я так понимаю, Роман Васильев

👀 Про аналитическую насмотренность Больше года назад на одной из моих лекций в ШАРе молодой человек спросил, как развивать аналитическую насмотренность. Я пообещал написать об этом пост в канале - и вот, спустя год с лишним, наконец пишу. Впрочем, за это время тот молодой человек уже и без меня успел её прокачать 🙂 1. Что это такое Опыт чувствуется в любой области, и аналитика не исключение. Когда ты приходишь стажёром или джуном, почти каждая задача для тебя новая: непонятно, с чего начать, что проверить и где искать подвох. Опытный аналитик тоже не видит готового решения сразу. Но он быстрее понимает, на что похож кейс, где могут возникнуть проблемы и в какие стороны копать бесполезно. В фильмах опытный человек часто смотрит на задачу и сразу понимает, как решить её от и до. В жизни опыт скорее сужает пространство поиска: ты не знаешь точного ответа, но примерно понимаешь, куда идти. При этом опыт бывает глобальным и локальным. Глобальный опыт накапливается за всю карьеру: ты видел разные бизнесы, типы задач и подходы к их решению. Он помогает понять, на что похож новый кейс и какие способы решения вообще существуют. Локальный опыт появляется внутри конкретной компании или продукта. Ты уже знаешь, каким данным можно доверять, как устроены процессы и какие подходы здесь работают. Глобальный опыт шире и универсальнее, локальный - уже, но точнее. Вместе они дополняют друг друга и помогают быстрее разобраться в новой задаче. Вот это я и называю аналитической насмотренностью. Раньше я уже писал про близкую идею - умение замечать паттерны. 2. Сколько времени нужно Есть популярная идея: чтобы стать экспертом в любой области, нужно потратить на неё 10 000 часов. Если работать по 40 часов в неделю около 50 недель в году, это примерно пять лет. Но для насмотренности недостаточно 10 000 часов повторять одно и то же. Важнее разнообразие: разные проекты, продукты, домены и типы задач. Чем больше разных кейсов ты видел, тем выше вероятность, что следующая задача окажется на что-то похожа. Кстати, раньше, аж в 2023 году, я уже писал, почему правило 10 000 часов не работает само по себе. 3. Как ускорить развитие насмотренности Если работаешь в большой компании - выходи за пределы своего домена. Ходи на встречи и хуралы других команд, вникай в их исследования, бери смежные проекты и общайся с коллегами о том, какие задачи и проблемы возникают у них. Если большой компании рядом нет - например, ты студент или только учишься - собирай кейсы самостоятельно. Из того, что я бы советовал: GoPractice - про продуктовую аналитику, метрики и юнит-экономику, Yandex for Analytics и блог AvitoTech - про реальные задачи внутри компанийб архив Data Fest и ODS - чтобы смотреть на разные области DS и ML. Из конференций - Data Driven, Матемаркетинг и ProductSense. Необязательно ходить на всё очно: можно смотреть старые доклады и специально выбирать темы вне своего домена. Чтобы просмотр не превращался в фоновый шум, после каждого кейса попробуй выписать: какую задачу решали, какие данные использовали, почему выбрали конкретный подход и что получилось в итоге. Ещё одно клёвое упражнение Саша предложил в нашем выпуске подкаста «Доверительный интервал»: брать разные бизнесы и разгонять вместе с ChatGPT, как в них может быть устроена аналитика. Например, можно взять кофейню, такси или онлайн-кинотеатр и вместе с ChatGPT поразгонять, как устроен этот бизнес: на чём он зарабатывает, какие у него основные расходы, за какими метриками нужно следить и какие направления аналитики там могут быть. Но самый быстрый способ всё тот же - найти стажировку и попасть в среду, где реальные аналитические задачи обсуждаются и решаются каждый день. 4. Что в итоге С насмотренностью ты реже начинаешь задачу с чистого листа. Где-то уже видел похожий кейс, помнишь, что там сработало, а где всё сломалось, и можешь хотя бы не наступать на те же грабли. Поэтому насмотренность растёт не столько от количества лет в профессии, сколько от количества областей и направлений, в которых ты успел разобраться и сделать что-то хорошее 🙂

