Data Bar | О data-проектах
описание
Авторский канал о данных, аналитике, визуализации и датапроектах. Саша Варламов @agvarl, Tableau Zen Master, Avito, ex Playrix, ex InDrive
2 313
подписчиков
Охват к подписчикам
57,6%
ERR
Реакции к просмотрам
1,71%
477 на 21 постов
Пересылки к просмотрам
1,22%
341
Постов в день
0,0
всего 22
Где отзываются чаще
доля реакций к просмотрам- 8 февр.Токийское метро и предсказуемость систем. В 2016 году я был в Токио на стажировке по программе «Умные города». Программу проводила японская сторона, совместно с МИД Японии и МИД РФ. Нас было около 20 человек, и каждый день мы посещали предприятия, заводы, R&D-центры, инфраструктурные компании. Одним из визитов стал завод Kyosan Electric Manufacturing - там производят решения для железной дороги, в том числе и для знаменитого Синкансэна. А ещё там делают системы управления метро и те самые двери, которые отделяют поезд от платформы. Компании более 100 лет, и на из сайте есть таймлайн за все время. По заводу нас водил какой-то начальник. В одном из цехов, где собирают платформенные двери, нам рассказали интересные факты. В Токио метро частное: каждая линия принадлежит какой-то компании - оператору, и каждая их них сама формирует техническое задание на автоматизацию. Оказалось, что примерно половина заказчиков для систем управления выбирает реле, другая половина - контроллеры / компьютеры Мы, конечно, удивились. Ведь у всех был стереотип: Япония - топ технологии. Спросили "Почему реле?" Ответ был максимально японский: "Реле больше 100 лет. Их логика предсказуема, системы просты в поддержке. А компьютерам - всего около 40. Мы не всегда знаем, чего от них ожидать". И это очень сильная мысль. В критических системах, там, где на кону безопасность людей или данных, важнее всего предсказуемость и надёжность, а не новые технологии. По этой же причине сегодня AI пока не готов для критических задач. Не потому что "плохой", а потому что мы до конца не понимаем, как именно он принимает решения, и чего от него ждать в нестандартной ситуации. Пока в таких системах человек и понятная автоматизация незаменимы. Иногда прогресс - это не про "самое новое", а про "самое понятное". @data_bar 🍀3,69%
- 3 февр.Хроники пет-проекта. Как идея выросла в data-продукт. Привет всем, кто недавно присоединился - вас уже больше 2000 👋 Сегодня расскажу, как мы вчетвером (я, Никита, Рома и Снежана) за год превратили простую идею в полноценный data-продукт. Если вы делаете свои пет-проекты, возможно, этот путь будет полезен. У нас - опыт работы в больших и средних IT компаниям, и мы делали все так как принято в большом IT. Большую статью про проект писали на VC. Всё началось с простых вопросов 〰Сколько стоят IT навыки? 〰Сколько денег предлагают на конкретных ролях? Так появился маленький пет-проект. Со временем он вырос в полноценный data-pipeline с LLM, дашбордами, алертами и автоматическими дайджестами. В базе - несколько миллионов data-пойнтов. По некоторым источниками собрали историю с 2012 года. Про проект писали телеграм-каналы с общей аудиторией более 2млн человек. Мы делали всё по выходным, и сделали то, что еще никто не делал: 〰 объединили данные из разных источников и построили ежедневно обновляемый дашборд 〰создали телеграм-канал с автоматической аналитикой вакансий. 〰 подключили нейросети к базе данных и реализовали диалог с данными почти сразу после появления MCP. Коротко весь путь по шагам: 〰 Постановка проблемы. Про боль рынка, и зачем всё это. Первая версия дашборда. "Дайте вилку" или IT вакансии с зарплатами 〰 Сбор данных и автоматизация. Строим песочницу для экспериментов с данными. IT вакансии и автоматизация парсинга зарплат. 