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
Всем здравствуйте!
Смотрите запись прямого эфира по продвинутой аналитике и прогнозам в BI от 26 октября в 15:00 (мск):
Как работает машинное обучение в связке с BI: решаемые задачи, способы интеграции, реальные примеры
🔥Спикер:
Александр Кварацхелия - ведущий архитектор BI-системы Analytic Workspace, кандидат физико-математических наук.
📌Вы узнаете:
09:30 - Как работает машинное обучение (ML);
15:30 - Как применяется ML в BI и какие специалисты нужны для организации процесса машинного обучения;
29:30 - Как в AW BI реализованы этапы процесса машинного обучения.
📌Разбираем два практических примера машинного обучения в BI:
31:00 - Пример на классификацию;
1:10:00 - Пример на предсказание временного ряда.
Мы планируем продолжить серию прямых эфиров по машинному обучению в BI, на которых мы будем разбирать практические примеры!
Если у вас возник интерес и есть практическая задача для использования машинного обучения на вашем проекте - обратите внимание на наше специальное предложение ниже ⬇️
🔥Специальное предложение AW BI: «ML-Ревизорро»🔥
Александр лично разберет вашу задачу по продвинутой/предсказательной аналитике и вместе с вами найдет пути ее решения в AW BI!
Единственное условие:
Ваше согласие на публичную демонстрацию вашего кейса на одном из прямых эфиров. Разумеется, все персональные, финансовые и чувствительные данные будут изменены либо скрыты, нам важно осветить суть решаемой задачи!
Если вас заинтересовало предложение - свяжитесь с нами любым удобным способом! #прямые_эфиры_с_экспертами
Смотрите запись прямого эфира по продвинутой аналитике и прогнозам в BI от 26 октября в 15:00 (мск):
Как работает машинное обучение в связке с BI: решаемые задачи, способы интеграции, реальные примеры
🔥Спикер:
Александр Кварацхелия - ведущий архитектор BI-системы Analytic Workspace, кандидат физико-математических наук.
📌Вы узнаете:
09:30 - Как работает машинное обучение (ML);
15:30 - Как применяется ML в BI и какие специалисты нужны для организации процесса машинного обучения;
29:30 - Как в AW BI реализованы этапы процесса машинного обучения.
📌Разбираем два практических примера машинного обучения в BI:
31:00 - Пример на классификацию;
1:10:00 - Пример на предсказание временного ряда.
Мы планируем продолжить серию прямых эфиров по машинному обучению в BI, на которых мы будем разбирать практические примеры!
Если у вас возник интерес и есть практическая задача для использования машинного обучения на вашем проекте - обратите внимание на наше специальное предложение ниже ⬇️
🔥Специальное предложение AW BI: «ML-Ревизорро»🔥
Александр лично разберет вашу задачу по продвинутой/предсказательной аналитике и вместе с вами найдет пути ее решения в AW BI!
Единственное условие:
Ваше согласие на публичную демонстрацию вашего кейса на одном из прямых эфиров. Разумеется, все персональные, финансовые и чувствительные данные будут изменены либо скрыты, нам важно осветить суть решаемой задачи!
Если вас заинтересовало предложение - свяжитесь с нами любым удобным способом! #прямые_эфиры_с_экспертами
YouTube
Как работает машинное обучение в связке с BI — решаемые задачи, способы интеграции, реальные примеры
Прямой эфир о возможностях применения искусственного интеллекта и машинного обучения в российской self-service BI-системе Analytic Workspace от ведущего архитектора BI-системы Александра Кварацхелии.
Эфир будет полезен разработчикам, BI-аналитикам и менеджерам…
Эфир будет полезен разработчикам, BI-аналитикам и менеджерам…
Bi-meetup "в Питере быть"
16 ноября в «Точке кипения» ул. Труда д.8 (Санкт-Петербург)
Не прошло и месяца с прошлого открытого митапа для всего BI-комьюнити, а тут уже запланирован в Питере!
Смотрите видео Александра Кварацхелия с митапа 5.10
Если вы не смогли приехать в Москву 5 октября, то у вас будет еще один повод познакомиться с коллегами и послушать интересных спикеров!
Организатор митапа (Сергей Кравченко) старается собирать классных спецов, которые двигают нашу с вами отрасль, общая тематика - это особенности BI-систем, инструменты работы и загрузки данных, а также кейсы из комьюнити бизнес-аналитиков!
Программа уточняется, но как обычно постараемся собрать для вас лучших из лучших!
На данный момент подтверждены представители: BI-Consult, Luxms BI, Денвик, Газпромнефть.
Список спикеров еще корректируем, чтобы получилась сквозная интересная история.
16 ноября в «Точке кипения» по адресу ул. Труда д.8, 17.30-21.00
📌>>Зарегистрироваться<<
Мы тоже не ожидали! А вы?! #мероприятия
16 ноября в «Точке кипения» ул. Труда д.8 (Санкт-Петербург)
Не прошло и месяца с прошлого открытого митапа для всего BI-комьюнити, а тут уже запланирован в Питере!
