Привет! Меня зовут Евгения Новосилецкая, я аналитик в AGIMA AI. В нашей практике мы часто сталкиваемся с одной и той же проблемой: компании собирают огромное количество аналитических событий, но те зачастую плохо задокументированы или не задокументированы вообще. Поэтому понять, что и как работает, особенно новичку, сложно.

Работа с плохо организованными данными заставляет нас осознать важность правильного именования и документирования аналитических событий. По сути, это основа для получения точных и полезных данных, которые в конечном итоге помогают принимать обоснованные бизнес-решения и приносить прибыль.

В этой статье разберем 5 основных принципов, которыми мы руководствуемся при работе с событиями.

Привет! Меня зовут Евгения Новосилецкая, я более 3-х лет работаю аналитиком в AGIMA AI. В основном занимаюсь разработкой аналитических решений, анализом данных и их визуализацией. И каждый раз при старте нового проекта встает один и тот же вопрос: какую систему визуализации выбрать? В этой статье попробуем  разобраться с основными инструментами — Power BI и Metabase. А заодно поймем, как выбрать между ними.

Привет! На связи Ольга Татаринова, сооснователь компании AGIMA AI. Времена, когда звонок в техподдержку сервиса означал бесконечное ожидание на линии с музыкой вместо гудков, проходят. Искусственный интеллект не устает, не делает перерывов и, к счастью, не играет навязчивые мелодии.

Привет! Я Ольга Татаринова, Head of Ceremonial Magic в AGIMA AI. Сегодня я хочу поделиться историей, как мы ускорили и упростили наём, внедрив HR-чат-бота. Он рассказывает о компании, вакансиях, собирает резюме и предлагает выполнить тестовые задания. Всё это в автоматическом режиме с бесшовным переключением на оператора, если возникает такая потребность.

Привет! Я Андрей Татаринов, директор AGIMA.AI. Мы занимаемся проектами в области машинного обучения и анализа данных. В этой статье расскажу, как мы использовали фреймворк Mediapipe для iOS и Android, запускали его на десктопе, писали кастомные калькуляторы и в поддержку сообщества.

Создание пайплайнов для трансфера данных — рутинная задача Data-инженеров. Чтобы ее решить, многие копируют код коннекторов из одного проекта в другой. Из-за копипаста общая структура ломается, и в перспективе может возникнуть трудность с поддержкой проекта.

Источников данных много — Яндекс.Директ, Google Analytics и другие. По отдельности они не дают нужной картины, — данные всё равно приходится собирать в один Data Warehouse. Тут на помощь приходит Meltano: он позволяет стандартизировать написание коннекторов к различным источникам данных и быстро перенести все нужные данные.

Привет! Я Андрей Татаринов, директор AGIMA.AI. Мы занимаемся проектами в области машинного обучения и анализа данных. В этой статье расскажу про продвинутую персонализацию, основанную на ML-модели. Отдельно поговорим о том, как разработать систему рекомендаций, которая будет встраиваться во все листинги на сайте и учитывать максимум пользовательских интересов. А в конце покажу, как такие рекомендации влияют на конверсию.

Привет! Меня зовут Ольга Татаринова, я руковожу отделом аналитики в Agima.ai. Один из самых частых запросов, с которым к нам приходят клиенты, такой: «Сделайте нам дашборд c бизнес-KPI. Мы хотим найти какие-то инсайты в наших данных, чтобы понять точки роста». Проблема с такой постановкой задачи в том, что дашборды хорошо помогают следить за бизнес-kpi. Но напрямую мешают находить инсайты в данных.

Расскажем, как решить задачу кастомной маркетинговой аналитики так, чтобы:

- данные были хорошо документированы;

- данные были доступны бизнес-пользователям в самостоятельном режиме;

- систему можно было легко поддерживать и, при необходимости, быстро подключать других аналитиков к работе.