Head of UX Research, куратор программы в Европейском университете
Большие цифры в количественных исследованиях: истина ли?
Часто мы слышим, что чем больше людей, тем репрезентативнее. Количественные исследования часто принимают за критерий истины — большие цифры дают ощущение валидности. На самом деле это не совсем так. В количественных исследованиях легко можно ошибиться на каждом этапе и, что самое главное, не заметить это.
Я расскажу о том, где мы ошибаемся в работе с количественными опросами и как этих ошибок избежать. И почему размер выборки — это не главное.
Data-аналитик в Kolesa Group
Как мы строили свою маркетинговую атрибуцию в web: сложно, но того стоило
Мы прошли путь от вопросов «Куда уходит бюджет?» до построения своей кастомной маркетинговой атрибуции, которая помогает принимать бизнес-решения. В докладе расскажу, зачем мы взялись за этот проект, какие ценности он дал компании и каких ошибок стоит избежать. Доклад с практическими советами, полезными для аналитиков данных и маркетологов.
Data-аналитик в Kolesa Group
Региональные тесты: как провести хороший эксперимент без А/Б
Нужно принять data-driven решение о релизе, но классический А/Б-тест провести невозможно? В таких случаях поможет матчинг: эксперимент запускается в одном регионе, а контрольная группа подбирается из похожих пользователей в других регионах. Я поделюсь нашим практическим опытом: в каких случаях метод работает, какие у него есть ограничения и как правильно подготовить дизайн такого эксперимента.
UX-исследователь в Kolesa Group
Voice of the Customer Reloaded — аналитический инструмент для бизнеса и PR
Хотите узнать, о чём на самом деле говорят ваши клиенты вне классических опросов? Покажу не только результаты, но и что «под капотом» — как мы меняли формулу, настраивали вес источников, учитывали эмоции и вовлечённость, чтобы метрика улавливала реальные сигналы от клиентов и помогала управлять репутацией.
Senior Data Engineer в Райффайзенбанк
Миграция в полёте: как поменять двигатель у платформы данных без остановки бизнеса?
В докладе расскажу, как мы за короткие сроки мигрировали аналитическое хранилище SAS на open-source стек DataLake + GreenPlum и справились со следующими челленджами: поиск владельцев данных, отключение лишних ETL-процессов, миграция пользователей и данных на целевые системы, устранение расхождений в расчётах, соблюдение SLA по поставке данных и построение аналитики прогресса миграции. Будет полезно data-инженерам, аналитикам, владельцам и пользователям платформ и хранилищ данных.
Выращиваем ML-платформу с нуля до энтерпрайза
Вместе пройдём через все стадии эволюции ML-инфраструктуры: от исследовательской команды на VM до зрелой платформы с Kubernetes и AutoML. Обратим внимание на болевые точки каждого этапа развития, триггеры для перехода на следующий уровень и что происходит в критических моментах трансформации. Обсудим технологический стек каждого этапа и архитектурные решения, которые работают на практике. Будет полезно ML Engineer'ам, MLOps-специалистам и техлидам, которые планируют развитие ML-платформы или переживают очередной этап её эволюции.
Computer Vision Engineer в Wildberries
Temporal Action Recognition на практике: опыт внедрения анализа видео на складах Wildberries
В этом докладе я поделюсь опытом применения методов Temporal Action Recognition для анализа видео на складах Wildberries. Мы обсудим архитектуры, какие метрики использовать и как выбрать оптимальное решение под конкретные бизнес-цели. Доклад будет интересен CV-инженерам, ML-инженерам, тимлидам и архитекторам, работающими с видеоаналитикой и прикладными задачами компьютерного зрения.
Lead Data Scientist в QazCode
QueryMate: от простого text2sql к подручному инструменту для аналитиков
Расскажем, как мы в QazCode прошли путь от базовых LLM до полноценной агентной системы с МСР, встроенной прямо в Jira. Теперь, когда в Jira появляется задача с тегом ad-hoc, наш «умный помощник» автоматически понимает контекст, прогоняет нужные запросы и выгружает результаты прямо в задачу. Это серьёзно ускоряет time-to-market и упрощает жизнь аналитикам.