🏆 Преподавание ML студентам очно в Москве Знаю, что этот канал читают многие мои выпускники с различных курсов по ML / анализу данных. Это предложение в первую очередь для вас. Ну и для всех интересующихся тоже! Я последние несколько лет руковожу курсами и веду лекции в ЦУ (Центральном университете). В осеннем семестре значимо увеличивается количество студентов на курсах по ML в бакалавриате и магистратуре ЦУ, поэтому ищем талантливых семинаристов! Важное: • Пары проходят очно на Маяковской / Тверской в Москве • В бакалавриате пары проходят с 10:00 до 19:00 в будни, в магистратуре - с 18:00 в будни и по субботам • Ждём, что у вас есть опыт преподавания • Также ждём, что вы владеете классическим ML (в идеале - работаете с ним) • Будем проводить собеседования, чтобы отобрать лучших из лучших Если давно хотели проявить себя в преподавании - приходите в личку, это ваш шанс! @RAVasiliev

📺 Аузан про образование в эпоху ИИ Посмотрел классный монолог Александра Аузана, декана экономфака МГУ, про образование, человеческий потенциал и ИИ. Одна из главных мыслей: последние несколько сотен лет образование во многом было заточено на то, что ИИ теперь делает всё лучше: запоминать, пересказывать, считать, искать стандартные решения. Если раньше хорошее образование часто проверялось через цепочку выучил - воспроизвёл - получил оценку, то сейчас такой формат становится всё более странным. Нейросеть воспроизводит материал быстрее, ровнее и без нытья перед дедлайном. Аузан предлагает смотреть в другую сторону: для эффективного использования искусственного интеллекта рядом нужен сильный естественный интеллект. Важнее становятся навыки, где человек сейчас сильнее: • интуиция: принимать решения при недостатке информации; • эмпатия: понимать чувства / эмоции людей; • воображение: придумывать то, чего ещё нет; • системная память: связывать куски опыта в логичные структуры; • критическое мышление к ИИ Последний пункт особенно зацепил. У зумеров, как говорит Аузан, часто хорошо развито критическое мышление по отношению к старшим, но не к нейросетям. И это навык, которому явно нужно будет учить в ближайшие годы. Мой вывод простой: образование в эпоху ИИ должно меньше учить конкурировать с нейросетями. И больше учить задавать хорошие вопросы, видеть странности в ответах, собирать контекст и придумывать следующий шаг. В общем, всем интересуеющимся - очень советую 🙂 На ютубе тут

Сходил в гости в Доверительный интервал 🙂 Получилось 49 минут разговоров про аналитику с довольно жизненными вопросами: как работать с бизнесом, что делать с серыми A/B-тестами, насколько LLM правда может заменить аналитика, как менять специализацию и чем middle отличается от senior. Ну и да, отдельный кайф - вопросы собирали в том числе здесь. Так что технически часть выпуска сделали вы 🙂 Посмотреть/послушать можно по ссылкам в посте выше. Единственное, что я понял, когда пересматривал подкаст: как-то уж больно быстро проскочили вопрос «чем хороший аналитик отличается от плохого». Он на отдельный пост в этом канале тянет! Тыкайте 👍, если интересно будет почитать)

🐚 Ответили на вопросы подписчиков Недавно мы собрали вопросы от аналитиков, чтобы ответить на самые интересные из них в подкасте «Доверительный интервал». Для нового выпуска мы выбрали 10 самых интересных, которые ведущие Саша, Ксюша и Дима обсудили вместе с гостем выпуска. Да, теперь у нас будут гости, и первым из них стал Рома Васильев — руководитель аналитики международного Поиска. 📺 Смотрите в выпуске: 🔵 Что учить, если есть всего один час в день 🔵 Как без опыта в А/В вкатиться в команду, которая проводит A/B-тесты 🔵 Чем хороший аналитик отличается от плохого ⏭️ Ответы на эти и другие вопросы уже на ютубе, в VK Видео и Яндекс Музыке. Подписывайтесь: 💬 @Yandex4Analytics

