108 статей для Senior аналитика данных: большая подборка
Материалы по архитектуре и управлению аналитикой: платформы данных, система метрик, эксперименты, причинный анализ, Data Quality, стратегия, машинное обучение и руководство командой.
Архитектура аналитической платформы
- Как переработать архитектуру хранилища и мигрировать часть нагрузки в Data Lakehouse
Чтобы принимать устойчивые архитектурные решения.
- Data Warehouse, Data Lake, Data Lakehouse, Data Fabric, Data Mesh – что это такое, и в чем разница между концепциями
Чтобы принимать устойчивые архитектурные решения.
- Код как документация: как мы строим самодокументируемые витрины данных в Почте Mail
Чтобы принимать устойчивые архитектурные решения.
- Нужна ли нам Lakehouse архитектура?
Чтобы принимать устойчивые архитектурные решения.
- PostgreSQL не тормозит. Почему мы перестали масштабировать базу данных и начали масштабировать архитектуру
Чтобы принимать устойчивые архитектурные решения.
- Есть ли жизнь после Vertica или миграция DWH в Lakehouse
Чтобы принимать устойчивые архитектурные решения.
- Lakehouse vs Data Warehouse в 2026: что выбирать DE-команде
Чтобы принимать устойчивые архитектурные решения.
- Вы строите Lakehouse, а сторадж строит вам проблемы. Что делать?
Чтобы принимать устойчивые архитектурные решения.
- Обзор Lakehouse: архитектура, которая объединяет порядок и хаос
Чтобы принимать устойчивые архитектурные решения.
- От GreenPlum к Mirrorship: Кейс трансформации Bank of Hangzhou Consumer Finance на основе архитектуры Lakehouse
Чтобы принимать устойчивые архитектурные решения.
- VK Data Platform под капотом: как устроена платформа для Data Lakehouse
Чтобы принимать устойчивые архитектурные решения.
- Роскошный архитектурный минимум для аналитика: понимать систему в целом и не бояться «богов»-архитекторов
Чтобы принимать устойчивые архитектурные решения.
Система метрик
- Дерево метрик и прокси-метрики: как перестать гадать и начать управлять ростом продукта
Чтобы принимать решения на основе данных.
- Контекстное обучение пользователей в интерфейсах: как фокусировка растит метрики продукта
Чтобы принимать решения на основе данных.
- Продакт, не копайся в метриках — апгрейдь технологии, метрики сами вырастут
Чтобы принимать решения на основе данных.
- Как построить дерево метрик? Разбираем на примере сервиса доставки еды
Чтобы принимать решения на основе данных.
- Дерево метрик в продуктовой разработке: от цели до гипотез
Чтобы принимать решения на основе данных.
- Что такое дерево метрик и зачем оно нужно?
Чтобы принимать решения на основе данных.
- Как очнуться от мрака метрик и начать решать неочевидные проблемы бизнеса
Чтобы принимать решения на основе данных.
- Дерево метрик: как построить связь между конверсиями в продукте и выручкой бизнеса
Чтобы принимать решения на основе данных.
- Пирамида метрик: пожалуй, лучший способ понять, что не так с вашим продуктом
Чтобы принимать решения на основе данных.
- Продакту на заметку: почему привычные метрики могут стать тормозом для роста и что с этим делать
Чтобы принимать решения на основе данных.
- Какие бывают метрики. Дизайнер и метрики, 2 часть
Чтобы принимать решения на основе данных.
- Что такое DORA-метрики и как их измерять, часть 1
Чтобы принимать решения на основе данных.
Эксперименты и платформа A/B-тестов
- Адский эксперимент: личный сайт на нищих микросервисах
Чтобы проверять влияние изменений на метрики.
- Шесть причин, почему ваши A/B-тесты не работают
Чтобы проверить влияние изменения на метрики.
- Пять ошибок при A/B-тестировании
Чтобы проверить влияние изменения на метрики.
- Байесовские многорукие бандиты против A/B тестов
Чтобы проверить влияние изменения на метрики.
- Как подготовить и провести A/B-тестирование. Базовый роадмэп для новичков
Чтобы проверить влияние изменения на метрики.
- Как мы перераспределили альфу в A/B-тестах и сократили размер выборки
Чтобы проверить влияние изменения на метрики.
- Sigma + Trisigma = 4Sigma или как мы сделали эксперименты еще удобнее
Чтобы проверять влияние изменений на метрики.
- Особенности и подводные камни A/B/n-тестирования
Чтобы проверять влияние изменений на метрики.
- Расширенный CUPAC для снижения дисперсии в A/B экспериментах
Чтобы проверять влияние изменений на метрики.
- Всегда ли сегментация данных при анализе увеличивает эффективность экспериментов?
Чтобы проверять влияние изменений на метрики.
- Линеаризация: зачем и как укрощать ratio-метрики в A/B-тестах
Чтобы проверить влияние изменения на метрики.
