Статистика в IT

Последние годы Python был вроде универсального инструмента: на нем писали всё — от мелких скриптов до огромных ML-систем, а его первое место в рейтингах воспринималось как норма. Но к началу 2026-го заметно, что динамика меняется. Скорее всего — вслед за приоритетами. Уходит время, когда удобство и низкий порог входа перекрывали любые вопросы к производительности. Компании всё чаще смотрят на отдачу — сколько ресурсов съедает система и как ведет себя под нагрузкой. Давайте посмотрим, что там с местом Python’а в рейтингах, и оценим причины. 

📚Линейная регрессия – это первый алгоритм, который осваивает аналитик, и последний, который он перестает использовать.
✔️В статье разберем, что это такое, как работает, где применяется и с какими подводными камнями вы обязательно столкнетесь.

Авторское право на код возникает автоматически — это знают все. Но когда приходит заинтересованный инвестор, конкурент с копией вашего продукта или налоговая с вопросами про НМА на балансе — «автоматически» уже не работает.

Разбираемся, что именно можно зарегистрировать в Роспатенте, какие преимущества это даёт и что изменится в 2026 году с принятием нового закона о патентовании IT-решений.

Кейс Dolina v. Lurie всколыхнул не только юридическое сообщество. Сейчас шум в медиа начал утихать и настало время спокойно препарировать это дело LLM-матрицами и тензорными вычислениями. 🙂

Спор этот совсем недавний, шансы на попадание судебных актов по делу в обучающую выборку до cutoff date даже последних версий топ-моделей - минимальны, определение же Верховного Суда России в веса моделей успеть точно не могло. Тем интереснее результат!

Спойлер: ИИ не подкачал, но итоговая оценка оказалась очень интересной и очень, как кажется, характерной для AI LegalTech.

Архитектура эксперимента

На вход моделям были поданы судебные акты первой инстанции, апелляции и кассации. Пайплайн использовался стандартный "нешемяковский": LLM-консенсус трех топовых моделей (Anthropic Claude Opus 4.6, Google Gemini 3 Pro и OpenAI GPT‑5.2) и стандартный промт про обжалование.

Результат оказался парадоксальным: нейросетки нашли правильные юридические зацепки для отмены решений, но итоговый прогноз успеха в Верховном Суде составил всего 7% (полный ИИ-прогноз доступен по ссылке: neshemyaka.ru/case/499).

HD для домашних ПК и ноутбуков сейчас редкость, ведь их во многом и вполне успешно заменили SSD. Однако эта технология по-прежнему очень востребована в дата-центрах. Так, в феврале 2026 года Western Digital сообщила, что ее мощности практически полностью застолбили крупные заказчики. Seagate подтвердила, что линии по высокоемким дискам для серверов загружены под завязку. Основные клиенты — операторы крупных облачных платформ, которые заранее бронируют объемы. WD получила предварительные заказы от семи крупнейших покупателей, часть из которых — до 2027 и 2028 годов. 

Зачем HDD в ЦОД? Есть несколько причин, но основная — это искусственный интеллект. При работе с ИИ важно не только обучать модели, но и хранить огромные массивы исходных данных, логов и резервных копий. В многоуровневых системах горячие данные размещаются на SSD, но основной объем холодных — на дисковых массивах. Речь идет о десятках и сотнях петабайт, где главное — стоимость хранения из расчета на терабайт, плюс предсказуемость инфраструктуры. Именно поэтому спрос на высокоемкие HDD резко вырос. Разберемся, насколько устойчивым будет такой перекос рынка и к чему это может привести.

Свершилось! Спустя двадцать лет после старта проекта на Хабре вышла публикация с миллионным уникальным номером ID (сокращение от англ. identifier — «идентификатор»). Черновик этой публикации создался 16 февраля 2026 года. Примечательно, что такое событие случилось также через 16 лет после выхода публикации со стотысячным ID.

Что такое дерево метрик и зачем оно нужно?

Привет, меня зовут Денис. Я старший продуктовый аналитик, и больше 5 лет строю системы метрик в крупных IT-компаниях, включая Тинькофф. Одна из самых частых и болезненных проблем, которую я видел — когда у команды есть цель (скажем, «увеличить выручку»), но нет единого понимания, за какие именно рычаги тянуть и как действия одного отдела влияют на результат другого.

