Кейс: проверка гипотез в аналитике данных с помощью DeepSeek
Ребята из Всероссийской страховой компании протестировали бесплатную версию DeepSeek на умение проверять гипотезы. Модели предстояло понять, как меняются ключевые показатели техподдержки и отсортировать по категориям обращения клиентов.
Гипотеза 1: оценка трендов по ключевым показателям техноддержки
Скормили нейросети эксель-таблицу с основными метриками: SLA, количество негативных отзывов, поступивших и решенных заявок.
Написали простой промпт:
Получили очень даже хорошо структурированный отчет. Однако модель иногда принимала рост показателя за падение и наоборот.
Интересно, что на выводы это не повлияло: предложенные нейросетью мероприятия по улучшению совпали с идеями команды.
Гипотеза 2: категоризация обращений в техподдержку
Собрали обращения пользователей в техподдержку за 3 квартала. Получили эксель-таблицу на 70 тысяч строк. У каждого обращения было текстовое описание проблемы, которое пользователи давали в свободной форме.
Промпт:
Категории, которые выделил искусственный интеллект, почти полностью повторяли те, на которые авторы раньше делили обращения вручную. Были и отклонения: какие-то обращения попадали сразу в несколько категорий, а какие-то распределялись нерелевантно.
Модель неплохо уловила некоторые тренды, но в некоторых категориях фиксировала рост обращений, хотя в исходных данных ясно наблюдается падение.
Вердикт:
DeepSeek подходит для первичной аналитики, но с оговорками. С категоризацией он справился неплохо, а вот в динамических показателях много путался. Для больших данных все-таки лучше брать специализированные решения.
#аналитика #ии #статья
Ребята из Всероссийской страховой компании протестировали бесплатную версию DeepSeek на умение проверять гипотезы. Модели предстояло понять, как меняются ключевые показатели техподдержки и отсортировать по категориям обращения клиентов.
Гипотеза 1: оценка трендов по ключевым показателям техноддержки
Скормили нейросети эксель-таблицу с основными метриками: SLA, количество негативных отзывов, поступивших и решенных заявок.
Написали простой промпт:
В выгрузке данные по метрикам технической поддержки продавца. Сравни тренды всех показателей в 3 периодах: 1) январь 2023 - декабрь 2023; 2) январь 24 - сентябрь 24; 3) октябрь 24 - февраль 25.
Сделай выводы, как изменилось качество технической поддержки личного кабинета. Предложи мероприятия по улучшению.
Получили очень даже хорошо структурированный отчет. Однако модель иногда принимала рост показателя за падение и наоборот.
Интересно, что на выводы это не повлияло: предложенные нейросетью мероприятия по улучшению совпали с идеями команды.
Гипотеза 2: категоризация обращений в техподдержку
Собрали обращения пользователей в техподдержку за 3 квартала. Получили эксель-таблицу на 70 тысяч строк. У каждого обращения было текстовое описание проблемы, которое пользователи давали в свободной форме.
Промпт:
В файле обращения пользователей личного кабинета продавца в техническую поддержку.
Категоризируй обращения по причинам обращений. Выдели не более 10 категорий.
Проведи анализ изменений процентного соотношения категорий за 3 кв. 2024, 4 кв. 2024 и 1 кв. 2025 года.
Категории, которые выделил искусственный интеллект, почти полностью повторяли те, на которые авторы раньше делили обращения вручную. Были и отклонения: какие-то обращения попадали сразу в несколько категорий, а какие-то распределялись нерелевантно.
Модель неплохо уловила некоторые тренды, но в некоторых категориях фиксировала рост обращений, хотя в исходных данных ясно наблюдается падение.
Вердикт:
DeepSeek подходит для первичной аналитики, но с оговорками. С категоризацией он справился неплохо, а вот в динамических показателях много путался. Для больших данных все-таки лучше брать специализированные решения.
#аналитика #ии #статья
👍5❤2🔥2
Собеседование дата-сайентиста: 10 вопросов, на которые не ответят джуны
На Proglib собрали в тест 10 вопросов, об которые спотыкаются 80% кандидатов. Знание ответов отличит мидла от джуна.
Проверьте себя и коллег.
На Proglib собрали в тест 10 вопросов, об которые спотыкаются 80% кандидатов. Знание ответов отличит мидла от джуна.
Проверьте себя и коллег.
🔥4❤2👏2
Спрос на спецов по аналитике данных и машинному обучению вырос в 30 раз за 10 лет
По данным исследования hh.ru за 2014-2024 годы.
При этом самый бурный рост наблюдается в последние 4 года — с 2020 количество вакансий по этим позициям выросло в 2,5 раза.
