Правило 💯 для скидок

В предыдущем посте мы поговорили про контекст, но как аналитик ценообразования поделюсь ещё одним интересным наблюдением из мира скидок и цен 😎

Есть такое правило 100:
— если товар стоит меньше 100, скидка лучше воспринимается в процентах
— если товар стоит больше 100, лучше показывать скидку в абсолютных величинах

Например:
• скидка 20% на товар за 50$ ощущается сильнее, чем скидка вида –10$
• а вот для товара за 5.000 $ уже наоборот: –1.000 $ выглядит привлекательнее, чем 20%

Правда, есть нюанс: это правило уже не так часто работает в России, просто потому что товаров дешевле 100 рублей у нас осталось не так много 😭

Ставь единорога, если тоже впервые услышал про это правило🦄

И предлагаю челлендж: делись в комментариях своим любимым продуктом стоимостью до 100 рублей 😏

Совет при собеседовании в конкретную компанию 🤔

Немного поделился историей, как собеседовался в другие компании после Яндекса ❤️

В других соцсетях с короткими видео тестирую новый формат с советами, попробую выложить и сюда в том числе 📹

Если наберём больше 100 🔥, то видео будут появляться и тут)

Как я переходил из Яндекса ❤️ в Авито 😎

Всё это подробно описали в новой статье на Хабре, опубликованной совместно с Практикумом 📖

Читать статью 📝

Как вы видите — количество ваших реакций напрямую влияет на частоту постов, поэтому не поленись поставить ❤️

Кем надо работать, чтобы стать аналитиком? 😎

Мне сказали, что следует поделиться этой историей, потому что она может кого-то вдохновить 🙏

Аналитиком на стажировку в Яндекс я устроился в 20 лет, но до того момента у меня было 2 года жизни после школы, когда надо было как-то зарабатывать 💵

Я точно не бедствовал — благодаря родителям у меня всегда было где жить и что поесть, но на карманные расходы после школы я решил зарабатывать сам.

Итого я попробовал самые разные занятия, но все довольно интересные. Начнём по порядку:

• Пеший курьер в Яндекс.Доставке — сюда я устроился летом сразу после школы, вышел на одну смену и, к сожалению, не получил ни одного заказа. Тогда я сильно злился, потому что закончил школу с золотой медалькой и высокими баллами ЕГЭ, но при этом не мог конвертировать свои знания в деньги 🤬

• Куратор в онлайн-школе — с началом учёбы во ВШЭ я начал работать в онлайн-школе, которая готовила школьников к ЕГЭ (я и сам там учился в своё время). Там я работал 2 года: у меня было 20-30 учеников в группе, за которых я отвечал и помогал им с ДЗ, модерировал вебинары и составлял методички 🧑‍🎓
Свою первую зарплату я получил в размере 5к рублей, а затем каждый месяц получал по 15к в зависимости от KPI. Удивительно, но этих денег в целом хватало на студенческую жизнь и комплексные обеды на Покре, но ценнее всего то, что в результате работы куратором я и завёл этот телеграм-канал

• Подработка на мероприятиях — вдобавок я вписывался в разные подработки, и одна из них заключалась в помощи с организацией конференции для селлеров на маркетплейсах 🛍🛍🛍
Перед началом одной из конференции мне даже приходилось стоять зимой с табличкой-указателем на улице, чтобы навигировать посетителей конференции, а за один рабочий день я получил 2к рублей, чему был очень рад 🥳
В другие разы я работал барменом на студенческих тусовках Вышки, за что тоже получал около 2к 🍾

Весь этот опыт научил меня находить в работе смысл и пользу в первую очередь для себя самого. Благодаря этому появился сам телеграм-канал, рилсы про курьеров Лавки и Еды, понимание логики работы маркетплейсов, а также желание делиться материалами со студентами, которые мечтают работать в IT

Посыл простой: всё, что ты делаешь до «работы мечты», — не стыдно и не зря, даже если в моменте кажется обратное. Просто умей находить в этом смысл для себя любимого 🥰😍

