Как я качаю софт-скиллы - и почему без них SQL бесполезен

У аналитиков часто сильные хард-скиллы, но продвигаться помогают именно софт-скиллы - умение объяснять, договариваться, управлять, а не то как ты кодишь/считаешь. Ты можешь разработать сколько угодно крутой дашборд, но при этом не суметь его “продать” коллегам и они не будут им пользоваться. 

Коммуникация и управление - мои слабые места, но поняла это относительно недавно:

1. У меня много травм, мешающих коммуницировать. Например: жду, пока соседи уйдут, и только потом выхожу к лифту. Не потому что я интроверт, а потому что срабатывают детские паттерны.

2. Сложно делегировать. Люди делают не так или не делают вовсе, и я снова беру всё на себя. 

3. Хочу не просто “уметь говорить” - а реально договариваться, управлять и уметь решать сложные ситуации с людьми. С инструментами, а не на интуиции.

Что я делаю, чтобы прокачать коммуникацию и управленческие навыки?

1. Работаю с психологом. Что-то уже пофиксили, что-то ещё в процессе.

2. Изучаю теорию. Поняла, что без нее сложно - расплываешься, не понимая, как все устроено и не хватает инструментов. 

Первый курс, с которого я начала - полностью бесплатный курс Основы управления и коммуникации от школы менеджмента Стратоплан. Мозг поначалу сопротивлялся - так бывает, когда тема действительно проблемная. 

Оставлю несколько идей из курса, которые помогут тебе эффективнее коммуницировать:

1. Прежде чем предлагать решение, убедись, что все видят проблему одинаково. Раньше я сразу предлагала решение, пропуская этот этап. А ведь именно с него начинается "продажа" идеи. Мы с аналитиками сделали дашборды для менеджеров по просьбе руководителя - это должно было упростить работу. Но менеджеры не стали их использовать: “Зачем? У нас и так всё работает”. Посмотрев курс, поняла: тогда мы начали с решения, а они еще не видели проблемы. 

2. Учитывай не только приоритеты и сроки, но и психологическое состояние. Человек может быть перегружен, тревожен, выгоревший - и в таком состоянии он не услышит ни твоих аргументов, ни задач. Помогают в этом психолог, курсы и дневник, где я отслеживаю мысли и чувства: они научили меня не обесценивать своё и чужое состояние, а замечать сигналы - до того, как всё взорвётся.

3. Без энергии - никакие софт-скиллы не работают. Ты можешь знать все техники коммуникации, но вместо конструктивного диалога - вспылишь, потому что перегружен. У большинства уровень энергии - 30-35%, а для старта чего-то нового нужно хотя бы 45% (модель “батарейка”). В курсе есть схема, как восстанавливать энергию - оказалось, я уже делаю почти все. Плюс сдаю анализы на витамины и пью их регулярно при дефицитах - энергии стало больше, чем когда-либо.

4. Проясняй ожидания - до того, как начнёшь делать. Это критически важно: в ожидания другого человека "просто так" не попадёшь. Первые задачи по аналитике я не уточняла - было страшно, что подумают, будто я "туплю". В итоге приходилось переделывать: начальник имел в виду одно, а я делала совсем другое. Сейчас понимаю: уточнять - это не глупо, это профессионально. 

5. Используй свои сильные стороны. Удовлетворение от работы растёт, когда вы используете хотя бы 4 свои сильные стороны. По тестам из курса одна из моих - любознательность: я живу в режиме исследователя. Поэтому меня буквально тошнит от задач, где нет места вопросам, поиску и новизне.

6. Манипуляции - это минус. Манипуляция - это скрытое воздействие на твои эмоции, чтобы добиться нужных целей. В продажах это, например, фраза “осталось последнее место”. Часто мы используем манипуляции неосознанно. Но в работе и отношениях манипуляции подрывают доверие. Лучше работает конструктив (примеры и инструменты есть в курсе по этому поводу). 

Речь в поинтах шла про этот бесплатный курс.

Для меня изучение теории и работа с психологом - только начало. Они задали правильные вопросы, расширили картину и дали инструменты, с которыми в коммуникации проще: меньше хаоса, больше ясности. Дальше планирую изучать тему глубже.

Если у вас есть личный опыт по развитию софт-скиллов - будет интересно послушать.

Последний месяц я системно разбираю разные курсы по аналитике данных - по просьбам подписчиков моего канала Аналитика и Growth-mindset (18K подписчиков).