Самые быстрорастущие направления:
- Инфраструктура данных и DevOps (3,6 раза)
- Анализ данных (2,5 раза)
- Инженерия данных и биг дата (1,9 раза)
- Машинное обучение (1,8 раза)
Медианные зарплаты за 2024 год:
- ML-инженеры (₽590 тысяч)
- Специалисты по анализу данных (₽470 тысяч)
- Инженеры по безопасности высоконагруженных систем (₽400 тысяч)
- Дата-инженеры (₽365 тысяч)
- Инженеры по компьютерному зрению (₽324 тысячи)
Как отбирают кандидатов:
- В 48% вакансий требуют опыт от 1 до 3 лет.
- В 44% — от 3 до 6 лет.
- Самые востребованные — выпускники МФТИ, НИУ ВШЭ и МГУ, прошедшие подготовку в Школе анализа данных Яндекса.
Если думали, что корочка из института не пригодится, возможно, вы ошибались.
#исследования #деньги
По данным исследования hh.ru за 2014-2024 годы.
При этом самый бурный рост наблюдается в последние 4 года — с 2020 количество вакансий по этим позициям выросло в 2,5 раза.
Самые быстрорастущие направления:
- Инфраструктура данных и DevOps (3,6 раза)
- Анализ данных (2,5 раза)
- Инженерия данных и биг дата (1,9 раза)
- Машинное обучение (1,8 раза)
Медианные зарплаты за 2024 год:
- ML-инженеры (₽590 тысяч)
- Специалисты по анализу данных (₽470 тысяч)
- Инженеры по безопасности высоконагруженных систем (₽400 тысяч)
- Дата-инженеры (₽365 тысяч)
- Инженеры по компьютерному зрению (₽324 тысячи)
Как отбирают кандидатов:
- В 48% вакансий требуют опыт от 1 до 3 лет.
- В 44% — от 3 до 6 лет.
- Самые востребованные — выпускники МФТИ, НИУ ВШЭ и МГУ, прошедшие подготовку в Школе анализа данных Яндекса.
Если думали, что корочка из института не пригодится, возможно, вы ошибались.
#исследования #деньги
❤4🔥3👌3
Как вы думаете, с данными в корпорациях похожая ситуация?
Telegram
[Другая]стратегия
Ну, за меньше пены
Принесла вам весёлое, в самый раз для вечера пятницы: две диаграммы про разницу между галлюцинациями представлениями о внедрении генИИ в крупных корпорациях тм и реальностью.
TL;DR: больше половины генИИ-инициатив существуют только в…
Принесла вам весёлое, в самый раз для вечера пятницы: две диаграммы про разницу между галлюцинациями представлениями о внедрении генИИ в крупных корпорациях тм и реальностью.
TL;DR: больше половины генИИ-инициатив существуют только в…
😁3❤🔥1
Forwarded from Пост Лукацкого
Вот тут в Коммерсанте статья про рост запроса бизнеса на проведение аудитов на соответствие закону о персональных данных 🪪 Мол, рост у многих игроков этого рынка, что есть хорошо. Но... это же в корне неверно. Хорошо только тем, кто получает деньги за проведение аудитов. В реальности ситуация становится только хуже 🤠
Во-первых, если внимательно читать, то аудиты многие проводят для того, чтобы реализовать смягчающие факторы при утечке🥺 То есть компании хотят не понять реальный уровень защиты, а снизить размеры штрафа. Это тоже нормальное желание, но только к безопасности персональных данных никакого отношения не имеет. Вспоминая закон Гудхарта, компании будут стремиться не защищать личную информацию, а пройти аудит ☑️ Начнется торговля аттестатами соответствия или как их там еще будут называть, и пошло-поехало... Мы такое проходили уже.
Во-вторых, чтобы оценивать реальную защищенность системы обработки персональных данных, предлагаемых мер (аттестация, которую пройти нельзя на современным предприятии, аудит по чеклисту и т.п.) нужно совсем другое - пентесты, багбаунти, red team'инг, кибериспытания...👺 А про это никто не говорит. КоАП вообще ни слова не говорит о том, как надо подтверждать соответствие требованиям. А раз так, то все пойдут по пути наименьшего сопротивления. То есть защиты больше не станет, скорее наоборот. А вот чувство ложной защищенности вырастет... До поры, до времени ⏳
А потом, когда такую проверенную компанию взломают, бизнес спросит: "Ну вы же проходили оценку соответствия. И что теперь?"🤔 А будет вот что. Сначала пострадавшая компания получит свой штраф; пусть и в уменьшенном размере (то есть несколько миллионов рублей, до 15-ти). Потом ее поломают 🤔 во второй раз; защиты же особо нет - только бумажная безопасность. И тогда будет оборотный штраф, так как смягчающие обстоятельства в этом случае уже не будут действовать. Селяви 🤔
#персональныеданные #оценказащищенности
Во-первых, если внимательно читать, то аудиты многие проводят для того, чтобы реализовать смягчающие факторы при утечке
Во-вторых, чтобы оценивать реальную защищенность системы обработки персональных данных, предлагаемых мер (аттестация, которую пройти нельзя на современным предприятии, аудит по чеклисту и т.п.) нужно совсем другое - пентесты, багбаунти, red team'инг, кибериспытания...