Привет! Меня зовут Денис. Уже более 5 лет работаю Senior Product Analyst в крупнейших IT-компаниях России, включая Тинькофф. Разрабатывал системы аналитики с полного нуля, провёл огромное количество A/B тестов и знаю всю внутреннюю кухню больших корпораций изнутри.

Ко мне на карьерные консультации часто приходят с запросом в духе: «Я уже 2 года работаю, почему я всё еще джун?» или «Как прыгнуть в мидлы, если на работе дают только скучные выгрузки?».

Грейды — это не про то, сколько библиотек в Python ты выучил. Это про то, насколько сильно у твоего лида и продакта болит голова, когда они отдают тебе задачу.

Каждая вторая статья о том, что работу в IT найти невозможно, что на каждую вакансию космический спрос, а джуны готовы работать за еду. В этой статье поделюсь фактурой — как я нанимал продуктового аналитика в известную международную компанию и какая у меня получилась статистика отбора на каждом этапе.

Если посмотреть открытые данные в HH, то можно ужаснуться — на IT вакансии может быть по 1000+ заявок от кандидатов. Чтобы не умереть, разбирая тысячи резюме, по рекомендации HR я добавил в начале достаточно простой опросник — сам заполнял похожий при трудоустройстве. Результат? Всего 85 откликов за всё время публикации вакансии!

Ну а дальше случилась дикая воронка отсева, которую я зафиксировал в цифрах, и сейчас ею поделюсь. Пристёгивайтесь и всё внимание на процент отсева кандидатов на каждом этапе.

Ретроспективно, вспоминая сладкие времена для разработчиков в 2019 году, можно понять, что решения, которые были сделаны 7 лет назад, догоняют нас до сих пор.

Предлагаю пройтись по истории, осознать ее, увидеть, к чему это все привело, переосмыслить свои ценности и выстроить для себя четкий план действий на будущее.

Covid-19

Началось все со вспышки COVID-19: людей закрыли дома, передвижение по улице было возможно только в маске, соблюдая дистанцию между людьми не менее 3 метров, а публичные мероприятия воспринимались так же ужасно, как утопление новорожденных котят. Бизнес был вынужден искать способы выжить в новой реальности.

Не в завидной ситуации оказались и фонды: стоимость акций традиционных компаний начала стремиться к нулю. За период с 19 февраля по 23 марта индекс MSCI, отслеживающий производительность 1300 компаний в 23 развитых странах, упал на 34%, а S&P 500, отслеживающий производительность 500 крупнейших публичных компаний США, на 20%.

Продолжаю серию обзоров о том, под какими ролями скрывается привычная нам работа системного аналитика в разных странах. На этот раз речь пойдёт о Польше.

В рамках исследования я проанализировал ведущий польский сайт (более 4000 вакансий) с вакансиями для IT-специалистов. Отобрал 194 вакансии, где полностью или частично выполняются функции системного аналитика, знакомые российскому рынку. Что получилось…

Нассим Талеб назвал книгу Бенуа Мандельброта The (Mis)Behavior of Markets "самой глубокой и реалистичной книгой по финансам, когда-либо опубликованной".

А своего "Черного лебедя" Талеб посвятил "Бенуа Мандельброту, греку среди римлян", что отражает уважение к его роли в развитии идей о сложных системах и неопределённости.

Книга Мандельброта: «(Не)послушные рынки. Фрактальная революция в финансах» (часть 3).

Количество и мощность DDoS-атак ежегодно растут, ставя под угрозу доступность публичных и корпоративных сервисов. Для бизнеса это оборачивается не только прямыми финансовыми потерями, но и серьезным репутационным ущербом.

Инфраструктура Selectel объединяет более 31 000 клиентов, которые генерируют легитимный сетевой трафик объемом свыше 500 Гбит/с. Анализ атак на проекты такого масштаба дает уникальные данные для оценки ландшафта угроз в облачных средах.