〰 Проект становится системой. От "скрипта на коленке" в продукт: пайплайн, хранилище, трансформации, дизайн. Агрегаторы IT вакансий и их сравнение Проект VILKY. Roadmap, API, dbt и MongoDB 〰 LLM + Telegram + автоматические дайджесты Как мы придумали дополнительные фичи Проект VILKY. LLM, телеграм канал и дайджесты Пет-проект VILKY. Архитектура, исследования, дизайн. 〰 Неожиданный эффект Telegram. Как проект подхватили крупные IT-паблики VILKY в IT пабликах и эффект Telegram 〰 Инсайты и наблюдения про рынок IT 14000 открытых IT вакансий на одном дашборде Hard и Soft навыки в IT профессиях. Алгоритмы NLP 〰 AI-репортинг как следующий слой AI отчёты на основе данных Нейрорепортинг Claude + MCP и технологические тренды в IT Локальное подключение нейросетей к БД 〰 Взгляд сверху Проекты, продукты и продуктовый подход в пет-проекте Что мы видим сейчас Мы собираем данные каждый день, и теперь доступны вещи, которых не было ещё год назад: 〰динамика вакансий по дням 〰сезонность найма 〰тримодальность зарплат (три кластера компаний с разными вилками) 〰распределение грейдов по IT-направлениям и многое другое Мы можем: 〰считать стоимость навыков 〰строить карты эволюции профессий 〰искать вакансии по любому описанию 〰общаться с данными через Claude или ChatGPT 〰находить скрытые паттерны в истории рынка Пространство для анализа огромное. А времени, как всегда, меньше. 〰И вопрос про будущее: Технически мы уже можем дать доступ к данным через ChatGPT. Например: 〰 загружать резюме и искать релевантные вакансии 〰 задавать вопросы реальному рынку 〰 получать ответы из структурированных данных В публичном виде такого пока никто не делал. Это полноценная связь LLM с данными. Интересно ли вам было бы общаться с рынком вакансий напрямую через ChatGPT? Ставьте "❤️" в реакциях. @data_bar 🍀3,11%
- 5 февр.Ипотечный график. Почему "ипотека под 5%" не означает переплату 5%. Ипотечный договор - один из самых важных документов в жизни, который вы подписываете. Поэтому важно максимально понимать, как именно вы отдаёте долг банку и сколько заплатите в итоге. Особенно, если пользуетесь льготной программой, где проценты могут измениться, например "ИТ - ипотека" в РФ. Я сделал калькулятор ипотеки буквально за полчаса, чтобы визуально (и себе в том числе) объяснить, как работает ипотека и сложный процент. ➕ Калькулятор В сети полно калькуляторов, но большинство - просто таблицы ежемесячных платежей. Мне хотелось интерактив: слайдеры, графики, возможность менять параметры и сразу видеть результат. Такой интерактив сразу дает быстрые визуальные инсайты. Рассматриваем только аннуитетные платежи - равные за каждый месяц. Дополнительные платежи (страхование и т.д..), инфляция и первоначальный взнос здесь не учитываются. Строим графики только по долгу и процентам банку. У ипотечного кредита есть: 〰Долг 〰Проценты И в первые месяцы доля процентов сильно больше доли основного долга. Отсюда ошибка: Некоторые думают, что при ипотеке под 5% переплатят всего 5%. Важно понять простую вещь: 〰 каждый месяц вы платите примерно 1/12 × ставка от текущего долга И это очень много на длинной дистанции. Банки про это не говорят. Пример: Если взять 10 млн рублей под 5% на 30 лет, переплата ×2 (20 млн) Если ставка станет 20%, переплата уже ×5 (50 млн) А ежемесячный платёж вырастет примерно с 53 000 до 167 000. Типичный сценарий, когда слетает льготная IT-ипотека. Главный вывод: Ипотека - не только "ставка". Это: 〰срок 〰риск изменения дохода 〰риск роста ставки 〰инфляция 〰стратегия досрочного погашения Поэтому планировать её нужно как финансовый проект. Стройте стратегию погашения, исходя из своих возможностей и рисков, а не из процентов в рекламе. @data_bar 🍀2,90%