Смотрите видео Александра Кварацхелия с митапа 5.10
Если вы не смогли приехать в Москву 5 октября, то у вас будет еще один повод познакомиться с коллегами и послушать интересных спикеров!
Организатор митапа (Сергей Кравченко) старается собирать классных спецов, которые двигают нашу с вами отрасль, общая тематика - это особенности BI-систем, инструменты работы и загрузки данных, а также кейсы из комьюнити бизнес-аналитиков!
Программа уточняется, но как обычно постараемся собрать для вас лучших из лучших!
На данный момент подтверждены представители: BI-Consult, Luxms BI, Денвик, Газпромнефть.
Список спикеров еще корректируем, чтобы получилась сквозная интересная история.
16 ноября в «Точке кипения» по адресу ул. Труда д.8, 17.30-21.00
📌>>Зарегистрироваться<<
Мы тоже не ожидали! А вы?! #мероприятия
Как писать красивые и читаемые SQL запросы :)
Думаю большинство тех, кто читает данный пост знает, что такое SQL и с чем его едят. Для новоприбывших в ряды аналитиков: в комментарии к посту найдете ссылку наопределение из Википедии хороший обучающий тренажер с теорией. Язык SQL можно выучить самостоятельно. Он прост, быстро усваивается, благодаря чему отлично подходит для погружения в науку о данных, однако самостоятельное обучение может таить в себе ряд недостатков. Ключевой из них: формирование неправильного стиля программирования. Давайте разбираться на что обратить внимание, чтобы ваши запросы можно было масштабировать и их понимали другие люди.
1. Отступы и пробелы необходимы для структурирования запросов
Старайтесь выносить операторы на новые строки, добавлять отступы и пробелы между структурными блоками. Согласитесь, легче воспринимается это:
Верхний регистр используется для ключевых слов SQL, а нижний — для таблиц и столбцов. Функции SQL также настоятельно рекомендуется писать в верхнем регистре.
3. Не используйте SELECT * при написании кода итоговых версий запросов
Перетаскивая все столбцы с собой, мы легко можем спровоцировать нарушение их работы. Потеря контроля над ними чревата получением лишних невостребованных данных и дублированных столбцов, усложняющих код. Перечисляем только нужные столбцы!
4. Используйте меньше подзапросов и больше CTE
Вложенные многоуровневые запросы усложняют чтение кода. Для тех кто в теме: проблема похожа на пирамиду вложенных вызовов в языках программирования. К примеру, в JavaScript ее решили введением promise`ов. Вывод: делайте структуру кода плоской, так код проще воспринимать.
5. Присваивайте столбцам логически обоснованные имена
При создании запроса мы можем просто переносить столбцы. Вместо этого рекомендуется называть их в соответствии с предполагаемым назначением.
#новичкам #знания
Думаю большинство тех, кто читает данный пост знает, что такое SQL и с чем его едят. Для новоприбывших в ряды аналитиков: в комментарии к посту найдете ссылку на
1. Отступы и пробелы необходимы для структурирования запросов
Старайтесь выносить операторы на новые строки, добавлять отступы и пробелы между структурными блоками. Согласитесь, легче воспринимается это:
SELECTчем это:
TA.id,
TA.client_name,
TA.client_surname,
SUM(TB.client_spent_amount) AS total_client_spent_amount,
SUM(TB.client_Discounts) AS total_clients_discounts
FROM table_A AS TA
LEFT JOIN table_B AS TB
ON TA.id = TB.id
WHERE TA.country = "France"
GROUP BY TA.id
SELECT TA.id, TA.client_name, TA.client_surname, SUM(TB.client_purchases) AS total_client_purchases, sum(TB.client_Discounts) as total_clients_discounts2. Пишите синтаксис SQL в верхнем регистре
FROM table_A AS TA LEFT JOIN table_B AS TB ON TA.id = TB.id WHERE TA.country = "France" GROUP BY TA.id
Верхний регистр используется для ключевых слов SQL, а нижний — для таблиц и столбцов. Функции SQL также настоятельно рекомендуется писать в верхнем регистре.
3. Не используйте SELECT * при написании кода итоговых версий запросов
Перетаскивая все столбцы с собой, мы легко можем спровоцировать нарушение их работы. Потеря контроля над ними чревата получением лишних невостребованных данных и дублированных столбцов, усложняющих код. Перечисляем только нужные столбцы!
4. Используйте меньше подзапросов и больше CTE
Вложенные многоуровневые запросы усложняют чтение кода. Для тех кто в теме: проблема похожа на пирамиду вложенных вызовов в языках программирования. К примеру, в JavaScript ее решили введением promise`ов. Вывод: делайте структуру кода плоской, так код проще воспринимать.
5. Присваивайте столбцам логически обоснованные имена
При создании запроса мы можем просто переносить столбцы. Вместо этого рекомендуется называть их в соответствии с предполагаемым назначением.
#новичкам #знания
Предлагаем в эту пятницу насладиться отчетом, выпущенным в СССР в 1926 году!