А потом, когда такую проверенную компанию взломают, бизнес спросит: "Ну вы же проходили оценку соответствия. И что теперь?"
#персональныеданные #оценказащищенности
Please open Telegram to view this post
VIEW IN TELEGRAM
Коммерсантъ
Со штрафами всё на оборот
Будущее наказание за утечки уже влияет на рынок хранения данных
👍4🔥2🥰2👏1
Битва за 3% эффективности вместо монетизации
По данным MIT, до 70% компаний используют большие данные преимущественно для снижения себестоимости продуктов. Эту экономию и называют монетизацией.
Мы считаем это лукавством. Вы ведь монетизируете то, что монетизировали и без больших данных, просто теперь чуть нарастили маржу.
В чем тут проблема?
Разработчики и дата-инженеры решают бизнес-задачи, но не умеют их формулировать и ставить. Да и не должны уметь. Это прерогатива топ-менеджеров.
Топ-менеджеры не могут сформулировать задачу, результат выполнения которой выходил бы за рамки текущих процессов.
Chief Data Officers могли бы это делать, но для этого они должны работать в коллективе, который исповедует data-driven. Таких мало. Под вывеской data-driven обычно просто собирают данные, но не находят им должного применения.
Данные используются для количественного роста эффективности и отладки уже существующих процессов. Но не для качественного перехода в их монетизации.
Еще лучше анализировать данные, еще больше собирать, еще снизить издержки хранения. И получить еще 3% эффективности.
Разработчики и руководство видят в данных только инструмент, помогающий экономить и несколько повышать маржинальность. Разгляди они в них продукт, как того хотели бы Chief Data Officers, выхлоп был бы больше.
#аналитика #деньги
По данным MIT, до 70% компаний используют большие данные преимущественно для снижения себестоимости продуктов. Эту экономию и называют монетизацией.
Мы считаем это лукавством. Вы ведь монетизируете то, что монетизировали и без больших данных, просто теперь чуть нарастили маржу.
В чем тут проблема?
Разработчики и дата-инженеры решают бизнес-задачи, но не умеют их формулировать и ставить. Да и не должны уметь. Это прерогатива топ-менеджеров.
Топ-менеджеры не могут сформулировать задачу, результат выполнения которой выходил бы за рамки текущих процессов.
Chief Data Officers могли бы это делать, но для этого они должны работать в коллективе, который исповедует data-driven. Таких мало. Под вывеской data-driven обычно просто собирают данные, но не находят им должного применения.
Данные используются для количественного роста эффективности и отладки уже существующих процессов. Но не для качественного перехода в их монетизации.
Еще лучше анализировать данные, еще больше собирать, еще снизить издержки хранения. И получить еще 3% эффективности.
Разработчики и руководство видят в данных только инструмент, помогающий экономить и несколько повышать маржинальность. Разгляди они в них продукт, как того хотели бы Chief Data Officers, выхлоп был бы больше.
#аналитика #деньги
❤🔥4❤2🔥1
Progres Post
Битва за 3% эффективности вместо монетизации По данным MIT, до 70% компаний используют большие данные преимущественно для снижения себестоимости продуктов. Эту экономию и называют монетизацией. Мы считаем это лукавством. Вы ведь монетизируете то, что монетизировали…
Кто на что учился
За 3 года Авито вложит в текстовые и мультимодальные нейросети ₽12 млрд и планирует заработать на этом ₽21 млрд.
Об этом говорят все.
Мало кто говорит, что ивестируя в ИИ, Авито параллельно инвестирует в образование студентов, которые будут с этим ИИ работать:
- В 2024 году Авито уже запустил магистратуру по Data Science в МФТИ.
- В 2025 году Авито запустит еще три программы: по разработке, Data Science и продуктовому менеджменту в ИТМО и ВШЭ.
- В 2025 году Авито полностью оплатит обучение 118 из 140 студентов на этих направлениях.
- Авито также планирует получить образовательную лицензию и открыть на базе Академии аналитиков собственные курсы по продуктовому менеджменту и Data Science.
Яндекс со своей Школой анализа данных тоже молодцы. Однако эти образовательные программы не решают проблем, о которых мы вчера писали.
Про что никто не говорит:
В школах, появляющихся тут и там, учат механике работы с данными. Это образование для тех, кто будет непосредственно взаимодействовать с айти-инструментами.
Индустрии же не хватает университетов, где будут учить не специалистов, а топ-менеджеров. В таких университетах должны учить не решению задач, а умению правильно задавать вопросы к данным с позиции управленцев.
С айти-инфраструктурой все неплохо, школы данных справляются. Методология обучения в университетах должна готовить кадры, которые будут формулировать и проверять с помощью данных новые гипотезы, а не решать рутинные задачи.
