Приветствуем!
Вы на канале про Data Driven культуру, который бережно и старательно ведёт команда российского BI продукта Analytic Workspace.
Но мы не будем рассказывать здесь про наш продукт и нахваливать его, хотя нам есть чем хвастать 😉
Здесь мы делимся информацией из мира больших и малых данных — из мира, в который мы ежедневно окунаемся.
Про что мы здесь пишем:
— Интересные примеры визуализаций.
— Дата сторителлинг.
— ML в BI. BI без ML. ML без BI.
— Кейсы из практики внедрения (как удалось объединить необъединяемое, например).
— Культура DD в общем смысле.
— Тренды на рынке BI.
— Статистика с рынка BI: рост/падение популярности профессии, профиль специалиста и т.п.
— Что почитать.
— Где и чему учиться.
Для удобной навигации используем теги:
#новичкам – знания, точно полезные для тех, кто только погружается в тему.
#профи – информация для тех, кто уже в теме BI.
#ru_bi – информация из мира российских BI.
#визуал – пример классного (или страшного) дашборда.
#практика – примеры из практики, датасеты и прочее.
#мнение – оно и есть мнение.
#технологии – о технологиях в BI.
#статья – полезная статья из мира данных.
#книга – рекомендация книги.
#интервью – интервью с представителями отрасли.
#история – интересная история из мира данных.
#жиза – смешные и не очень зарисовки из Data Driven будней.
#дайджест – подборка ссылок на полезное, увиденное нами.
#мероприятия — анонс или запись классного мероприятия.
#знания — ценные знания из мира данных.
———————————
analyticworkspace.ru — это наш сайт.
@awcommunity — сообщество взаимопомощи специалистов, которые работают с Analytic Workspace.
Вы на канале про Data Driven культуру, который бережно и старательно ведёт команда российского BI продукта Analytic Workspace.
Но мы не будем рассказывать здесь про наш продукт и нахваливать его, хотя нам есть чем хвастать 😉
Здесь мы делимся информацией из мира больших и малых данных — из мира, в который мы ежедневно окунаемся.
Про что мы здесь пишем:
— Интересные примеры визуализаций.
— Дата сторителлинг.
— ML в BI. BI без ML. ML без BI.
— Кейсы из практики внедрения (как удалось объединить необъединяемое, например).
— Культура DD в общем смысле.
— Тренды на рынке BI.
— Статистика с рынка BI: рост/падение популярности профессии, профиль специалиста и т.п.
— Что почитать.
— Где и чему учиться.
Для удобной навигации используем теги:
#новичкам – знания, точно полезные для тех, кто только погружается в тему.
#профи – информация для тех, кто уже в теме BI.
#ru_bi – информация из мира российских BI.
#визуал – пример классного (или страшного) дашборда.
#практика – примеры из практики, датасеты и прочее.
#мнение – оно и есть мнение.
#технологии – о технологиях в BI.
#статья – полезная статья из мира данных.
#книга – рекомендация книги.
#интервью – интервью с представителями отрасли.
#история – интересная история из мира данных.
#жиза – смешные и не очень зарисовки из Data Driven будней.
#дайджест – подборка ссылок на полезное, увиденное нами.
#мероприятия — анонс или запись классного мероприятия.
#знания — ценные знания из мира данных.
———————————
analyticworkspace.ru — это наш сайт.
@awcommunity — сообщество взаимопомощи специалистов, которые работают с Analytic Workspace.
Тёмная сторона BI
В ходе исследования данных мы порой приходим к неверным выводам.
К неверным выводам можно прийти неумышленно — вследствие допущенных ошибок в данных либо ложной корреляции. Всякое бывает.
Но можно вполне преднамеренно подсунуть ошибки в умозаключения.
Переход на “темную сторону BI” случается через манипуляцию цифрами: «массаж данных» или использование визуальных хитростей.
Например, иногда специально игнорируют нулевую отметку на оси в столбчатых диаграммах или делают цветовую дизориентацию — скажем , покраску убытков зеленым цветом.
Часто вместо медианного значения показывают среднее — например, при анализе зарплат по какой-то отрасли или предприятию.
Расследование такого рода ошибок и опровержение неверных выводов может потребовать значительных ресурсов.
Итальянский программист Альберто Брандолини в 2013 году сформулировал важный принцип в исследованиях чуши:
«Количество энергии, необходимое для опровержения чуши, на порядок больше, чем требуется для ее производства».
В общем, мы призываем совершенствовать корпоративную культуру и этику работы с данными.
«Не плодите чушь, господа! И оставайтесь на светлой стороне BI. С нами!😉»
В довесок можно порекомендовать книгу: «Как лгать при помощи статистики», Дарелл Хафф (легкогуглится яндексится).
Первая редакция написана аж в 1954 году — иллюстрации в книге очень душевные, надо сказать.
В ней разбирается множество примеров, когда визуальная часть помогала манипулировать принятием решения.
Мотайте на ус, чтобы не попасть в ловушку.
#книга #мнение
В ходе исследования данных мы порой приходим к неверным выводам.
К неверным выводам можно прийти неумышленно — вследствие допущенных ошибок в данных либо ложной корреляции. Всякое бывает.
Но можно вполне преднамеренно подсунуть ошибки в умозаключения.
Переход на “темную сторону BI” случается через манипуляцию цифрами: «массаж данных» или использование визуальных хитростей.
Например, иногда специально игнорируют нулевую отметку на оси в столбчатых диаграммах или делают цветовую дизориентацию — скажем , покраску убытков зеленым цветом.
Часто вместо медианного значения показывают среднее — например, при анализе зарплат по какой-то отрасли или предприятию.
Расследование такого рода ошибок и опровержение неверных выводов может потребовать значительных ресурсов.
Итальянский программист Альберто Брандолини в 2013 году сформулировал важный принцип в исследованиях чуши:
«Количество энергии, необходимое для опровержения чуши, на порядок больше, чем требуется для ее производства».
В общем, мы призываем совершенствовать корпоративную культуру и этику работы с данными.
«Не плодите чушь, господа! И оставайтесь на светлой стороне BI. С нами!😉»
В довесок можно порекомендовать книгу: «Как лгать при помощи статистики», Дарелл Хафф (легко
Первая редакция написана аж в 1954 году — иллюстрации в книге очень душевные, надо сказать.
В ней разбирается множество примеров, когда визуальная часть помогала манипулировать принятием решения.
Мотайте на ус, чтобы не попасть в ловушку.
#книга #мнение
Искусственному интеллекту муза не нужна
Первая полная запись музыкального произведения, дошедшая до наших дней, датируется 9 веком нашей эры.
Музыка всегда развивалась и изменялась, помогала людям пройти через сложные жизненные обстоятельства, да и в целом развлечься и сделать жизнь приятнее.
Вивальди, Бах, Моцарт, Бетховен, Шопен были гениями и создавали произведения, к которым нет равнодушных. Музыка стала формой искусства, выражающей целый калейдоскоп чувств и эмоций.
