточно просто уметь пользоваться ИИ. Нужно понимать, где он приносит ценность, где создаёт риск и когда от него лучше отказаться.

💬 Как обстоят дела у вас: ИИ уже стал частью рабочих процессов или пока остаётся инструментом для отдельных экспериментов?

#ai #ии #рыноктруда #карьера #gdpr #автоматизация #аналитика #it #futureofwork #datakad

Про ИИ в тостерах в целом то и не шутка даже 😅

Пояснение мема ниже 👇

🤖 Какая нейросеть всё-таки самая лучшая?

Практически на каждой лекции, посвящённой ИИ, я показываю или вспоминаю этот мем ☝️

Выходит новая версия ChatGPT — она лучшая.
Обновляется Claude — теперь лучший он.
Gemini показывает новый benchmark — лидер поменялся.
Потом появляется новый Grok — и всё начинается заново 😅

И один из самых частых вопросов от учеников звучит вполне логично: «Так какой моделью тогда пользоваться?» Ответ не самый интересный, зато практичный: лучшей модели просто нет.

У каждой есть свои сильные и слабые стороны. Одна лучше справляется с креативными задачами, другая — с кодом, третья удобнее работает с большим контекстом, четвёртая лучше интегрирована в нужную вам экосистему. Иногда эти преимущества комбинируются за счет скиллов, mcp и других приемов.

Но даже эти преимущества нельзя воспринимать как константу. Модели постоянно обновляются, а качество результата зависит не только от выбранной нейросети, но и от конкретной задачи, контекста и ваших запросов.

📌 Более того, выбор может зависеть даже от компании, в которой вы работаете. Какие данные можно передавать модели? Какие сервисы уже используются? Нужна ли интеграция с корпоративной инфраструктурой? Сколько это стоит? Какие требования существуют к безопасности?

В одной компании оптимальным решением окажется ChatGPT, в другой — Claude, Gemini или вообще локально развёрнутая модель. (Что для Германии даже более вероятный сценарий в силу GDPR и других законов).

🧪 Поэтому вместо бесконечного поиска ответа на вопрос «какая модель лучше?» я обычно советую экспериментировать. Возьмите одну задачу и попробуйте решить её в нескольких моделях. С одинаковым контекстом и примерно одинаковым промптом.

А потом сравните:
• точность результата;
• количество ошибок;
• насколько хорошо модель следует инструкциям;
• сколько итераций потребовалось до нормального ответа;
• насколько удобно с ней работать именно вам.
И уже после этого выбирайте инструмент.

📍В конечном итоге нам ведь нужна не модель, которая занимает первое место в очередном benchmark, а лишь та, которая лучше решает нашу конкретную задачу.

#ai #ии #chatgpt #claude #gemini #grok #llm #нейросети #автоматизация #datakad

🤖 ИИ сделал работу Junior проще. Но стать Junior от этого почему-то стало сложнее.

Парадокс, который всё чаще замечаю в аналитике.
Ещё несколько лет назад умение самостоятельно написать SQL-запрос, обработать данные в Python или собрать расчёт в Power BI уже было довольно существенной частью ценности начинающего аналитика.

Сегодня многое из этого можно сделать вместе с ИИ.

Не помнишь синтаксис оконной функции? ChatGPT напишет.
Нужно объединить несколько таблиц в pandas? Claude напишет код.
Не получается DAX? Скорее всего, после нескольких итераций тоже получите рабочую формулу.

Казалось бы, вход в профессию должен был стать проще.
Но происходит интересная вещь: если базовую техническую работу теперь сделать легче, сама по себе способность её выполнить становится менее ценным преимуществом и требования постепенно смещаются выше.

🧩 Уже недостаточно просто написать SQL. Нужно понять, правильно ли соединены таблицы и не размножились ли строки.

📊 Недостаточно посчитать метрику. Нужно понимать, действительно ли она отвечает на вопрос бизнеса.

🔎 Недостаточно получить результат от ИИ. Нужно уметь проверить данные и заметить, что вполне убедительный ответ на самом деле неверный.

💬 Недостаточно построить график. Нужно объяснить, какой вывод из него следует и что с этим делать.

Получается забавная ситуация.