Доверительный интервал: собираем вопросы Меня позвали в подкаст про аналитику, который делают ребята из Яндекса. В прошлых выпусках ребята говорили про срочные задачи, цели и культурный код аналитика. А в следующем выпуске мы будем разбирать самые животрепещащие вопросы от слушаетелей! У вас есть возможность поучаствовать и оставить свои вопросы для подкаста. Что можно спросить: • куда расти в аналитике в 2026 • сложные рабочие ситуации, где всё пошло не по плану • как жить между бизнесом, продуктом и здравым смыслом • любые неловкие вопросы, которые обычно не задают вслух Оставляйте свои вопросы тут Самые интересные разберём в выпуске. Форма анонимная, так что можно спросить всё, о чём пожелаете 🙂

Въезжаем в ИИ в 2026. Часть 2. Как работают LLM'ки - разбираемся на пальцах (2/2) Что можно почитать/посмотреть, чтобы понять тему лучше: 1. Краткое объяснение больших языковых моделей от 3blue1brown (есть дубляж на русском): ссылка 2. Подрбный плейлист по теме от 3blue1brown (есть дубляж на русском): ссылка 3. Статья Игоря Котенкова "Как работает ChatGPT: объясняем на простом русском эволюцию языковых моделей с T9 до чуда": ссылка --- Как обычно, ставьте ❤️, если ждёте продолжение!

Въезжаем в ИИ в 2026. Часть 2. Как работают LLM'ки - разбираемся на пальцах (1/2) Если сильно упростить, современные LLM - это модели, которые очень хорошо умеют предсказывать следующее слово по предыдущему тексту. Самая близкая бытовая аналогия - старый-добрый T9 на телефонах. В нулевых он тоже пытался угадать, что вы хотите напечатать дальше. Принцип был ровно тот же: есть контекст - есть вероятность следующего слова. Просто модели тогда были маленькие, контекст короткий, словари ограниченные. Этого хватало, чтобы дописать SMS, но не чтобы вести осмысленный диалог. С LLM произошло то же самое, но в экстремальном масштабе. Модель получает текст, считает вероятности следующего слова, выбирает одно из них, добавляет к тексту, и повторяет этот шаг снова и снова. Так, слово за словом, и рождается ответ. Даже длинный текст или код - это просто сотни таких итераций подряд. Ключевая разница здесь - масштаб. Мощность таких моделей во многом определяется числом параметров - настраиваемых коэффициентов, которые модель подбирает во время обучения. У GPT-3 в 2020 году их было около 175 миллиардов; у более новых моделей точные цифры не раскрываются, но они явно крупнее. По порядку величины это сопоставимо с числом нейронов в человеческом мозге (80–90 млрд), пусть и не один в один. Но важен не только сам размер: критично и то, насколько мы умеем эти параметры обучать (железо и масштаб вычислений), и какие архитектуры позволяют делать это эффективно. Именно в этом и был основной рывок последних лет. Почему всё это вообще стало возможным? Во-первых, данные. Современные модели обучаются на колоссальных объёмах текстов: интернет, книги, код, документация, диалоги - по сути, почти всё, что человечество успело написать в цифровом виде. Если очень грубо, это объём текста, который человек физически не смог бы прочитать за несколько тысяч лет непрерывного чтения Во-вторых, железо. Идеи нейросетей были понятны ещё в 90-х, но обучать их было банально не на чем. Перелом случился, когда GPU начали массово использоваться не только для графики, но и для вычислений: сначала CUDA (примерно 2006–2007 годы), затем специализированные GPU под машинное обучение. Именно параллельные вычисления сделали возможным обучение моделей с сотнями миллиардов параметров. И в-третьих, архитектура. В 2017 году появились трансформеры. Они позволили моделям перестать читать текст строго последовательно и начать обрабатывать весь контекст сразу через attention. Это резко повысило эффективность обучения и позволило масштабировать модели дальше. И в-четвёртых, человеческий фидбэк (Reinforcement Learning with Human Feedback) Большие модели сначала учатся просто продолжать текст, не имея представления о том, что считать хорошим ответом, а что - плохим. Поэтому поверх базового обучения их напрямую дообучают на человеческих оценках. Люди смотрят на ответы модели и размечают их с точки зрения полезности, после чего она начинает оптимизироваться не только под правдоподобие текста, но и под ожидания человека. Дальше случился самый интересный эффект. Когда модели стали достаточно большими, у них начали появляться способности, которые никто специально не закладывал: перевод, программирование, рассуждения. В итоге сегодня есть целые лаборатории, которые пытаются разобраться, как именно эта система к этому пришла, и почему рост масштаба приводит к таким эффектам. Параллельно обсуждаются и риски - в первую очередь связанные с тем, что поведение больших моделей становится всё сложнее предсказывать. Таким образом, LLM - это не интеллект в человеческом смысле. Это самый мощный автокомплит, который мы смогли построить. И, как оказалось, даже этого уже достаточно, чтобы заметно изменить то, как мы работаем, пишем и ищем информацию 🙂