Визуалам почти сто лет и есть на что посмотреть! Среднемесячный заработок в червонных рублях, месячное потребление продуктов питания рабочей семьи, массовая работа в клубах, красных уголках и многое другое.
Кстати, в топе по заработной плате в конце 1925 года были металлисты, пищевики и железнодорожники, получали от 60 до 70 червонных рублей!
P.S. Кастомные визуализации присутствуют:)
#визуал
Визуалам почти сто лет и есть на что посмотреть! Среднемесячный заработок в червонных рублях, месячное потребление продуктов питания рабочей семьи, массовая работа в клубах, красных уголках и многое другое.
Кстати, в топе по заработной плате в конце 1925 года были металлисты, пищевики и железнодорожники, получали от 60 до 70 червонных рублей!
P.S. Кастомные визуализации присутствуют:)
#визуал
Ресурсы для развития навыков визуализации данных
Друзья, предлагаем вам шикарную подборку ресурсов для развития насмотренности в визуализации данных от Наталии Степановой автора канала Визуализируй это! — подписывайтесь, кстати, канал 🔥
Передаём перо Наталии✍️
===
Можно многое рассказать о визуализациях, примерах, ресурсах и книгах, но здесь я постаралась собрать самое базовое.
Ответить на вопрос: «С чего начать и чем вдохновляться, чтобы научиться создавать красивые и полезные визуализации?». В полученный список, конечно, не вошло множество интересных книг и крутых специалистов, но чтобы охватить всё, потребовалось бы намного больше места.
Книги
1. Edward Tufte и его книги по информационному дизайну. "The Visual Display of Quantitative Information" — настоящая классика, которую можно назвать библией для графиков. Официального перевода не существует (автор не разрешает), но в сети можно найти неофициальные, а сама книга написана достаточно простым английским языком.
2. Don Norman, "The Design of Everyday Things". Эта книга — основа понимания дизайна и UX, заставляет задуматься о дизайне самых обыденных вещей. В России издана издательством МИФ.
Люди
1. Shirley Wu — shirleywu.studio
Меня очень вдохновляют её аккуратный дизайн и художественные абстракции в визуализациях. У неё много доступных лекций и воркшопов по программированию, их можно найти на YouTube.
2. Nadieh Bremer — visualcinnamon.com
Создаёт удивительные визуализации на самые разнообразные темы.
3. Valentina D'Efilippo — valentinadefilippo.co.uk
Больше фокусируется на дизайне и смыслах. Её выступления и рассказы о создании визуализаций, включая Effective Data Visualisation, также доступны на YouTube.
Сайты
1. Information is Beautiful — informationisbeautiful.net
Обширная коллекция инфографик на самые разные темы, от статистики пород собак до доходов правительства Великобритании.
2. Pudding — pudding.cool
Интерактивные визуальные эссе.
3. Flowing Data — flowingdata.com
Множество визуализаций и страниц с туториалами по их созданию.
4. Блог Datawrapper — blog.datawrapper.de
Статьи с примерами визуализаций и советами, например, по выбору цветовой палитры или подготовке данных.
5. D3.js — d3js.org
Не удержалась и всё-таки включила пункт про код. Но и не только, на сайте можно найти множество примеров от простых до сложных с подробным разбором их создания.
===
Канал Data Driven Культура — гид в мир данных и их представления
#визуал #книга #знания
Друзья, предлагаем вам шикарную подборку ресурсов для развития насмотренности в визуализации данных от Наталии Степановой автора канала Визуализируй это! — подписывайтесь, кстати, канал 🔥
Передаём перо Наталии
===
Можно многое рассказать о визуализациях, примерах, ресурсах и книгах, но здесь я постаралась собрать самое базовое.
Ответить на вопрос: «С чего начать и чем вдохновляться, чтобы научиться создавать красивые и полезные визуализации?». В полученный список, конечно, не вошло множество интересных книг и крутых специалистов, но чтобы охватить всё, потребовалось бы намного больше места.
Книги
1. Edward Tufte и его книги по информационному дизайну. "The Visual Display of Quantitative Information" — настоящая классика, которую можно назвать библией для графиков. Официального перевода не существует (автор не разрешает), но в сети можно найти неофициальные, а сама книга написана достаточно простым английским языком.
2. Don Norman, "The Design of Everyday Things". Эта книга — основа понимания дизайна и UX, заставляет задуматься о дизайне самых обыденных вещей. В России издана издательством МИФ.
Люди
1. Shirley Wu — shirleywu.studio
Меня очень вдохновляют её аккуратный дизайн и художественные абстракции в визуализациях. У неё много доступных лекций и воркшопов по программированию, их можно найти на YouTube.
2. Nadieh Bremer — visualcinnamon.com
Создаёт удивительные визуализации на самые разнообразные темы.
3. Valentina D'Efilippo — valentinadefilippo.co.uk
Больше фокусируется на дизайне и смыслах. Её выступления и рассказы о создании визуализаций, включая Effective Data Visualisation, также доступны на YouTube.
