🤔 А нужен ли аналитику Git? Недавно на встрече с коллегами из академии мы зацепились за вопрос, нужен ли аналитику Git, или это всё-таки чисто разработческая история, и мнения разделились, а я вот давно думаю, что нужен, и попробую объяснить почему. Если по-простому, то Git - это система контроля версий, которая хранит историю изменений твоих файлов и помнит кто, что и когда менял, так что ты в любой момент можешь откатиться назад или поработать над чем-то параллельно, не ломая основную версию. Многие возражают в духе «ну я же не пишу продакшен-код», и аргумент понятный, вот только аналитик на самом деле пишет кучу всего, что прекрасно живёт в Git: SQL-запросы, питоновские скрипты, ноутбуки с исследованиями, конфиги дашбордов, а иногда и целые ML-пайплайны, и всё это так же легко сломать или случайно перезаписать, как и обычный код разработчика. 📚Кстати, далеко ходить не надо: у нас в академии на курсе по питону студенты сдают домашки именно через GitHub, так что знакомство с Git у ребят начинается ещё на этапе обучения, и это, по-моему, очень правильно, потому что навык заходит естественно и в связке с реальными задачами, а не как отдельная страшная тема «на потом». Мне Git в своё время сильно упростил жизнь в нескольких вещах. Во-первых, стало просто откатываться назад, потому что когда ты переписал запрос, всё развалилось, а как было раньше уже не помнишь, ты спокойно возвращаешься к рабочей версии, вместо того чтобы раскапывать папку с файлами вида «script_final_v2_итог_точно_финал.sql» 😅 Во-вторых, с ним куда проще работать в команде, ведь несколько человек правят один проект, и Git сам аккуратно сливает изменения, вместо того чтобы вы перекидывались файлами в мессенджере и гадали, чья версия новее. Ну и он хранит всю историю, так что если нужно понять, кто поменял логику метрики полгода назад и зачем, то всё это лежит в коммитах, а отдельный кайф - это ревью через пулл-реквесты, когда коллеги смотрят твой код до того, как он уйдёт в дело, и качество от этого только выигрывает. ‼️При этом гуру становиться совсем не обязательно, потому что на старте вполне хватает базовых вещей вроде clone, add, commit, push и pull, умения работать с ветками и спокойно разруливать конфликт, когда вы с коллегой поменяли один и тот же файл, а всё остальное спокойно набирается уже по ходу дела, когда появляются реальные задачи. Так что моё мнение, да, Git нужен, хотя бы на базовом уровне, потому что даже если ты работаешь в одиночку и просто хранишь свои запросы и ноутбуки, он всё равно спасает от потерь, бардака и вечного вопроса «а что же я менял на прошлой неделе», а как только появляется командная работа, он из приятного бонуса превращается в прямую необходимость. А вы используете Git в аналитике, или пока живёте по старинке с папками «финал_финальный»? 👀
Открыть в Telegram
🌸Таня и Данные📊
🌺 Канал про будни аналитика данных👩🏼💻 💚 По всем вопросам @AboutTanya123
Подписчики, 30 дней
7 нояб. – 15 нояб.+15 (+0,7%)
Показать таблицей
| Дата | Подписчики |
|---|---|
| 7 нояб. 2026 г. | 2 030 |
| 8 нояб. 2026 г. | 2 034 |
| 9 нояб. 2026 г. | 2 041 |
| 10 нояб. 2026 г. | 2 041 |
| 11 нояб. 2026 г. | 2 055 |
| 12 нояб. 2026 г. | 2 054 |
| 13 нояб. 2026 г. | 2 054 |
| 14 нояб. 2026 г. | 2 045 |
| 15 нояб. 2026 г. | 2 045 |
Новые посты