Люди слушали музыку на виниле, кассетах и CD дисках. Сейчас технологии шагнули вперед: помимо того, что мы слушаем музыку онлайн, теперь она еще может создаваться искусственным интеллектом. Например, тут можно посмотреть какие существуют нейросети для генерации музыки. Но и даже в этом уже пошли дальше, исследователи начали изучать эмоциональную реакцию человека при прослушивании песен и на основе этого набора данных нейросеть с точностью 97% может находить хиты. Это уже помогло создать успешные композиции и даже получить за них Грэмми!
В общем, искусственному интеллекту муза, конечно, не нужна, но как относиться к композициям им созданным решать вам:)
#мнение
Первая полная запись музыкального произведения, дошедшая до наших дней, датируется 9 веком нашей эры.
Музыка всегда развивалась и изменялась, помогала людям пройти через сложные жизненные обстоятельства, да и в целом развлечься и сделать жизнь приятнее.
Вивальди, Бах, Моцарт, Бетховен, Шопен были гениями и создавали произведения, к которым нет равнодушных. Музыка стала формой искусства, выражающей целый калейдоскоп чувств и эмоций.
Люди слушали музыку на виниле, кассетах и CD дисках. Сейчас технологии шагнули вперед: помимо того, что мы слушаем музыку онлайн, теперь она еще может создаваться искусственным интеллектом. Например, тут можно посмотреть какие существуют нейросети для генерации музыки. Но и даже в этом уже пошли дальше, исследователи начали изучать эмоциональную реакцию человека при прослушивании песен и на основе этого набора данных нейросеть с точностью 97% может находить хиты. Это уже помогло создать успешные композиции и даже получить за них Грэмми!
В общем, искусственному интеллекту муза, конечно, не нужна, но как относиться к композициям им созданным решать вам:)
#мнение
FUNNYCOON
Нейросети для генерации музыки
Собрали для вас 9 лучших платформ-аудиогенераторов с AI, которые помогут вам создать интересный музыкальный контент.
Про ad-hoc аналитику
Привет!
Пишет Михаил — Head of product AW BI😉
В Мире BI есть как минимум два понятия, которые все часто употребляют, но которые все понимают по-своему.
1 — Self Service BI, 2 — ad-hoc аналитика (без дефиса тоже пишут — adhoc).
Про Self Service мы уже рассказали немного на vc. Давайте поговорим про ad-hoc (от лат. “по особому случаю”).
Если покопаться в интернетах — то можно составить следующее впечатление: ad-hoc аналитика — это когда ты достаёшь ответы на сиюминутные (спонтанные) запросы бизнеса. Если скрестить Self Service и ad-hoc, то получится так: бизнес пользователь сам из BI системы может достать ответы на свой спонтанный запрос.
Пока всё понятно, но — как понять BI-система может в ad-hoc или нет. Или даже так — насколько глубоко BI может в ad-hoc.
И здесь ответа уже не найти — каждый меряет в рамках своего BI кругозора.
Для кого-то ad-hoc — это покрутить сводную таблицу.
Для кого-то — написать обработку на питоне.
Интерактивный дашборд (с фильтрами и дрилами) — это, кстати, не ad-hoc, а его производная: когда-то поняли, что "спонтанные" вопросы повторяются слишком часто, и вынесли их на дашборд.
Я спросил у некоторых BI-экспертов — как они понимают ad-hoc.
Арслан Катеев, владелец продукта Alpha BI:
Для меня это, наверное, "когда гвоздями не прибито"
Смотришь на график/таблицу — вдруг захотелось "задать уточняющий вопрос", типа "а если скрыть вот эти", "если отфильтровать по дате с..." и когда такая возможность есть, это уже адхок.
Не буду перечислять широту необходимого поддерживаемого функционала, типа фильтр, группировка по и тд. Так как это про здесь и сейчас возникшие вопросы, а они могут быть разные.
Сергей Кравченко, BI-щик для души, дата-евангелист и автор телеграмм канала BI-done (для аналитиков, которые любят посмеяться)
Ad-hoc (или Self-service) аналитика — это не только набор инструментов которые дают рядовому пользователю супер-силу в виде способности видеть компанию буквально насквозь, но и самое главное это культура работа с данными, которая начинается с хранения данных и заканчивается доверием руководителя к выводам своих специалистов! А также методология и дата-грамотность сотрудников на всех уровнях!
В общем, ad-hoc аналитика — это очень "скользкое" понятие. Если вы выбираете BI и хотите, чтобы был ad-hoc, то лучше не полениться и написать конкретно, какие функции вам нужны.
Ad-hoc есть у всех, но у всех он свой. Как и Self Service 😉
А ещё про ad-hoc подробно высказался Директор по развитию партнёрской сети Qlik в СНГ — Георгий Нанеишвили.
Его комментарий отдельным постом ⬇️
#мнение #знания
Привет!
Пишет Михаил — Head of product AW BI
В Мире BI есть как минимум два понятия, которые все часто употребляют, но которые все понимают по-своему.
1 — Self Service BI, 2 — ad-hoc аналитика (без дефиса тоже пишут — adhoc).
Про Self Service мы уже рассказали немного на vc. Давайте поговорим про ad-hoc (от лат. “по особому случаю”).
Если покопаться в интернетах — то можно составить следующее впечатление: ad-hoc аналитика — это когда ты достаёшь ответы на сиюминутные (спонтанные) запросы бизнеса. Если скрестить Self Service и ad-hoc, то получится так: бизнес пользователь сам из BI системы может достать ответы на свой спонтанный запрос.
Пока всё понятно, но — как понять BI-система может в ad-hoc или нет. Или даже так — насколько глубоко BI может в ad-hoc.
И здесь ответа уже не найти — каждый меряет в рамках своего BI кругозора.
Для кого-то ad-hoc — это покрутить сводную таблицу.
Для кого-то — написать обработку на питоне.
Интерактивный дашборд (с фильтрами и дрилами) — это, кстати, не ad-hoc, а его производная: когда-то поняли, что "спонтанные" вопросы повторяются слишком часто, и вынесли их на дашборд.
Я спросил у некоторых BI-экспертов — как они понимают ad-hoc.
Арслан Катеев, владелец продукта Alpha BI:
Для меня это, наверное, "когда гвоздями не прибито"
Смотришь на график/таблицу — вдруг захотелось "задать уточняющий вопрос", типа "а если скрыть вот эти", "если отфильтровать по дате с..." и когда такая возможность есть, это уже адхок.
Не буду перечислять широту необходимого поддерживаемого функционала, типа фильтр, группировка по и тд. Так как это про здесь и сейчас возникшие вопросы, а они могут быть разные.