Въезжаем в ИИ в 2026. Часть 1. Терминология (2/2) Внутренние и вспомогательные термины Промпт - Текстовая инструкция для модели. В сложных задачах формулировка запроса часто важнее выбора конкретной модели. RAG (Retrieval-Augmented Generation) - Подход, при котором модель отвечает, опираясь на внешние данные. Запрос обогащается найденными документами, и ответ строится на их основе, а не только на параметрах модели. Мультимодальность - Работа с текстом, изображениями, звуком и видео в рамках одной модели. Copilot - Формат использования LLM как встроенного помощника внутри инструментов и приложений. Например, кодовый ассистент, который на лету ищет баги, исправляет их и пишет код. Вайбкодинг - Написание кода с помощью LLM через текстовые инструкции. Позволяет получать рабочий код без знания языка программирования. Но иногда шалит при написании сложных проектов 🙂 Контекстное окно - Объём информации, который модель учитывает в одном запросе или диалоге. Показывает, на сколько токенов назад модель «помнит», о чём шла речь. Галлюцинации - Ситуации, когда модель уверенно выдаёт неверную информацию, начинает путать факты, языки или контекст. Часто выглядит правдоподобно, из-за чего особенно опасно. Ризонинг (Reasoning) - Способность модели рассуждать пошагово и выстраивать логические цепочки. Дипфейк - Генерация изображений и видео с участием реальных людей с помощью нейросетей. Предмет споров и дискуссий в последние годы. --- Естественно, мы покрыли далеко не всю терминологию вокруг темы, но этих понятий уже достаточно, чтобы 90% статей и обсуждений про ИИ стали заметно понятнее! В следующем посте подробнее разберём базовые принципы, на которых всё это работает. Ставьте ❤️, если ждёте продолжение!