Сегодня проваливается 70% программ цифровой трансформации. Все из-за того, что современные методы и инструменты спотыкаются об архаичные подходы.
В статье «Корпоративный университет данных: искусство малых шагов» автор подробно рассуждает, как решить эту проблему.
#ии #образование
За 3 года Авито вложит в текстовые и мультимодальные нейросети ₽12 млрд и планирует заработать на этом ₽21 млрд.
Об этом говорят все.
Мало кто говорит, что ивестируя в ИИ, Авито параллельно инвестирует в образование студентов, которые будут с этим ИИ работать:
- В 2024 году Авито уже запустил магистратуру по Data Science в МФТИ.
- В 2025 году Авито запустит еще три программы: по разработке, Data Science и продуктовому менеджменту в ИТМО и ВШЭ.
- В 2025 году Авито полностью оплатит обучение 118 из 140 студентов на этих направлениях.
- Авито также планирует получить образовательную лицензию и открыть на базе Академии аналитиков собственные курсы по продуктовому менеджменту и Data Science.
Яндекс со своей Школой анализа данных тоже молодцы. Однако эти образовательные программы не решают проблем, о которых мы вчера писали.
Про что никто не говорит:
В школах, появляющихся тут и там, учат механике работы с данными. Это образование для тех, кто будет непосредственно взаимодействовать с айти-инструментами.
Индустрии же не хватает университетов, где будут учить не специалистов, а топ-менеджеров. В таких университетах должны учить не решению задач, а умению правильно задавать вопросы к данным с позиции управленцев.
С айти-инфраструктурой все неплохо, школы данных справляются. Методология обучения в университетах должна готовить кадры, которые будут формулировать и проверять с помощью данных новые гипотезы, а не решать рутинные задачи.
Сегодня проваливается 70% программ цифровой трансформации. Все из-за того, что современные методы и инструменты спотыкаются об архаичные подходы.
В статье «Корпоративный университет данных: искусство малых шагов» автор подробно рассуждает, как решить эту проблему.
#ии #образование
🔥4👌3❤2
Национальная биржа больших данных
В Китае данные воспринимают как топливо для цифровой трансформации государства и бизнеса. Впервые создать национальную биржу данных китайцы попробовали в 2014 году, но попытка провалилась.
В 2015 году в китайском Гуйяне запустили Глобальную биржу по обмену большими данными. К 2024 году на платформе работали 1466 субъектов, а совокупный объем торгов составил $736 млн, из которых $408 млн — только за 2024 год.
В 2022 году весь китайский рынок торговли большими данными оценивался в $12 млрд. Эксперты считают, что к 2030 году он вырастет до $72 млрд.
Развитие торговли данными в Китае обеспечил принятый в 2021 году закон о защите персональной информации. По уровню защиты данных он напоминает европейский GDPR, но не ограничивает рынки торговли обезличенными данными.
В России подобный закон внесли в Госдуму еще в 2020 году, в первом чтении приняли в 2021, а потом все подвисло аж на 3 года. Полностью приняли закон только в 2024 году.
Надеемся, что теперь и у нас подобная биржа появится, а разработчикам и бизнесу станет проще получать данные.
#деньги
В Китае данные воспринимают как топливо для цифровой трансформации государства и бизнеса. Впервые создать национальную биржу данных китайцы попробовали в 2014 году, но попытка провалилась.
В 2015 году в китайском Гуйяне запустили Глобальную биржу по обмену большими данными. К 2024 году на платформе работали 1466 субъектов, а совокупный объем торгов составил $736 млн, из которых $408 млн — только за 2024 год.
В 2022 году весь китайский рынок торговли большими данными оценивался в $12 млрд. Эксперты считают, что к 2030 году он вырастет до $72 млрд.
Развитие торговли данными в Китае обеспечил принятый в 2021 году закон о защите персональной информации. По уровню защиты данных он напоминает европейский GDPR, но не ограничивает рынки торговли обезличенными данными.
В России подобный закон внесли в Госдуму еще в 2020 году, в первом чтении приняли в 2021, а потом все подвисло аж на 3 года. Полностью приняли закон только в 2024 году.
Надеемся, что теперь и у нас подобная биржа появится, а разработчикам и бизнесу станет проще получать данные.
#деньги
👍4❤3🔥2
Первоапрельская аналитика данных: можно ли есть кебабы у вокзала?
Гуляя по Парижу, один любитель кебабов задумался: а правда ли, что чем ближе к метро или вокзалу, тем хуже кебаб? Он решил не строить догадок и провести исследование.
Он вооружился Python и собрал рейтинги сотен заведений через Google Places API. Выгрузил карту улиц с OpenStreetMap с помощью OSMnx. Затем использовал GeoPandas и Shapely, чтобы рассчитать точные расстояния от каждой кебабной до ближайшей станции. Для поиска кратчайших пешеходных маршрутов он применил NetworkX, а для анализа зависимостей — статистические методы.
