SeniorPerformance Marketer > Google Ads > Тестирование гипотез и запуск изменений
Короткий ответ Решение должно опираться на заранее определённые пороги риска (максимально допустимые потери при неопределённости) и на то, какую часть данных уже можно считать надёжной; при реальной неопределённости стоит выбирать между частичным откатом (снижение бюджета) и полным откатом в зависимости от скорости, с которой можно получить более качественные данные. Как это работает подробнее Противоречивые данные (например, кабинет показывает рост конверсий, а CRM — нет) требуют разбора источника расхождения (трекинг, задержка данных, разные определения конверсии), но если время ограничено, а потери бюджета продолжают расти, решение часто приходится принимать до полного прояснения причины. Полезно заранее прописать в регламенте, кто имеет право принять решение о частичном откате без эскалации на уровень руководства, чтобы не терять время в критической ситуации. Компромисс. Быстрый полный откат минимизирует финансовый риск, но может уничтожить накопленное обучение алгоритма и данные атрибуции, которые придёт
ab-testingbudget-allocation
SeniorSMM Manager > Общее > Публикация и кампании
Короткий ответ Единственно правильного уровня автоматизации нет — решение зависит от соотношения выигрыша в эффективности команды от автоматизации и риска, который автоматизация добавляет (технические сбои, невозможность быстро отреагировать на изменение контекста перед моментом публикации), и его нужно принимать осознанно по сегментам контента, а не как универсальное решение «автоматизировать всё» или «не автоматизировать ничего». Как это работает подробнее полная автоматизация освобождает время команды для более сложных задач (стратегии, креатива, кризис-менеджмента), но увеличивает зависимость от стабильности сторонних сервисов и снижает способность быстро отреагировать, если между моментом планирования и моментом публикации изменился контекст (например, случился резонансный инфоповод, из-за которого ранее нейтральный пост становится неуместным). Сравнение Компромисс. вариант А — полная автоматизация всего календаря: плюс — максимальная эффективность команды, минус — риск публикации неуместного контента пр
autopostingpublishing-campaigns
SeniorData Analyst > SQL и данные > Статистика и теория вероятностей
Короткий ответ Приоритизацию стоит строить на сочетании ожидаемого влияния задачи на ключевые бизнес-метрики, срочности и необратимости связанного решения, и стоимости выполнения анализа; единого универсального алгоритма нет — это управленческое решение, требующее явных и прозрачных критериев, согласованных со стейкхолдерами. Как это работает подробнее не все аналитические запросы одинаково ценны — анализ, способный предотвратить дорогое неверное решение (например, оценка эксперимента перед полным раскатом фичи для миллионов пользователей), обычно важнее разового любопытствующего отчёта, даже если второй запросили раньше. Sanity check: раз в квартал сверять фактически потраченное время команды с распределением по этой матрице — если большая часть времени уходит на приоритет 3-4, стоит пересмотреть процесс приёма задач. Пример кода Что использовать на практике Полезный фреймворк — оценивать задачи по трём осям: потенциальное влияние на бизнес (сколько денег/риска затрагивает решение, которое опирается на этот
analytics-managementeffort
JuniorData Analyst > SQL и данные > Статистика и теория вероятностей
Короткий ответ Быстрая визуальная проверка — построить гистограмму (ожидаем симметричный колокол) и QQ-plot (точки должны ложиться примерно на прямую линию); сильные отклонения на QQ-plot по краям говорят о тяжёлых хвостах или скошенности. Как это работает подробнее гистограмма показывает форму распределения напрямую; QQ-plot (quantile-quantile plot) сравнивает квантили ваших данных с квантилями теоретического нормального распределения — если данные нормальны, точки ложатся на диагональную линию. Такая визуальная проверка часто выполняется как обязательный шаг перед применением методов, чувствительных к форме распределения. Пример кода Что использовать на практике На практике. визуальная проверка хороша как быстрый первый шаг перед выбором метода (например, перед выбором t-test или непараметрического аналога), особенно для небольших выборок, где формальные тесты на нормальность (Шапиро-Уилка и подобные) ненадёжны. Для больших выборок, наоборот, формальные тесты становятся сверхчувствительны и отвергают нормал
data-visualizationhistogram
JuniorPython Developer > Основы Python > Тестирование кода
Короткий ответ Для проверки аргументов используют mock.assert_called_with(...) или assert_called_once_with(...), которые сравнивают переданные аргументы с ожидаемыми, а не просто факт вызова, который проверяется методом assert_called(). Как это работает подробнее Каждый Mock записывает историю вызовов в атрибуте call_args_list, включая позиционные и именованные аргументы каждого вызова, а не только факт его наличия. assert_called_with сравнивает последний вызов с переданными значениями и бросает AssertionError с понятной разницей, показывая и ожидаемые, и фактические аргументы. Пример кода Что использовать на практике Практика. Такая проверка важна, когда важно не только что метод вызвали, но и что ему передали правильные данные — например, что уведомление отправлено именно на адрес текущего пользователя, а не на пустую строку или адрес по умолчанию, оставшийся от предыдущей итерации кода. Подводные камни Риск. Использовать assert_called() вместо assert_called_with(), когда на самом деле важны конкретные аргу
assertionsmocking