Въезжаем в ИИ в 2026. Часть 1. Терминология (1/2) Наконец-то дошли руки завершить первый полноценный пост из серии! В качестве вводной хочется зафиксировать базовую терминологию, которой будем пользоваться дальше. Без этого любые разговоры про ИИ очень быстро превращаются в спор людей, которые говорят о разном, но одинаковыми словами Общие термины AGI (Artificial General Intelligence) - гипотетический общий интеллект уровня человека, способный решать любые задачи лучше человека. Когда-то считалось, что если компьютер обыграет человека в шахматы, то это уже своего рода AGI 🙂 ИИ (искусственный интеллект) - Область компьютерных наук. Состоит из классического ML (предсказательные модели, статистика, оптимизация) и Deep Learning (нейросети). ИИ - надмножество, а не синоним нейросетей или LLM. Machine Learning (ML) - Методы, которые учатся на данных и делают предсказания. Большая часть ML не имеет отношения к генерации и существовала задолго до нейросетевого бума. Deep Learning (DL) - Подраздел ML, основанный на многослойных нейросетях. Идеи нейросетей активно изучались ещё в 60–80-х (в том числе в СССР), но реальный прорыв случился после ~2012 года из-за роста вычислительных ресурсов, GPU и больших датасетов. Трансформеры - Архитектура нейросетей, позволившая обрабатывать весь контекст целиком, а не последовательно. Представлена в 2017 году. Именно масштабируемость трансформеров напрямую привела к появлению LLM. Механизм внимания (Attention) - Механизм внутри трансформеров, позволяющий модели самой определять, какие части данных важнее. Ключевой эффект - возможность обучения на сырых, неструктурированных данных. Представлен в 2017 в статье "Attention is all you need” как основа трансформеров. Языковые модели Токен - Базовая единица, с которой работает языковая модель. Фактически это кусок текста (часть слова, символ или несколько символов). Модель оперирует последовательностями токенов, именно на них часто появляются лимиты LLM (Large Language Models) - Класс моделей внутри DL, оптимизированных под предсказание следующего токена. Генерация текста, кода и рассуждений происходит как последовательное предсказание токен за токеном GPT (Generative Pre-trained Transformer) - Семейство LLM на архитектуре трансформеров. Обучается генерировать текст, предсказывая следующий токен на основе предыдущих. За счёт такого подхода одна и та же модель может писать текст, код и вести диалог BERT (Bidirectional Encoder Representations from Transformers) - семейство языковых моделей на трансформерах, обученных понимать текст, а не генерировать его. Хорошо подходит для классических NLP-задач: поиска, классификации, извлечения сущностей. В проде его часто дообучают под конкретные задачи Продукты и их сравнения ChatGPT / DeepSeek / Gemini / Grok / Perplexity Семейства языковых моделей. Внутри каждого — большое количество версий. Все построены на трансформерах, но отличаются конкретной архитектурой, объёмом и составом обучающих данных, способом дообучения и продуктовой обёрткой. Про то, где именно они реально отличаются и почему, поговорим отдельным постом Alice AI / GigaChat Российские LLM-продукты, оптимизированные под собственные экосистемы (Яндекс / Сбер) и локальный рынок, в первую очередь - под язык Агенты - Надстройка над LLM, при которой модель не просто отвечает на запрос, а планирует действия, вызывает инструменты, проверяет результат и может работать в несколько шагов. Используются для автоматизации и сложных сценариев n8n - Один из самых популярных инструментов оркестрации. Используется для сборки автоматизаций, пайплайнов и агентных цепочек вокруг LLM без написания большого количества кода Бенчмарки - Наборы тестов для сравнения языковых моделей между собой. Измеряют отдельные навыки (код, рассуждения, знания). Фан-факт: один из популярных бенчмарков называется Last Human Exam.