С днём рождения меня! 🎂 (ну, как аналитика) Зашла на Госуслуги оплатить штраф🙈 и увидела, что 21.09 был мой первый в жизни рабочий день и первый день в Магните🧲, так начался мой путь в аналитике, а значит, на этой неделе был некий праздник 🎁 Шесть лет 🥹 звучит одновременно и «ого как много», и «да ладно, будто вчера открывала первый датасет и не понимала, что вообще с ним делать». Забавно, что этот мини-юбилей случился как раз после поста про то, что я решила «ничего не делать». И вот тут пора признаться честно, что не то чтобы прям ничего 😅 Если разложить мои «лайт» планы, картина выходит такая: — основная работа, куда же без неё 💻🤍; — преподавательская деятельность, пока только в роли ревьюера работ на курсах Академии Аналитиков Авито. Курс по метрикам, где участвовала в прошлом году, в этот раз пропустила, зато вписалась в новый для себя курс - питон для DA/DS 🐍 — таааакжеее дальше в планах курс по Эконометрике, он будет в ААА и Центральном Университете 📊 — далее будет еще пара курсов для меня как ревьюера, но уже точно в сл году…. — ну и вечный мой спутник английский, который со мной уже как часть быта 🇬🇧 Так что «ничего не делаю» - это, кажется, была наглая ложь 🙈, я вообще не умею ничего не делать. Однако, теперь я выбираю нагрузку осознанно и без гонки: не потому что «надо успеть всё», а потому что мне правда интересно. Шесть лет назад я не понимала, где окажусь, но ни разу не пожалела, что отказалась тогда от собеса в сбер🙈 Посмотрим, что принесёт седьмой год 🚀 а пока закрываем квартал и уже готовимся к очередному ревью 🔥
Открыть в TelegramРешила ничего не делать! Читаю сейчас многих ребят из айти, и все куда-то растут: кто-то идёт на курсы, кто-то из аналитиков поступает в магистратуру по ML, кто-то вообще кардинально меняет направление и уходит из разработки в ML. Отовсюду сыпятся крутые мероприятия, митапы, хакатоны, и это правда здорово я люблю эту движуху и сама всегда была где-то в её гуще 🚀 Но вот что интересно: обычно я первая записываюсь на всё подряд, беру ещё один курс, ещё один проект, ещё одно «ну надо же подтянуть», а сейчас, возможно впервые за долгое время поймала себя на том, что хочу ровно обратного — хочу притормозить. Не буду скрывать, к концу лета я подкопила и усталость, и дефицит времени: столько всего шло параллельно, что даже этот канал я незаметно подзабросила, хотя очень его люблю ♥️ и вот это ощущение подступающего выгорания стало для меня сигналом, что пора сбавить обороты. Смотрю на свой список: пара финальных сессий с ментором, курс по ML только закончился, алгосом с меня хватит (пока что). И я сознательно решила пока не набирать ничего нового, я оставляю себе только английский и работу. Всё. Никаких марафонов, буткемпов и «а давай ещё вот это». Началось всё с отпуска на Камчатке 🌋 Это то место, где я впервые за долгое время реально выдохнула, так чтобы не «полежала пять дней и снова в бой», а по-настоящему отключилась и восстановилась эмоционально, иииии мне так это зашло, что по прилёте я решила этот отдых не заканчивать. Сейчас вот приехала в Казань, гуляю, вкусно ем, разглядываю город — пока даже без обратного билета, потому что хочется просто побыть, а не бежать по плану (спасибо удалёнке, что дома можно не сидеть 🙃). Зато у этой паузы есть приятный бонус: наконец появится время писать сюда почаще. Хочу делиться тем, что делаю на работе, и тем, что подчеркнула для себя из пройденных курсов и консультаций с ментором — там накопилось много всего полезного, чем грех не поделиться 💭 Максимум, на что я сейчас согласна из активностей — это сходить на пару мероприятий, но чисто ради удовольствия и общения, а не чтобы «прокачать скилл», а дальше посмотрим, куда приведёт эта пауза 🤍 🍂Иногда самое полезное для роста - это разрешить себе немного постоять на месте♥️