- 10 февр.График ипотеки. Часть 2 Недавно я писал про график ипотеки, как долг и проценты распределяются во времени. На дашборде можно менять параметры и сразу видеть, как меняется форма графика. Дашборд немного допилил (пока без мобильной версии). Сегодня - продолжение с анимацией. Анимация показывает, как меняется форма графика при изменении ипотечной ставки. По сути, это визуальный инсайт о том: почему +1% - это не "чуть-чуть" Данные: ипотека 10 млн на 30 лет без учета инфляции Цветами обозначены: 🔵 остаток долга 🔴 проценты по ипотеке 🟢 общая сумма выплат (долг + проценты) Большие цифры на графике: 〰 ипотечная ставка 〰 во сколько раз итоговая выплата больше взятой суммы Подобной анимации в сети я не встречал. Особенно нравится, как на ней сразу видно: резкое усиление нелинейности процентов и "гонка" столбцов на барчарте при росте ставки, а ещё - как в космос улетает ежемесячный платёж. Если видео дало вам инсайт, ставьте реакции 🍀 В следующей части покажу, как всё это меняется с учётом инфляции. @data_bar 🍀2,76%
- 27 янв.Почему команды замедляются, даже когда людей становится больше. И чем сможет помочь AI. Есть популярная управленческая интуиция: если проект не успевает, нужно добавить людей. Логика простая: сказать "нас не хватает" психологически проще, чем признать архитектурные или организационные проблемы. Но на практике часто происходит обратное: людей становится больше, а скорость падает. Про это ещё в 1975 году писал руководитель разработки в IBM, Фредерик Брукс. И "Законом Брукса" стали называть идею о том, что новые силы в проекте на поздних стадиях только отодвигают срок его сдачи. На картинке показаны графы коммуникаций участников проекта. Если совсем просто: чем больше участников системы, тем больше усилий уходит не на работу, а на согласование работы. Сами графы коммуникаций - сильный визуальный инсайт. Математика тут довольно жесткая. В команде из n человек количество потенциальных коммуникационных связей равно n(n−1)/2. При росте команды с 5 до 10 человек людей становится вдвое больше, а связей - почти в пять раз. Это явление называют communication overhead - издержки на коммуникацию. На уровне ощущений увеличение команды проявляется быстро: 〰 появляется больше встреч 〰 растёт количество чатов 〰 решения принимаются дольше 〰 контекст всё чаще приходится пересказывать Работа не исчезает, но вокруг неё нарастает шум. Возникает ложное чувсво прогресса: движухи больше, а проект не двигается. Вы сами могли заметить, сколько времени тратится на синки, выравнивания и координацию в больших проектах. Важно, что Сommunication overhead - это не проблемы общения людей. Это структурная особенность любой сети. В компьютерных сетях ситуация точно такая же: чем больше узлов, тем выше доля служебного трафика. Полезная нагрузка растёт медленнее, чем координация. Организации устроены аналогично. Процент полезных или бизнес-данных падает с ростом числа коммуникаций, а оверхед на синхронизацию контекста растёт. А это - плюс время и деньги. Отсюда и эффект, описанный в законе Брукса: добавление людей в запаздывающий проект делает его ещё более запаздывающим. Новым участникам нужен контекст и/или обучение, а старые участники тратят время на его передачу и вкат новых людей. В моменте система становится тяжелее. Важно понимать, что Communication overhead - не ошибка управления и не признак плохой команды. Это цена за масштаб. Пока команда маленькая, координация бесплатна. После определённого размера она становится основным ограничением. Именно поэтому многие сильные организации сходятся в числе 5-7 человек на автономную команду. Это точка, где сеть ещё не начинает "говорить сама с собой" больше, чем работать. А вот теперь, самое интересное. Как можно сократить число узлов и коммуникаций в "человеческой сети"? В современных реалиях можно применять ИИ, и его уже применяют для этого. Но здесь важно не перепутать роли. Сам ИИ не уменьшает количество связей между людьми, а снижает трение в этих связях: сжимает контекст, делает саммари, помогает вспомнить решения. То есть уменьшает вес коммуникаций, но не отменяет их. Для снижения оверхеда в команде можно: 1. Уменьшить число узлов сети. Или передать часть рутинной работы ИИ, снизив число участников проекта. При этом кратно упадет число связей. 