🤖 2025 - год LLM’ок в жизни и работе Для меня самое большое открытие этого года - большие языковые модели (LLM). Процентов 80–90 запросов, которые раньше уходили в поиск, статьи и десятки вкладок, теперь сразу улетают в ChatGPT / Gemini. Просто потому что таким образом можно кратно быстрее решать задачи: переносить свой образ мышления «на бумагу» и получать результат с существенно меньшими затратами времени и усилий. Этим постом хочу начать цикл про LLM (в том числе GPT) для жизни и работы. Цикл скорее для тех, кто уже сталкивался с этой темой, но не погружался в детали, не до конца понимает, как модели работают внутри, и хочет разобраться, как их можно использовать уже сейчас. Если давно хотелось расставить точки над i, сейчас - самое время. Что точно войдёт в цикл статей: 1. История LLM, терминология и откуда вообще всё это выросло 2. Какая революция сейчас происходит и с чем её вообще корректно сравнивать 3. Как LLM работают изнутри, на простых аналогиях и примерах (без глубокой математики под капотом, на уровне понимания идей) 4. Как применять их в повседневной жизни и какие задачи туда можно уносить уже сейчас 5. Как применять LLM в работе и бизнесе 6. Куда всё это реально может прийти дальше Начать хочу с цитаты из книги 2011 года, за 6 лет до статьи Attention Is All You Need, которая положила старт всему этому делу. Мне кажется, она на уровне ощущений очень точно передаёт, как работают LLM. Для контекста: суры в этом произведении - человекоподобные роботы, которые служат для хозяйства и прочих дел. — Знаете, когда-то люди изобрели опыт под названием «Китайская Комната». Слышали? — Нет, — сказал я. — В запертой комнате сидит человек, не знающий китайского языка. В окошко ему дают записки с вопросами на китайском. Для него это просто бумажки с нарисованными закорючками, смысла которых он не понимает. Но у него в комнате полно разных книг с правилами, в которых подробно описано, как и в какой последовательности отвечать одними закорючками на другие. И он, действуя по этим правилам, выдает в другое окошко ответы на китайском, которые создают у всех стоящих снаружи полную уверенность в том, что он знает китайский язык. Хотя сам он совершенно не понимает, о чем ему задают вопросы и в чем смысл его ответов. Представили? — Ну, представил. — Сура — это такая же китайская комната, только автоматизированная. Вместо человека со справочниками в ней сканер, который считывает иероглифы, и огромная база референций и правил, позволяющих подбирать иероглифы для ответа. — Много же там будет правил, — пробормотал я. — Немало, — согласился консультант. — Она переводит каждую вашу фразу на несколько символических языков, разделяя ее на множество слоев и уровней. Затем каждый слой соотносится со своей базой опыта. После этого происходит обратный синтез инвариантов, и мы получаем комплексную реакцию, имеющую смысловой, стилистический и эмоциональный аспекты, которые взаимно дополняют друг друга, создавая ощущение уникального, живого и адресованного лично вам ответа. Это, конечно, симуляция. Но точно так же дети имитируют своих родителей и сверстников — часто до самой старости. Общаясь с сурой, вы имеете дело с прошлым человечества. S.N.U.F.F., Виктор Пелевин Почему эта цитата так точно попадает в то, что мы сегодня называем LLM: - модель не понимает смысл в человеческом смысле слова, но отлично имитирует понимание - внутри — не знания, а огромная статистика прошлого опыта человечества (точнее, текстов, на которых она училась) - ощущение «живого диалога» — побочный эффект хорошо собранной симуляции. И, если честно, люди в этом месте не так уж сильно отличаются Дальше в цикле разберём базу: от истории и устройства LLM до практических сценариев использования в жизни, работе и бизнесе, и того, куда всё это может прийти дальше. Если LLM уже стали для вас полноценным инструментом для работы или жизни - ставьте 🔥 А если интересно продолжение и хочется разобраться глубже - ставьте ❤️

Как совмещать работу в Яндексе и преподавание?  Узнали у Романа Васильева, руководителя аналитики международного Поиска в Яндексе и руководителя и лектора курсов по ML в Центральном университете.  Жестко 🙂  А если серьезно — жесткий тайм-менеджмент, расстановка приоритетов. И увлеченность тем, что делаю.    Роман начал преподавать еще в 2019 году. Для него работа со студентами — возможность вкладывать частичку себя в других людей.  Поначалу может быть страшно и непросто, но в итоге это невероятно круто и вдохновляюще.  А мы всегда поможем начать: подберем удобный график, от 5 часов в неделю, чтобы совмещать лекции или семинары с основной работой, подготовим методички, презентации, комфортные аудитории и поддержим смелые идеи.  Знакомьтесь с нашими героями в цикле видео и приходите преподавать: https://cntrluniv.ru/cu_heroes

💙 Data Driven 2025. Яндекс Поиск в Межнаре: как мы масштабируем аналитику на международные рынки У меня тут накопилось несколько выступлений / подкастов, в которых я принимал участие за последние месяцы. Прихожу к вам рассказать про них! Внутри этого доклада рассказал о том, что делает наш отдел аналитики международного Поиска, какие вызовы у нас возникают и как мы с ними справляемся. Для кого может быть полезно: 1. Руководителям аналитики, которые развивают команды в условиях неопределённости 2. Аналитикам данных, которые хотят подсмотреть хорошие практики и позаимствовать проверенные идеи 🙂 Youtube: тут Vk video: тут Накидывайте ❤️ если вам интересен подобный контент 🙂