Ставь ❤️ если тебе понравился пост - это важная обратная связь для меня

Как заработать, ничего не продавая 🤯

Когда говорят про доходы компаний, то чаще всего сразу вспоминают продажи, маркетинг, рост аудитории, ценообразование и воронки 💸
Но есть и более неочевидный способ заработать деньги, о котором я довольно долго не задумывался 🤷‍♂️

И называется он «овернайты», или, проще говоря, краткосрочное размещение денег 💵

Рассмотрим на примере маркетплейса:
• пользователи пополняют кошельки, оплачивают заказы
• эти деньги какое-то время лежат на счетах компании до выплат продавцам, возвратов или комиссий
• в моменте это могут быть достаточно большие суммы, которые по факту просто ждут своего часа — день или два

И вот вместо того, чтобы эти деньги просто лежали, их можно разместить в овернайты — низкорисковые финансовые инструменты, куда деньги кладут буквально на один день:
• сегодня положили
• завтра забрали
• получили небольшой дополнительный доход (сейчас можно найти овернайты в среднем на ~10% годовых в рублях)

Почему это удобно:
• деньги остаются максимально ликвидными
• подходит для очень короткого горизонта
• не мешает основной операционной деятельности компании

По похожей логике работает даже количество налички в банкоматах — нужный объём на сутки часто прогнозируют с помощью ML-моделей, потому что держать слишком много физических денег в банкомате без дела невыгодно, т.к. на них тоже можно заработать, размещая их, например, в депозит, пусть и на короткий срок ⏳

Кажется, что аналитику полезно такое знать:
• это может всплыть на собеседовании и показать твоё понимание бизнеса 😎
• при решении рабочей задачи ты можешь заметить, что у компании есть свободные деньги, которые не обязаны лежать без дела 💰

Если было полезно — ставь любимую реакцию ❤️🍌🍓

Проблема бесплатного транспорта 🇷🇸

Пару дней назад я впервые приехал в Белград, чтобы посмотреть как тут живут айтишники, и заметил странную вещь: в автобусах и трамваях никто не прикладывает карты. Оказалось, что общественный транспорт тут стал бесплатным в 2025 году 🤯

Такое решение может быть выгодно городу: растёт пассажиропоток (люди чаще выбирают транспорт вместо авто), снижаются пробки, улучшается экология и появляются имиджевые бонусы (а где ещё вы видели бесплатный транспорт?)
Получается классический размен метрик: выручку с билетов меняют на экологию, оптимизацию трафика и удовлетворённость жителей ⚖️

Но когда транспорт становится бесплатным и убирают валидацию карт, появляется неочевидная проблема: исчезает источник данных о перемещениях пассажиров 📍

Валидация карт в платном транспорте — это не только способ контролировать оплату, но и источник данных для улучшения транспортной системы 🚌

Благодаря нему аналитики из городских структур понимают:
• какие маршруты популярны в разное время
• где нужно добавить автобусные маршруты, а где их можно убрать
• как оптимизировать расписание под реальный спрос

Сначала я подумал, что трекинг пассажиров можно решить через Computer Vision — камеры с ML-моделями, считающие пассажиров в салоне (пример статьи), но я сомневаюсь, что Белград использует такой подход 🤖

Потом выяснилось следующее: в Белграде есть проект автоматического подсчёта пассажиров, а именно над каждой дверью в новых электробусах стоят сенсоры, которые считают посадку и высадку на остановках, записывая GPS-координаты и время 🕒

Однако кажется, что система работает далеко не на весь автопарк Белграда. Скорее всего для аналитики используют комбинацию: датчики на новых автобусах + GPS-аналитику + старые данные о валидациях 📊

Теперь ты знаешь, что за обычной поездкой в автобусе скрыта интересная аналитическая задача)

А я тем временем собираюсь обратно в Москву к платному транспорту преподаванию, работе и блогам - не теряйте 🫶

Ставь ❤️ если было интересно

Появилась идея сделать пост на тему "культа продуктивности" и той его части, что действительно может работать на пользу 🤔

Как вам идея?