Сергей Кравченко, BI-щик для души, дата-евангелист и автор телеграмм канала BI-done (для аналитиков, которые любят посмеяться)
Ad-hoc (или Self-service) аналитика — это не только набор инструментов которые дают рядовому пользователю супер-силу в виде способности видеть компанию буквально насквозь, но и самое главное это культура работа с данными, которая начинается с хранения данных и заканчивается доверием руководителя к выводам своих специалистов! А также методология и дата-грамотность сотрудников на всех уровнях!
В общем, ad-hoc аналитика — это очень "скользкое" понятие. Если вы выбираете BI и хотите, чтобы был ad-hoc, то лучше не полениться и написать конкретно, какие функции вам нужны.
Ad-hoc есть у всех, но у всех он свой. Как и Self Service 😉
А ещё про ad-hoc подробно высказался Директор по развитию партнёрской сети Qlik в СНГ — Георгий Нанеишвили.
Его комментарий отдельным постом ⬇️
#мнение #знания
Please open Telegram to view this post
VIEW IN TELEGRAM
Георгий Нанеишвили, директор по развитию партнёрской сети Qlik в СНГ, про Ad-hoc аналитику (и про Self-Service тоже)
Больше всего недопонимания случается, когда люди оперируют одинаковыми терминами, но подразумевая разные сущности.
Давайте начнем с общего понимания терминов:
Ad hoc (букв. — «к этому») — латинская фраза, означающая «для данного случая», «специально для этого». Как правило, фраза обозначает способ решения специфической проблемы или задачи, который невозможно приспособить для решения других задач и который не вписывается в общую стратегию решений, составляет некоторое исключение.
Adhoc запрос — это «разовый» запрос, зачастую на языке запросов SQL для извлечения данных, связанных с какой либо задачей, обычно аналитической, но совсем не обязательно: у нас как-то слетело время на одном из серверов приложений и мы потаблично запрашивали данные с некорректным временем, а потом отдельным запросом исправляли их.
Adhoc аналитика — это тоже решение конкретной аналитической задачи, обычно в поиске ответа «почему это произошло», то есть задачи диагностической аналитики или так называемого «Business Discovery». То есть не составить отчет, которым будут пользоваться регулярно, а найти ответ на конкретный возникший от бизнеса вопрос или ряд вопросов:
— Почему упали продажи?
— По рознице все а пределах стандартных отклонений, а вот падение по интернет-торговле выходит за рамки.
— Почему выходит за рамки, разберитесь
— Потому что сервер лежал в пятницу вечером такого-то числа.
— Хорошо, сколько мы потеряли?
— Примерно столько-то, но, возможно, чуть меньше так как в субботу был повышенный спрос, видимо отложенный.
Adhoc аналитику часто приравнивают в Self-Service аналитике, хотя это и не совсем так. Дело в том, что как раз Self-Service должна позволять рядовому обученному сотруднику делать Adhoc аналитику и, возможно, даже Adhoc – запросы, когда он сможет поверх рассчитанных мастер-данных загрузить свои данные для решения какой-то разовой задачи или проверке теории. Это сильно упростит процесс принятия решений, радикально сократит время и разгрузит аналитиков и/или ИТ-отдел: представляете, что для решения подобных задач бизнес будет приходит и просить подготовить подобный отчет-расследование или загрузить данные? Аналитики тут же превратятся в «бутылочное горлышко», а вал запросов парализует команды, отвечающие за данные и их анализ.
Таким образом, Adhoc не означает Self-Service, потому что подготовленные аналитики как раз в основном им и занимаются, помимо разработки регламентной дескриптивной отчетности, а вот Self-Service как раз и означает Adhoc, так как пользоваться уже подготовленными отчетами это отнюдь не «Self-Service», как многие считают. Даже если подобную возможность пользователю и дать, то он тут же выгрузит данные в привычный ему инструмент который на «Ex» начинается и на «cel» заканчивается, в котором он и будет проводить дальнейший анализ, дозагружая туда данные из собственных источников и подпольных баз данных.
Полноценный же Self-Service подразумевает хорошее владение ограниченным кругом инструментов (в идеале – одним-двумя), с помощью которых обученный и подготовленный пользователь – «Гражданский Аналитик» сможет полноценно и самостоятельно решать свои задачи, не обращаясь к специалистам по данным или аналитическому отделу.
Тут сразу стоит сказать, что подобных инструментов, которые предоставят конечному пользователю возможность работы как с имеющимися в компании мастер-данными, например сертифицированными данными из хранилища или каталога данных, с возможностью загрузки собственных данных – не так много. И всегда возникают вопросы как доверия к «заливаемым» пользователям данным, так и вопросы безопасности доступа к данным компании, среди которых могут быть очень чувствительные. Так что Self-Service пока распространяется среди аналитиков и очень продвинутых «гражданских аналитиков» на уровне множества подразделений компании, и очень непростой и далекий путь сделать Adhoc-аналитику доступной каждому сотруднику. Хотя потихоньку мир движется именно в этом направлении.
#мнение #знания
Больше всего недопонимания случается, когда люди оперируют одинаковыми терминами, но подразумевая разные сущности.
Давайте начнем с общего понимания терминов:
Ad hoc (букв. — «к этому») — латинская фраза, означающая «для данного случая», «специально для этого». Как правило, фраза обозначает способ решения специфической проблемы или задачи, который невозможно приспособить для решения других задач и который не вписывается в общую стратегию решений, составляет некоторое исключение.
Adhoc запрос — это «разовый» запрос, зачастую на языке запросов SQL для извлечения данных, связанных с какой либо задачей, обычно аналитической, но совсем не обязательно: у нас как-то слетело время на одном из серверов приложений и мы потаблично запрашивали данные с некорректным временем, а потом отдельным запросом исправляли их.
Adhoc аналитика — это тоже решение конкретной аналитической задачи, обычно в поиске ответа «почему это произошло», то есть задачи диагностической аналитики или так называемого «Business Discovery». То есть не составить отчет, которым будут пользоваться регулярно, а найти ответ на конкретный возникший от бизнеса вопрос или ряд вопросов:
— Почему упали продажи?
— По рознице все а пределах стандартных отклонений, а вот падение по интернет-торговле выходит за рамки.
— Почему выходит за рамки, разберитесь
— Потому что сервер лежал в пятницу вечером такого-то числа.
— Хорошо, сколько мы потеряли?
— Примерно столько-то, но, возможно, чуть меньше так как в субботу был повышенный спрос, видимо отложенный.
Adhoc аналитику часто приравнивают в Self-Service аналитике, хотя это и не совсем так. Дело в том, что как раз Self-Service должна позволять рядовому обученному сотруднику делать Adhoc аналитику и, возможно, даже Adhoc – запросы, когда он сможет поверх рассчитанных мастер-данных загрузить свои данные для решения какой-то разовой задачи или проверке теории. Это сильно упростит процесс принятия решений, радикально сократит время и разгрузит аналитиков и/или ИТ-отдел: представляете, что для решения подобных задач бизнес будет приходит и просить подготовить подобный отчет-расследование или загрузить данные? Аналитики тут же превратятся в «бутылочное горлышко», а вал запросов парализует команды, отвечающие за данные и их анализ.
