Ми в MacPaw шукаємо продуктового аналітика з досвідом у web-аналітиці та бажанням працювати над маркетинговими задачами. MacPaw - продуктова ІТ компанія, розробляє macOS/iOS-додатки, продукти якої встановлені на кожному 5-му макбуці світу. 40+ аналітиків, багато різноманітних сервісних команд, які допомагають продуктовим аналітикам робити їх роботу краще. Можливість працювати віддалено. Вакансія за посиланням: 👉 Middle Product Analyst .
BiBigQuery Insights
CategoryOtherLanguageRUFirst seenJul 06, 2026QualityVerified
Subscribers4.3K
Avg views2.7K
ERR63.7%
Price-- RUB
Price / subscriber--
Price / view--
Metrics updated: Jul 06, 2026
Recent posts
Anthropic автоматизували 95% аналітичних запитів всередині компанії через Claude з точністю роботи ~95%. Тисячі SQL-запитів з дашбордів як контекст для агента дали менше 1% приросту точності, на відміну від Skills. Skill — задокументований workflow досвідченого аналітика: які питання уточнити, де шукати джерела, як виконати і перевірити. Проблема не в доступі до даних — в структурі й однозначності. Skills вирішили це: без skills: 21% accuracy, а з skills уже 95%+. Деталі тут: https://bit.ly/43kFIaL via @WebAnalyst
📊 Data Engineering — один із найшвидше зростаючих напрямів у роботі з даними. Попит росте швидше, ніж кількість спеціалістів, які реально мають необхідний скілсет. Розберіться з Big Data, ETL/ELT, Spark, Airflow, Docker та AWS та опануйте трендову професію, — на курсі «Data Engineering» від robot_dreams. За 20 занять ви: – розберетеся зі скілсетом Data Engineer і ключовими інструментами – навчитеся працювати з великими обсягами даних і будувати підходи до їх обробки – зможете проєктувати повноцінні Big Data системи – попрацюєте з Hadoop, Apache Spark, Airflow та іншими технологіями – зрозумієте, як створювати рішення, які масштабуються У результаті — зможете переходити від окремих задач до побудови систем роботи з даними. Вас навчатиме Ілля Хороших — Data Engineer із досвідом у Lyft, EPAM, Luxoft. Працює з системами, які обробляють терабайти даних і масштабуються на мільйони користувачів. Старт: 13 липня Деталі, програма та реєстрація ⬅️
Ймовірність смерті протягом року починає перевищувати 1% у чоловіків приблизно з 44 років, а у жінок - з 60. Рівень 2% досягається у чоловіків з 55 років, у жінок - з 68. У похилому віці різниця поступово зменшується, і приблизно у 94 роки показники стають майже однаковими - близько 25%. Це я рахував на основі відкритих даних статево-вікового розподілу населення України за 1989–2022 роки. Більш детально про це - у моїй статті про моделювання демографії України (писав її ще раніше, але вона досі актуальна). @BigQuery
Досліджую тему використання Claude Code/Codex для data analysis і поки головний висновок такий: AI дуже серйозно трансформує не тільки роботу інженерів, але й аналітиків. Наткнувся на оглядовий розбір архітектури, де всередині Claude Code зібрали AI data analyst, який без Python, SQL і взагалі без коду проходить повний цикл аналізу: формулює питання, досліджує дані, валідовує висновки, генерує графіки і збирає презентацію. Що там особливо цікаво: — вся система — це 15 agents і 12 skills — все зберігається у markdown-файлах — agents роблять роботу — skills задають стандарти якості — вся логіка керується одним CLAUDE.md — кожен feedback покращує всю систему. Але відкритими лишаються дуже практичні речі: — хто валідовує результати — хто будує реальний product/business context — хто пріоритизує, що взагалі варто аналізувати — хто не дає організації потонути в десятках AI-висновків, які звучать переконливо, але нікуди не ведуть :) Нажаль, стаття крім самої ідеї цінності особливо не несе, але якщо вам цікаво — то посилання буде в коментарях :) Якщо хтось бачив в open-source схожі архітектури або детальні покрокові мануали як зібрати таку систему — діліться в коментарях! via @WebAnalyst