🍌 - делаем

Гайд по аналитикам: какие они бывают? 📊

Когда я говорю, что работаю аналитиком, то часто слышу: «О, а ты бизнес/системный/крипто аналитик?» 🤔

Давайте разберёмся, кто есть кто в мире аналитиков 👇

📈Продуктовый аналитик (Product Analyst)
Чем занимается:
• Строит воронки конверсии — анализирует путь пользователя от первого касания до целевого действия
• Проводит A/B-тесты — проверяет гипотезы по улучшению продукта
• Анализирует поведение пользователей — изучает, почему одни остаются с продуктом надолго, а другие уходят после первого дня
Средняя ЗП*:
150к - 320к ₽ 💰
Вакансий на hh: ~2500

🔍 Аналитик данных (Data Analyst)
Чем занимается:
• Строит дашборды и отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании
• Ищет инсайты в данных — находит аномалии, выявляет тренды, объясняет, почему метрики изменились
• Работает с базами данных — извлекает нужную информацию с помощью SQL-запросов и превращает её в понятные выводы для бизнеса
Средняя ЗП*:
100к - 250к ₽ 💰
Вакансий на hh: ~6700

🏢Бизнес-аналитик (Business Analyst)
Чем занимается:
• Работает на стыке бизнеса и IT — собирает требования от бизнеса и переводит их на язык, понятный разработчикам
• Описывает бизнес-процессы — документирует, как работают процессы в компании
• Анализирует эффективность процессов — предлагает конкретные улучшения для ускорения и упрощения бизнес-операций
Средняя ЗП*:
110к - 250к ₽ 💰
Вакансий на hh: ~8600

💼Финансовый аналитик (Financial Analyst)
Чем занимается:
• Работает с деньгами компании — управляет финансовыми данными и помогает бизнесу эффективно распоряжаться ресурсами
• Анализирует рентабельность — оценивает доходность разных направлений бизнеса и продуктов
• Строит модели unit-экономики — считает, сколько стоит привлечь клиента и сколько он принесёт денег за всё время взаимодействия с компанией
Средняя ЗП*:
140к - 250к ₽ 💰
Вакансий на hh: ~4600

🤖Data Scientist
Чем занимается:
• Строит ML-модели для предсказаний — создаёт системы машинного обучения, которые автоматически анализируют данные и делают прогнозы
• Предсказывает отток клиентов — строит модели, которые заранее определяют, кто из клиентов может уйти
• Работает на стыке аналитики, программирования и математики — использует продвинутую статистику, алгоритмы и ML для решения бизнес-задач
Средняя ЗП*:
130к - 360 000 ₽ 💰
Вакансий на hh: ~1000

🖥Системный аналитик (System Analyst)
Чем занимается:
• Описывает, как должна работать IT-система — создаёт детальную техническую документацию
• Собирает требования от бизнеса — общается с заказчиками и превращает их пожелания в чёткую техническую документацию для разработчиков
• Рисует схемы процессов — создаёт диаграммы, описывает логику работы функций, продумывает сценарии использования системы
Средняя ЗП*:
140к - 310к ₽ 💰
Вакансий на hh: ~4100

📊BI-аналитик (Business Intelligence Analyst)
Чем занимается:
• Строит дашборды и витрины данных — создаёт централизованные наборы данных с ключевыми метриками компании для быстрого доступа
• Создаёт удобные интерактивные отчёты — создаёт визуальные панели и регулярные отчёты для разных отделов компании
• Помогает всем отделам принимать решения — от маркетинга до финансов обеспечивает визуализированными данными для обоснованных бизнес-решений
Средняя ЗП*:
150к - 300к ₽ 💰
Вакансий на hh: ~1600

* - зарплаты указаны примерно для Москвы и крупных IT-компаний, в регионах суммы могут быть на 20-40% ниже

Лайфхак:

Честно говоря, за годы работы аналитиком данных я постоянно оказывался на пересечении всех этих ролей, и теперь знаю точно — есть набор знаний, которые нужны каждому аналитику 💯

Именно о них я и рассказывал в своём бесплатном туториале для начинающих аналитиков 👀

Ставь ❤️ если зашло

Кэшбек — бесплатная скидка или скам? 😦

Этот пост — часть рубрики, в рамках которой можно обрести насмотренность для решения бизнес-кейсов, которые так часто возникают на собеседованиях для аналитиков 📊

В прошлый раз ты узнал(-а) про динамическое ценообразование в ритейле, а теперь разберём немного финтеха: откуда у тебя появляется кэшбек в банке и за чей счёт он на самом деле существует?

