BigQuery Insights

​​Ми в MacPaw шукаємо продуктового аналітика з досвідом у web-аналітиці та бажанням працювати над маркетинговими задачами. MacPaw - продуктова ІТ компанія, розробляє macOS/iOS-додатки, продукти якої встановлені на кожному 5-му макбуці світу. 40+ аналітиків, багато різноманітних сервісних команд, які допомагають продуктовим аналітикам робити їх роботу краще. Можливість працювати віддалено. Вакансія за посиланням: 👉 Middle Product Analyst.

​​Anthropic автоматизували 95% аналітичних запитів всередині компанії через Claude з точністю роботи ~95%. Тисячі SQL-запитів з дашбордів як контекст для агента дали менше 1% приросту точності, на відміну від Skills. Skill — задокументований workflow досвідченого аналітика: які питання уточнити, де шукати джерела, як виконати і перевірити. Проблема не в доступі до даних — в структурі й однозначності. Skills вирішили це: без skills: 21% accuracy, а з skills уже 95%+. Деталі тут: https://bit.ly/43kFIaL via @WebAnalyst

📊 Data Engineering — один із найшвидше зростаючих напрямів у роботі з даними. Попит росте швидше, ніж кількість спеціалістів, які реально мають необхідний скілсет. Розберіться з Big Data, ETL/ELT, Spark, Airflow, Docker та AWS та опануйте трендову професію, — на курсі «Data Engineering» від robot_dreams. За 20 занять ви: – розберетеся зі скілсетом Data Engineer і ключовими інструментами – навчитеся працювати з великими обсягами даних і будувати підходи до їх обробки – зможете проєктувати повноцінні Big Data системи – попрацюєте з Hadoop, Apache Spark, Airflow та іншими технологіями – зрозумієте, як створювати рішення, які масштабуються У результаті — зможете переходити від окремих задач до побудови систем роботи з даними. Вас навчатиме Ілля Хороших — Data Engineer із досвідом у Lyft, EPAM, Luxoft. Працює з системами, які обробляють терабайти даних і масштабуються на мільйони користувачів. Старт: 13 липня Деталі, програма та реєстрація ⬅️

​​Ймовірність смерті протягом року починає перевищувати 1% у чоловіків приблизно з 44 років, а у жінок - з 60. Рівень 2% досягається у чоловіків з 55 років, у жінок - з 68. У похилому віці різниця поступово зменшується, і приблизно у 94 роки показники стають майже однаковими - близько 25%. Це я рахував на основі відкритих даних статево-вікового розподілу населення України за 1989–2022 роки. Більш детально про це - у моїй статті про моделювання демографії України (писав її ще раніше, але вона досі актуальна). @BigQuery

​​Досліджую тему використання Claude Code/Codex для data analysis і поки головний висновок такий: AI дуже серйозно трансформує не тільки роботу інженерів, але й аналітиків. Наткнувся на оглядовий розбір архітектури, де всередині Claude Code зібрали AI data analyst, який без Python, SQL і взагалі без коду проходить повний цикл аналізу: формулює питання, досліджує дані, валідовує висновки, генерує графіки і збирає презентацію. Що там особливо цікаво: — вся система — це 15 agents і 12 skills — все зберігається у markdown-файлах — agents роблять роботу — skills задають стандарти якості — вся логіка керується одним CLAUDE.md — кожен feedback покращує всю систему. Але відкритими лишаються дуже практичні речі: — хто валідовує результати — хто будує реальний product/business context — хто пріоритизує, що взагалі варто аналізувати — хто не дає організації потонути в десятках AI-висновків, які звучать переконливо, але нікуди не ведуть :) Нажаль, стаття крім самої ідеї цінності особливо не несе, але якщо вам цікаво — то посилання буде в коментарях :) Якщо хтось бачив в open-source схожі архітектури або детальні покрокові мануали як зібрати таку систему — діліться в коментарях! via @WebAnalyst

​​Claude AI - моє головне відкриття цього року. Написав статтю про те, як за допомогою Claude можна значно спростити реалізацію складних технічних рішень - на прикладі моделювання кривої оплат підписки (resubscription). Якщо коротко, Claude не просто генерує код - він: - розуміє складні наукові статті, - допомагає перекласти їх у робочу модель, - і робить це буквально за секунди. У моєму кейсі - функція, яку я намагався реалізувати різними способами, була згенерована і запрацювала майже одразу. В статті показав: - як я перейшов від простого curve fitting до probabilistic model, - як реалізував це в Google Sheets, - і додав сам код з інстукцією для використання. @BigQuery