Таким образом, Adhoc не означает Self-Service, потому что подготовленные аналитики как раз в основном им и занимаются, помимо разработки регламентной дескриптивной отчетности, а вот Self-Service как раз и означает Adhoc, так как пользоваться уже подготовленными отчетами это отнюдь не «Self-Service», как многие считают. Даже если подобную возможность пользователю и дать, то он тут же выгрузит данные в привычный ему инструмент который на «Ex» начинается и на «cel» заканчивается, в котором он и будет проводить дальнейший анализ, дозагружая туда данные из собственных источников и подпольных баз данных.
Полноценный же Self-Service подразумевает хорошее владение ограниченным кругом инструментов (в идеале – одним-двумя), с помощью которых обученный и подготовленный пользователь – «Гражданский Аналитик» сможет полноценно и самостоятельно решать свои задачи, не обращаясь к специалистам по данным или аналитическому отделу.
Тут сразу стоит сказать, что подобных инструментов, которые предоставят конечному пользователю возможность работы как с имеющимися в компании мастер-данными, например сертифицированными данными из хранилища или каталога данных, с возможностью загрузки собственных данных – не так много. И всегда возникают вопросы как доверия к «заливаемым» пользователям данным, так и вопросы безопасности доступа к данным компании, среди которых могут быть очень чувствительные. Так что Self-Service пока распространяется среди аналитиков и очень продвинутых «гражданских аналитиков» на уровне множества подразделений компании, и очень непростой и далекий путь сделать Adhoc-аналитику доступной каждому сотруднику. Хотя потихоньку мир движется именно в этом направлении.
#мнение #знания
Предопределено будущее или нет?
Представьте, что у вас есть аналитическая программа, в которой записаны положение и скорость каждого объекта во вселенной. Вы можете спрогнозировать движение каждого атома, соответственно - вы можете узнать будущее всей Вселенной. Означает ли это, что судьба существует?
Подобным вопросом задался французский математик Пьер Лаплас, в честь которого был назван его мысленный эксперимент - демон Лапласа.
Допустим, теоретически мы смогли создать машину ("демона"), которая физически может хранить и анализировать данные по каждому атому во вселенной (это, мягко говоря, практически невыполнимая задача, но представим), значит ли это, что будущее предопределено, и с помощью этой машины мы можем узнать все предстоящие события?
Тут есть ряд проблем. Во-первых, с двух ног врывается квантовая физика и парадокс Шредингера. Вы ведь все слышали о коте, запертом в коробке? Парадокс Шредингера заключается в следующем: у нас есть кот в коробке, в коробке есть капсула с ядом. При открытии коробки шанс того, что капсула сломается и убьет кота - 50\50. Таким образом, мы никогда точно не знаем, жив ли кот или нет. Но сможем ли мы с помощью демона Лапласа всегда с 100 % вероятность ответить на этот вопрос? Дело в том, что по мере технического прогресса выяснилось, что есть так называемая "проблема неопределенности". Мы физически не можем узнать положение и скорость электрона одновременно. Узнавая один параметр, мы тут же теряем второй. До конца неизвестно, почему так происходит, поэтому мы никогда и не узнаем, пока не откроем коробку - жив ли кот Шредингера или нет. Но это не означает, что эти два параметра не могут существовать одновременно. Просто мы не имеем возможности иметь информацию о обоих сразу.
Ответ на вопрос, сможем ли мы хранить всю информацию об атомах сразу, возможно подтвердит существование "судьбы" и то, что все события можно предсказать с 100% точностью. А может и не подтвердит.
Таким образом, если вдруг ваши аналитические прогнозы не сбудутся, ответьте руководству, что это во всем виноват кот Шредингера :)
#мнение
Представьте, что у вас есть аналитическая программа, в которой записаны положение и скорость каждого объекта во вселенной. Вы можете спрогнозировать движение каждого атома, соответственно - вы можете узнать будущее всей Вселенной. Означает ли это, что судьба существует?
Подобным вопросом задался французский математик Пьер Лаплас, в честь которого был назван его мысленный эксперимент - демон Лапласа.
Допустим, теоретически мы смогли создать машину ("демона"), которая физически может хранить и анализировать данные по каждому атому во вселенной (это, мягко говоря, практически невыполнимая задача, но представим), значит ли это, что будущее предопределено, и с помощью этой машины мы можем узнать все предстоящие события?
Тут есть ряд проблем. Во-первых, с двух ног врывается квантовая физика и парадокс Шредингера. Вы ведь все слышали о коте, запертом в коробке? Парадокс Шредингера заключается в следующем: у нас есть кот в коробке, в коробке есть капсула с ядом. При открытии коробки шанс того, что капсула сломается и убьет кота - 50\50. Таким образом, мы никогда точно не знаем, жив ли кот или нет. Но сможем ли мы с помощью демона Лапласа всегда с 100 % вероятность ответить на этот вопрос? Дело в том, что по мере технического прогресса выяснилось, что есть так называемая "проблема неопределенности". Мы физически не можем узнать положение и скорость электрона одновременно. Узнавая один параметр, мы тут же теряем второй. До конца неизвестно, почему так происходит, поэтому мы никогда и не узнаем, пока не откроем коробку - жив ли кот Шредингера или нет. Но это не означает, что эти два параметра не могут существовать одновременно. Просто мы не имеем возможности иметь информацию о обоих сразу.
Ответ на вопрос, сможем ли мы хранить всю информацию об атомах сразу, возможно подтвердит существование "судьбы" и то, что все события можно предсказать с 100% точностью. А может и не подтвердит.
Таким образом, если вдруг ваши аналитические прогнозы не сбудутся, ответьте руководству, что это во всем виноват кот Шредингера :)
#мнение
Мифы Data Driven
Привет!
Пишет Михаил — Head of product AW BI😉
Я часто общаюсь с компаниями, которые проходят путь трансформации — начинают развивать у себя внутри культуру и грамотность работы с данными. При этом бизнесы часто ставят какие-то нереальные ожидания перед данными — мифические ожидания. Расскажу вам сегодня несколько мифов про принятие решений на основании данных.
Миф 1. Я взгляну на данные и пойму, какое решение стоит принять.
Не все так просто. Да, если данные грамотно визуально упакованы, то они действительно помогают быстрее прийти к верному решению. Но только очевидные решения лежат на уровне «взгляну и пойму» — вы такие решения и без данных примете. Здесь мы писали о том, как Джефф Безос и вовсе принял вопреки данным одно из важнейших для Amazon решений.
Миф 2. Чем больше срезов данных, тем проще принять решение.
Иногда, увлекаясь визуализацией данных, компании создают дашборды с кучей показателей, которые с разных сторон отражают ситуацию. Но этот зоопарк визуализаций никак не помогает ускорить принятие решений, а зачастую, наоборот, приводит к параличу выбора.