Представим ситуацию:
в кофейне ты берёшь раф из Авито на миндальном, расплачиваешься картой и получаешь назад 5% от его стоимости бонусами на ту же карту

☕️

Обычно мы считаем, что такой банковский кэшбек является 💅благотворительностью💅, но на самом деле это продуманный механизм, основанный на борьбе за клиента

Так откуда у банка деньги на твой кэшбек?

1. Межбанковские комиссии - когда ты покупаешь кофе с карты, торговая точка выплачивает комиссию банку-эквайеру (банк, обслуживающий магазины). А тот, в свою очередь, делится частью этих денег с банком-эмитентом (банком, который выпустил твою карту) 💳

2. Партнерские соглашения - кэшбек в конкретной кофейне тебе часто может финансировать сама кофейня, доплачивая банку за привлечение трафика и увеличение среднего чека, покупая твою лояльность 🤑

3. Прибыль от кредитов - программы лояльности финансируются за счет высокой маржи по кредитным картам. Проценты и пени, которые платят одни клиенты, позволяют банку вернуть тебе часть средств за твой любимый латте 🤔

4. Экосистема и долгосрочная выгода - банк готов нести краткосрочные убытки ради удержания хороших клиентов. Довольный бонусами чел дольше хранит деньги на счетах и в будущем с большей вероятностью купит страховку, оформит ипотеку или подключит платные сервисы 💰

Увы, кэшбек — это не бескорыстный подарок, а инструмент, выгодный всем участникам цепочки 📈

Кстати, выбор категорий кэшбека, вероятно, даёт банку широкий простор для проведения A/B-тестов: экспериментируя с набором доступных категорий и размером процента для разных групп пользователей, аналитики находят оптимальный баланс между вашими тратами и затратами банка (но это лишь моя догадка), отсюда и всякие мемы про "кэшбек 7.3% на корм для бобров"

Понравилась такая рубрика? Ставь красную реакцию ❤️🍓

Линейное мышление тебе мешает 📉

Недавно обучая нейросеть со студентами, я задумался о том, что мы учим модели улавливать нелинейные зависимости, а сами продолжаем думать линейно 🤔

Мы привыкли к интуитивной логике: чем больше усилий - тем больше результат (т.е. линейная зависимость)
Но когда начинаем наблюдать за реальностью, то оказывается, что жизнь чаще протекает по другим уравнениям 🤔

Нелинейность — это когда результат непропорционален усилиям: иногда одно действие даёт столько эффекта, сколько не приносили годы работы

Разберём на конкретных примерах:

1. Создание контента - месяцами снимаешь и пишешь материалы, со скрипом набираешь каждые 100 подписчиков - и вдруг один пост "залетает", его репостит крупный канал, и за ночь приходит больше людей, чем за полгода, а усилий на этот пост потрачено ровно столько же, сколько на остальные 🤯

2. Изучение новой дисциплины — на примере Data Science это ощущаешь особенно остро: месяцами разбираешь формулы, матрицы, производные, а модели все ещё кажутся чёрным ящиком. Прогресс едва заметен, но вдруг линейная алгебра, статистика и градиентный спуск складываются в единую картину, и ты начинаешь видеть, почему нейросеть обучается именно так💡

3. Поиск работы — десятки резюме, собеседования, отказы. Из-за этого кажется, что КПД стремится к нулю, но каждый отказ чуть подтачивает резюме и прокачивает ответы на вопросы. В итоге один звонок или случайное знакомство приводят к офферу мечты, и весь предыдущий опыт оказывается всего-лишь подготовкой к этой единственной точке 📍

