Я смог пройти вот этот курс - Managing Python Packages and Virtual Environments и задокументировал его.

Попался документ "WHAT DOES A DATA ENGINEER DO AT AMAZON" и чего ждать на интервью.

Какие темы обсудить в подкасте?
У меня есть пару идей:
1) про выгорание, что это такое и как справляться
2) про MBA и аспирантуру и пользу в карьере
3) как первую написать книгу

Напишите что ещё интересно. Подкасты это быстро и удобно! Пока в пробке стоишь, записал🤗 правда у нас нет пробок!🤣

Мы знаем, что есть ETL, а еще есть ELT. Когда я спрашиваю на собседованиях, в чем разница между ETL и ELT, а так же MPP и SMP (второе редко кто отвечает, даже если работали с MPP), мои руководители, спрашивают меня, зачем я это спрашиваю. Мне это важно, потому что показывает кругозор кандидата, это не вопрос про "почему люк круглый" или "сколько беременных женщин проезжает за день в московском метро".

На самом дела я хотел написать про Meta ETL. И это очень хороший подход, который позволяет избежать Copy-Paste ваших pipelines, jobs, transformations and so on.

Как раз такой мы и используем на Azure Data Factory. Весь ETL создан в Visual Studio на C#, за это можно поставить памятник моему коллеге, все это дело подвязано на Azure DevOps, и происходит Deploy на Dev/Prod. Это чистой воды Software Engineering проект, который делает ETL. Ничего сложней я не видел. Я уже профессионально овладел навыком Copy/Paste кусочков C# для создания нового pipeline. Я прям горд за себя!😊

Допустим, я сделал новы Databricks Notebook, который:
1. Берет файлы (spark.read) и создает data frame
2. Дальше я могу менять data frame используя Pyspark сколько душе угодно
3. Записываю финальный data frame в таблицу (spark.write). Обычно добавляю партицию (заменяю). Но с Delta Lake можно позволить себе MERGE операцию.

Для каждой таблицы у меня отдельный notebook. Операция 1 и 3 унифицированы (обычная функция Python, которая на вход берет ряд параметром **read_parameters или **write_parameters в dictionary), а 2 это уникальный элемент для каждой таблицы.

Теперь, чтобы поставить это дело на расписание, я беру Azure Data Factory (вместо Databricks Jobs, Live Delta Tables) и создаю новый Pipeline (Copy Paste C# кусок и изменяю его). И все готово.

А если у меня 100 таблиц? Это значит без C# надо укликаться в ADF UI, чтобы все создать. С C# легче, просто копируем себе, а потом выстраиваем в одну большую очередь (назовем это Hand Made DAG). И запускаем.

Это все было не Meta ETL. А теперь подход Meta. Я создаю 1 pipeline в котором есть несколько циклов (Stages). Потом беру, например Azure SQL бд, в ней создаю таблицу - ETL_CONFIG и набор колонок. 1 строчка = 1 таблица (job, notebook). Идея в том, что мой единственный Pipeline будет запускать цикл (или несколько циклов) и на вход брать название таблицы.

То есть, я могу сделать один ETL job (даже в томже Airflow), который будет выполнять мои Databricks Notebooks по очереди с соблюдение зависимостей и приоритетов.

Нужно добавить новую таблицу? Легко, делаю новый notebook в Databricks и добавляю новую строчку в Azure SQL и все. Visual Studio даже открывать не надо (эх забуду свои навыки в C#🤔).

И тут я уже ограничен только фантазией, я могу так же сделать всего 1 Notebook вместо 100 (сейчас 1 таблица = 1 notebook), и так же передавать параметры и гонять его покругу.

Вот кстати статья про это.

Я бы хотел сделать такой проектик в модуле 7, но нужны руки:)

Давно слежу за дяденькой, он вроде как ветеран в Microsoft и создавал Synapse, а тут свалил в Snowflake. То есть это как понимать, Synapse фигня и нет смысла его использовать или менеджмент в Synapse плохой, что тоже влияет на качество продукта.

Вообще я еще не знаю ни одну компанию кто использует Synapse.