ИИ снижает порог выполнения задачи, но одновременно повышает порог ценности специалиста за счет изменения качества и цели решаемых задач.

И, как мне кажется, особенно сильно это затрагивает именно Junior-позиции. Потому что значительная часть задач, на которых раньше начинающий специалист набирался опыта, теперь автоматизируется быстрее всего. Но я бы не делал из этого вывод, что «джуны больше не нужны».

Скорее меняется то, чему стоит учиться: SQL, Python, Power BI и другие инструменты никуда не исчезают. Без понимания их работы сложно хотя бы проверить то, что сгенерировал ИИ. Просто к ним всё раньше приходится добавлять то, что раньше чаще ассоциировалось с Middle: самостоятельность, понимание данных, бизнес-контекст и способность критически оценивать результат. Как результат - вопросы на собеседованиях все чаще звучат по этим темам, чем только по техническим моментам.

📍Поэтому сегодня я бы учился не только отвечать на вопрос «как это сделать?», но и гораздо чаще задавал два других:
«Что именно я считаю?» и «зачем это нужно бизнесу?»

Возможно, именно они постепенно становятся главными вопросами начинающего аналитика.

А как вам кажется: ИИ упростил вход в IT или, наоборот, поднял планку для новичков?

#аналитика #карьера #junior #dataanalytics #ai #искусственныйинтеллект #sql #python #powerbi #обучение #datakad

💻 Умение писать код постепенно перестаёт быть главным преимуществом разработчика

Не потому, что код больше не нужен. А потому, что написать его становится всё дешевле. Недавно наткнулся на интересное исследование Human Capital, AI, and Labor Commoditization. Авторы изучили 49 610 специалистов и 2,26 млн контрактов на Upwork и посмотрели, как изменился рынок после появления ChatGPT. Результат интересный: в профессиях, которые сильнее затронул генеративный ИИ, привычные признаки квалификации специалиста стали слабее влиять на спрос, а цена — сильнее. Авторы называют это commoditization of labor: когда результат работы разных исполнителей становится более похожим, заказчику сложнее обосновать, почему за одного стоит платить значительно больше.

И мне кажется, особенно хорошо этот процесс сейчас заметен в разработке. Ещё несколько лет назад существенной частью ценности разработчика было непосредственно умение написать код. Сегодня можно описать задачу Claude Code, Codex или другому AI-инструменту и за довольно короткое время получить сотни строк вполне рабочего кода.

Но появляется другая проблема:
Что именно ему написать?

🧩 Как собрать требования у заказчика, который сам не до конца понимает, чего хочет?
📐 Как превратить «нам нужна система для работы с клиентами» в нормальное техническое задание?
🏗 Как спроектировать архитектуру и решить, какие компоненты вообще нужны?
🔗 Как понять, откуда приходят данные, куда они должны уходить и как всё это интегрировать?
🔎 Как проверить результат и понять, что система действительно решает исходную задачу, а не просто успешно запускается?

Вот здесь AI пока не отменяет необходимость специалиста. Скорее наоборот — чем дешевле становится исполнение, тем заметнее ценность правильной постановки задачи. И это касается далеко не только программистов. В аналитике происходит то же самое. Написать SQL-запрос становится проще. Построить визуализацию — проще. Сделать первичный анализ — тоже. Но AI не знает из воздуха, что именно бизнес называет активным клиентом, какой заказ считать завершённым, почему в одной таблице клиент дублируется пять раз и какую метрику вообще имеет смысл оптимизировать.

📍Поэтому мне кажется, что мы постепенно переходим от ценности «я умею сделать» к ценности «я понимаю, что нужно сделать, зачем и как проверить результат».

Код, SQL, Python и другие технические навыки никуда не исчезают. Более того, без них сложно качественно контролировать AI. Но всё выше поднимаются навыки, которые раньше часто считались чем-то «над техническими»: сбор требований, декомпозиция, системное мышление, проектирование, понимание бизнеса и контроль результата. И, возможно, главный навык специалиста ближайших лет — не способность самостоятельно написать каждую строчку кода, а способность настолько хорошо поставить задачу, чтобы человек, команда или AI смогли правильно её решить.