4. Масштабирование мёртвого продукта — пример обратной нелинейности: можно работать по 20 часов в сутки и лить огромные бюджеты в маркетинг - и не получить ничего, если рыночного спроса на продукт нет. В таком случае "больше усилий" = "быстрее сжигаешь ресурсы", при этом даже не приближаясь к результату 🔥

Окей, но как это применить? 🤷‍♂️

Учись не ждать линейного роста — усилие не всегда равно результату здесь и сейчас. Дай процессу время, и если даже через разумный срок динамики совсем нет — это сигнал пересмотреть стратегию, а не удваивать усилия вхолостую

✍️

Быстрые результаты — это исключение, которое современный мир обобщил в норму. Но вот только чаще реальность так не работает, и об этом следует помнить 🌱

Кстати, это напрямую связано с аналитическим мышлением: умение находить точки максимального рычага в продукте, гипотезах или собственном развитии - один из ключевых навыков хорошего аналитика 📊

Лучший способ поддержать такой формат постов - поставить реакцию ❤️‍🔥 или поделиться мнением в комментариях

Как начать карьеру в образовании? 🎓

Если ты часто задаёшься этим вопросом, то сейчас самое время попробовать себя в роли преподавателя на интенсиве от Центрального Университета 😀

22 марта ЦУ начнёт интенсив для специалистов в ИТ, которые готовы делиться знаниями со студентами, но не знают, с чего им начать 🤔

Все подробности - в посте от моих коллег 👇

Библиотеки для анализа данных: с чего начать? 🐍

Сегодня разберём один из самых частых вопросов у тех, кто задумался об изучении анализа данных:

Как мне изучать библиотеки Pandas, Matplotlib и Seaborn?

Там же дофига функций и методов 🥲

Как по мне, это правда достаточно неочевидный вопрос, т.к. сами по себе библиотеки довольно объёмные и содержат кучу методов и функций, из-за чего можно подумать, что надо запомнить их все.
Спойлер: это далеко не так, и чтобы быстро их изучить попробуем исходить из практики

Более длительный вариант (для тех, кто любит статьи и курсы):

• Pandas - самая важная библиотека, чтобы работать с табличными данными. Здесь нужно научиться их фильтровать, группировать и производить преобразования таблиц. В связке с ней можно изучить NumPy - разберётесь с массивами и векторными вычислениями, что иногда сильно ускоряет работу с числами. Хороший материал для старта - хендбук от Яндекса по NumPy и Pandas 📋

- Matplotlib - да, кода много и поначалу библиотека кажется громоздкой, но именно она даёт полный контроль над каждым элементом графика и закладывает понимание того, как устроена визуализация в Python в целом. Разобравшись в ней один раз, ты получишь понимание того, как работает визуализация у других библиотек 🎨

- Seaborn - это как раз надстройка над Matplotlib, которая позволяет строить красивые статистические графики буквально в одну строку. После базового Matplotlib обычно сразу ощущается, насколько это удобно. Один из способов изучить — просто листать галерею примеров на официальном сайте и разбирать код 😌

Быстрый вариант (для тех, кто любит практику):

Тут лучшая стратегия - взять реальный датасет и "покрутить" его, попытавшись найти в нём закономерности и инсайты 🔍
Заходим на Kaggle, находим интересный для себя датасет, пытаемся задавать себе вопросы по его структуре (тут можно попросить GPT составить по датасету вопросы) и пытаемся ответить при помощи вышеупомянутых библиотек и их документаций - сначала чистим/агрегируем/фильтруем данные в Pandas, потом визуализируем закономерности 📊
Уверяю, что такая практика на реальных данных в разы эффективнее чтения туториалов без применения навыков, и таким образом можно изучить эти библиотеки за неделю 🔥

Если наберём 100 ❤️, то сделаю авторский jupyter-ноутбук с датасетом и конкретными вопросами к нему. Решив его, ты сможешь поставить галочку в изучении этих библиотек