Недавно смотрел внутренний вебинар про Synapse ML - взяли за основу SparkML и накруртили там всего, чего можно. Но где реальные клиенты передовых аналитических инструментов, или они не передовые? Или это dogfood.

Любой человек в Microsoft знает, что это значит (обычно боль и мучение, для людей, которые используют продукт). Народ из Microsoft, попадалась вам “собачья еда”?

Интересный курс.

This course gives you easy access to the invaluable learning techniques used by experts in art, music, literature, math, science, sports, and many other disciplines. We’ll learn about how the brain uses two very different learning modes and how it encapsulates (“chunks”) information. We’ll also cover illusions of learning, memory techniques, dealing with procrastination, and best practices shown by research to be most effective in helping you master tough subjects.

https://www.coursera.org/learn/learning-how-to-learn

Проходили такой?

Привет. У нас завтра третий день рождения у чата. Как насчёт ссылочки? :)

Что-то такое:

Всем привет! 14 февраля - не только День святого Валентина, но и очередной день рождения группы Power BI Group RU, самого большого русскоязычного сообщества влюбленных в Power BI в Telegram. Здесь всегда будут новости, полезные ссылки, жаркие дискуссии, но, главное, активная помощь друг другу. Присоединяйтесь!

https://t.me/PBI_Rus

The Devil is in the Dirty Laundry – Life Lessons from
Prime Machine Learning Experiments and Launches.


Abstract:


Machine Learning (ML) has attracted a lot of attention from leading high-tech companies and played an important role in Amazon in recent years.

Tremendous effort has been devoted to studying and utilizing the latest ML techniques as well as developing tools to support the fast development and implementation of them.

However, there is little shared on best practices and issues encountered from practical applications in the wild.

In this paper, we share our experiences and 14 lessons learned from a variety of experiments and product launches in order to raise awareness of common pitfalls and improve the success of other ML applications across Amazon.

Маркетинговая аналитика и модели атрибуции все еще очень популярны и востребованы.

fun attribution exercise: a company sent me an email reminding me about what they do, i read it, clicked a link, watched the video, slept on it, remembered the next day, told a coworker about it on slack, he will google it and find them and sign up. good luck attributing that.

В статье The Case for Marketing Attribution автор рассматривает классические подходы и потом переходит к Hidden Markov Model.

Я тоже пытался использовать HMM еще в 2014 году, создал Redshift, загузил все данные из разных каналов (кстати использовал Pentaho DI), потом понял, что как-то сложновато для меня одного, построил Sankey диаграмму и сравнил First Click и Last Click модели, на этом все закончилось🤗

Видео про чувака из самого знаменитого мема https://youtu.be/PUKwXKzRsXY

Microsoft и другие tech компании готовятся возвращать людей на работу. Паника заканчивается и можно загнать людей обратно, где есть бесплатный кофе и напитики (совсем не healthy), тренажерка и конференц залы, в которых уже не поигаешь в Xbox во время встречи🤫

Я вот, например, не собираюсь обратно в офис, покрайней мере в офис, в котором платят Канадскую зарплату🇨🇦

Мне всегда офис нравился, я даже во время пандемии почти год в офисе провел, пока ковид паспорта не ввели. А теперь уже не до офиса стало😄

А вы как уже в офисе? Где вам лучше работается?

Товарищ рассказал про 5 дата трендов в 2022, давайте на них посмотрим.

1. The rise of the Analytics Engineer - ну то есть разработчика dbt. Как-то за пределами dbt community это слово не прижилось.

2. The data warehouse vs data lakehouse war intensifies (and lines get increasingly blurred) - это факт, спасибо open source contributions в развитие delta lake, iceberg, hudi.

3. Real-time streaming pipelines and operational analytics will continue to push through - уже с 2000х стриминг деалет пуш фру. Но реально, если нет бизнес необходимости критической, зачем козе боян? Вот и я так же думаю про streaming в моей day to day data engineering job.