- Как устроен запуск экспериментов в ИТ-продукте на примере Joom
Чтобы проверять влияние изменений на метрики.
Причинно-следственный анализ и прогнозирование
- Как мы разработали гибкий пайплайн для прогноза временных рядов любых метрик
Чтобы объяснять причины и прогнозировать результат.
- Causal Inference: прозрение и практика. Лекция 1. Основные понятия Causal Inference
Чтобы объяснять причины и прогнозировать результат.
- Стратегии прогнозирования временных рядов в ETNA
Чтобы объяснять причины и прогнозировать результат.
- Покоряем гору временных рядов: делаем прогноз для 200+ рядов с библиотекой Etna
Чтобы объяснять причины и прогнозировать результат.
- От нестационарности к прогнозу: пайплайн анализа и моделирования временных рядов
Чтобы объяснять причины и прогнозировать результат.
- Реконсиляция в иерархическом прогнозировании временных рядов
Чтобы объяснять причины и прогнозировать результат.
- Chronos и AutoGluon-TimeSeries — мощный инструмент прогнозирования временных рядов
Чтобы объяснять причины и прогнозировать результат.
- Книга: «Causal Inference на Python. Причинно-следственные связи в IT-разработке»
Чтобы объяснять причины и прогнозировать результат.
- Как прогнозировать временные ряды с ETNA
Чтобы объяснять причины и прогнозировать результат.
- Когда одной ARIMA мало. Прогнозирование временных рядов нейросетями
Чтобы объяснять причины и прогнозировать результат.
- «Ваша сезонность, сэр!»: ищем тренд и прогнозируем спрос с помощью временных рядов, SARIMA и Python. Ч.1
Чтобы объяснять причины и прогнозировать результат.
- Прогнозирование временных рядов методом рядов Фурье
Чтобы объяснять причины и прогнозировать результат.
Data Quality и управление данными
- Data Quality в масштабе Big Data: как мы построили систему контроля качества данных в Hadoop
Чтобы находить ошибки до расчёта показателей.
- Как проводят оценку качества данных в Airbnb
Чтобы находить ошибки до расчёта показателей.
- Размерности качества данных: обеспечение качества данных с помощью Great Expectations
Чтобы находить ошибки до расчёта показателей.
- Как я оставила печати и взяла SQL: путь к Data Quality
Чтобы находить ошибки до расчёта показателей.
- Предохранители для данных: как автоматические выключатели повышают Data Quality
Чтобы находить ошибки до расчёта показателей.
- 15 самых распространенных проблем с качеством данных (и способы их решения)
Чтобы находить ошибки до расчёта показателей.
- Apache Iceberg: Индиана Джонс и Каталог судьбы в Lakehouse
Чтобы находить ошибки до расчёта показателей.
- Повышаем качество данных с Oracle Enterprise Data Quality
Чтобы находить ошибки до расчёта показателей.
- От «дата-ада» к знаку качества. Как в М.Видео-Эльдорадо работа с качеством данных улучшает результаты в бизнесе
Чтобы находить ошибки до расчёта показателей.
- Боремся за качество данных: практический подход с Airflow
Чтобы находить ошибки до расчёта показателей.
- ИИ в Data Governance: как мы ускорили маркировку персональных данных
Чтобы находить ошибки до расчёта показателей.
- 7 опорных функций, которые должны быть в вашей системе Data Governance
Чтобы разбивать логику на повторяемые действия.
Продуктовая и бизнес-стратегия
- Небольшой интерфейс + агентная сетка для решения задач исследований в продуктовой аналитике
Чтобы связать развитие продукта с целями бизнеса.
- Чтобы не терять деньги: оповещения о падениях продуктовых метрик
Чтобы связать развитие продукта с целями бизнеса.
- Продуктовая аналитика в студии полного цикла
Чтобы связать развитие продукта с целями бизнеса.
- Должен ли продуктовый аналитик быть частью продуктовой команды?
Чтобы связать развитие продукта с целями бизнеса.
- Метрики Эффективности Команд. Data driven подход к улучшению эффективности команд и бизнес результатов
Чтобы связать развитие продукта с целями бизнеса.
- Топ-3 ML-модели, которые помогут в продуктовой аналитике
Чтобы связать развитие продукта с целями бизнеса.
- Как стать продуктовым аналитиком в Ozon Банке?
Чтобы связать развитие продукта с целями бизнеса.
- Про обязательность поправки на множественные сравнения, которая часто игнорируется адептами Data Driven методов
Чтобы связать развитие продукта с целями бизнеса.
- 1.5 миллиона событий в день и ни одной таблицы events: как мы считали продуктовую аналитику 300K-бота по голому проду
Чтобы связать развитие продукта с целями бизнеса.
- Как услышать голос клиента: внедряем Data Driven подход в управление клиентским опытом
Чтобы связать развитие продукта с целями бизнеса.
- Как устроена работа продуктовых аналитиков в 2026 году. Исследование ИТ-компаний
Чтобы связать развитие продукта с целями бизнеса.