Миф 3. Для наиболее эффективных решений нужны большие данные.
Если вы еще не анализируете данные компании, то вам не надо дожидаться, пока у вас накопится big data. Представьте себе бесконечных размеров бассейн с черными и белыми шариками. Ваша задача — узнать, какая часть шариков белая. Изначально вы находитесь в состоянии полной неопределенности.
Если вы возьмете 100 случайных шариков и посчитаете долю белых, то вы будете знать ответ с точностью ±90%. Следующие 9000 шариков улучшат вашу точность до 99%. Всего 100 шариков из бесконечности понадобилось для довольно точного ответа.
Миф 4. У меня все ок с данными, осталось только визуализировать.
Очень часто у компании данные сырые и анализировать их с ходу не представляется возможным. На этапе внедрения системы анализа данных оказывается, что где-то данные уже укрупнены, где-то, наоборот, в исходнике, где-то подтасованы, где-то отсутствуют. Это все поправимо, но занимает время: данные чистятся, трансформируются, склеиваются и т.п.
Миф 5. Руководители способны договориться, используя данные.
Да, если вы договоритесь о терминологии. Очень часто переход к Data Driven подсвечивает, что внутри компании сотрудники по-разному считают одни и те же показатели. Например, продажники объем продаж считают по факту оплаты, бухгалтеры — по факту актирования, а логисты — по факту отгрузки.
Единая культура работы с данными приводит к единому глоссарию, который фиксирует, что и как мы считаем.
В общем, работа с данными редко приводит к мгновенному эффекту.
Но в долгосрочной перспективе переход к Data Driven становится чуть ли не единственным способом понимать, что вообще происходит с бизнесом.
#мнение
Привет!
Пишет Михаил — Head of product AW BI
Я часто общаюсь с компаниями, которые проходят путь трансформации — начинают развивать у себя внутри культуру и грамотность работы с данными. При этом бизнесы часто ставят какие-то нереальные ожидания перед данными — мифические ожидания. Расскажу вам сегодня несколько мифов про принятие решений на основании данных.
Миф 1. Я взгляну на данные и пойму, какое решение стоит принять.
Не все так просто. Да, если данные грамотно визуально упакованы, то они действительно помогают быстрее прийти к верному решению. Но только очевидные решения лежат на уровне «взгляну и пойму» — вы такие решения и без данных примете. Здесь мы писали о том, как Джефф Безос и вовсе принял вопреки данным одно из важнейших для Amazon решений.
Миф 2. Чем больше срезов данных, тем проще принять решение.
Иногда, увлекаясь визуализацией данных, компании создают дашборды с кучей показателей, которые с разных сторон отражают ситуацию. Но этот зоопарк визуализаций никак не помогает ускорить принятие решений, а зачастую, наоборот, приводит к параличу выбора.
Миф 3. Для наиболее эффективных решений нужны большие данные.
Если вы еще не анализируете данные компании, то вам не надо дожидаться, пока у вас накопится big data. Представьте себе бесконечных размеров бассейн с черными и белыми шариками. Ваша задача — узнать, какая часть шариков белая. Изначально вы находитесь в состоянии полной неопределенности.
Если вы возьмете 100 случайных шариков и посчитаете долю белых, то вы будете знать ответ с точностью ±90%. Следующие 9000 шариков улучшат вашу точность до 99%. Всего 100 шариков из бесконечности понадобилось для довольно точного ответа.
Миф 4. У меня все ок с данными, осталось только визуализировать.
Очень часто у компании данные сырые и анализировать их с ходу не представляется возможным. На этапе внедрения системы анализа данных оказывается, что где-то данные уже укрупнены, где-то, наоборот, в исходнике, где-то подтасованы, где-то отсутствуют. Это все поправимо, но занимает время: данные чистятся, трансформируются, склеиваются и т.п.
Миф 5. Руководители способны договориться, используя данные.
Да, если вы договоритесь о терминологии. Очень часто переход к Data Driven подсвечивает, что внутри компании сотрудники по-разному считают одни и те же показатели. Например, продажники объем продаж считают по факту оплаты, бухгалтеры — по факту актирования, а логисты — по факту отгрузки.
Единая культура работы с данными приводит к единому глоссарию, который фиксирует, что и как мы считаем.
В общем, работа с данными редко приводит к мгновенному эффекту.
Но в долгосрочной перспективе переход к Data Driven становится чуть ли не единственным способом понимать, что вообще происходит с бизнесом.
#мнение
Please open Telegram to view this post
VIEW IN TELEGRAM
Доверять ли ИИ выбор подарков на НГ?🎄
Можно попробовать! Уже есть несколько сервисов, помогающих в выборе подарка, которые основаны на Bigdata + ML. Описываешь человека и получай рекомендации от умной нейросети)
Можно попробовать тут или тут.
На наш взгляд, никакая нейросеть не знает тебя лучше близкого человека, при этом в каждой стране есть свои традиции подарков на НГ, про них и расскажем.
Великобритания
Англичанам ближе приятные и полезные мелочи, но в них и заключается особый смысл — это искренность, теплота, привязанность к человеку. В топе презентов: свечи, брелоки, декоративные куклы.
Германия
Немцы известны во всем мире как самая читающая нация. Неудивительно, что популярным презентом в Германии является именно книга.
Китай
Китайцы преподносят в качестве презента деньги, и главное — в конверте красного цвета. Символическим для них является число 2, поэтому часто дарят парные подарки на Новый год: две чашки, две игрушки.
Индия
В этой стране существует традиция — преподносить самодельные подарки на НГ. Жители считают, что вещи из магазина не передают человеческое тепло. В Индии ценятся вязаные или сшитые варежки, одеяла или другие изделия, главное — созданные своими руками.
Греция
Для греков традиционные подарки на Новый год — бутылка шампанского или вина в сочетании с закусками.
Италия
В стране модных тенденций невозможно обойтись без дорогого аксессуара в качестве подарка, это могут быть - галстуки, сумочки, кошельки, парфюм.
США
Американцы стали лидерами в покупке самых дорогих презентов. Разнообразие подарков очень большое — часы, свитера, духи, сумочки. Но главное — в коробку кладут чек. Это не для того, чтобы подчеркнуть цену товара, а чтобы презент можно было вернуть если не подойдет.
Португалия
Еще одна страна, где пользуются популярностью самодельные подарки к Новому году. Здесь заранее вяжут кружевные изделия (скатерти, шали, салфетки), вышивают гобелены, вырезают из дерева предметы посуды, рамки или подсвечники.
Япония
Лучший символический подарок на Новый год в Японии — бамбуковые грабли. Согласно традиции, они способны загребать счастье.
В России нет каких-то ярко выраженных традиций и правил. Главное, чтобы было приятно и от чистого сердца❤️
#мнение
Поделитесь идеями, что планируете дарить?