Уже сделала разбор курса Eduson, на очереди - Яндекс Практикум, Skillbox, Нетология. В этот раз - курс по аналитике данных от Анатолия Карпова.

Всё началось с того, что мой знакомый Паша - менеджер из МТС - решил перейти в аналитику и попросил меня взглянуть на курс от Eduson. Как бывшего аналитика данных и предпринимателя в настоящем, который в том числе нанимал аналитиков в команду. Я поделилась мнением с Пашей и опубликовала разбор в Telegram-канале.

Пост собрал 337 реакций с просьбой продолжить. Так начался этот цикл обзоров.

Мои условия проверки курсов:

1. Погружаюсь в курс - демо, программу и часть платных материалов. Целиком курс не прохожу, но стараюсь посмотреть ключевые моменты, важные для работы аналитиком данных. 

2. У меня нет цели “топить” основателей курса и уж точно “продвигать” кого-то. Разбираю по сути - плюсы и минусы, которые заметила. Все, что пишу - мое субъективное мнение.

Про Анатолия Карпова я знаю уже давно по бесплатным курсам по статистике на Stepik. Несмотря на то, что практических примеров в них не хватало - бесплатные курсы помогли мне в целом разобраться в статистике.

Поэтому платный курс по аналитике данных было особенно интересно разобрать - посмотреть, какие плюсы и минусы есть и насколько хорошо он обучает.

Что может не понравится в курсе:

1. Учебный ритм фиксированный: уроки и задания открываются 3 раза в неделю, на выполнение дают 2 недели. Это может быть минусом для тех, кто хочет полностью свободный график.

2. Нет гарантии трудоустройства. Есть поддержка карьерных консультантов, но результат зависит от самого ученика.

3. Иногда платформа немного лагала например, виртуальный помощник по курсу ответил мне не с первого раза или видео звучало с глюками.

Что выглядит сильным:

1. Мне зашла подача теории - построена на примерах и реальном опыте преподавателей. Например, лекция по визуализации от BI-евангелиста Яндекса содержит 7 примеров за 15 минут. Если серьезно, примеры - один из самых сильных способов обучения: мозгу легче запомнить наглядное.

2. В курсе 490+ практических задач. После каждого урока с лекциями увидела в среднем 10 практических задач и вопросов на подумать: посчитай метрики, разберись с поведением пользователей, выбери дашборд под задачу и т.д. Формируется не только навык, но и голова начинает думать как у аналитика.

3. 10+ кейсов в портфолио - по сути, реальные задачи, и в целом охватывают все ключевые навыки, поэтому на собеседовании пробелов быть не должно. Например: анализ A/B-теста в дейтинг-приложении, оптимизация маркетинговых каналов в доставке еды, разбор, где теряются клиенты и тд.

4. Погружение в реальную работу. У меня в доступе оказался проект модуля по визуализации. Там нужно не просто “собрать дашборд”, а пройти весь путь: собрать требования, провести интервью, поработать с данными, визуализировать и презентовать результат.

   • В таком виде это дает полное погружение в работу аналитика данных. И как раз закрывает тот самый частый вопрос: “Прохожу курс Х, но всё ещё не понимаю, чем вообще занимается аналитик и как выглядит работа на практике.”

   • У новичков часто проблема не с тем, как посчитать, а с коммуникацией. В курсе задания не оторваны от реальности - нужно общаться, принимать решения, думать, что важно для бизнеса. Прокачиваются не только hard, но и soft-скиллы.

5. Есть база вопросов с собеседований и тестовых заданий. Правда сама я ее не видела, про нее рассказал ИИ на сайте (”это набор реальных кейсов и задач, которые дают на собеседованиях в IT-компаниях”). Крутая тема, чтобы повысить шансы пройти собес.

   У курса есть минусы - в первую очередь формат и темп. Но в целом он даёт реалистичное представление о работе аналитика. Интересно, совпадает ли это с мнением тех, кто проходил курс? Речь шла об этом курсе: karpov.courses/analytics.

   Ну и если ждете разбор других курсов - пишите в комментариях, чтобы я понимала, что тема интересная. 

Если много стараетесь, но результата нет — вот что помогает мне: вместо того чтобы делать всё подряд, я ищу одну главную причину, что тормозит, и фокусируюсь только на ней. Это даёт максимальный эффект.

Вот 2 типичных случая, когда не получается сдвинуться с места:

1. Неясно, за что хвататься — и ничего не работает.