Мы в Selectel подготовили аналитический отчет о DDoS-атаках за 2025 год и отдельно рассмотрели показатели за второе полугодие. Эти данные помогают компаниям оценить динамику угроз для облачной инфраструктуры и вовремя скорректировать настройки IT-систем и средств защиты. Какие выводы можно сделать, читайте под катом!

Всем привет! Меня зовут Никита Жарков, я продуктовый аналитик с большим опытом работы в Edtech и банковской сфере. В этой статье я расскажу, как мы построили систему прогнозирования прямо внутри ClickHouse, и покажу, как вы можете сделать подобное у себя. Здесь будет не только история как мы сделали, но и понятный путь, который можно повторить шаг за шагом: от подготовки данных до проверки качества.

Обычно прогнозы строят через внешний стек - выгрузка, Python, отдельные пайплайны. Это нормально, но не всегда удобно, особенно если прогнозы нужны ежедневно и команда хочет держать всё в одном месте. Мы решили использовать встроенные ML‑функции ClickHouse и получить рабочий прогноз без внешней инфраструктуры. В статье разберём, почему это работает, какие признаки нужны, как устроено обучение и как правильно оценить качество результата.

В идеальном мире продуктовый аналитик запускает тест и через три дня получает статзначимый результат. В реальности мы часто видим прогноз: «Для достижения мощности 80% вам нужно крутить этот тест 45 дней». Но математику можно «обмануть» (точнее — оптимизировать), не теряя в качестве выводов.

Каждый продуктовый аналитик или менеджер рано или поздно сталкивается с A/B-тестированием. На первый взгляд всё кажется простым: разделили трафик, показали разные кнопки, сравнили цифры. Но на практике 80% успеха теста закладывается ещё до его старта — на этапе дизайна.

В этой статье мы разберем, что такое «карточка теста», почему это не про картинки и какие 8 пунктов спасут ваш эксперимент от провала.

Нассим Талеб о Бенуа Мандельброте: «Мандельброт занимается серыми лебедями, я занимаюсь чёрным лебедем. Мандельброт одомашнил многих моих чёрных лебедей, но не всех и не полностью. Его методы дают нам проблеск надежды и помогают задуматься о проблемах неопределённости. Если хочешь понять неопределённость — начни с Мандельброта.»

Книга Мандельброта: «(Не)послушные рынки. Фрактальная революция в финансах» (часть 2).

Тема ИИ — это какая-то золотая лихорадка 21 века. Каждый стремится не упустить волну хайпа. ИИ пытаются внедрить везде, где только можно и нельзя.

Одно из популярнейших направлений — разработка. Заменить дорогостоящих разработчиков. Разве может быть что-то более привлекательным?

Да, на первый взгляд, ИИ очень неплохо справляется с этой задачей. Достаточно сформулировать, что тебе нужно, и через несколько секунд портянка кода готова.

Даже появился отдельный термин — вайб-кодинг. Но опасность кроется не в самом ИИ, а в способе его применения из-за непонимания природы.

Для запуска А/В теста необходимым минимумом является фиксация ошибок первого и второго рода, расчет MDE (минимальный наблюдаемый эффект). Однако при расчете результатов теста далеко не всегда получается достичь MDE заданного размера, в таком случае статистическая значимость результатов не будет достигнута. Помимо этого даже при статистически значимом результате существует вероятность ошибки, при которой наши результаты являются выбросом или просто случайностью. Как быть в таком случае?

Есть много статей про успешные трансформации. Но следует отметить, что часто это компании с одним основным бизнесом. У них есть один глобальный продукт и всё строится вокруг него. Это логично, когда ядро, движимое одной целью, развивается и обрастает периферией, особенно если это ядро сформировалось относительно недавно, лет 5-10 назад. Либо еще вариант, когда пишут про успешную трансформацию в одной команде.

Но что происходит у гигантов или в госсекторе? Они развивались по старым правилам, а потом стали расширяться, путём поглощений, создания новых, несвязанных направлений. Когда банк, например, становится не только банком.

Именно у таких компаний часто разворачивается «театр продуктового подхода». Он не улучшает ситуацию, а даже ухудшает. Вместо создания ценности команды учатся играть в метрики и отбывать стендапы.

Осторожно, статья-детектор.