Можно попробовать! Уже есть несколько сервисов, помогающих в выборе подарка, которые основаны на Bigdata + ML. Описываешь человека и получай рекомендации от умной нейросети)
Можно попробовать тут или тут.
На наш взгляд, никакая нейросеть не знает тебя лучше близкого человека, при этом в каждой стране есть свои традиции подарков на НГ, про них и расскажем.
Великобритания
Англичанам ближе приятные и полезные мелочи, но в них и заключается особый смысл — это искренность, теплота, привязанность к человеку. В топе презентов: свечи, брелоки, декоративные куклы.
Германия
Немцы известны во всем мире как самая читающая нация. Неудивительно, что популярным презентом в Германии является именно книга.
Китай
Китайцы преподносят в качестве презента деньги, и главное — в конверте красного цвета. Символическим для них является число 2, поэтому часто дарят парные подарки на Новый год: две чашки, две игрушки.
Индия
В этой стране существует традиция — преподносить самодельные подарки на НГ. Жители считают, что вещи из магазина не передают человеческое тепло. В Индии ценятся вязаные или сшитые варежки, одеяла или другие изделия, главное — созданные своими руками.
Греция
Для греков традиционные подарки на Новый год — бутылка шампанского или вина в сочетании с закусками.
Италия
В стране модных тенденций невозможно обойтись без дорогого аксессуара в качестве подарка, это могут быть - галстуки, сумочки, кошельки, парфюм.
США
Американцы стали лидерами в покупке самых дорогих презентов. Разнообразие подарков очень большое — часы, свитера, духи, сумочки. Но главное — в коробку кладут чек. Это не для того, чтобы подчеркнуть цену товара, а чтобы презент можно было вернуть если не подойдет.
Португалия
Еще одна страна, где пользуются популярностью самодельные подарки к Новому году. Здесь заранее вяжут кружевные изделия (скатерти, шали, салфетки), вышивают гобелены, вырезают из дерева предметы посуды, рамки или подсвечники.
Япония
Лучший символический подарок на Новый год в Японии — бамбуковые грабли. Согласно традиции, они способны загребать счастье.
В России нет каких-то ярко выраженных традиций и правил. Главное, чтобы было приятно и от чистого сердца
#мнение
Поделитесь идеями, что планируете дарить?
Please open Telegram to view this post
VIEW IN TELEGRAM
Про ощущение управляемости
Привет!
Пишет Михаил — Head of product AW BI😉
«Когда я вижу дашборд с кучей разных графиков и цифр — у меня есть ощущение управляемости!» — таким мнением со мной поделился руководитель одной компании.
Не стартапер, не начинающий предприниматель, а руководитель с большим опытом руководства.
Мы тогда обсуждали, почему ему не понравился дашборд, в котором есть вся нужная информация и ничего лишнего.
«Ощущение управляемости» — вот, что дарит дашборд, над которым за перегруженность могут посмеяться BI-эксперты.
Именно ощущения покупают многие компании:
— Ощущение управляемости, когда заказывают много-много дашбордов, большей частью которых даже не пользуются.
— Ощущение обладания, когда хранят множество данных, большую часть из которых никогда больше не будут использовать.
— Ощущение перспектив, когда компания берёт курс на Data Driven, но данные использует, чтобы подтверждать уже принятые решения.
Ничего плохого в ощущениях нет — если руководителю спокойнее работать, зная, что у него есть «богатый» дашборд, то почему бы не дать ему это спокойствие?
Когда в следующий раз будете думать, что руководитель (заказчик) даёт вам глупое задание — подумайте ещё раз, возможно, он на первом шаге хочет получить итог в виде ощущения.
Когда ощущение управляемости начнёт сменяться на желание фактической управляемости — тогда уже пора предлагать дашборды не для ощущений.
Этот шаг от ощущений к факту надо пройти.
#мнение
Привет!
Пишет Михаил — Head of product AW BI
«Когда я вижу дашборд с кучей разных графиков и цифр — у меня есть ощущение управляемости!» — таким мнением со мной поделился руководитель одной компании.
Не стартапер, не начинающий предприниматель, а руководитель с большим опытом руководства.
Мы тогда обсуждали, почему ему не понравился дашборд, в котором есть вся нужная информация и ничего лишнего.
«Ощущение управляемости» — вот, что дарит дашборд, над которым за перегруженность могут посмеяться BI-эксперты.
Именно ощущения покупают многие компании:
— Ощущение управляемости, когда заказывают много-много дашбордов, большей частью которых даже не пользуются.
— Ощущение обладания, когда хранят множество данных, большую часть из которых никогда больше не будут использовать.
— Ощущение перспектив, когда компания берёт курс на Data Driven, но данные использует, чтобы подтверждать уже принятые решения.
Ничего плохого в ощущениях нет — если руководителю спокойнее работать, зная, что у него есть «богатый» дашборд, то почему бы не дать ему это спокойствие?
Когда в следующий раз будете думать, что руководитель (заказчик) даёт вам глупое задание — подумайте ещё раз, возможно, он на первом шаге хочет получить итог в виде ощущения.
Когда ощущение управляемости начнёт сменяться на желание фактической управляемости — тогда уже пора предлагать дашборды не для ощущений.
Этот шаг от ощущений к факту надо пройти.
#мнение
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Рынок российского BI и империализм
Признавайтесь, кто читал В.И. Ленина «Империализм, как высшая стадия капитализма»? Если все читали (нет) , то всем известно, что капитализм, пройдя стадию свободной рыночной конкуренции, превращается в империализм, когда 80%рынка занимает 20% компаний.
А мы живем в уникальное время, господа. Российский рынок BI-систем, к 2020-му году уже надежно поделенный между зарубежными "зубрами" Power BI, Qlik, Tableau - внезапно оказался (условно) свободен. Тут же появилось множество российских решений, каждое из которых старается отвоевать себе лидирующую позицию - ведь мы знаем, что пройдет 3-5 лет, и свободная конкуренция сменится доминированием 2-3 самых популярных BI-систем.Но на сегодняшний момент рынок российского BI выглядит примерно как на видео)).
(Продолжение - в первом комментарии) #мнение
Признавайтесь, кто читал В.И. Ленина «Империализм, как высшая стадия капитализма»? Если все читали
А мы живем в уникальное время, господа. Российский рынок BI-систем, к 2020-му году уже надежно поделенный между зарубежными "зубрами" Power BI, Qlik, Tableau - внезапно оказался (условно) свободен. Тут же появилось множество российских решений, каждое из которых старается отвоевать себе лидирующую позицию - ведь мы знаем, что пройдет 3-5 лет, и свободная конкуренция сменится доминированием 2-3 самых популярных BI-систем.
(Продолжение - в первом комментарии) #мнение
Минусы картограммы и альтернативы
Привет!
Пишет Михаил — Head of product AW BI😉
У нас 29 февраля прошёл AW BI DAY, на который пришёл Сергей Кравченко (BI-эксперт и автор @bi_done) и начал «разносить» применение карт в дашбордах.