Пример — новички в аналитике, которые ищут работу, часто не понимают, на чём сфокусироваться. Мысли скачут: “Может, выучить ещё один инструмент? А вдруг дело в опыте?”. Паника только усиливает расфокус. Но стоит спокойно разобрать воронку — и оказывается, всё сыпется уже на этапе резюме. Откликов нет, потому что резюме общее и сырое. Когда текст становится чётким и показывает ценность для работодателя — начинаются отклики.

2. Фокус на том, что привычно, а не на том, что важно.

Пример — у многих начинающих предпринимателей с бэкграундом в разработке или аналитике не получается делать продажи. Причина банальна: на сайте нет трафика. Но вместо того чтобы заняться маркетингом и привлечь хотя бы первых 1000 человек, разработчики продолжают улучшать продукт, а аналитики — совершенствовать сбор данных. Продукт еще никто не видит, а данные не на что применять, поэтому пока не решишь вопрос с трафиком — всё остальное делать бессмысленно.

Прогресс начинается тогда, когда находишь и убираешь главное препятствие, а не делаешь всё подряд или то, что привычно.

Эту идею описал Элияху Голдратт в книге "Цель". Главный герой, Алекс, должен за 90 дней спасти завод, и наставник учит его искать главное ограничение — и устранять именно его. Хотя книга о производстве, принципы легко применимы в любой сфере.

Суть: в любой системе есть одно узкое место, которое сдерживает результат. Оно может быть внутренним (процессы, команда) или внешним (рынок, ресурсы). Пока это ограничение не убрано — остальные усилия почти бесполезны.

Недавно увидела, что результаты по проекту не те, которые планировала (а недавно я еще и увеличила планку), поэтому решила применить теорию на практике. Что сделала:

1. Выделила время на глубокий анализ данных из систем аналитики. Данные подсказывали: проблема — в продукте или его позиционировании. Но не всё можно понять только по цифрам.

2. Поэтому я подробно описала ситуацию ChatGPT — что происходит, мои сомнения и приложила данные. Попросила найти ограничение через призму Теории ограничений.

3. Сначала ChatGPT предложил несколько вариантов. После пары итераций с уточняющими вопросами я нашла главное ограничение.

4. Сейчас фокусируюсь на устранении этого ограничения. Когда решу — перейду к следующему ограничению (это, кстати, один из принципов Теории ограничений).

В чём отличие от обычной расстановки приоритетов?

Приоритеты часто ставят на ощущениях. Теория ограничений даёт чёткий фокус — куда бить, чтобы был максимальный эффект.

Конечно, идеализировать не стоит — у любой теории есть рамки. Теорию ограничений лучше применять, когда:
— Ресурсы ограничены — а так почти всегда: время, деньги, внимание.
— Нужен быстрый результат
— Система (бизнес, команда, проект) не даёт результатов, хотя вроде “всё делается”

Любая теория — не панацея, но помогает по-новому увидеть свою ситуацию.

8 инструментов аналитики, которые я реально использую каждый день как предприниматель

От автора телеграм канала Аналитика и Growth mindset. 

Я начинала как аналитик, сейчас — предприниматель. Но подход не изменился: принимаю решения только на основе данных, а не интуиции.

Вот основные инструменты, которые я использую практически каждый день:

1. Julius AI — ИИ-ассистент для анализа данных

Для аналитики данных, маркетинговой, финансовой аналитики, data science и научных исследований.

• Поддерживает разные форматы данных, в том числе PostgreSQL

• Использует разные языковые модели в работе

• В отличие от ChatGPT Data Analysis, даёт более точные ответы

Использую: для быстрой повседневной аналитики и визуализации.

Бесплатно, ограниченный доступ.

2. Google Analytics — классика веб-аналитики

Базовый, но мощный инструмент. 

Использую для анализа откуда приходит трафик, кто моя аудитория, как люди двигаются по воронке.

Бесплатно.

3. Ahrefs Web Analytics — альтернатива Google Analytics

Быстрая и простая веб-аналитика по сайту, особенно в live-режиме. Но возможностей меньше, чем в Google Analytics.

Использую для повседневного быстрого отслеживания, сверяю данные с GA.

Бесплатно.

4. Mida — эксперименты за 10 минут

Для запуска простых экспериментов без кода.

• Подключается быстро с помощью пикселя

• Интегрируется с GA, Amplitude, Mixpanel и др.

