Последнее время учусь "медленной" жизни

Почему в кавычках? В эти слова я скорее вкладываю переход к более системному и долгосрочному созиданию. Сделать не много маленьких результатов, а один ёмкий.

Понял, что жизнь "в стиле MVP" начала мешать и несколько раз привела к ошибкам.

Например, жалею, что не завёл канал пару лет назад, чтобы планомерно его развивать. Тогда казалось, что это долго и не даст быстрых результатов. Но формирование аудитории не работает моментально.

Хотя я по природе своей не люблю растягивать работу и интуитивно выбираю решения с экстремально короткими путями, понял что начинаю вырастать из этих подходов, хотя пользоваться ими не перестану, они всё-таки рабочие.

Почему так?

Во-первых, от забегов устаёшь. Усталость в том, что на каждый новый запуск идёт много операционных расходов для старта.

Во-вторых, быстрые решения на то и быстрые, что быстро устаревают :)

Что я хочу поменять?

1️⃣ Меньше прыгать по контекстам. Понял, что бить в одну точку на дистанции дает больше результата, чем яркие, но разрозненные успехи.

2️⃣ Откладывать, а не закапывать. Раньше я быстро хранил, если что-то не получалось. Навыки, отношения, проекты. Плюшкиным становится не собираюсь, а правильно сейвить любой результат надо учится.

3️⃣ Больше плыть по пользоваться течением. Мысль о том, чтобы сделать обстоятельства своим союзником, а не до исступления гнуть свою линию, тратя лишнюю энергию.

Посмотрим, что даст такой подход, мне самому будет очень интересно вернутся к этому посту через год и сравнить сегодняшние мысли.

О доверии к бренду и успешности стартапов

Готовлюсь к докладу на TechWeek. Предложили рассказать о доверии в финтехе.

Как-то в этот раз получилось, что сама подготовка доклада вывела меня на понимание очевидного цикла в технологических (да и не только) бизнесах:

1️⃣ Вы делаете делаете технологию, ноу-хау
2️⃣ Привлекаете первых пользователей
3️⃣ У вас появляется постоянная аудитория, которая доверяет вам
4️⃣ Вы даёте своей аудитории любую новую технологию, не связанную с основным бизнесом — ведь бренду уже доверяют

Сейчас по этому циклу идет весь крупняк с экосистемами. Мое любимое — молочко из Вкусвилла в приложении Т-Банк, а на соседней вкладке акции российского фондового рынка.

У крупного бизнеса есть клиенты. Значит, при правильном таргетировании можно продать еще много всего, помимо основного продукта.

Но так бывает не всегда:

🟥Нет бренда и новой технологии — у вас две задачи. Прокачать бренд и “защитить” технологию.

🟥Есть бренд, но нет технологии — важно не попасть в ситуацию Яндекса с КиноПоиском. Яндекс купил Кинопоиск (фактически бренд и аудиторию киноманов), сделал крупный редизайн, а потом его пришлось откатить из-за недовольства ядерной аудитории.

🟥Есть технология, но нет бренда — я бы сказал, что у вас нет ничего. Если у вас нет аудитории, то нет подтверждения востребованности вашей технологии. Возможно, технологию придется несколько раз переделать, чтобы она реально полетела.

——

💚 У нас в +7 pay как раз последний кейс. Если интересно, что мы с этим делаем и как работаем — жду 10🔥 и пишу пост

Как победить расфокус?
Лайфхак, как быстро вернуться в рабочий поток, если прокрастинируешь

Обычно тебя размазывает от мелких задач ИЛИ одной тяжелой

Как обычно думаешь:

1️⃣ Взять одну важную. Но тогда мелкие будут жужжать в голове и не дадут сосредоточится

2️⃣ Заняться мелкими. Но тогда будет преследовать чувство вины, что ты не закрыл важную

→ В таких случаях всегда стараюсь взять опорную задачу на день

Как правило, это большая задача, на которой держу фокус. А в затыках на большой переключаюсь на маленькие жужжащие

Это похоже на движение локомотива с плановыми остановками и расчетным временем прибытия. Все четко, размеренно, по плану. Внутренний невроз уходит.

Такой метод масштабируется, когда у тебя много больший и много мелких задач. На каждый день ты берешь задачу дня и походу решаешь мелкие.

Кстати, так случилось с этим постом :)

В момент затыка над большой задачей приятно отвлекся, написал пост и снова возвращаюсь к крупной рыбе.

А вы какие хаки используете?

Как собираю CRM для автобизнеса на ИИ

Недавно объединил решение двух своих задач

🔻Нужно было сделать црм для цеха по покраске авто

🔻Хотелось на практике сделать продукт исключительно с помощью ИИ

Выбрал для этой задачи lovable.dev, базу решил развернуть на supabase.com. И уже через неделю цех переехал на созданную црм.