В частности картограммы уровня Россия.
Что не нравится Сергею в картограммах по стране?
👉 В России площадь регионов очень разная.
Когда смотришь на карту, то взгляд сперва на Якутия/Красноярский край/Тюменская область, а потом остальное.
👉 По многим показателям лидируют субъекты-карлики: например, Москва. А её почти не видно на уровне всей страны.
👉 Если рассматривается абсолютное значение показателя, то регионы «задавливают» его размерами. Условно количество произведённой продукции, субсидии, количество туристов и т.п.
Какие альтернативы могут быть?
👌 Плиточная карта. Это вид карты, который всех приравнивает к одному размеру территории, но при этом сохраняет общее географическое положение (ну как сохраняет — по возможности, конечно).
👌 Если ооочень хочется карту, то выводить на ней показатели, взвешенные на количество жителей субъекта. Это, конечно, не для всех показателей, но часто применимо.
👌 Использовать карту как дополнение, а не как основу. Т.е. основные показатели вынести в более привычные столбики и пироги, а для гурманов — карта, как ответ на вопрос «А где это?»
Дашборд, в котором есть и плиточная карта, и картограмма можно посмотреть здесь: https://analyticworkspace.ru/dashboards-battle-2024/8
По ссылке есть скрины, а можно посмотреть вживую — для этого нужен доступ в демо Analytic Workspace. Она у нас теперь вечная, кстати — можно мелкие проекты и домашний бюджет совершенно бесплатно делать 😉
#мнение
Привет!
Пишет Михаил — Head of product AW BI
У нас 29 февраля прошёл AW BI DAY, на который пришёл Сергей Кравченко (BI-эксперт и автор @bi_done) и начал «разносить» применение карт в дашбордах.
В частности картограммы уровня Россия.
Что не нравится Сергею в картограммах по стране?
👉 В России площадь регионов очень разная.
Когда смотришь на карту, то взгляд сперва на Якутия/Красноярский край/Тюменская область, а потом остальное.
👉 По многим показателям лидируют субъекты-карлики: например, Москва. А её почти не видно на уровне всей страны.
👉 Если рассматривается абсолютное значение показателя, то регионы «задавливают» его размерами. Условно количество произведённой продукции, субсидии, количество туристов и т.п.
Какие альтернативы могут быть?
👌 Плиточная карта. Это вид карты, который всех приравнивает к одному размеру территории, но при этом сохраняет общее географическое положение (ну как сохраняет — по возможности, конечно).
👌 Если ооочень хочется карту, то выводить на ней показатели, взвешенные на количество жителей субъекта. Это, конечно, не для всех показателей, но часто применимо.
👌 Использовать карту как дополнение, а не как основу. Т.е. основные показатели вынести в более привычные столбики и пироги, а для гурманов — карта, как ответ на вопрос «А где это?»
Дашборд, в котором есть и плиточная карта, и картограмма можно посмотреть здесь: https://analyticworkspace.ru/dashboards-battle-2024/8
По ссылке есть скрины, а можно посмотреть вживую — для этого нужен доступ в демо Analytic Workspace. Она у нас теперь вечная, кстати — можно мелкие проекты и домашний бюджет совершенно бесплатно делать 😉
#мнение
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Искусственный интеллект и эффективность: семь раз отмерь, один отрежь
Интереснейший доклад представил вчера на конференции Tadviser Big Data & AI Day* Валентин Каськов, ИТ-директор компании «Специальные системы и технологии». Речь шла об измерении эффективности ИИ продуктов и нюансах расчета стоимости внедрения. Компания осуществляет консалтинг и аудит проектов решений искусственного интеллекта, предлагаемых бизнесам для разного рода задач. Среди прочего Валентин привел интересный случай.
Управляющей компанией ЖКХ одного из городов был выдвинут запрос: «Определить наличие снега на крышах подведомственных зданий». В случае появления снежного покрова⛄️ должно включаться оповещение соответствующих служб или автоматический обогрев крыш.
На тендер было представлено порядка 10 проектов, все они предлагали для решения задачи использовать искусственный интеллект (широкоугольные камеры и технологии машинного зрения). Стоимость проектов разнилась от 5 до 18 млн. рублей в зависимости отсложности словесных конструкций, представленных в КП. Управление обратилось за аудитом, чтобы выбрать оптимальное решение.
И тут начинается самое интересное: для решения подобной задачи искусственный интеллект вовсе не нужен! Достаточно взять обычные видеокамеры в связке со стандартными библиотеками Python – такая конструкция уверенно сможет отличить изменение цвета крыши на белый в случае выпадения снега!❄️Красная цена внедрения такого проекта – 1.5-2 млн рублей. При этом буду использованы более простые, отказоустойчивые технологии, значительно более дешевые в дальнейшем обслуживании🤷♀️.
Какой вывод из этого следует? Во всем, что касается «хайповых» технологий ИИ бизнесу стоит пользоваться базовым принципом:можешь не внедрять – не внедряй!
#мнение
*Analytic Workspace выступила в статусе партнера конференции.
Интереснейший доклад представил вчера на конференции Tadviser Big Data & AI Day* Валентин Каськов, ИТ-директор компании «Специальные системы и технологии». Речь шла об измерении эффективности ИИ продуктов и нюансах расчета стоимости внедрения. Компания осуществляет консалтинг и аудит проектов решений искусственного интеллекта, предлагаемых бизнесам для разного рода задач. Среди прочего Валентин привел интересный случай.
Управляющей компанией ЖКХ одного из городов был выдвинут запрос: «Определить наличие снега на крышах подведомственных зданий». В случае появления снежного покрова⛄️ должно включаться оповещение соответствующих служб или автоматический обогрев крыш.
На тендер было представлено порядка 10 проектов, все они предлагали для решения задачи использовать искусственный интеллект (широкоугольные камеры и технологии машинного зрения). Стоимость проектов разнилась от 5 до 18 млн. рублей в зависимости от
И тут начинается самое интересное: для решения подобной задачи искусственный интеллект вовсе не нужен! Достаточно взять обычные видеокамеры в связке со стандартными библиотеками Python – такая конструкция уверенно сможет отличить изменение цвета крыши на белый в случае выпадения снега!❄️Красная цена внедрения такого проекта – 1.5-2 млн рублей. При этом буду использованы более простые, отказоустойчивые технологии, значительно более дешевые в дальнейшем обслуживании🤷♀️.
Какой вывод из этого следует? Во всем, что касается «хайповых» технологий ИИ бизнесу стоит пользоваться базовым принципом:
#мнение
*Analytic Workspace выступила в статусе партнера конференции.
Провидец, гениальный маркетолог, человек из будущего — как только не называли Стива Джобса. Именно благодаря его гениальности Apple стала самой дорогой компанией в мире. Какими же волшебными постулатами руководствовался Джобс, и актуальны ли они сейчас?🤔
1️⃣ Взаимодействие с пользователем. Стив Джобс всегда смотрел на вещи с точки зрения использования продукта потребителем. Этот вопрос непрерывной цепью проходил через всё создание системы, будь то настольный компьютер или iTunes, в том числе и через производство, поставки, маркетинг и магазины.