2. Снизить уровень коммуникации. Это про сжатие контекста с помощью ИИ и использование его возможностей в качестве контекстного буфера. Примеры по второму пункту: Самая большая боль в командах не общение, а потеря контекста: 〰 можешь напомнить, почему мы так решили? 〰 где обсуждали? 〰 это актуально или уже поменялось? ИИ может: 〰 читать чаты 〰 читать таски 〰 читать документы 〰делать саммари встреч 〰 помнить историю решений Поэтому, ИИ может выступать как контекстный буфер. А это - минус сотни сообщений и минус десятки встреч. Кроме этого, ИИ может асинхронно взаимодействовать со всеми участниками команды, это - огромная экономия времени на синхронизацию контекста. Сейчас уже есть агенты, частично покрывающие проблемы оверхеда. Я думаю, в будущем появятся корпоративные решения для полного контроля и синхронизации контекста #AI @data_bar 🍀2,27%
- 17 февр.Дашборды и газеты. Если вы читали англоязычные СМИ, то замечали разницу в оформлении заголовков. Сравните: 🇺🇸 American Style: "New Economic Policy Faces Strong Opposition" Пример: "The New York Times" 🇬🇧 British Style: "New economic policy faces strong opposition" Пример: "The Guardian" Всё дело в разных правилах оформления заголовков. 〰В США традиционно используют Title Case - с заглавной буквы пишутся все "важные" слова (существительные, глаголы, прилагательные). 〰В Великобритании чаще применяют sentence case. Все как в обычном предложении: с большой буквы только первое слово и имена собственные. Сама Википедия сообщает что использует только sentenсe case Как две культуры написания заголовков отразились на дашбордах? Большая тройка BI - американские компании (Tableau, Microsoft, Qlik). Поэтому, в большинстве публичных дашбордов этих компаний вы увидите Title Case в заголовках, названиях визуализаций, названиях метрик, фильтров и т.д.. Посмотрите публичный профиль Andy Kriebel, он из Штатов. Посмотрите как всё подписано в дашбордах, и как называются файлы дашбордов. В дашбордах европейцев можно встретить оба стиля, но из-за американских корпораций, Title Case преобладает. Я использую Title Case для англоязычных дашбордов и считаю это стандартом. Просто потому что учился преимущественно у американцев, и вообще ИМХО так выразительнее. Для русскоязычных, естественно, только sentenсe case. 〰 Пример моего даша. Такая небольшая деталь как оформление подписей дашборда, может много сказать о его разработчике. @data_bar 🍀2,22%
- 1 февр.Нефтегаз, дата-центры и социальные сети Все чаще звучит тема будущего дефицита энергии под вычислительные мощности. Глобальный AI , кроме софта, это физическая инфраструктура: дата-центры, электростанции, сети. В конце 2000-х я работал на консалтинговых и производственных проектах для крупных нефтегазовых операторов в Казахстане: ENI, British Gas, Chevron и др.. Спустя несколько лет, году в 2014м, один из выпускников, после корпоративного обучения в ENI, рассказал интересную вещь: компания построила под Миланом несколько многоэтажных дата-центров. А он проходил там практику. При встрече он предложил мне догадаться, чем занимаются в дата-центре. Я не угадал - ответ оказался неожиданным. Помимо геоаналитики, там активно шерстили и анализировали социальные сети. ENI управляет большим числом промышленных объектов по всей планете, а локальные инциденты не всегда сразу доходят до штаб-квартиры. А в соцсетях кто-то может сфоткать фото дыма или аварии буквально в первые минуты и выложить в соцсеть. Это только один пример. Другими