Результаты оказались неожиданными: никакой зависимости между расстоянием и рейтингами не нашлось. Да, среди заведений у станций были посредственные варианты, но в целом их качество не отличалось от тех, что прятались в глубине кварталов.
Круто, что аналитика данных позволяет не только разбираться в бизнес-процессах, но и разрушать городские легенды.
Комменты можно почитать на Реддите.
Отправьте друзьям, может перестанут брезговать перекусами на вокзалах.
Вот бы кто-то сделал такое для Москвы или Питера.
#исследования
Гуляя по Парижу, один любитель кебабов задумался: а правда ли, что чем ближе к метро или вокзалу, тем хуже кебаб? Он решил не строить догадок и провести исследование.
Он вооружился Python и собрал рейтинги сотен заведений через Google Places API. Выгрузил карту улиц с OpenStreetMap с помощью OSMnx. Затем использовал GeoPandas и Shapely, чтобы рассчитать точные расстояния от каждой кебабной до ближайшей станции. Для поиска кратчайших пешеходных маршрутов он применил NetworkX, а для анализа зависимостей — статистические методы.
Результаты оказались неожиданными: никакой зависимости между расстоянием и рейтингами не нашлось. Да, среди заведений у станций были посредственные варианты, но в целом их качество не отличалось от тех, что прятались в глубине кварталов.
Круто, что аналитика данных позволяет не только разбираться в бизнес-процессах, но и разрушать городские легенды.
Комменты можно почитать на Реддите.
Отправьте друзьям, может перестанут брезговать перекусами на вокзалах.
Вот бы кто-то сделал такое для Москвы или Питера.
#исследования
😁7👏6🔥3🌭3❤2
В крупных соцопросах участвует менее 0,1% населения, но мы делаем выводы про всех россиян. Как это работает?
В «Если быть точным» объяснили, как устроены выборки и откуда берется репрезентативность:
- Почему нет разницы в точности опроса при 1000 и 5000 участников.
- Как в США опросили 250 тысяч человек, а результаты получились столь же точные, как если бы опрос был сделан на случайной выборке в 10 человек.
- Почему опросы не смогли предсказать победу Трампа в 2016 году.
- По какой формуле посчитать, сколько респондентов должно быть в выборке.
Крутой материал для тех, кто работает с данными: много инсайтов про методологии, скрытые искажения и случайности.
#аналитика #статьи
В «Если быть точным» объяснили, как устроены выборки и откуда берется репрезентативность:
- Почему нет разницы в точности опроса при 1000 и 5000 участников.
- Как в США опросили 250 тысяч человек, а результаты получились столь же точные, как если бы опрос был сделан на случайной выборке в 10 человек.
- Почему опросы не смогли предсказать победу Трампа в 2016 году.
- По какой формуле посчитать, сколько респондентов должно быть в выборке.
Крутой материал для тех, кто работает с данными: много инсайтов про методологии, скрытые искажения и случайности.
#аналитика #статьи
👍4🔥3👌2
На что уходят мировые инвестиции в генеративный ИИ
В Gartner прогнозируют, что в 2025 году мировые расходы на генеративный ИИ составят $644 млрд. Это на 76% больше, чем в 2024.
Разберемся, насколько вырастут инвестиции в разных отраслях по сравнению с прошлым годом:
1. Программное обеспечение: $37 млрд, +93%
2. Устройства: $398 млрд, +99%
Кстати, в IDC считают, что доля ПК с встроенным ИИ вырастет с 5% в 2023 году до 94% уже к 2028 году. Такие цифры в IDC получили, опросив 670 руководителей крупных айти-компаний по всему миру.
3. Серверы: $180 млрд, +33%
4. Услуги: $27 млрд, +162%
Пока вы думаете, много это или мало, на Кафедре когнитивных наук Калифорнийского университета сообщили, что GPT-4.5 прошла трехсторонний тест Тьюринга:
В трехстороннем тесте испытуемые в течение 5 минут общаются одновременно с машиной и человеком и должны определить, кто есть кто. В 73% случаев GPT-4.5 приняли за человека.
#ии #деньги #исследования
В Gartner прогнозируют, что в 2025 году мировые расходы на генеративный ИИ составят $644 млрд. Это на 76% больше, чем в 2024.
Разберемся, насколько вырастут инвестиции в разных отраслях по сравнению с прошлым годом:
1. Программное обеспечение: $37 млрд, +93%
2. Устройства: $398 млрд, +99%
Кстати, в IDC считают, что доля ПК с встроенным ИИ вырастет с 5% в 2023 году до 94% уже к 2028 году. Такие цифры в IDC получили, опросив 670 руководителей крупных айти-компаний по всему миру.