Сайты
1. Information is Beautiful — informationisbeautiful.net
Обширная коллекция инфографик на самые разные темы, от статистики пород собак до доходов правительства Великобритании.
2. Pudding — pudding.cool
Интерактивные визуальные эссе.
3. Flowing Data — flowingdata.com
Множество визуализаций и страниц с туториалами по их созданию.
4. Блог Datawrapper — blog.datawrapper.de
Статьи с примерами визуализаций и советами, например, по выбору цветовой палитры или подготовке данных.
5. D3.js — d3js.org
Не удержалась и всё-таки включила пункт про код. Но и не только, на сайте можно найти множество примеров от простых до сложных с подробным разбором их создания.
===
Канал Data Driven Культура — гид в мир данных и их представления
#визуал #книга #знания
Please open Telegram to view this post
VIEW IN TELEGRAM
Друзья!
В следующий четверг, 23 ноября в 15:00 (мск) состоится прямой эфир по организации хранения данных:
«Все о корпоративных хранилищах данных (Data Warehouse, DWH»
📌Что это?
📌Как устроено?
📌Кто, когда и зачем создает?
Эфир будет полезен для Data-инженеров, BI-разработчиков, руководителей и менеджеров BI-проектов.
✅Спикеры:
Арслан Катеев - руководитель отдела разработки конструктора корпоративных аналитических решений AlphaBI;
Михаил Греков - директор по развитию BI-системы Analytic Workspace, эксперт по b2b-продуктам, ведущий эфира;
Рамиль Мамедов - руководитель направления платформы данных в СБЕР.
В прямом эфире с профессионалами-разработчиками DWH обсуждаем:
📌типы хранилищ;
📌подходы к построению;
📌архитектурные паттерны;
📌реальные примеры.
🔔 Прямой эфир состоится:
23 ноября (четверг) в 15:00 (Мск)⠀
Регистрация на мероприятие:
https://analyticworkspace.ru/aw-dwh
Можно будет задавать свои вопросы как предварительно при регистрации, так и в процессе эфира.
Вход свободный!
#мероприятия
В следующий четверг, 23 ноября в 15:00 (мск) состоится прямой эфир по организации хранения данных:
«Все о корпоративных хранилищах данных (Data Warehouse, DWH»
📌Что это?
📌Как устроено?
📌Кто, когда и зачем создает?
Эфир будет полезен для Data-инженеров, BI-разработчиков, руководителей и менеджеров BI-проектов.
✅Спикеры:
Арслан Катеев - руководитель отдела разработки конструктора корпоративных аналитических решений AlphaBI;
Михаил Греков - директор по развитию BI-системы Analytic Workspace, эксперт по b2b-продуктам, ведущий эфира;
Рамиль Мамедов - руководитель направления платформы данных в СБЕР.
В прямом эфире с профессионалами-разработчиками DWH обсуждаем:
📌типы хранилищ;
📌подходы к построению;
📌архитектурные паттерны;
📌реальные примеры.
🔔 Прямой эфир состоится:
23 ноября (четверг) в 15:00 (Мск)⠀
Регистрация на мероприятие:
https://analyticworkspace.ru/aw-dwh
Можно будет задавать свои вопросы как предварительно при регистрации, так и в процессе эфира.
Вход свободный!
#мероприятия
analyticworkspace.ru
Все о корпоративных хранилищах данных (Data Warehouse, DWH) | Прямой эфир
В прямом эфире с профессионалами-разработчиками DWH обсуждаем типы хранилищ, подходы к построению, архитектурные паттерны, реальные примеры
This media is not supported in your browser
VIEW IN TELEGRAM
Пока мы готовим серьёзный пост про Data Driven давайте посмотрим на этот Data Vis.
Прекрасно же 🤗
Прекрасно же 🤗
Три закона диалектики на примере таблицы Менделеева
Может быть, этот пост получится и немного оффтопик к теме "Data Driven", однако он как публикации об астрономии на хабре -не по теме, но интересно : порой стоит вспоминать о фундаментальных законах того мира, в котором мы живем.
А мир наш глубоко диалектичен. И нагляднее всего принципы диалектики иллюстрируются на примере периодической таблицы элементов Д.И. Менделеева.
Для начала, вспомним, что электрически нейтральный атом состоит из положительно заряженного ядра, и отрицательно заряженных электронов, которые вращаются вокруг ядра. Электроны движутся не как попало, а по определенным орбитам, которые создают энергетические уровни.
В таблице Менделеева:
📌номер ряда (периода) = количество энергетических уровней в атоме
📌номер столбца (группы) = количество электронов на внешнем уровне.
Закон перехода количества в качество
Хотя один химический элемент может отличаться от другого только количеством протонов, нейтронов и электронов, они все обладают разнообразными свойствами. Например, углерод (C) и азот (N) различаются всего на один электрон на внешней орбитали, но представляют собой совершенно разные вещества. Этот закон подтверждает, что добавление одного электрона на внешнюю орбиталь (и, соответственно, одного протона в ядро) приводит к изменению свойств вещества и образованию нового элемента.