словами, данные из публичного цифрового пространства приходили быстрее внутренних каналов. Стало интересно, что сейчас у ENI со строительством data-центров. Сегодня ENI развивает один из крупнейших в Европе вычислительных кластеров в Ломбардии, с собственными суперкомпьютерами и энергоэффективной архитектурой. В 2025 году компания также объявила партнёрство с Khazna (ОАЭ) по созданию AI-кампуса на сотни мегаватт. Питать планируют от новой газовой электростанции. На официальном сайте есть крутая инфографика про эволюцию суперкомпьютеров с 1948 года и дата-центры. А здесь - много фото дата-центра ENI. Чем там будут заниматься, можно только предполагать. Но связка LLM + семантический анализ соцсетей + гигантские вычислительные мощности - это уже не просто мониторинг. Это инструмент раннего обнаружения рисков, прогнозирования событий и построения модели мира в реальном времени. В догонку ноябрьская новость про инвестиции в новое направление для энергетических компаний - AI-инфраструктуру. 〰 Chevron выходит на рынок дата-центров и инвестирует в AI-инфраструктуру в Техасе 〰 Halliburton предлагает специализированные решения для ЦОД 〰 Liberty Energy партнёрится с Oklo (ядерные реакторы) с решениями для энергоёмких клиентов Что из этого следует 〰 AI требует гигантских объёмов дешёвой и стабильной энергии. 〰 Нефтегазовые компании уже обладают ключевыми компетенциями: генерация, инфраструктура, капиталоёмкие проекты. 〰 Дата-центры становятся новым промышленным активом, сопоставимым по значимости с НПЗ или газовыми хабами. В этом контексте выигрывать будут те регионы/компании, где есть: 〰 доступная энергия 〰 земля 〰 инженерные кадры 〰 политическая стабильность Поэтому Казахстан тоже выглядит перспективно. Можно вспомнить инициативу "Долина ЦОД". И на уровне правительства такие инициативы поддерживают. Это оч круто! @data_bar 🍀1,94%
- 13 февр.Ищем будущих коллег в команды аналитики Авито Моя роль в Авито - руководитель группы HR-аналитики. Скоро стартует Avito Analyst Bootcamp. Это 12 месяцев интенсивной прокачки на реальных задачах компании. Ребята с прошлых потоков уже работают у нас в команде. Есть два направления: 〰Продуктовая аналитика 〰BI разработка От Авито: зарплата, техника, наставники, обучение, реальные задачи в крутых командах. Можно работать удаленно или из офисов. По итогам буткемпа часть ребят получит оффер в компанию. Приглашаем студентов или недавних выпускников, готовых уделять 30 часов в неделю и расти в аналитике. Это реальный шанс работать в бигтехе, в моей команде, команде Маши, Димы и других ребят. 〰 Все детали и ссылка на подачу заявки здесь. Приходите, будет интересно 💚1,89%
- 31 янв.От запроса к вопросу. Google представил Conversational Analytics в BigQuery Вчера Google в блоге показал возможности решения Conversational Analytics в BigQuery. Теперь можно задавать вопросы к данным обычным языком, а система сама строит и выполняет SQL запрос и показывает результат с графиками и пояснениями в веб-интерфейсе. Используются агенты с последними моделями Gemini. Осенью такое решение было представлена для гуглового Looker. Но Looker - это BI-слой. А здесь - прямое взаимодействие с DWH, без BI посредника. Это ещё один шаг к демократизации данных. 〰 Гайды Conversational Analytics для BigQuery и Looker. Что это даёт бизнесу: 〰 Демократизация аналитики. Можно получать ответы без знания SQL и без очереди к аналитикам. 〰 Быстрее инсайты. Бизнес-пользователь напрямую взаимодействует с данными. 〰 Меньше ручного контекста. ИИ читает метаданные и описания таблиц, формируя контекст данных Давате разберём, почему это не революция: 〰 Ответы ИИ надо проверять. Гугл сам об этом предупреждает. 〰 Для метаданных и описаний таблиц надо проделать колоссальную работу: их нужно описывать, поддерживать и тестировать как агенты работают с метаданными. 