Как думаете, уже замечаете такое изменение требований в своей работе?

Исследование: Human Capital, AI, and Labor Commoditization — arXiv⁠

#ai #разработка #программирование #аналитика #карьера #искусственныйинтеллект #systemdesign #требования #datakad

💸 Эпоха почти бесплатного ИИ постепенно заканчивается

Последние несколько лет мы привыкли к довольно странной ситуации. Компании давали доступ к очень мощным AI-моделям либо бесплатно, либо за условные $20 в месяц. Можно было генерировать тексты, писать код, анализировать файлы и запускать агентов — иногда в объёмах, которые ещё недавно стоили бы совершенно других денег.

Кажется, этот период постепенно подходит к концу. Первые заметные сигналы появились не вчера.

💻 Cursor ещё в 2025 году изменил модель тарификации.

Вместо привычных 500 запросов Pro за $20 перешёл к лимиту вычислений: в подписку фактически включили $20 использования frontier-моделей по API-ценам. А для тех, кому этого мало, появились Pro+ за $60 и Ultra за $200. Сам Cursor объяснял это довольно просто: сложные агентные запросы могут стоить на порядок дороже простых.

Сейчас эта логика стала ещё заметнее: стоимость использования всё сильнее зависит от выбранной модели, а после исчерпания включённого объёма предлагается либо платить за дополнительные вычисления, либо переходить на более дорогой тариф.

🤖 Похожая логика постепенно появляется практически везде.

У ChatGPT доступ к обычному текстовому общению на Free сейчас довольно широкий, но более ресурсоёмкие возможности — работа с файлами, изображениями, анализом данных и другими инструментами — имеют отдельные ограничения. А доступ к наиболее дорогим моделям и режимам зависит уже от тарифа.

И теперь ещё один заметный шаг делает Gemini: бесплатному пользователю оставляют более дешёвый уровень модели, тогда как доступ к более мощным моделям всё сильнее становится преимуществом платной подписки.

И вот здесь, как мне кажется, начинает проявляться довольно понятная экономика AI.

Мы привыкли воспринимать ИИ почти как Google: открыл сайт и огромная вычислительная инфраструктура просто работает где-то там бесплатно. Но каждый запрос к большой модели имеет реальную стоимость. Причём чем больше контекст, сложнее reasoning, длиннее работа агента и мощнее модель — тем дороже этот запрос обходится компании. Поэтому рынок постепенно приходит к довольно логичной модели:

базовый AI → дешёвый или бесплатный;
хороший AI → подписка;
много хорошего AI → дорогая подписка или оплата вычислений.

И вполне возможно, что нынешние $20 в месяц, к которым мы привыкли, через несколько лет будут восприниматься примерно так же необычно, как сегодня безлимитный мобильный интернет за несколько долларов.

Но здесь есть ещё один интересный вопрос.

В США сейчас действительно активно обсуждается влияние AI на рынок труда, хотя пока экономисты не видят убедительных доказательств массового вытеснения работников. Параллельно появляются предложения защищать отдельные виды человеческого труда или даже рассматривать налогообложение использования AI. При этом фактическая политика США сейчас скорее направлена на добровольные меры безопасности и сохранение темпов развития AI, чем на искусственное удорожание моделей ради защиты рабочих мест.

Поэтому я бы пока не говорил, что компании специально делают AI дороже, чтобы он не заменил людей. Гораздо проще объяснение через экономику: модели становятся мощнее, пользователи начинают запускать гораздо более тяжёлые задачи и агентов, а кому-то в итоге нужно оплачивать эти вычисления. Да и разговоров о финансовом «пузыре ИИ» тоже полно. Ведь текущим компаниям нужны сотни лет, чтобы окупиться текущими темпами.


📍 Как думаете вы: постепенное ограничение дешёвого AI — это просто следующий этап монетизации и попытка Big Tech наконец нормально зарабатывать на ИИ? Или со временем стоимость AI действительно может стать одним из инструментов регулирования рынка труда — чтобы заменить человека машиной было не настолько дёшево?

#ai #искусственныйинтеллект #chatgpt #gemini #cursor #нейросети #технологии #рыноктруда #автоматизация #datakad

Фото после поста, чтобы было красиво