3. Серверы: $180 млрд, +33%
4. Услуги: $27 млрд, +162%
Пока вы думаете, много это или мало, на Кафедре когнитивных наук Калифорнийского университета сообщили, что GPT-4.5 прошла трехсторонний тест Тьюринга:
Полученные данные представляют собой первое эмпирическое доказательство того, что искусственная система проходит стандартный трехсторонний тест Тьюринга.
В трехстороннем тесте испытуемые в течение 5 минут общаются одновременно с машиной и человеком и должны определить, кто есть кто. В 73% случаев GPT-4.5 приняли за человека.
#ии #деньги #исследования
❤🔥2🔥2👌2
Яндекс выпустил бета-версию Нейроэксперта для работы с документами, презентациями, аудио и видео
Нейроэксперт превратит загруженные файлы в базу знаний. Вы можете создавать разные папки с файлами. Изучая файлы внутри отдельных пространств-папок, Нейроэксперт может пересказывать содержимое, проводить сравнительный анализ, написать на основе файлов текст и так далее.
Папки работают, как в облачных хранилищах — ими можно делиться по ссылкам.
В Яндексе пояснили:
Зачем это надо?
- Отправляете ссылки на несколько длиннющих видеообзоров от любимых блогеров на новый гаджет и просите Нейроэксперта помочь. Он сопоставит мнения, сравнит оценки и сделает общий вывод, а вы сэкономите несколько часов.
- Загружаете сразу несколько отчетов, исследований и презентаций на любую тему объемом хоть в сотни страниц и просите Нейроэксперта подготовить метаисследование. Получаете в нужном стиле и формате документ, который основан сразу на нескольких источниках.
- Загружаете презентации продукта от разных поставщиков и просите Нейроэксперта подготовить сравнительную таблицу. Берете этот отчет и идете к руководителю, чтобы на основании таблицы решить, у кого покупать.
Яндекс планирует в будущем выпустить расширенную версию для бизнес-задач, в которой появятся новые опции — поиск сведений во внутренних базах данных и документации, систематизация работы, упрощение процессов адаптации и повышение эффективности сотрудников.
Сервис пригодится студентам, преподавателям, бухгалтерам, маркетологам и кому угодно, если ему приходится на работе изучать много документов.
#ии
Нейроэксперт превратит загруженные файлы в базу знаний. Вы можете создавать разные папки с файлами. Изучая файлы внутри отдельных пространств-папок, Нейроэксперт может пересказывать содержимое, проводить сравнительный анализ, написать на основе файлов текст и так далее.
Папки работают, как в облачных хранилищах — ими можно делиться по ссылкам.
В Яндексе пояснили:
По всей загруженной информации пользователь может задавать вопросы в режиме диалога — как при общении с обычным чат-ботом. Нейроэксперт подготовит ответ только на основе источников пользователя и не добавит ничего от себя. После выхода сервиса из бета-тестирования пользователи смогут добавлять больше 25 файлов или ссылок.
Зачем это надо?
- Отправляете ссылки на несколько длиннющих видеообзоров от любимых блогеров на новый гаджет и просите Нейроэксперта помочь. Он сопоставит мнения, сравнит оценки и сделает общий вывод, а вы сэкономите несколько часов.
- Загружаете сразу несколько отчетов, исследований и презентаций на любую тему объемом хоть в сотни страниц и просите Нейроэксперта подготовить метаисследование. Получаете в нужном стиле и формате документ, который основан сразу на нескольких источниках.
- Загружаете презентации продукта от разных поставщиков и просите Нейроэксперта подготовить сравнительную таблицу. Берете этот отчет и идете к руководителю, чтобы на основании таблицы решить, у кого покупать.
Яндекс планирует в будущем выпустить расширенную версию для бизнес-задач, в которой появятся новые опции — поиск сведений во внутренних базах данных и документации, систематизация работы, упрощение процессов адаптации и повышение эффективности сотрудников.
Сервис пригодится студентам, преподавателям, бухгалтерам, маркетологам и кому угодно, если ему приходится на работе изучать много документов.
#ии
🔥5👍3👏2
Инвесторы используют альтернативные данные для прогноза продаж
Инвесторы розничных сетей все чаще используют альтернативные данные, а не финансовую отчетность для анализа рынка и прогнозов. Это могут быть опросы покупателей, данные по кредиткам и геолокации, обсуждения в соцсетях.
Кто и как собирает альтернативные данные?
- Партнер Goldman Sachs, HundredX проводит опросы о намерениях покупателей через НКО и продает эти данные клиентам.
- В Placer отслеживают перемещения людей для оценки посещаемости магазинов и эффективности рекламы на билбордах.
- В Reddit проводят вебинары для ритейлеров: соцсеть анализирует посты и комменты для прогнозирования спроса.
Зачем инвесторам альтернативные данные?