🔥 Вважаєте себе гуру BigQuery? Вийшла крута стаття про неочевидні фічі GoogleSQL, які часто ховаються десь у чейнджлогах, але суттєво спрощують написання запитів: 🔹 GROUP BY ALL — базовий розігрів, більше ніяких GROUP BY 1, 2, 3. Усе підтягується автоматично. 🔹 UNION ALL BY NAME — порядок колонок більше не має значення, об'єднання йде суворо за їхніми назвами. 🔹 Ланцюжкові виклики функцій — тепер код можна читати зліва направо: (name).TRIM().REPLACE(' ', '_').UPPER() замість незручних вкладених дужок. 🔹 MAX_BY або ANY_VALUE(... HAVING MAX ...) — ідеальна й лаконічна заміна громіздким віконним функціям з ROW_NUMBER(). 🔹 Вирази WITH у SELECT — дозволяють створювати проміжні змінні прямо всередині SELECT, щоб не роздувати код непотрібними CTE. 🔗 Детальніше та з прикладами коду: https://blog.querylab.io/so-you-think-youre-a-bigquery-power-user-11e1e2334896

​​🚀 Google BigQuery запускає Global Queries! Тепер можна виконувати SQL-запити до наборів даних, що зберігаються в різних регіонах (наприклад, США та ЄС), в одному запиті — без складних ETL-процесів і ручного переміщення даних, як це було раніше. @BigQuery

🚀 Тижневий радар: ШІ в BigQuery та нові правила Privacy Привіт, дата-гіки! ☕️ Цей тиждень приніс важливі оновлення як у Google-стеку, так і в глобальному ландшафті аналітики. Зібрали головне з посиланнями. 🌐 Загальні тренди індустрії • Privacy Sandbox та Cookies: Chrome продовжує оновлювати підходи до приватності. Поки індустрія адаптується до стратегії "User Choice" замість повного відключення, важливо слідкувати за офіційним таймлайном. 🔗 Джерело: The Privacy Sandbox Timeline • Server-Side Tracking стає стандартом: Кількість впроваджень sGTM зростає. Це вже необхідність для обходу блокувальників та покращення швидкості сайтів. 🔗 Джерело: Google Server-side Tagging Docs • Альтернативи (Matomo & Piwik PRO): Платформи оновили свої модулі для роботи з Google Consent Mode v2, щоб відповідати вимогам Digital Markets Act (DMA). 🔗 Matomo: Matomo & Google Consent Mode v2 FAQ 🔗 Piwik PRO: Piwik PRO Consent Manager Updates 🤖 Google Екосистема: AI та BigQuery • BigQuery Data Engineering Agent: Новий ШІ-помічник на базі Gemini, який допомагає будувати пайплайни даних "під ключ", доступний у прев'ю. 🔗 Деталі: Exploring the Data Engineering Agent in BigQuery • GA4 ➡️ BigQuery (Recurring Jobs): Оновлений Data Transfer Service дозволяє налаштувати регулярний імпорт даних без написання скриптів. 🔗 Документація: BigQuery Data Transfer Service enhancements • Якість даних у GA4: Система тепер чіткіше підсвічує проблеми з даними (Data Quality Icon) безпосередньо у звітах. 🔗 Довідка: GA4 Data Quality Identification 💡 Інсайт тижня • Key Events (Ключові події): Цей термін остаточно замінив "Конверсії" в інтерфейсі GA4 для звітів. Конверсії тепер — це виключно для Google Ads. 🔗 Пояснення: GA4 Key Events vs. Conversions #WebAnalytics #PrivacySandbox #GA4 #BigQuery #ServerSide #DataNews

​​Третій армійський корпус проводить збір і дає можливість виграти квартиру. Збір перевірений, усі кошти йдуть Третьому армійському корпусу. Доначу сам і вас запрошую. Щоб взяти участь, задонать від 300 грн на збір «Герої районів» за цим посиланням Більша сума - більше шансів виграти ▫️ 300 грн — 1 шанс; ▫️ 900 грн — 3 шанси; ▫️ 3000 грн — 10 шансів. 📌 Якщо донатиш не з картки ПриватБанку, обов’язково вкажи номер телефону чи інший контакт у коментарі до донату @BigQuery

​​Шукаємо аналітиків в MacPaw: - Product Analyst (Web + App), - Product Analyst (iOS), - Middle Data Engineer. MacPaw - продуктова ІТ компанія, розробляє macOS/iOS-додатки, продукти якої встановлені на кожному 5-му макбуці світу. Є можливість працювати віддалено. @BigQuery

​​Інтеграція Earth Engine і BigQuery відкриває новий підхід до аналізу просторових даних. Google зробив Earth Engine у BigQuery загальнодоступним (General Availability). Додали нову можливість у BigQuery Studio — візуалізацію геопросторових даних (географічні запити) безпосередньо на карті. Головна ідея: аналітики, які вже працюють із табличними даними в BigQuery, тепер можуть поєднувати їх із растровими шарами (наприклад, кліматичні, топографічні, змінювання земель) без складного ETL‑процесу чи окремої обробки в Earth Engine. @BigQuery