4. The rise of Cloud Marketplaces for Modern Data Stack adoption - это интересно. Marketplace решают. У Tableau есть такой, у Power BI есть такой. Вот про data engineering пока не знаю, есть у Snowflake Partner Connect и Data marketplace, еще видел у Azure Data Factory и Synapse, ну такое...

5. Harmonization and consistency of terminology around the Modern - Data Stack and data quality - это старо как мир, но до сих пор не решено до конца. Я имею ввиду, Tableau решил проблему дашбордов, self-service и визуализации, а вот такого же прорывного решения в области quality & governance я пока не наблюдаю, все хотят к себе такое внедрить, но единого мнения как лучше нет.

Я бы еще добавил 6 - Data Observability.

Если вы работали с Oracle и MS SQL Server, уверен вы тратили много времение на оптимизацию таблиц, ключи, индексы и другая лабуда, по которой написаны тома книг.

Если вы работали с Teradata, то там уже получше, это MPP система м мы переживаем за data distribution и можем партиционировать данные и использовать парочку индексов.

Если вы работаете сейчас с Redshift, Azure DW, то у вас до сих пор есть задачки с data distribution (все боятся data skew).

А вот Snowflake, сказал, баста, хватит этой лабуды, все будетм само работать (до определенных размеров хранилища). Вот интересный пост - Automatic Clustering at Snowflake

Это поучительное видео уже было на канале?https://www.youtube.com/watch?v=yEMW2FRkhOo&t=1s

Для всех кому интересно посмотреть как Амазон проводит собеседования, можно зарегестрироваться на Virtual Interview Coaching Lounges Weekly Workshops:
- Tuesdays 3:00-4:00pm PDT
- Thursdays 1:00-2:00pm PDT

Вообще мне перепало столько информации про Амазон, что если вы все это посмотрите то будете экспертом культуры Амазон:

16 LEADERSHIP PRINCIPLES
Everything in Amazon is discussed / measured around the 16 Leadership Principles. They form the basis of every interview and are central to life at AWS. Importantly they help keep the whole company centred on the key objectives and goals. “Our Leadership Principles aren’t just a pretty inspirational wall hanging. These Principles work hard, just like we do. Amazonians use them, every day, whether they’re discussing ideas for new projects, deciding on the best solution for a customer’s problem, or interviewing candidates. It’s just one of the things that makes Amazon peculiar”.
Amazon Leadership Principles

RE:INVENT
In order to understand AWS and the reason why we care so passionately about customers, I would recommend you watch these videos from the 2017 re:Invent Conference, our big annual showcase. Some of the videos are quite long (2 hours) but Andy Jassy, Peter DeSantis, and Werner Vogels are the AWS rock stars and set the strategic direction for us all. Importantly, you will hear from customers talking about their experiences of using our platform and working with AWS to support their mission-critical priorities.
Andy Jassy CEO
Peter DeSantis VP of Global Infrastructure
Werner Vogel CTO

DAY 1
Something else worth reading is Jeff Bezos's recent letter to shareholders – entitled “Jeff, what does Day 2 look like?” A common saying in Amazon is that it’s always Day 1. This made big headline news as the approach and attitude we have to innovation, growth and customer obsession really does set us apart and ensure we continue to be the fastest growing tech company in history.
About Amazon - 2018 Letter to Shareholders

И есть информация про AWS.
Hear What It's Like from Our Employees to Work at AWS Since Joining
Hear What It's Like from Our Employees on How to Get Prepared for an Interview at AWS

Кирпичи решают! #databricks

У кого ещё день рождение в канале?🥳🤗

Дмитрий,добрый день!

Меня зовут Толганай, представитель https://t.me/kz_bi.

Сообщество всех, кому интересна сфера анализа данных и Business Intelligence в Казахстане. Проводим митапы, воркшопы и конференции. В этом году у нашего сообщества будет день рождения, в связи с этим организовываем Data-марафон с выступлениями на тему анализа данных. Подскажите,можно ли будет об этом рассказать у Вас на канале?🙏🏻

Quantum Computing это серьезный топик, вы можете посмотреть презентацию с вебинара - Quantum Computing beyond fundamentals. Интересно, будет ли какое-нибудь применение в аналитике.