Открыть в Telegram🤖 итак, я прошла внутренний курс по ML в Авито (ну почти — остался экз 🙈) Я закрыла все темы курса, теперь передо мной финальный босс в виде экзамена - хотя я до конца еще не решила буду ли сдавать - я только вернулась с небольшого путешествия и не перестроилась на московское время, а сроки поджимают 🌴 📚 Что вообще было в программе Курс оказался прям плотный и по-хорошему математический, без «ML за 5 минут на пальцах». Прошли весь классический путь: питон и numpy/pandas на разогрев, потом математика и линейная регрессия с градиентным спуском, логистическая регрессия и переобучение с регуляризацией, метрики качества (вот это маст для любого аналитика), решающие деревья, ансамбли — случайный лес и градиентный бустинг, временные ряды на FBProphet и под конец обучение без учителя с кластеризацией. Что мне зашло — почти каждая тема идёт в связке «теория + семинар», то есть сначала разбираешь как оно устроено под капотом, а потом сам реализуешь. Не просто зовёшь готовую функцию из sklearn, а понимаешь что она внутри делает 🧠 💡 Зачем это аналитику Знаю, что кто-то скажет «ну ты же аналитик, зачем тебе ML». А затем, что граница между аналитикой и ML давно размылась, и половина этих тем — это буквально мои рабочие задачи. Я уже делала на работе модели ранжирования и классификации, в том числе модель классификации в бою в Авито, так что курс лёг не в стол «на будущее», а прямо в текущую практику, местами закрыл пробелы, местами разложил по полочкам то, что я делала интуитивно. Метрики качества, переобучение, отбор признаков — это вообще базовая гигиена, без которой к любой модели страшно подходить, и хорошо когда это уложено системно, а не собрано по кусочкам из разных статей 📊 🎯 Про грейды Отдельный плюс этого курса — им можно закрыть компетенцию по ML тем, у кого в работе просто нет подходящих задач, чтобы прокачать это направление вживую. У меня-то такие задачи есть, поэтому я иду сюда скорее за ачивкой и чтобы освежить и систематизировать всё, что уже знаю, а не чтобы закрыть пробел. Но если ML в твоих задачах не встречается, а прокачать компетенцию надо это прям рабочий способ закрытия компетенции👌 😅 Ну и про совмещение Отдельный аттракцион проходить ML-курс параллельно с алгосами, менторством и процессами ревью. Были недели, когда я жонглировала всем сразу и уже переставала понимать, какой дедлайн ближе, но как-то выплыла. Видимо, любовь к учёбе сильнее любви к свободным вечерам 🤓 В общем, курс огонь, Авито вообще, это тот случай, когда внутреннее обучение сделано не для галочки, а реально прокачивает, а я после отпуска начну морально готовиться к экзамену за ачивку (или не начну, еще не решила)🔥 Пс: точно беру паузу на обучения, прям 10000%😅 иначе я не вывожу этот ритм
Открыть в Telegram🫶Наконец-то мои ручки дошли до поста про результаты ревью 🙌 В прошлый раз рассказывала как заполняла матрицу и планы, а теперь пришла обратная связь и, в целом, я довольна 🥹 Не буду вдаваться в детали проектов (топ сикрет информэнш 🤫), но поделюсь тем, что реально грело, а это обратная связь от коллег, потому что цифры и грейды это одно, а вот когда читаешь как твою работу видят со стороны – это совсем другое чувство. ⚙️ Сначала пара слов как это вообще устроено Процесс в Авито проходит раз в полгода и состоит из нескольких шагов. Сначала сотрудник сам пишет ревью – что сделал и чего добился за последние полгода, потом собираются отзывы от коллег и смежников, причём ты сам выбираешь, с кем работал по каждой цели, чтобы открыть им возможность оставить отзыв. Дальше менеджеры пишут защиту на ревью, чтобы подтвердить достижения, а потом, самое интересное, менеджеры направления собираются, изучают материалы и обсуждают результаты каждого сотрудника между собой на калибровках. Именно поэтому оценка получается не «как решил один руководитель», а откалиброванная между командами, и итоговую обратную связь ты получаешь уже от разных менеджеров. 