• Не тормозит сайт

• Есть сертификат ISO 27001 — подтверждает, что компания серьёзно относится к защите данных

Тестирую тексты, кнопки и структуру лендингов.

Бесплатно, ограниченный доступ.

5. Similarweb — анализ конкурентов

Анализирую трафик конкурентов на сайте: откуда трафик, какие каналы дают результаты, географию, демографию и др.

Бесплатно, ограниченный доступ. В платной версии — углублённый анализ трафика и исследования рынка. Подумываю купить.

6. Semrush — SEO и анализ конкурентов

В некоторых моментах пересекается с Similarweb.

Использую в основном для SEO-анализа. Хочу попробовать инструмент для анализа соцсетей конкурентов.

Бесплатно, ограниченный доступ.

7. PostgreSQL — база для всего

Надёжная, масштабируемая база данных.

Использую как основную БД: собираю и храню данные по проектам. Рекомендована для Django, который я использую в разработке.

Бесплатно.

8. Channel Analyzer — мой продукт для анализа Telegram-каналов

У меня несколько телеграм-каналов, вот 2 из них: канал для аналитиков данных и всех, кто интересуется аналитикой данных и канал по развитию телеграм каналов. 

Так как в начале я сталкивалась с различными проблемами в развитии телеграм-каналов, я решила создать инструмент, который поможет владельцам телеграм каналов "растить" их канал.

Channel Analyzer анализирует любой Telegram-канал и даёт полезные инсайты:

• как улучшить монетизацию

• где провисает контент

• как продвигать быстрее и эффективнее

Как я снова отравилась из-за океана — и при чём тут аналитика данных

1. Температура, тошнота, диарея — это происходит со мной каждый раз после серфинга в дождливый сезон, когда в море сливается всё, что угодно — от мусора до банальных 💩.

2. В северной части Тихого океана, на полпути между Гавайями и Калифорнией, вращается 100 000 тонн пластикового мусора. Добро пожаловать в Большое мусорное пятно — область, втрое больше Франции. Оно выглядит так же катастрофично, как и звучит: сверху напоминает гигантский пластиковый суп.

И это лишь 2 примера, подтверждающие: мусор в океане — это глобальный кризис, а не локальная история. Скоро мы вообще не зайдём в океан?

➡ Ежегодно в океаны, реки и озёра попадает 19–23 млн тонн пластика — как если бы каждую минуту в воду сбрасывали 2 000 мусоровозов.

➡ На поверхности океанов плавает около 170 трлн пластиковых частиц, а на дне может быть в 10 000 раз больше.

➡ Ежегодно из-за мусора в океане погибают 100 миллионов морских животных. Страдают и морские растения, которые участвуют в производстве 70% кислорода.

➡ В исследовании микропластик нашли в 99% морепродуктов. Это вызывает тревогу из-за возможного влияния на пищеварительную, эндокринную и другие системы организма.

Все ссылки на исследования опубликовала тут.

Чем помогает аналитика в этой проблеме?

В мире есть некоммерческие и частные организации, борющиеся с загрязнением. Например, The Ocean Cleanup очищает океаны от пластика с помощью инновационных технологий.

1. Определяют источники загрязнения, чтобы “поймать проблему на старте”

💡 80% пластика попадает в океан через ~1000 рек.

Чтобы найти эти «артерии загрязнения», анализируют спутниковые данные, гидрологические карты, поведение мусора в воде, данные о населении и инфраструктуре. Это позволяет не просто «ловить мусор в океане», а перехватывать его у истока — в реках.

2. Предсказывают, куда поплывёт мусор, чтобы точнее планировать очистку

— Камеры на мостах фиксируют мусор в реках
— GPS-буи и радары отслеживают его путь в океане
— ИИ-модели показывают, где и когда он соберётся в “мусорные вихри”

Это помогает запускать очистку точно там и тогда, где она даст максимальный эффект.

3. Визуализация, которая не оставляет равнодушным

Цифры — это важно, но именно визуализация заставляет почувствовать масштаб. Данные превращают в наглядные дашборды, которые:
— Показывают, где океан «захлёбывается» от пластика
— Делают проблему видимой и понятной
— Помогают влиять на решения политиков и доноров

Дашборды по загрязнению пластиком можно посмотреть тут.