2️⃣ Никаких фокус-групп. Стив говорил: «Как я могу спросить кого-то о том, каким должен быть графический компьютер, если этот человек понятия не имеет, что такое этот графический компьютер, ведь никто его никогда не видел?».
3️⃣ Перфекционизм. Он был человеком, который верил в важность каждой детали на каждом этапе создания продукта.
4️⃣ Видение. Стив Джобс был уверен, что компьютеры постепенно станут потребительским продуктом. Это была очень странная идея в начале 1980-х, потому что люди воспринимали персональные компьютеры лишь как уменьшенную версию больших компьютеров. Но Стив думал о чём-то принципиально ином, предполагая, что он станет «велосипедом для разума», который позволит людям иметь те возможности, о которых они никогда ранее не мечтали.
5️⃣ Минимализм. Методология Стива Джобса отличалась от других тем, что в принятии решений наиболее важными из принятых решений он считал не те, что решал делать, а те, что решал не делать. Руководствуясь этим принципом, он всегда упрощал то, что слишком сложно.
6️⃣ Нанимать лучших. У Стива Джобса была способность находить самых лучших и самых умных людей. Он был очень харизматичен и умел убеждать людей, поэтому к его команде присоединялись и доверяли его видению даже ещё не существующих продуктов. Наём людей в свою команду он всегда осуществлял лично, не доверяя это дело другим.
7️⃣ Работа над деталями. На одном уровне он работал над «изменением мира» – это его большой принцип, а на другом – спускался до деталей в создании продуктов и дизайна ПО, оборудования, систем, приложений и периферии.
8️⃣ Оставаться небольшими. Ещё одна вещь, которую не любил Стив Джобс – это большие организации. Он считал их слишком бюрократичными и неэффективными. У него было правило: иметь не более 100 человек в команде Mac. Объяснение очень простое: он хотел, чтобы его окружали только те люди, которых он лично знал, чтобы он имел возможность контролировать всю работу.
9️⃣ Отклонять плохую работу. К примеру, инженер приносил Стиву Джобсу новый код какого-либо ПО, глава Apple оценивал его и возвращал программисту со словами, что код ещё недостаточно хорош. Этим он заставлял людей работать над собой и расти.
А как вы считаете, в чём феномен Стива Джобса?🤔
#мнение
А как вы считаете, в чём феномен Стива Джобса?
#мнение
Please open Telegram to view this post
VIEW IN TELEGRAM
Про DAX и вендорлок
Привет!
Пишет Михаил — Head of product AW BI😉
Я часто встречаю на показах, эфирах и в опросниках клиентов примерно такие вопросы и мнения:
«А вы DAX поддерживаете?»
«Мы SQL не знаем, но знаем хорошо DAX»
«DAX нам привычнее и понятнее, мы ищем поддержку DAX»
Мне лично жаль людей, которым поставили задачу отказаться от Power BI.
Реально, Power BI очень хорош, но при этом у него есть ещё и киллер фича — DAX.
Скитаясь от одного вендора к другому, отказники от Power BI расстраиваются всё сильнее и сильнее, так как поддержки DAX не находят.
С точки зрения вендорлока cоздание DAX и его использование в Power BI — гениальный ход Microsoft.
Гениально было создать язык запросов, который не базируется на SQL (именно поэтому нет конвертера с DAX в SQL, который бы справлялся со сложными мерами).
Гениально было обучить DAX тысячи специалистов, вложиться в работу с вузами.
Гениально было написать книги и пособия по DAX.
Если вам обязательно нужна поддержка DAX, то держитесь всеми силами за Power BI — DAX в полной мере не поддерживает ни одна другая BI. Ни одна. Нет их.
Это язык, созданный MS для своих BI-решений.
Я пишу «в полной мере» так как есть некоторые BI, которые поддерживают DAX, но там до полной поддержки ещё очень и очень далеко.
Если вы хотите слезть с вендорлока DAX от Power BI, но при этом ищете DAX в другой BI — вы попадаете на вендорлок DAX в новой упаковке. И эта упаковка точно будет дороже и менее функциональная 💯
Большинство BI (~все) не делают упор на поддержку DAX. Большинство опираются на SQL или SQL-подобные/совместимые/конвертируемые синтаксисы.
А специалистов по SQL точно больше, чем специалистов по DAX — там тоже есть книги, обучение и сообщества.
Зная только DAX, вы знаете только одну BI. Классную и многофункциональную, но, как минимум, ушедшую из РФ.
Зная SQL — вы знаете почти все BI, включая кучу российских и Open Source.
#мнение
Привет!
Пишет Михаил — Head of product AW BI
Я часто встречаю на показах, эфирах и в опросниках клиентов примерно такие вопросы и мнения:
«А вы DAX поддерживаете?»
«Мы SQL не знаем, но знаем хорошо DAX»
«DAX нам привычнее и понятнее, мы ищем поддержку DAX»
Мне лично жаль людей, которым поставили задачу отказаться от Power BI.
Реально, Power BI очень хорош, но при этом у него есть ещё и киллер фича — DAX.
Скитаясь от одного вендора к другому, отказники от Power BI расстраиваются всё сильнее и сильнее, так как поддержки DAX не находят.
С точки зрения вендорлока cоздание DAX и его использование в Power BI — гениальный ход Microsoft.
Гениально было создать язык запросов, который не базируется на SQL (именно поэтому нет конвертера с DAX в SQL, который бы справлялся со сложными мерами).
Гениально было обучить DAX тысячи специалистов, вложиться в работу с вузами.
Гениально было написать книги и пособия по DAX.
Если вам обязательно нужна поддержка DAX, то держитесь всеми силами за Power BI — DAX в полной мере не поддерживает ни одна другая BI. Ни одна. Нет их.
Это язык, созданный MS для своих BI-решений.
Я пишу «в полной мере» так как есть некоторые BI, которые поддерживают DAX, но там до полной поддержки ещё очень и очень далеко.
Если вы хотите слезть с вендорлока DAX от Power BI, но при этом ищете DAX в другой BI — вы попадаете на вендорлок DAX в новой упаковке. И эта упаковка точно будет дороже и менее функциональная 💯
Большинство BI (~все) не делают упор на поддержку DAX. Большинство опираются на SQL или SQL-подобные/совместимые/конвертируемые синтаксисы.
А специалистов по SQL точно больше, чем специалистов по DAX — там тоже есть книги, обучение и сообщества.
Зная только DAX, вы знаете только одну BI. Классную и многофункциональную, но, как минимум, ушедшую из РФ.
Зная SQL — вы знаете почти все BI, включая кучу российских и Open Source.
#мнение
Please open Telegram to view this post
VIEW IN TELEGRAM