💬 Итак, что отметили коллеги Из отзывов сложился портрет, которому я, честно, рада: — скорость и умение быстро разбираться в новом, даже когда задача мутная и без готового ТЗ; — то, что я не просто делаю поставленное, а сама выкапываю узкие места и риски, о которых никто не просил, и сразу приношу варианты как их закрыть; — готовность лезть в сложное – оказывается, мой интерес к запутанным задачам реально двигает проекты вперёд, а не только съедает мои вечера 😅 Отдельно приятно было увидеть слова про новаторство и «усовершенствование процессов» – потому что именно в это я вкладывалась осознанно, и здорово, когда это замечают не только внутри, но и смежные команды 🚀 🎓 А ещё была преподавательская часть Помимо основных задач я в этом полугодии проверяла студенческие работы в нашей внутренней академии (несколько десятков работ, обсуждения, обновление заданий) и это тоже зачлось как вклад в обмен знаниями и развитие бренда. Плюс мне это самой в кайф, так что тут вин-вин 🙂 💭 Что я из этого забираю Главный вывод: те качества, которые мне иногда казались «ну просто я так работаю» – лезть в сложное, докапываться до сути, приносить идеи – оказались ровно тем, что ценят больше всего. Иногда полезно услышать со стороны, что твои сильные стороны это правда сильные стороны, а не что-то само собой разумеющееся. Так что полугодие закрыто на мажорной ноте, а я уже поставила планку повыше на следующее 🔥
Открыть в Telegram🌸 Пост про вакансии Листала вакансии аналитика и словила "легкое" негодование 😅 открываешь любую, хоть джуна, хоть мидла, и почти в каждой обязательным пунктом идут алго секции, ML, эксперименты, супер сложная математика и статистика на серьёзном уровне, читаешь и думаешь, ну всё, без этого даже соваться некуда (если бы я увидела это в 2020 году на своем старте я бы передумала быть аналитиком, наверно) 🫠 И вот что забавно, я ведь к части этих навыков как раз только подбираюсь сама 🤭 алгосы вон учу потихоньку (медленно, но верно 🐆), ML умею классический - всякие модели ранжирования и классификации, недавно домучила внутренний курс и остался только экзамен, курс этот, честно скажу, взялась сдавать во многом ради ачивки, хихик 🏅 а ещё хожу к ментору за консультациями по A/B, так что я прямо в самом процессе, и как раз поэтому хорошо вижу, насколько всё это в вакансиях перекошено, потому что требуют это вообще все, а применяют по-настоящему далеко не все... Потому что нормальный A/B это ведь не «поделила юзеров пополам и глянула», а целый трафик, инфраструктура и культура принимать решения по цифрам, а не по «ну вроде подросло», и с ML та же история, в проде это не строчка в резюме, а данные, мониторинг, переобучение и ответственность за то, что модель не развалится через месяц, и вот это всё обычно живёт в крупных компаниях, где под такие задачи выстроены целые процессы и команды 💪 А во многих других командах аналитик за квартал может не запустить ни одного полноценного эксперимента, и вовсе не потому что не умеет, а просто потому что там другой продукт, другой объём трафика и другие задачи, и ML там если и трогают, то изредка под какую-то конкретную гипотезу, и это абсолютно нормально, работа там ничуть не менее ценная, она просто про другое 🤷♀️ 💭 Получается довольно дурацкая ситуация, когда компания, в которой A/B по факту негде развернуть, всё равно вписывает его в требования просто потому что так у всех принято и надо быть "крутой датадривен компанией на рынке", а человек, который только вкатывается, читает этот список и решает, что обязан прийти уже готовым спецом по экспериментам и продакшн-ML, хотя по факту придёт и половину из этого потом месяцами даже не откроет 😅 Так что если вы сейчас смотрите на такую вакансию-простыню и тихонько паникуете от строчки ML / A/B / эксперименты, то спокойно 🫶 да, это классно и учить это правда стоит, я же вот сама с удовольствием учу 😄 но во многих местах это требование скорее ритуальное, чем рабочее, и куда важнее оказывается база, то есть уверенный SQL, понимание метрик и умение задать правильный вопрос к данным, а эксперименты и ML вы спокойно доберёте уже там, где они реально живут, и обычно это выходит куда быстрее, чем кажется на старте 😌