Раньше приходилось собирать команду из дизайнера, аналитика, разработчика, тестировщика. Или выбирать какой-нибудь Битрикс и Амоцрм (фу). 

Сегодня достаточно часа, чтобы написать пару промпт-хотелок — и функционал у тебя телефоне. Просто космос.

До сих пор в шоке от технологического скачка. И он даже не про то, что разработчики останутся без работы. Не останутся. Они сменят инструменты и будут давать больше результата. Мозги-то у них никто не отбирал. А вот рутинное написание кода — в прошлом.

——

Даже если вы никогда не делали продукты, начните с вопросов deepseek-у или chatgpt о пошаговом плане создания, ии-инструментах для реализации своей идеи и следуйте его предложению. Либо пишите в комментариях вопрос, подскажу)

p.s. Кстати, на картинке к посту функционал, созданный за 15 минут. Раньше такое за две недели или даже месяц делалось.

Недавно познакомился с Димой, топит за Data Science, разрабатывает ИИ для бизнеса (GenAI, LLM, Агенты) и помогает вкатится в профессию через свой сервис ds-mentor.ru.

Попросил Диму рассказать о том как запускать проекты в ML, наслаждайтесь ❤️

——
С вами Дима, а теперь погнали затирать про то зачем вам ML, когда и как его нужно применять

1️⃣ Зачем?
Представьте, что у вас онлайн-сервис, который получает 100 заявок в день.
Из них 70 - мусор или нецелевые, 20 - «так себе», и только 10 - реально горячие лиды.
Ваш менеджер обзванивает всех подряд и тратит по 4 часа в день, чтобы найти этих 10 горяченьких лидов 👎

И тут возникает мысль: а зачем менеджеру тратить время, если можно сделать ML-модель, которая предскажет наших сочных лидов и станет неким помогатором в принятии решений? Это же в несколько раз сократит косты менеджера 😂

Модель обучена и теперь менеджер тратит 1 час, а не 4, и мы, как бизнес, не теряем на него много деняк. Это и есть мощь машинного обучения в бизнесе: помогатор, который на себя берёт рутинные задачи, такой ML-помогатор окупается за недели.

2️⃣ Когда?
Если вы задаётесь вопросом: "Да как же я устал писать одно и то же руками? Программно уже не затащить - всё ломается и падает", то тут стоит прибегнуть к ML решению. Есть несколько признаков, которые говорят о том, что пора внедрять ML:
🟣 Рутина мешает росту - вместо 100 if-ов для оценки клиента - ML-модель, которая сама решает, кто из них «горячий»
🟡 Когда бизнес-метрики чувствительны к точности - в кредитной компании точность ML-модели = меньше дефолтов, а значит больше прибыли
🔵 Когда доступен качественный и достаточный объём данных - в магазине куча кликов и покупок - можно рекомендовать товары, а не просто показывать «топ продаж»
🟢 Когда требуется масштабируемость - модераторы вручную проверяют 500 объявлений в день, но скоро будет 5000 — ML-модель справится, люди - нет

3️⃣ Первые шаги для внедрения

1. Определи пространство проблем
Задай себе (и бизнесу) честные вопросы:
🟣 Что мы хотим решить?
🟡 Зачем нам вообще нужен ML?
🔵 Как это повлияет на бизнес-показатели?
Иногда ML вообще не нужен - задача решается простой логикой или эвристикой, и это окей. Будет очень круто, если ты поймёшь, что проблема решается не ML, а обычным алгосом. Тогда сэкономишь кучу времени на разработку громоздкого ML-сервиса 😖

2. Перейди в пространство решений
Когда ясно, что мы хотим, переходим к как:
🟣 Какие данные есть?
🔵 Какой подход (ML или не ML) подойдёт?
🟢 Какие метрики успеха?
На этом этапе фиксируем ключевые смыслы, гипотезы и критерии — лучше на бумаге, чем в головах.

3. Говори с бизнесом на одном языке
Даже если ты всё понял сам — это ничего не значит, пока ты и бизнес не синхронизировались.
Используй «перевёрнутую пирамиду»:
🟣 Сначала - простое объяснение (понятное CEO или инвестору)
🟡 Потом - уточняющие вопросы (что именно за проблема, что считается успехом)
🟢 И только потом - технические детали (как определить фрод, как считать метрику, как валидировать модель)

Кстати, вот пост про пространство проблем/решений, а вот про "говори с бизнесом на одном языке" 🤨

Итог:
ML стоит внедрять тогда, когда он решает конкретную бизнес-проблему, сокращает косты и окупается быстрее, чем его разработка
——

Если вам интересно держать руку на пульсе ML, то подписывайтесь на канал Димы: https://t.me/eboutdatascience