⏱️ Валюта XXI века — внимание 1. Предпосылки Сегодня компании борются не столько за деньги напрямую, сколько за внимание. Чем дольше вы находитесь в приложении, тем больше ценности вы создаёте для его владельцев. Пока вы скроллите ленту, вам показывают рекламу, а алгоритмы подстраиваются под ваши интересы, чтобы удержать вас ещё дольше. Так внимание превращается во время, а время - в привычку. 2. Онлайн В рекламном бизнесе это давно просчитано: за каждый клик и даже просто просмотр бренды платят реальные деньги. Есть теория пяти касаний - человек должен несколько раз столкнуться с брендом, прежде чем начнёт его узнавать и со временем что-то купит. Поэтому платформам выгодно, чтобы вы оставались как можно дольше: чем больше экранного времени, тем выше шанс, что эти касания произойдут. Два часа в день в TikTok, Reels или Shorts - это не просто “отдохнуть и отвлечься”. Это инвестиция вашего внимания. Только выгоду от этой инвестиции получаете не вы. 3. Оффлайн Кажется, что без экранов внимание отдыхает. На самом деле просто меняется форма: офлайн тоже устроен так, чтобы мы замечали. Вывески, музыка в кафе, запах кофе у витрины - всё это часть одной системы. Она не давит, но мягко подталкивает: задержись, зайди, купи. Самый понятный пример - аэропорт. Чтобы попасть в зону вылета, вы проходите через Duty Free. Так повышают шанс, что вы сделаете покупку или хотя бы запомните бренды, с которыми столкнулись. Внимание измеряется не только временем, но и шагами, запахами, звуками. Просто офлайн делает это чуть изящнее. 4. Что с этим всем делать Не обязательно отказываться от технологий. Достаточно начать замечать, куда уходит ваше внимание. Если на что-то уходит несколько часов в неделю - это уже инвестиция. Вопрос только, кому и во что. Иногда это время уходит не на людей или задачи, а на мелочи: бесконечный поиск нужного приложения, прокрутка до нужного чата, проверка «на секундочку», которая превращается в получасовой скролл. Я для себя вывел несколько простых правил, которые действительно работают: - Отключить уведомления. Не только звуки, но и цифры на иконках - они создают ложное ощущение срочности. - Замьютить чаты и аккуратно разложить их по папкам. Чтобы читать тогда, когда нужно - Систематизировать главный экран смартфона. 95% кликов приходят на первый экран + в приложения в доке - One Sec (см скриншоты выше, не реклама!). Моё любимое открытие. Перед запуском соцсети - короткая пауза. За эти двадацать секунд мозг успевает спросить себя: «мне это сейчас действительно нужно?» - и часто ответ «нет». - Проверять статистику времени. Когда видишь, что Instagram, YouTube и Telegram съели двадцать часов за неделю - становится проще навести порядок. Эти простые вещи помогли мне вернуть фокус. 5. Финал Очень важно осознавать, куда течёт ваше время, потому что время и внимание - самое ценное. Особенно пока вы молоды, полны сил, когда мозг способен работать на пределе, а тело быстро восстанавливается. Каждый день к вам приходит поток этой валюты. И только от вас зависит, куда вы его направите. Можно потратить два часа на ленту, а можно - на интересную книгу / встречу с другом / спорт. Внимание - это ваша валюта. И если не управлять ею самому, найдутся те, кто с радостью сделает это за вас. Ставьте ❤️ если согласны :)

Мы с командой в этом году делаем Yandex Cup, финал которого будет в Стамбуле!) Приходите участвовать, будет круто 🙂 yandex.ru/cup

✳️ Аналитика на Yandex Cup: пишем код, мыслим нестандартно Всем участникам привет от Ромы Васильева. Он руководит аналитикой международного Поиска и вместе с рабочей командой готовит задачи — для финала в Стамбуле. Теория вероятностей, статистика, код — регистрируйтесь до 29 октября и примените все свои скилы на максимум: yandex.ru/cup