Открыть в TelegramПро ИИ сейчас не говорит только ленивый, ну а я чем хуже 🤖 Недавно поймала себя на мысли, что ИИ прочно переехал не только в мою работу, но и вообще во всё, и решила устроить ревизию, куда же он у меня просочился. 💼 На работе Документация – это, кажется, первое что я с себя сгрузила, потому что писать её руками невыносимо, а ИИ оформляет и исследования, и техописания так, что мне остаётся только вычитать и поправить смысл. Рутинные скрипты, которые надо просто переписать под новый формат, тоже давно не пишу с нуля, а отдаю на растерзание агенту и потом причёсываю. А ещё ИИ здорово выручает на старте исследования, когда есть задача, но пока нет чёткого плана, я накидываю ему контекст и прошу подкинуть идеи, с каких сторон можно копнуть, какие гипотезы проверить, и из этого вороха уже выбираю то, что имеет смысл. Отдельная любовь – это бот саммари встреч, которые я скипнула 🙈 бот честно сидит вместо меня на созвоне, а потом присылает выжимку, и я за пару минут в курсе всего, ради чего раньше пришлось бы просидеть час. А ещё забавное из преподавания: когда проверяю студенческие работы, я иногда прошу ИИ прикинуть, насколько вероятно, что работу писал не человек, а другой агент 🕵️ Ирония жизни: агенты ловят агентов 🏡 В жизни Вот тут мой личный предмет гордости – бот, который ведёт меня по быту, он каждый вечер он присылает план на завтра: что съесть и как потренироваться, а раз в неделю готовый список покупок под все эти планы, то есть я больше не стою в тупике у холодильника и не изобретаю, что бы такое поесть, за меня всё уже придумано 🥑 И ещё одна мелочь, которая экономит мне кучу нервов: длинные переписки я теперь тоже читаю через агента, когда прилетает простыня на сто сообщений, я просто прошу выжимку, вместо того чтобы скроллить это всё вручную и терять волю к жизни 💬 Ещё ИИ стал моим личным репетитором по английскому, я на нём то диалоги гоняю, то прошу объяснить разницу между словами или разобрать мои ошибки, и это оказалось куда живее и приятнее, чем скучные учебники 🇬🇧 Короче, в какой-то момент ИИ из «прикольной игрушки» превратился в невидимого ассистента, который разгребает за меня всю рутину и оставил силы на то, что реально интересно 🔥
Открыть в TelegramКажется, я самый неторопливый леопард на курсе по алгосам 🐆 Не буду врать, по темпу я плетусь в самом хвосте, и пока вся группа где-то вперёди, я всё ещё топчусь на продвинутых матрицах и строках, но паники нет, потому что эти выходные, следующие несколько выходных и будние вечера у меня уже забронированы под тёплую компанию Глеба (с законными перерывами на Уимблдон и ЧМ, разумеется 🎾⚽️), верю в себя 🔥 Итак, чо там по курсу 👇 Перед тем как двигаться дальше, я освежила в голове подсчёт временной сложности, и тут снова спасибо Глебу, потому что он считает её буквально в каждой теме и каждой задаче, так что мне даже напрягаться не пришлось, О-большое уже почти на автомате 🧠 🧩 Из последнего, что мне понравилось задачка Plus One, которая на вид совсем безобидная (прибавь единичку к числу, записанному массивом цифр), а на деле подкидывает засаду, потому что всё ломается на девятках, и когда у тебя 9, 99 или 999, простое «плюс один к последней цифре» превращается в каскадный перенос разряда, из-за которого массив приходится ещё и удлинять, тут конечно Глеб не зря разбил её на две части, сначала базовый случай, а потом уже отдельно вот эту историю с девятками, и