4. Прогнозы на будущее и машинное обучение

Чтобы не просто тушить пожары, а предотвращать их, аналитики обучают модели, которые помогают заглянуть вперёд:
— Что будет с океаном, если мы продолжим жить «как обычно»?
— А что изменится, если сократим пластик хотя бы на 20%?
— Где появятся новые точки бедствия через 5 лет?

Такие организации нанимают аналитиков данных и стажёров — есть вакансии по визуализации, машинному обучению, компьютерному зрению, анализу временных рядов (ссылки на вакансии опубликовала тут).

Или можно стать гражданским учёным и внести свой вклад, документируя пластиковое загрязнение с помощью специальных приложений (Ocean Cleanup Survey App или Debris Tracker).

Где используется машинное обучение? Примеры использования машинного обучения - на картинке ниже.

Тут писала про бесплатные курсы, которые мне понравились и я рекомендую.

Как Duolingo добилась успеха на рынке и причем тут аналитика

Duolingo — одно из самых популярных приложений для изучения языков (№1 по скачиванию в магазинах приложений). Вместо скучных уроков оно напоминает игру: прогресс, уровни, награды, упражнения мини-игры и др.

По данным компании, около 34 млн. человек используют Duolingo каждый день.

Но что стоит за этим успехом?

Один из ключевых принципов компании — "Тестируй всё". Постоянные эксперименты помогают Duolingo улучшать процесс обучения и находить новые решения для роста.

В любой момент в Duolingo могут проводиться несколько сотен A/B тестов одновременно. Экспериментируют со всем: от мелких изменений интерфейса до запуска крупных функций, как Лидерборды. Для A/B тестирования компания разработала собственный сервис.

➡ Как выглядят эксперименты в Duolingo: статья.

➡ Пример A/B тестирования: формирование привычки учиться регулярно: статья.

➡ Какие аналитические инструменты использует компания для анализа данных: статья.

О других принципах успеха Duolingo и работе в этой компании писала тут.

Как Spotify добилась успеха на рынке и как аналитика помогает развитию?

Spotify — №1 среди музыкальных стриминговых сервисов по количеству ежемесячных активных пользователей (MAU). По данным компании, более 515 млн человек используют Spotify ежемесячно, а 210 млн — это подписчики на платные версии сервиса.

Пользователи могут слушать любимую музыку и подкасты по подписке или бесплатно с рекламой.

Что стоит за этим успехом?

Эксперименты. В Spotify регулярно проводят эксперименты с интерфейсом, рекомендациями и новыми функциями, чтобы улучшать сервис.
Все статьи про эксперименты

Дашборды. В 2023 году в Spotify создали более 4900 дашбордов в Tableau и Google’s Looker Studio. Чтобы было легче контролировать качество, был разработан Dashboard Quality Framework — чек-лист, который включает пункты, связанные с визуальным дизайном, удобством использования, инсайтами и доверием.
Статья и чек-лист дизайна дашборда

Дата платформа. В Spotify считают, что с ростом объема и сложности данных роль мощной платформы становится критичной для получения ценных инсайтов и стимулирования инноваций.
О платформе данных в Spotify - Часть 1
О платформе данных в Spotify - Часть 2

Машинное обучение. Spotify активно использует машинное обучение для улучшения пользовательского опыта и создания персонализированных музыкальных рекомендаций.
Все статьи Spotify про машинное обучение

Тут писала про 15 бесплатных подкастов по аналитике и не только на английском.

Roadmap, который я себе чертила, когда изучала Python для аналитики данных.

Простая схема использования Python для начинающего аналитика данных тут.

5 бесплатных сервисов для практики SQL и Python тут.

Бесплатные курсы по аналитике данных от Google: для начинающих и продвинутых

Google Data Analytics Professional Certificate for Beginners.

Этот курс обучает основам аналитики данных, включая очистку, анализ и визуализацию данных, с использованием инструментов, таких как таблицы, SQL и R.

Google Advanced Data Analytics Professional Certificate for Advanced Level.

Более продвинутый курс, который охватывает Python, статистику и машинное обучение для анализа и интерпретации данных.

Google Business Intelligence Professional Certificate for Advanced Level.

Этот курс посвящен бизнес-аналитике, моделированию данных, процессам ETL, дашбордам и отчетности.

Важно! Чтобы учиться бесплатно, вам нужно зайти в подкурсы и нажать "прослушать курс". На главной странице курса бесплатной опции нет. Подробнее, как это сделать - Инструкция тут.

13 горящих стажировок аналитиком данных

Продолжаю тему стажировок в помощь начинающим аналитикам данных.