Закон единства и борьбы противоположностей
Элементы в периодической таблице формируют диалектические пары с противоположными свойствами. Например, щелочные металлы в первой группе и галогены в седьмой группе представляют собой такую пару (и, взаимодействуя, образуют очень устойчивые соли вроде поваренной (хлорид натрия, NaCl)). Постепенное изменение количества элементов в паре приводит к качественным изменениям в материи, переходя от щелочных металлов через их противоположность (галогены) до полного отрицания - инертных газов.
Закон отрицания отрицания
Восьмая (крайняя правая) группа элементов в периодической таблице состоит из инертных газов, которые известны своей неактивностью в химических реакциях благодаря заполненности их внешнего электронного слоя.
Элементы первой группы (крайняя слева) - щелочные металлы, напротив, требуют больших усилий для подавления их активности (скажем, металлический натрий хранят под слоем керосина). Таким образом, инертные газы являются отрицанием щелочных металлов.
Однако с увеличением атомной массы инертных газов всего на 1 протон происходит резкий переход обратно к щелочным металлам в начало следующего, более высокого периода. Это переход ведет к отрицанию предыдущего отрицания, и вся история переходит на новый уровень с новой диалектической парой.
Это наблюдение говорит о том, что законы диалектики, отраженные в периодической таблице элементов, позволяют нам предсказывать и ожидать существование элементов, которые еще не были обнаружены на момент составления таблицы. Пустые ячейки в таблице, особенно в исходном варианте таблицы Менделеева, указывают на элементы, которые были предсказаны на основе этих законов, но еще не были открыты на тот момент. С течением времени и развитием научных исследований, многие из пустых мест в таблице были заполнены, и ученые смогли подтвердить свои предсказания.
#статья
Может быть, этот пост получится и немного оффтопик к теме "Data Driven", однако он как публикации об астрономии на хабре -
А мир наш глубоко диалектичен. И нагляднее всего принципы диалектики иллюстрируются на примере периодической таблицы элементов Д.И. Менделеева.
Для начала, вспомним, что электрически нейтральный атом состоит из положительно заряженного ядра, и отрицательно заряженных электронов, которые вращаются вокруг ядра. Электроны движутся не как попало, а по определенным орбитам, которые создают энергетические уровни.
В таблице Менделеева:
📌номер ряда (периода) = количество энергетических уровней в атоме
📌номер столбца (группы) = количество электронов на внешнем уровне.
Закон перехода количества в качество
Хотя один химический элемент может отличаться от другого только количеством протонов, нейтронов и электронов, они все обладают разнообразными свойствами. Например, углерод (C) и азот (N) различаются всего на один электрон на внешней орбитали, но представляют собой совершенно разные вещества. Этот закон подтверждает, что добавление одного электрона на внешнюю орбиталь (и, соответственно, одного протона в ядро) приводит к изменению свойств вещества и образованию нового элемента.
Закон единства и борьбы противоположностей
Элементы в периодической таблице формируют диалектические пары с противоположными свойствами. Например, щелочные металлы в первой группе и галогены в седьмой группе представляют собой такую пару (и, взаимодействуя, образуют очень устойчивые соли вроде поваренной (хлорид натрия, NaCl)). Постепенное изменение количества элементов в паре приводит к качественным изменениям в материи, переходя от щелочных металлов через их противоположность (галогены) до полного отрицания - инертных газов.
Закон отрицания отрицания
Восьмая (крайняя правая) группа элементов в периодической таблице состоит из инертных газов, которые известны своей неактивностью в химических реакциях благодаря заполненности их внешнего электронного слоя.
Элементы первой группы (крайняя слева) - щелочные металлы, напротив, требуют больших усилий для подавления их активности (скажем, металлический натрий хранят под слоем керосина). Таким образом, инертные газы являются отрицанием щелочных металлов.
Однако с увеличением атомной массы инертных газов всего на 1 протон происходит резкий переход обратно к щелочным металлам в начало следующего, более высокого периода. Это переход ведет к отрицанию предыдущего отрицания, и вся история переходит на новый уровень с новой диалектической парой.
Это наблюдение говорит о том, что законы диалектики, отраженные в периодической таблице элементов, позволяют нам предсказывать и ожидать существование элементов, которые еще не были обнаружены на момент составления таблицы. Пустые ячейки в таблице, особенно в исходном варианте таблицы Менделеева, указывают на элементы, которые были предсказаны на основе этих законов, но еще не были открыты на тот момент. С течением времени и развитием научных исследований, многие из пустых мест в таблице были заполнены, и ученые смогли подтвердить свои предсказания.
#статья
Привет, друзья! Смотрите запись вебинара от 23 ноября об организации хранения данных:
Все о корпоративных хранилищах данных (КХД? Data Warehouse, DWH)
В прямом эфире с профессионалами-разработчиками DWH обсуждаем:
📌Типы хранилищ: объектные, реляционные, колоночные;
📌Подходы к построению: 3 нормальная форма, Data vault, "Звезда", "Снежинка";
📌Архитектурные паттерны: ЦХД, Data mesh;
📌Реальные примеры построения хранилищ данных для различных бизнес-сценариев.