это как раз тот случай, когда простенькая easy-задачка учит думать про краевые случаи, на которых обычно все и спотыкаются 🫠 А ещё было приятно заново взглянуть на целочисленное деление и модулус (же под алгоритмическим углом, потому что в обычной работе я их использую постоянно, но там это просто бытовой инструмент, а тут вдруг оказывается, что на них держится половина трюков с цифрами (тот же Add Digits или Divisible and Non-divisible Sums), и вот эта смена оптики из «оператор на каждый день» в «изящный приём для задачи» мне зашла 😄 Ну и Строки порадовали – там Глеб показывает встроенные методы питона вместо того чтобы всё лепить руками, и сразу видно, где можно решить красиво и в пару строк вместо портянки кода. 🔥 А на сегодняшний вечер у меня в планах Хэш-сеты и, если хватит запала, немного Хэш-таблиц, и вот их я жду прям с особым нетерпением, потому что это та самая тема, без которой на алгосекции делать нечего. Из всего блока больше всего предвкушаю разбор задачи Group Anagrams, и не просто так, а потому что она реально одна из самых частых на собесах в Яндексе, и идея там красивая до мурашек: берёшь слова с одинаковым набором букв и складываешь их в одну корзинку, а ключом служит отсортированное слово, так что вся соль в том, чтобы додуматься использовать хэш-таблицу с хитрым ключом вместо того чтобы тупить и сравнивать всё со всем 👀 И рядышком идёт легендарная Two Sum, которую, кажется, спрашивали примерно у каждого второго на планете, и на ней как раз шикарно видно, как хэш-таблица превращает медленный перебор за O(n²) в изящное решение за один проход 💪 Кстати, отдельный кайф в том, что многие из этих задачек дают именно туда, куда я и целюсь, так что я не просто галочки в тренажёре ставлю, а сразу готовлюсь к реальным секциям, и это здорово держит в тонусе 🔥 (а еще в тонусе держат цитаты из треков в разборах задач в исполнении Глеба, напомню это вот тут🤭) Так что даааа, я отстала, но не сдалась, мозг тихонько скрипит, но явно радуется нагрузке, а впереди ещё вагон новых тем, так что заскучать мне точно не грозит 😌
Открыть в Telegram🌺 Пост о полугодовом ревью В Авито перформанс ревью проходит раз в полгода, и свою часть я уже сдала: self-review, матрица компетенций, планы на следующий квартал, расскажу немного как это устроено, и что я про себя поняла в этот раз, пока заполняла 👇 Если коротко, матрица компетенций - это подробная табличка (она у Авито открыто лежит на гитхабе), где расписано что должен уметь аналитик на каждом грейде, оценивают по нескольким осям: какие задачи находишь и решаешь, насколько самостоятельно, как делишься знаниями, как влияешь на бизнес. 🛠 Отдельно оценивают хард-скиллы по пяти направлениям: SQL/DWH, визуализация, статистика и математика, Python и ML. И тут интересно как растут требования: джуну достаточно писать базовые запросы и скрипты, а на старших грейдах это уже оптимизация тяжёлых выборок, построение витрин, кастомные стат-критерии (не просто t-test и Манна-Уитни из коробки, а умение их валидировать под свою задачу), проектирование экспериментов и ML под реальные бизнес-кейсы. 🤔 Логика роста по грейдам примерно такая: джун решает готовые задачи под присмотром, мидл сам находит проблемы и договаривается о приоритетах, сеньор отвечает за аналитику целого направления и сам планирует квартал, и чем выше грейд, тем больше неопределённости в задачах и тем шире круг влияния, и переход между грейдами завязан не на “хорошо поработала”, а на конкретный проект нужного уровня сложности, который надо защитить. 