〰 Запросы BigQuery стоят денег. В крупных компаниях на запросы уходят десятки тысяч долларов в месяц. Неоптимальные SQL-запросы от ИИ будут сжирать бюджеты. Бизнес-пользователей придётся ограничивать и обучать формулировке вопросов. 〰 Сложные бизнес-инсайты пока это не даст. Нужно много контекста и процессинга данных. Похоже, что в ближайшем будущем отдельным навыком станет умение формулировать правильные бизнес-вопросы к данным. 💚 А про то, как самому локально развернуть базу данных и подключить к ней Claude через MCP для Conversational Analytics, я писал в посте "AI отчеты на основе данных". 💚 На Хабре сделал полный гайд "Подключаем Claude по MCP к базе данных на домашнем компьютере". #conversational_analytics #genbi @data_bar 🍀1,68%
- 15 мар.Мировое производство энергии Сегодня около 80% всей первичной энергии в мире производится из ископаемого топлива — нефти, газа и угля. Ещё примерно 10% приходится на традиционное биотопливо: дрова, древесный уголь и другие виды топлива, которые люди сжигают уже веками. Оставшиеся 10% - это ядерная энергия, гидроэнергетика и современные возобновляемые источники (солнце и ветер). Несмотря на быстрый рост, их доля пока небольшая. Мировая энергетика по-прежнему держится на нефти, газе и угле. При этом спрос на энергию продолжает расти. Развитие искусственного интеллекта и дата-центров требует всё больше электроэнергии. В новой технологической гонке важным фактором становится доступ к дешёвой и стабильной энергии. На сайте ourworldindata есть шикарный датасет по мировой энергетике. Там данные по странам, типам источников энергии и метрикам производства и потребления. Данные находятся на GitHub. Описание всех показателей и разрезов - в кодбуке. Датасет показывает долгосрочные мировые тренды. На графике я показал мировое производство энергии в терраватт-часах с 1900 по 2024 год. За последние 125 лет производство энергии из ископаемого топлива выросло примерно в 35 раз. В начале XX века энергетика выглядела совсем иначе: 95% энергии производилось из угля. Сегодня структура ископаемой энергетики выглядит так: 〰Уголь - 42% 〰Нефть - 32% 〰Газ - 26% На графике видны ключевые этапы мировой истории: 〰Середина XX века - рост нефти. Вторая мировая война ускорила переход к нефтяной энергетике. Во время войны нефть стала стратегическим ресурсом. Открытие крупных месторождений на Ближнем Востоке дополнительно приводит к стремительному росту добычи. 〰1960–1970-е - автомобильная эпоха. Массовая автомобилизация резко увеличивает спрос на нефть, и она становится главным источником энергии. 〰Начало 1980-х - кризис на Ближнем Востоке. Политическая нестабильность и нефтяные шоки отражаются на динамике производства. 〰2009 год - мировой финансовый кризис. На графике виден небольшой спад энергопроизводства. 〰2020 год - пандемия COVID-19. Глобальная экономическая остановка также приводит к временному падению спроса на энергию. 🟢Рост природного газа Природный газ начал активно расти с 1970-х годов. Это стало возможным благодаря развитию технологий: сжиженного природного газа (LNG) трубопроводной инфраструктуры. Газ часто рассматривается как более чистое ископаемое топливо, поэтому его роль постепенно увеличивается. 🟢Возвращение угля Несмотря на рост газа и возобновляемой энергетики, уголь не исчез, а вырос. Многие думают, что доля угля сильно упала, но это не так. В 2000-е годы его производство снова резко выросло. Основной причиной стал быстрый экономический рост Китая, который активно развивал угольную энергетику для поддержки индустриализации. Позже к тренду добавилась Индия, где уголь также остаётся одним из ключевых источников энергии. История цивилизации - это история освоения всё больших потоков энергии. Каждая новая эпоха начиналась с нового источника энергии: 〰дрова - аграрные общества 〰уголь - индустриальная революция 〰нефть - автомобильная эпоха 〰газ - современная электроэнергетика Теперь начинается новая глава: энергия для цифровой цивилизации и искусственного интеллекта. Графики простые, но ёмкие. В них отражается наша история, энергетические переходы и глобальные события. @data_bar 💚1,68%