Эфир будет полезен для Data-инженеров, BI-разработчиков, руководителей и менеджеров BI-проектов.
00:00 - Представление спикеров
03:20 - Что такое хранилище данных, отличия от базы данных
10:10 - Задачи хранилища данных, условия и требования. Вопросы надежности.
12:00 - Многослойные хранилища данных. Буфер. Ядро. Витрина. Принципы построения хранилищ в Alpha BI и Analytic Workspace
18:00 - Специалисты для работы с КХД
19:10 - Как компании понять, что пора создавать КХД?
24:45 - Типы данных и принципы их хранения
31:15 - Шаблоны проектирования
43:10 - Архитектурные шаблоны: Data Lake, Data Mesh. Преимущества и недостатки
Список литературы:
📌Многослойные хранилища
📌Гибкие методологии
📌Лекция по Data Vault
📌Антихрупкость хранилища
📌Конспекты DMBOK
До встречи на следующих эфирах! #прямые_эфиры_с_экспертами
Все о корпоративных хранилищах данных (КХД? Data Warehouse, DWH)
В прямом эфире с профессионалами-разработчиками DWH обсуждаем:
📌Типы хранилищ: объектные, реляционные, колоночные;
📌Подходы к построению: 3 нормальная форма, Data vault, "Звезда", "Снежинка";
📌Архитектурные паттерны: ЦХД, Data mesh;
📌Реальные примеры построения хранилищ данных для различных бизнес-сценариев.
Эфир будет полезен для Data-инженеров, BI-разработчиков, руководителей и менеджеров BI-проектов.
00:00 - Представление спикеров
03:20 - Что такое хранилище данных, отличия от базы данных
10:10 - Задачи хранилища данных, условия и требования. Вопросы надежности.
12:00 - Многослойные хранилища данных. Буфер. Ядро. Витрина. Принципы построения хранилищ в Alpha BI и Analytic Workspace
18:00 - Специалисты для работы с КХД
19:10 - Как компании понять, что пора создавать КХД?
24:45 - Типы данных и принципы их хранения
31:15 - Шаблоны проектирования
43:10 - Архитектурные шаблоны: Data Lake, Data Mesh. Преимущества и недостатки
Список литературы:
📌Многослойные хранилища
📌Гибкие методологии
📌Лекция по Data Vault
📌Антихрупкость хранилища
📌Конспекты DMBOK
До встречи на следующих эфирах! #прямые_эфиры_с_экспертами
YouTube
Все о корпоративных хранилищах данных (КХД, Data Warehouse, DWH)
Смотрите запись вебинара об организации хранения данных. В прямом эфире с профессионалами-разработчиками DWH обсуждаем:
📌Типы хранилищ: объектные, реляционные, колоночные;
📌Подходы к построению: 3 нормальная форма, Data vault, "Звезда", "Снежинка";
📌Архитектурные…
📌Типы хранилищ: объектные, реляционные, колоночные;
📌Подходы к построению: 3 нормальная форма, Data vault, "Звезда", "Снежинка";
📌Архитектурные…
Друзья!
В следующий четверг, 7 декабря в 15:00 (мск) приглашаем вас на вебинар с Романом Буниным о построении карьеры аналитика данных:
«Карьера аналитика: чем занимаются разные аналитики и что им надо знать»
✅Спикеры:
Роман Бунин - эксперт по визуализации данных, автор Телеграм-канала @revealthedata;
Михаил Греков - директор по развитию BI-системы Analytic Workspace, эксперт по b2b-продуктам, ведущий эфира.
Под словом «аналитик» понимают много профессий:
BI-аналитики, продуктовые аналитики, аналитики данных, Data-саентисты, ML-инженеры - список еще не дошел даже до середины.
📌Где грань между «Я визуализирую данные» и «Я нахожу в данных возможности»?
📌Какие навыки нужны специалисту каждого направления?
📌Какие задачи предстоит решать?
📌Как развиваться в карьере аналитика данных, куда смотреть, что изучать?
Эфир будет полезен как начинающим аналитикам, так и специалистам с опытом в поисках вдохновения, а также руководителям бизнеса.
🔔 Прямой эфир состоится:
07 декабря (четверг) в 15:00 (Мск)⠀
Регистрация на мероприятие:
https://analyticworkspace.ru/aw-bunin
Можно будет задавать свои вопросы как предварительно при регистрации, так и в процессе эфира. #мероприятия
В следующий четверг, 7 декабря в 15:00 (мск) приглашаем вас на вебинар с Романом Буниным о построении карьеры аналитика данных:
«Карьера аналитика: чем занимаются разные аналитики и что им надо знать»
✅Спикеры:
Роман Бунин - эксперт по визуализации данных, автор Телеграм-канала @revealthedata;
Михаил Греков - директор по развитию BI-системы Analytic Workspace, эксперт по b2b-продуктам, ведущий эфира.