📊 И вот тут ключевое - что считается “сложной задачей”. Она оценивается по трём осям: насколько открытая была постановка (принесли готовое ТЗ или “разберись сам”), масштаб для бизнеса и техническая сложность. Поэтому в ревью весят не любые задачи, а именно исследования, где ты сам формулировал проблему и доводил до результата с импактом. Но без ложки дёгтя не обойдётся: заполнять всё это та ещё работа (ну точно не самая моя любимая) 😅 Собрать за полгода все проекты, вспомнить цифры и результаты, разложить по критериям, подтянуть пруфы, на это уходит прилично времени, происходит оно, конечно же, ровно тогда, когда его и так нет: поверх текущих задач и обучений, таааак что последняя неделя перед дедлайном - это отдельный вид спорта. А теперь то, ради чего пишу 💭 Когда живёшь в режиме “работа-обучения-работа”, легко потерять ощущение прогресса, кажется, что просто крутишься в колесе, но стоило сесть и разложить свои полгода по критериям матрицы, как картинка сложилась: за этой гонкой стоит куча реально сделанного 🚀 проекты и исследования, которые на бегу не ощущались как какие-то достижения, вдруг встали на свои места ✨ Вот за это я и люблю ревью: оно заставляет остановиться и увидеть свой рост целиком, не абстрактное “было много работы”, а конкретно: вот здесь я выросла, вот тут прокачала навык, вот этот проект вытащила, а еще это здорово мотивирует на следующий квартал 💪 Так что даааа, времени было мало, но полгода прошли не зря, и это приятно видеть чёрным по белому 🙂👍
Открыть в Telegram👋 Утопаю в процессах перфоманс ревью 😅 но серию не бросаю, поэтому сегодня в программе ✨микро пост✨, в прошлый раз разобрали доверительные интервалы, сегодня про то что еще нужно решить до запуска теста👇 Итак, гипотеза у нас уже есть и первый вопрос: сколько пользователей нужно? "Ну возьмём 1000" не ответ, и вот почему: 🎯 Размер выборки считается из четырёх вещей: MDE (минимальный эффект который хотим поймать он берётся из бизнеса: например, при каком минимальном приросте фича окупится?), базовая метрика (например, конверсия 5%), alpha (0,05 - вероятность ошибочно решить что эффект есть когда его нет, ) и beta (0,8 - вероятность поймать эффект если он реально существует). 0,05 и 0,8 - индустриальный стандарт, можно брать строже, но тогда учитывать, что выборка вырастет. Меняешь любой параметр и меняется вся выборка. На цифрах: конверсия 5%, хотим поймать рост до 6% - по стандартной формуле для двух пропорций нужно 3 800 на группу, итого 7 600. Хотим поймать рост до 5,5% - уже 15 000 на группу. Примерно вчетверо больше при вдвое меньшем эффекте – при прочих равных. *(Проверить можно в любом онлайн-калькуляторе выборки, они гуглятся за секунду.) 🔄 На практике логика часто обратная Не "задаём MDE → считаем выборку", а наоборот: есть фиксированный трафик и сроки, и вопрос "какой MDE мы можем себе позволить при таком трафике?" Если бизнес хочет поймать +0,1%, а трафика хватает только на +1%, то нужно либо смириться с порогом, либо увеличивать длительность теста (но осторожно: длинные тесты попадают в сезонность и поведение пользователей успевает измениться просто со временем - novelty effect или temporal confounding), либо снижать разброс значений метрики между пользователями, чтобы сигнал было легче разглядеть - например, выбирать метрику которая меньше скачет между пользователями. Короче, размер выборки - это не технический вопрос, а бизнесовый: он определяет что мы вообще способны обнаружить 🙂 ❤️Кстати, если у вас есть linkedin - добавляйтесь 🙂
Открыть в TelegramСвязи
Похожие каналы
Токсичный Епихин@borodafmТехнологии2,04 тыс.
cherkashin.dev@cherkashindevТехнологии2,04 тыс.
Big Ledovsky | AI изнутри@big_ledovskyТехнологии2,07 тыс.
Сертификат безопасности@qcakzТехнологии2,01 тыс.
Бидон (BI-DONE)@bi_doneТехнологии1,99 тыс.
НИИчаво@niichivoТехнологии2,12 тыс.
Тысяча фичей@tfeatТехнологии1,97 тыс.
ЛЦТ 2026 | Хакатон@leaders_hackТехнологии1,96 тыс.