🐍 Якщо Excel вже не тягне, а рутина поглинає години, які можна було б присвятити стратегічним завданням → час прокачати аналіз даних та знайти нові інструменти. Навчіться ухвалювати рішення на основі повної, чистої та оновлюваної аналітики без залучення технічної команди — на курсі «Python для аналітиків» від robot_dreams. Протягом 16 занять ви: → опануєте Python та ключові бібліотеки для роботи з даними: NumPy, Pandas, Matplotlib, Seaborn і Plotly → навчитеся створювати зрозумілі та інтерактивні візуалізації → збиратимете дані з API та вебу, працюватимете із зовнішніми джерелами → опануєте базову статистику, перевірку гіпотез і побудову прогнозів у scikit-learn та statsmodels → автоматизуєте збір, обробку та аналіз даних — без залучення розробників 📊 Наприкінці курсу напишете власну прогнозну модель та оформите аналітичний звіт, які додасте в портфоліо Лекторка — Анна Шепелєва, Senior Data Analyst у Brainstack з 10+ роками досвіду в аналітиці даних. Старт: 7 жовтня Деталі, програма та реєстрація ⬅️

​​Цікава стаття про найм аналітиків Автор стверджує, що вже у 2025‑му компанії повинні переглянути підхід до найму Data Analysts, якщо їхня основна робота — це написання SQL‑запитів і візуалізація даних. Якщо аналітики лише транслюють запити бізнесу в дані та звіти, але інфраструктура чи дані погано організовані, додаткові ресурси (найм) не дуже допоможуть. Рекомендації автора: - Інвестувати в Data Engineering: налаштувати чисті, організовані системи із грамотним потоком даних та зберіганням, щоб дані були доступні й готові до аналізу, - Використовувати AI‑інструменти там, де це доречно, щоб зменшити рутинну роботу аналітиків: автогенерація SQL, автоматичні звіти, шаблони тощо. Але це працюватиме лише з правильно налаштованими даними й інфраструктурою, - Змінити роль Data Analyst таким чином, щоб більше часу йшло на бізнес‑аналіз, інсайти, взаємодію з іншими відділами, а не просто на генерацію звітів, - Підтримувати співвідношення Data Analyst : Data Engineer ≈ 1:1 або принаймні таке, яке забезпечує можливість синергування. @BigQuery

​​Google відкриває реєстрацію на програму "Розвивайте кар’єру із Google Cloud" Новий потік програми стартує 29 вересня 2025 року та націлений на Junior та Middle розробників, IT-інженерів, студентів IT-спеціальностей і точних наук та всіх, кому цікаві хмарні технології. Учасники програми отримають: ✔️ 60 днів безкоштовного доступу до платформи Google Cloud Skills Boost. ✔️ Доступ до воркшопів від експертів Google Сloud та лідерів української ІТ - індустрії. ✔️ Брендовані нагороди від Google за здобуті бейджі навичок. ✔️ Безкоштовні ваучери на сертифікаційний іспит Google Cloud (навіть, якщо ви отримували його раніше). 🔗 Реєстрація на програму за посиланням!

​​Приклад оптимізації аналітичних рішень від Meta Детерміністична вибірка — потужний інструмент для масштабованої аналітики: дозволяє обробляти менше даних заради часу та ресурсів, але зберігати релевантність аналітичних висновків. Важливо мати чіткий дизайн вибірки, щоб забезпечити консистентність. Завжди слід оцінювати, чи підходить вибірка для задачі: більшість дашбордів і аналітики може працювати із вибіркою, але для фінальних рішень чи офіційних експериментів — потрібні повні дані. @BigQuery

​​Знайшов дві цікаві статі про LLM трафік: - Як відслідковувати трафік з AI чат-ботів в Google Analytics 4 для сегментації (оскільки він може дещо спотворювати дані про поведінку користувачів). - Дослідження глобального трафіку AI чат-ботів у 2025 році: порівняння часток ринку, регіональні відмінності та метрики залучення користувачів (трафік з LLM часто є значно ціннішим за традиційний органічний трафік через вищу залученість відвідувачів). Якщо ви зустрічали хороший матеріал по цій темі — діліться ним в коментарях! via @WebAnalyst

​​Google випустила Trends API (Alpha) — новий спосіб отримати доступ до даних Google Trends програмно, а не вручну. Це перший випадок, коли інформація про пошукову поведінку користувачів офіційно доступна через API. 📊 API відкриває 5-річне вікно даних і дає змогу: — робити порівняння між десятками запитів — масштабувати часові діапазони інкрементально — отримувати статистику по днях, тижнях, місяцях, роках і регіонах — будувати більш складні запити, ніж дозволяє веб-інтерфейс Це дуже потужний інструмент для аналітиків, журналістів, дослідників і всіх, хто раніше страждав від обмежень UI або скрейпінгу. 🧪 API поки в Alpha, але можна подати заявку на участь: https://bit.ly/3UM2gwv via @WebAnalyst

​​Google презентував нову можливість у BigQuery — Automated Data Insights Feature for BigQuery with Gemini Integration Вона дозволяє: • Генерувати запитання природною мовою та відповідні SQL-запити на основі метаданих таблиці, • Допомагати аналітикам швидше виявляти закономірності, перевіряти якість даних та аналізувати статистику, • Автоматично створювати описи таблиць і стовпців, що покращує документацію й спрощує пошук даних. @BigQuery

​​Як за допомогою BigQueryML можна виявити фактори, які впливають на результати. Contribution Analysis оцінює вплив окремих категоріальних змінних на зміну метрики. Автор наводить приклад аналізу змін у коефіцієнті конверсії між двома кварталами. @BigQuery