- 12 февр.График ипотеки. Часть 3. Инфляция В прошлый раз я показывал, как ипотечная ставка меняет форму графика выплат, и почему +1% ипотечной ставки - это не "чуть-чуть". Сегодня - анимация про инфляцию. На первый взгляд 6% в год звучит спокойно. Анимация показывает что инфляция - это экспонента. Поэтому она опасна на длинной дистанции. Данные на анимации: Берём 10 000 000 на 30 лет в ипотеку и смотрим, как меняется график выплат. Инфляцию меняем от 0% до 10% Все цифры пересчитываются с учетом инфляции (inflation-adjusted). Цвета: 🔵 остаток долга 🔴 проценты по ипотеке 🟢 общая сумма выплат (долг + проценты) Главный инсайт 6% - это не минус 6% каждый год. Через 30 лет это: 〰-83% покупательной способности 〰10 000 000 превращаются примерно в 1 700 000 И самое важное - эффект ускоряется со временем. Особенно нравится в анимации момент, как кривая инфляции "придавливает" график выплат. То есть, если берёте 10 млн в ипотеку под 5% сейчас (пусть годовая инфляция 6%), на дистанции 30 лет отдадите 9 млн (с учетом обесценивания долга и процентов), а средний ежемесячный платёж обесценивается с 53000 до 25000. Последний платеж будет эквивалентен 4800. За последние 25 лет годовая инфляция в России 9-10% по Росстату. Выводы делайте сами. Если видео дало вам инсайт, ставьте реакции 🍀 В следующей части попробую придумать как совместить цифры без учета и с учетом инфляции на визуализации. 〰 Дашборд @data_bar 🍀1,67%
- 29 янв.Про навыкоцентричность. Headhunter на днях выпустил отчёт "Будущее навыкоцентричности". PDF в комментариях. Если кратко - рынок труда уходит от должностей и дипломов к навыкам. Любой сотрудник - набор навыков. Компания ищет конкретный скиллсет или дообучает недостающим навыкам. Естественно, это сильно влияет на процессы найма, оценки и развития сотрудников. Интересно, что мы в проекте анализа зарплатных вилок в IT VILKY уже больше года работаем ровно в этом направлении: собираем все возможные навыки из вакансий, используем NPL и LLM для анализа описаний вакансий и нормализации данных. Про анализ навыков в нашем проекте мы писали много, например, пост. В канале VILKY каждый день появляются самые дорогие и популярные навыки по IT-направлениям - можно буквально видеть "ценник" на Terraform, Python или Data Engineering. Мы даже пытались считать стоимость любого скиллсета, сколько должен стоить специалист с определённым набором навыков. Собрали словари (до 10k навыков с их синонимами), научились дополнять вакансии скрытыми навыками и получать полный профиль позиции. В продакшн это не раскатывали - слишком тяжёлый проект получался, да и бизнес в РФ ещё не был готов. И вот сейчас об этом говорит HH со ссылками McKinsey, Microsoft, Coursera, Udemy и других. Ещё собрали мнения экспертов из разных отраслей. Мнения разные и интересные. Мне понравилось то, что вынес в заглавную картинку. HH в отчете сообщает, что "Навыкоцентричный подход выбирают 68% российских компаний". Не знаю, откуда взяли 68%, но цифра кажется завышенной. Оцените просто сами что у вас в компании с навыкоцентричностью. 〰 Мировой, а теперь и российский тренд понятен. Так что готовимся к новому слову "Навыкоцентричность". Отчёт HH будет тоже прочитать нелишним любому, кто строит карьеру. У HH еще есть гайд "Как внедрить навыкоцентричный подход в компании". 〰 За стоимостью IT навыков можно следить в нашем канале VILKY или на дашборде - это бесплатно. @data_bar 🍀1,42%