- Как разработчик систему продуктовой аналитики Posthog подключал
Чтобы связать развитие продукта с целями бизнеса.
Продвинутая аналитика и машинное обучение
- Сегментация данных — это не больно. Применяем ML-модели в аналитике
Чтобы принимать решения на основе данных.
- Человеческий мозг против ML-модели: сходства и различия между психикой и машинным обучением
Чтобы принимать решения на основе данных.
- 130+ датасетов для машинного обучения: гид, который сэкономит часы поиска нужных данных
Чтобы принимать решения на основе данных.
- Искусственный интеллект = машинное обучение?
Чтобы принимать решения на основе данных.
- Как и зачем мы начали искать бизнес-инсайты в отзывах клиентов с помощью машинного обучения
Чтобы принимать решения на основе данных.
- От Django-дневника к интеллектуальной системе поддержки диабета: математика, SPA и машинное обучение
Чтобы принимать решения на основе данных.
- MLSecOps: защита машинного обучения в эпоху киберугроз
Чтобы принимать решения на основе данных.
- Машинное обучение: ансамбль смешивания на Python
Чтобы принимать решения на основе данных.
- Подбор скважин-кандидатов для гидравлического разрыва пласта с использованием методов машинного обучения
Чтобы принимать решения на основе данных.
- Простыми словами: как работает машинное обучение
Чтобы принимать решения на основе данных.
- 21 канал на YouTube, где вы можете бесплатно изучить ИИ, машинное обучение и Data Science
Чтобы принимать решения на основе данных.
- Оптимальный маршрут доставки, скидки от срока годности и подбор одежды онлайн: 3 примера машинного обучения в e-com
Чтобы принимать решения на основе данных.
Управление аналитической командой
- ScrumBut в команде аналитиков: перед взлётом
Чтобы улучшить совместную работу и развитие команды.
- Задачи руководителя команды аналитиков
Чтобы улучшить совместную работу и развитие команды.
- Внедрение SQLMesh в команду аналитики
Чтобы улучшить совместную работу и развитие команды.
- Идеальный процесс взаимодействия аналитика и мобильного разработчика
Чтобы улучшить совместную работу и развитие команды.
- Как мы строим команду аналитики в «Магнит Маркете»
Чтобы улучшить совместную работу и развитие команды.
- Какие книги читают в IT-командах: аналитика запросов корпоративной библиотеки Alpina Digital
Чтобы улучшить совместную работу и развитие команды.
- Аналитик как скрытый руководитель проекта или как аналитику реализовать любой проект
Чтобы улучшить совместную работу и развитие команды.
- Один за всех или каждый занят своим делом? Разбираемся в устройстве команд корпоративных хранилищ данных
Чтобы улучшить совместную работу и развитие команды.
- I'm not a junior, not yet a senior: разбор грейда — «мидл» в аналитике данных
Чтобы улучшить совместную работу и развитие команды.
- Команда аналитики: от ручного управления к автономной системе
Чтобы улучшить совместную работу и развитие команды.
- Плюсы, минусы, подводные камни построения системы работы с компетенциями в команде аналитиков. Часть 2
Чтобы улучшить совместную работу и развитие команды.
- Плюсы, минусы, подводные камни построения системы работы с компетенциями в команде аналитиков. Часть 3
Чтобы улучшить совместную работу и развитие команды.
Влияние аналитики и работа со стейкхолдерами
- Data Storytelling на примере нестандартного дашборда: РПЛ и знаки зодиака
Чтобы превращать расчёты в понятные решения.
- Как управлять решениями через BI-дашборды
Чтобы превращать расчёты в понятные решения.
- Автоматизировать аналитику, визуализировать данные и не только — примеры российских BI-решений
Чтобы превращать расчёты в понятные решения.
- Метрика «Северная звезда»: как связать рост, аналитику и решения команд
Чтобы выбрать главную метрику ценности продукта.
- Как разобраться в дереве принятия решений и сделать его на Python
Чтобы превращать расчёты в понятные решения.
- Как аналитика данных формирует принятие решений при проектировании интерфейсов
Чтобы превращать расчёты в понятные решения.
- Data-driven подход в аналитике: как использовать данные для принятия решений в FinTech
Чтобы превращать расчёты в понятные решения.
- Внедрение сквозной бизнес-аналитики
Чтобы превращать расчёты в понятные решения.
- Storytelling R отчет против BI, прагматичный подход
Чтобы превращать расчёты в понятные решения.
- DataTalks: Анализ данных для решения бизнес-задач
Чтобы превращать расчёты в понятные решения.
- Джефф Безос: будущее бизнеса — машинное обучение, концентрация на интересах клиентов и быстрое принятие решений
Чтобы превращать расчёты в понятные решения.
Управление командой аналитики
- Что такое Загруженность команды: как использовать и для чего
Чтобы принимать решения на основе данных.