Под словом «аналитик» понимают много профессий:
BI-аналитики, продуктовые аналитики, аналитики данных, Data-саентисты, ML-инженеры - список еще не дошел даже до середины.
📌Где грань между «Я визуализирую данные» и «Я нахожу в данных возможности»?
📌Какие навыки нужны специалисту каждого направления?
📌Какие задачи предстоит решать?
📌Как развиваться в карьере аналитика данных, куда смотреть, что изучать?
Эфир будет полезен как начинающим аналитикам, так и специалистам с опытом в поисках вдохновения, а также руководителям бизнеса.
🔔 Прямой эфир состоится:
07 декабря (четверг) в 15:00 (Мск)⠀
Регистрация на мероприятие:
https://analyticworkspace.ru/aw-bunin
Можно будет задавать свои вопросы как предварительно при регистрации, так и в процессе эфира. #мероприятия
analyticworkspace.ru
Прямой эфир: Карьера аналитика - чем занимаются разные аналитики и что им надо знать
Прямой эфир: Где грань между «Я визуализирую данные» и «Я нахожу в данных возможности»? Как развиваться в карьере аналитика данных, куда смотреть, что изучать.
Данные накапливаются, мудрость - нет
Пирамида DIKW отражает стандартную модель структурных отношений между мудростью, знаниями, информацией и данными:
🔸данные создаются с помощью абстракции или измерения реального мира;
🔸информация — это данные, которые были обработаны, структурированы и встроены в контекст таким образом, что стали значимы для людей;
🔸знания — это информация, которая была интерпретирована и организована таким образом, чтобы появилась возможность действовать в соответствие с ней;
🔸мудрость — умение найти надлежащее применение знанию.
Последовательные операции в процессе обработки данных (сбор → предварительная обработка → агрегирование → понимание результатов и визуализация → обнаружение закономерностей → создание моделей с использованием машинного обучения) следуют иерархии пирамиды DIKW, увеличивая потенциал для поддержки бизнес-решений.
#знания
Пирамида DIKW отражает стандартную модель структурных отношений между мудростью, знаниями, информацией и данными:
🔸данные создаются с помощью абстракции или измерения реального мира;
🔸информация — это данные, которые были обработаны, структурированы и встроены в контекст таким образом, что стали значимы для людей;
🔸знания — это информация, которая была интерпретирована и организована таким образом, чтобы появилась возможность действовать в соответствие с ней;
🔸мудрость — умение найти надлежащее применение знанию.
Последовательные операции в процессе обработки данных (сбор → предварительная обработка → агрегирование → понимание результатов и визуализация → обнаружение закономерностей → создание моделей с использованием машинного обучения) следуют иерархии пирамиды DIKW, увеличивая потенциал для поддержки бизнес-решений.
#знания
Друзья! Смотрите запись мастер-класса Михаила Грекова от 30 ноября о продуктовых метриках B2B-продукта:
Продуктовая аналитика: как выбрать и отслеживать метрики для B2B-продукта
📌За какими метриками B2B-продукта следить и почему;
📌Как собирать статистику;
📌Как настроить сквозную аналитику;
📌Какие сложности возникают, и как их преодолеть.
Мастер-класс может быть полезен продуктовым маркетологам, менеджерам B2B-продуктов, аналитикам и руководителям бизнеса.
00:00 - Знакомство, постановка задачи;
02:10 - Особенности метрик для B2B-продукта, отличие от B2C, B2G;
06:10 - Какие метрики собирают в AW BI и почему;
18:40 - Как выглядит интерактивный дашборд с продуктовыми метриками AW BI и как им пользоваться для проверки аналитических гипотез;
32:10 - Настройка виджетов метрик в прямом эфире!
Полезные ссылки:
📌Все информационные ресурсы Analytic Workspace (AW BI): https://aw-bi.ru
📌Получить демо-доступ к AW BI и попробовать в действии: https://analyticworkspace.ru/startfree
📌Сообщество AW BI для технической помощи: https://tttttt.me/awcommunity
📌Телеграм-каналы Михаила: @proudobstvo и @suda_smotri
До встречи на следующих эфирах! #прямые_эфиры_с_экспертами
Продуктовая аналитика: как выбрать и отслеживать метрики для B2B-продукта
📌За какими метриками B2B-продукта следить и почему;
📌Как собирать статистику;
📌Как настроить сквозную аналитику;
📌Какие сложности возникают, и как их преодолеть.
Мастер-класс может быть полезен продуктовым маркетологам, менеджерам B2B-продуктов, аналитикам и руководителям бизнеса.
00:00 - Знакомство, постановка задачи;
02:10 - Особенности метрик для B2B-продукта, отличие от B2C, B2G;
06:10 - Какие метрики собирают в AW BI и почему;
18:40 - Как выглядит интерактивный дашборд с продуктовыми метриками AW BI и как им пользоваться для проверки аналитических гипотез;
32:10 - Настройка виджетов метрик в прямом эфире!