В ноябре 2024 года аналитики Facteus заметили, изучая данные кредиток, что средний чек в Tik Tok Shop вырос на 16%. Клиентам Facteus это стало известно за неделю до публикации квартального отчета. Так хедж-фонды, которые опирались на альтернативные данные, купили акции выгоднее тех, кто ждал официальной информации.
Ну и сами аналитики на этом заработали. Из-за подобных кейсов на Уолл-стрит вырос спрос на альтернативные данные, и выручка Facteus выросла с 2023 года на 300%.
Какая-то узаконенная торговля инсайдерской инфой получается.
#деньги
Инвесторы розничных сетей все чаще используют альтернативные данные, а не финансовую отчетность для анализа рынка и прогнозов. Это могут быть опросы покупателей, данные по кредиткам и геолокации, обсуждения в соцсетях.
Кто и как собирает альтернативные данные?
- Партнер Goldman Sachs, HundredX проводит опросы о намерениях покупателей через НКО и продает эти данные клиентам.
- В Placer отслеживают перемещения людей для оценки посещаемости магазинов и эффективности рекламы на билбордах.
- В Reddit проводят вебинары для ритейлеров: соцсеть анализирует посты и комменты для прогнозирования спроса.
Зачем инвесторам альтернативные данные?
В ноябре 2024 года аналитики Facteus заметили, изучая данные кредиток, что средний чек в Tik Tok Shop вырос на 16%. Клиентам Facteus это стало известно за неделю до публикации квартального отчета. Так хедж-фонды, которые опирались на альтернативные данные, купили акции выгоднее тех, кто ждал официальной информации.
Ну и сами аналитики на этом заработали. Из-за подобных кейсов на Уолл-стрит вырос спрос на альтернативные данные, и выручка Facteus выросла с 2023 года на 300%.
Какая-то узаконенная торговля инсайдерской инфой получается.
#деньги
👍7🔥3👌2❤🔥1
Data Mesh умер на стройке Вавилонской башни
Успешно внедрить этот подход смогли не более 5% компаний, которым он теоретически был бы полезен.
Как это выглядит в теории:
Отделы маркетинга, продаж и финансов внутри одной компании собирают и хранят данные как полноценный продукт. Все рассматривают данные как полезный актив не только для себя, но и для коллег.
Розовых пони с единорогами только не хватает.
Как это получается на практике:
Единые стандарты не внедряются, что усложняет интеграцию. Все собирают данные по-своему, что приводит к проблемам с анализом.
Например, в крупном корпоративном бизнес-блоке банка клиентом называют одну сущность, а в отделе кредитования малого бизнеса — другую. Как только эти отделы захотят обменяться данными, им потребуется чудо, чтобы не повторить историю с Вавилонской башней.
#статьи #аналитика
Успешно внедрить этот подход смогли не более 5% компаний, которым он теоретически был бы полезен.
Как это выглядит в теории:
Отделы маркетинга, продаж и финансов внутри одной компании собирают и хранят данные как полноценный продукт. Все рассматривают данные как полезный актив не только для себя, но и для коллег.
Розовых пони с единорогами только не хватает.
Как это получается на практике:
Единые стандарты не внедряются, что усложняет интеграцию. Все собирают данные по-своему, что приводит к проблемам с анализом.
Например, в крупном корпоративном бизнес-блоке банка клиентом называют одну сущность, а в отделе кредитования малого бизнеса — другую. Как только эти отделы захотят обменяться данными, им потребуется чудо, чтобы не повторить историю с Вавилонской башней.
#статьи #аналитика
🔥4👍3❤🔥2
Какой российский бизнес готов к экономике данных, а какой — нет
Вышка выпустила сборник «Готовность российского бизнеса к экономике данных», где рассказала, сколько компаний в разных отраслях использует большие данные:
- Продажи, доставка, постпродажное обслуживание: 45%.
- Производство услуг и продуктов, обслуживание оборудования: 41%.
- Администрирование: бухгалтерия, финансы, кадры: 35%.
- Маркетинг и реклама: 32%.
- Логистика и склад: 23%.
Многие ли готовы покупать и продавать данные
Среди тех, кто уже их использует или только планирует:
- 19% готовы продавать данные или делиться ими бесплатно.
- 23% хотели бы покупать данные у других организаций.
- 39% хотели бы получить доступ к государственным данным.
Неожиданный аутсайдер
В России среди всех организаций, использующих большие данные, в бизнес-процессах их применяют только 23% складских и логистических компаний.
Это самый низкий показатель среди всех отраслей бизнеса. То ли там работают луддиты, то ли это какой-то саботаж.
Пока российские логисты игнорируют большие данные, в Амазон за 2019-2023 годы с их помощью вот к чему пришли:
- На 40% сократили задержки в доставке.
- На 30% нарастили рентабельность цепочки поставок.
- На 10% сократили среднее время доставки.
- На 30% снизили избыточные запасы на складах.