Стажировка, на мой взгляд, отличный способ войти в аналитику данных, независимо от возраста. Поэтому используйте шанс и отправляйте резюме.

Подготовила для вас список актуальных возможностей от ведущих компаний, включая Тинькофф, Yandex, Samokat, Nestle, MTS, и другие.

• Стажировка Аналитиком в Т-Банке (Тинькофф), подача заявок до 16 сентября включительно

• Стажёр продуктовый аналитик в Samokat Tech

• Стажер-аналитик (маркетинг / монетизация, gamedev) (удаленная работа) в Matryoshka Game

Посты на Habr ограничены по количеству символов, поэтому полный список горящих стажировок ищите в моем телеграм-канале по аналитике данных.

268 эталонных метрик маркетинга и продаж

Сегодня хочу поделиться классным исследованием компании JetMetrics и ее основателя Дмитрия Некрасова, которые выделили 268 универсальных метрик маркетинга и продаж.

К этому посту приложен полный список, который предельно четко разделен на 7 основных разделов, поэтому ориентироваться в таком изобилии будет легко.

Однако JetMetrics пошли еще дальше и создали фреймворк под названием “карта метрик”, который позволяет сначала выделить стратегически важные для бизнеса показатели, проследить между ними взаимосвязи и только после этого создать финальный дашборд.

Как следствие, аналитик не тратит время напрасно, а дашборд становится actionable (=полезным для руководства). В идеале с первой попытки.

У карты метрик уже более 14 000 последователей на рынке США, среди которых ни много ни мало Bayer, New Balance, Heineken и Stripe. А вот в России она пока известна мало.

Файл с метриками можно забрать тут.

100 лучших стартапов в области аналитики, финансируемых Y Combinator

Y Combinator, один из самых известных и престижных стартап-акселераторов, обновил список стартапов в области аналитики.

Помимо известных компаний, таких как Amplitude и Mixpanel, в список вошли и новые стартапы.

Стартапы в области аналитики, профинансированные в 2024 году:

Zeit AI — трансформирует файлы Excel в базу данных, к которой можно делать запрос на естественном языке.

PandasAI — усиливает библиотеку Pandas с помощью ИИ. Позволяет легко выполнять сложные задачи анализа данных без глубоких знаний в программировании и машинном обучении.

Pretzel AI — замена Jupyter Notebook с открытым исходным кодом и встроенным ИИ.

DaLMatian — автономный аналитик данных с использованием ИИ, который сочетает преобразование текста в SQL, сегментацию, обнаружение аномалий и другие инструменты.

MinusX — ИИ специалист по данным для Jupiter Notebook, Расширение Chrome, которое управляет вашими аналитическими приложениями за вас.

Tile — ИИ-ноутбук, позволяет любому исследовать свои данные с помощью модульных шагов без громоздкого синтаксиса SQL.

Полный список стартапов со ссылками на них тут.

Аналитика данных в серфинге: стартап, объединяющий хобби и работу

Сегодня хочу рассказать про стартап, который совмещает аналитику данных, машинное обучение и серфинг.

Большинство его сотрудников - это серферы-специалисты по данным, совмещающие хобби (серфинг) с удаленной работой в области данных.

Surfline - компания, созданная американским серфером Шоном Коллинзом. Ее миссия - помочь серферам ловить идеальные волны.

500K+ скачиваний в Google Play
7M+ визитов на сайт ежемесячно

Я сама использую Surfline, чтобы узнать, насколько хороши условия для серфинга в тот или иной день. Например, если условия "Poor", волн нет или волна слишком высокая - то в такой день серфить не очень удобно и лучше планировать что-то другое.

Как компания прогнозирует условия для серфинга? 3 ключевых момента:

Сбор данных.

Информация собирается с буйков в океане, метеорологических станций и спутников.

Моделирование.

В начале Шон Коллинз строил прогнозы на основе того, что он смог рассчитать на листе бумаги. Современные модели представляют собой миллиарды вычислений, учитывают тысячи различных переменных. И эти модели постоянно совершенствуются.

Визуализация.

Полученная информация переводится на "серферский" язык и визуализируется в виде дашбордов на сайте и в приложении (на скрине).

Surfline - вдохновляющий пример того, как данные могут улучшить качество жизни. А также того, что работа и хобби могут гармонично сосуществовать, если выстраивать карьеру вокруг своих интересов.

Тут 100 лучших стартапов в области аналитики