Полезные ссылки:
📌Все информационные ресурсы Analytic Workspace (AW BI): https://aw-bi.ru
📌Получить демо-доступ к AW BI и попробовать в действии: https://analyticworkspace.ru/startfree
📌Сообщество AW BI для технической помощи: https://tttttt.me/awcommunity
📌Телеграм-каналы Михаила: @proudobstvo и @suda_smotri
До встречи на следующих эфирах! #прямые_эфиры_с_экспертами
YouTube
Продуктовая аналитика: как выбрать и отслеживать метрики для B2B-продукта
Мастер-класс по продуктовой аналитике от директора по развитию BI-системы Analytic Workspace, эксперта по B2B-продуктам с 15-летним опытом Михаила Грекова.
📌За какими метриками следить и почему;
📌Как собирать статистику;
📌Как настроить сквозную аналитику;…
📌За какими метриками следить и почему;
📌Как собирать статистику;
📌Как настроить сквозную аналитику;…
У Романа Бунина вышел пост (он ниже) со списком ситуаций, которые часто пытаются решить с помощью BI.
При этом BI — не лучший способ решить описанные ситуации.
Кстати, уже в этот четверг у нас будет эфир с Романом про развитие в карьере BI-аналитика — вы ещё успеваете зарегистрироваться.
При этом BI — не лучший способ решить описанные ситуации.
Кстати, уже в этот четверг у нас будет эфир с Романом про развитие в карьере BI-аналитика — вы ещё успеваете зарегистрироваться.
Forwarded from Reveal the Data
📈Лучший дашборд
или чек-лист, как как отказаться от разработки дашборда 😈
Я люблю дашборды, но, к сожалению, часто их делают зря. Собрал 5 вариантов, когда стоит попробовать другое решение. Итак, задаем себе и заказчику вопрос — для чего нам нужен дашборд? Если ответ из списка, то дашборд не делаем.
1. Следить за коротким проектом (2-4 недели)
Если проект короткий, то лучше используйте гугл-таблицы с ручным или автоматическим обновлением данных.
2. Повесить на стену смотреть всё ли в порядке
Или слышите вопрос «а ваш BI умеет real-time?». Вместо этого сделайте алерты и регулярную рассылку в мессенджеры.
3. Смотреть данные и менять настройки в другой системе
Если каждый раз при работе с дашбордом пользователь будет что-то менять в другой системе (например, CRM) или вы слышите вопрос «а ваша BI умеет writeback в базу?», то настройте нормально CRM или другой софт и встройте туда графики через embedings.
4. Показать на презентации совету директоров
Если это не регулярка, а разовое выступление, то просто сделайте презентацию.
5. Следить за целями подразделения
Если это OKR или цели компании/подраздления, где не только численные KPI, a много разных типов результатов (выручка, закрыт или нет проект, процент выполнения проекта, результаты опроса сотрудников и т.п.) из большого количества часто ручных источников, то используйте гугл-таблицы и усвловное форматирование.
Ну и конечно же ещё есть ответ «чтобы скачать данные в эксль», но про это даже не буду говорить =)
Бонусный вопрос
Спросите заказчика, что он будет делать, если завтра основная метрика на дашборде упадёт на 30%. Если он не знает ответ, то лучше вместо дашборда заняться процессами.
И помните: лучший дашборд — дашборд, который не пришлось делать!
или чек-лист, как как отказаться от разработки дашборда 😈
Я люблю дашборды, но, к сожалению, часто их делают зря. Собрал 5 вариантов, когда стоит попробовать другое решение. Итак, задаем себе и заказчику вопрос — для чего нам нужен дашборд? Если ответ из списка, то дашборд не делаем.
1. Следить за коротким проектом (2-4 недели)
Если проект короткий, то лучше используйте гугл-таблицы с ручным или автоматическим обновлением данных.
2. Повесить на стену смотреть всё ли в порядке
Или слышите вопрос «а ваш BI умеет real-time?». Вместо этого сделайте алерты и регулярную рассылку в мессенджеры.
3. Смотреть данные и менять настройки в другой системе
Если каждый раз при работе с дашбордом пользователь будет что-то менять в другой системе (например, CRM) или вы слышите вопрос «а ваша BI умеет writeback в базу?», то настройте нормально CRM или другой софт и встройте туда графики через embedings.
4. Показать на презентации совету директоров
Если это не регулярка, а разовое выступление, то просто сделайте презентацию.
5. Следить за целями подразделения
Если это OKR или цели компании/подраздления, где не только численные KPI, a много разных типов результатов (выручка, закрыт или нет проект, процент выполнения проекта, результаты опроса сотрудников и т.п.) из большого количества часто ручных источников, то используйте гугл-таблицы и усвловное форматирование.
Ну и конечно же ещё есть ответ «чтобы скачать данные в эксль», но про это даже не буду говорить =)
Бонусный вопрос
Спросите заказчика, что он будет делать, если завтра основная метрика на дашборде упадёт на 30%. Если он не знает ответ, то лучше вместо дашборда заняться процессами.
И помните: лучший дашборд — дашборд, который не пришлось делать!
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