Если просто повторять, что данные — новая нефть, никаких дивидендов не будет. Надо бурить, детка, бурить.
#исследования
Вышка выпустила сборник «Готовность российского бизнеса к экономике данных», где рассказала, сколько компаний в разных отраслях использует большие данные:
- Продажи, доставка, постпродажное обслуживание: 45%.
- Производство услуг и продуктов, обслуживание оборудования: 41%.
- Администрирование: бухгалтерия, финансы, кадры: 35%.
- Маркетинг и реклама: 32%.
- Логистика и склад: 23%.
Многие ли готовы покупать и продавать данные
Среди тех, кто уже их использует или только планирует:
- 19% готовы продавать данные или делиться ими бесплатно.
- 23% хотели бы покупать данные у других организаций.
- 39% хотели бы получить доступ к государственным данным.
Неожиданный аутсайдер
В России среди всех организаций, использующих большие данные, в бизнес-процессах их применяют только 23% складских и логистических компаний.
Это самый низкий показатель среди всех отраслей бизнеса. То ли там работают луддиты, то ли это какой-то саботаж.
Пока российские логисты игнорируют большие данные, в Амазон за 2019-2023 годы с их помощью вот к чему пришли:
- На 40% сократили задержки в доставке.
- На 30% нарастили рентабельность цепочки поставок.
- На 10% сократили среднее время доставки.
- На 30% снизили избыточные запасы на складах.
Если просто повторять, что данные — новая нефть, никаких дивидендов не будет. Надо бурить, детка, бурить.
#исследования
👍5🔥3❤🔥2🤨1
Искусственный интеллект и большие данные в строительстве
По оценке ДОМ.РФ, к 2028 году вклад искусственного интеллекта в строительство в России составит ₽1 трлн. Это при том, что ИИ на своих объектах использует только 26% строительных компаний. Так что есть, куда расти и после этого.
Самые примечательные кейсы:
- Средняя точность оценки стоимости строительства тоннелей на ранних этапах не превышает 60%. Греческие исследователи разработали модель, которая анализирует всего 12 характеристик и выдает значительно более точный прогноз.
- Строительные спецификации и документы — источник головной боли, где каждое предложение может быть длиной в 7-10 строк. В них сложно разобраться. В сеульском университете автоматизировали анализ строительных спецификаций.
- Подбор строительных материалов требует учета десятков и сотен параметров. В Лидском университете Беккета разработали решение для инженеров: оно подскажет, какой материал класть на пол в санузлах на четвертом этаже, а какой — в гостиной на первом.
- В американской строительной компании Savko & Sons оснастили всю технику на своих стройках датчиками. Так руководство отслеживает производительность, время работы и простоя и прочие показатели.
- Объединение строителей Тулы использует умные каски. С датчиков на касках собираются данные, которые используются для контроля за соблюдением техники безопасности. Каска сообщит диспетчеру, если работник получит удар или упадет. Кроме того, устройства повышают производительность труда.
Технологии помогают сокращать сроки строительства, оптимизировать ресурсы и минимизировать риски, что в долгосрочной перспективе снижает расходы и повышает рентабельность проектов.
За счет ИИ производительность на стройке можно увеличить на 40%.
#ии #аналитика #исследования
По оценке ДОМ.РФ, к 2028 году вклад искусственного интеллекта в строительство в России составит ₽1 трлн. Это при том, что ИИ на своих объектах использует только 26% строительных компаний. Так что есть, куда расти и после этого.
Самые примечательные кейсы:
- Средняя точность оценки стоимости строительства тоннелей на ранних этапах не превышает 60%. Греческие исследователи разработали модель, которая анализирует всего 12 характеристик и выдает значительно более точный прогноз.
- Строительные спецификации и документы — источник головной боли, где каждое предложение может быть длиной в 7-10 строк. В них сложно разобраться. В сеульском университете автоматизировали анализ строительных спецификаций.
- Подбор строительных материалов требует учета десятков и сотен параметров. В Лидском университете Беккета разработали решение для инженеров: оно подскажет, какой материал класть на пол в санузлах на четвертом этаже, а какой — в гостиной на первом.
- В американской строительной компании Savko & Sons оснастили всю технику на своих стройках датчиками. Так руководство отслеживает производительность, время работы и простоя и прочие показатели.
- Объединение строителей Тулы использует умные каски. С датчиков на касках собираются данные, которые используются для контроля за соблюдением техники безопасности. Каска сообщит диспетчеру, если работник получит удар или упадет. Кроме того, устройства повышают производительность труда.
Технологии помогают сокращать сроки строительства, оптимизировать ресурсы и минимизировать риски, что в долгосрочной перспективе снижает расходы и повышает рентабельность проектов.
За счет ИИ производительность на стройке можно увеличить на 40%.
#ии #аналитика #исследования
👍5🔥3❤🔥2💯2