MiddlePerformance Marketer > Google Ads > Сквозная аналитика и отчётность
Короткий ответ Нужно сравнить распределение ценности между каналами по нескольким моделям атрибуции (last-click, data-driven, linear) и, если возможно, сопоставить с результатами инкрементального теста — совпадение или сильное расхождение моделей является сигналом, но не окончательным доказательством. Как это работает подробнее В GA4/рекламных кабинетах можно посмотреть один и тот же набор конверсий через разные модели атрибуции в отчёте сравнения моделей; если доля канала сильно меняется между моделями, например верхнефанловый канал получает 5% по last-click и 25% по data-driven, это говорит о значимой роли этого канала в многошаговых путях. Полезно также попробовать модель атрибуции с линейным распределением ценности между всеми каналами пути как промежуточный вариант между last-click и data-driven, чтобы увидеть более сглаженную картину. Что использовать на практике Практика. На практике модельное сравнение — это первый, дешёвый шаг диагностики; для более надёжного ответа о реальном вкладе канала нужен инк
attribution-modelsdata-driven-attribution
MiddleData Analyst > SQL и данные > Статистика и теория вероятностей
Короткий ответ Нужно проверить устойчивость корреляции на разных срезах данных (времени, сегментах), поискать правдоподобный скрытый фактор, объясняющий связь, исключить влияние тренда/сезонности на временных рядах, и по возможности протестировать гипотезу экспериментально, а не полагаться только на один коэффициент корреляции. Как это работает подробнее при большом числе переменных или временных рядов с общим трендом высокая корреляция может возникать чисто случайно или из-за общей временной динамики (обе метрики растут со временем независимо друг от друга) — это называется ложной корреляцией. Sanity check: резкое падение корреляции при переходе от уровней к разностям — явный признак того, что исходная связь объяснялась общим трендом, а не реальной зависимостью одной метрики от другой. Пример кода Что использовать на практике Полезные проверки: разбить период на несколько частей и убедиться, что корреляция стабильна в каждой из них, а не вызвана одним периодом Для временных рядов — проверить корреляцию после
confoundingcorrelation
MiddlePython Developer > Основы Python > Алгоритмы и типовые задачи
Короткий ответ Уникальность элементов проверяется превращением списка во множество: если длина не изменилась, дубликатов нет — len(data) == len(set(data)). Частоту символов или слов удобно считать через collections.Counter, который возвращает словарь вида «элемент — количество вхождений». Как это работает подробнее Обе задачи решаются структурами с быстрым доступом: set отвечает на вопрос о дубликатах, а словарь хранит счётчики вхождений. Множество против списка. Множество хранит только уникальные элементы, поэтому равенство длин списка и множества означает отсутствие повторов. Скорость операций. Добавление и проверка вхождения в set и dict выполняются в среднем за O(1), поэтому весь проход занимает O(n). Поиск дубликатов. Чтобы найти сами повторы, иди по списку и складывай элементы в set, отмечая те, что уже встречались. Counter. collections.Counter — подкласс словаря, который сам подсчитывает количество вхождений элементов итерируемого объекта. Частота слов. Текст разбивают на слова через split(), а lower()
dictduplicates
JuniorSMM Manager > Общее > Рекламные платформы и медиазакупка
Короткий ответ Статус модерации виден в интерфейсе кабинета («Активно», «На модерации», «Отклонено»); при отклонении нужно изучить указанную причину, исправить нарушение (текст, изображение, посадочная страница, маркировка) и отправить объявление повторно. Как это работает подробнее после создания объявление автоматически или вручную проверяется на соответствие рекламным политикам площадки (запрещённый контент, корректность посадочной страницы, маркировка рекламы). Что использовать на практике Подход. причины отказа обычно формулируются в кабинете достаточно конкретно; системное накопление отклонений может повлиять на репутацию рекламного аккаунта. Пример. Объявление отклонено с причиной «непроверяемые заявления о результате» из-за фразы «похудение гарантировано». Формулировка переписывается на более нейтральную, объявление отправляется повторно и проходит модерацию. Подводные камни Ошибка. повторно отправлять объявление без изменений в надежде, что модерация «пропустит» его второй раз, или игнорировать требо
ad-compliancecampaign-optimization
MiddleData Analyst > Метрики и эксперименты > A/B-тесты
Короткий ответ Помимо проверки соотношения размеров групп (SRM), нужно проверить баланс ковариат — характеристик пользователей, которые не должны зависеть от группы (платформа, страна, устройство, историческая активность до теста), чтобы убедиться, что группы сопоставимы не только по численности, но и по составу. Как это работает подробнее Как это работает: для каждой ковариаты сравнивают распределение между группами (например, долю iOS/Android или среднюю активность за месяц до теста); при корректной рандомизации различия должны быть статистически не значимы и малы по величине на большой выборке. Ожидаемый результат: p-value для разницы в pre_activity_30d должен быть заметно больше 0.05 (нет значимой разницы) — иначе это сигнал, что рандомизация могла быть нарушена. Пример кода Что использовать на практике На практике: такую проверку, известную как pre-test / A/A-like баланс-чек, часто автоматизируют как часть стандартного отчёта по тесту: таблица 'ковариата — значение в A — значение в B — p-value' для набор
ab-testingrandomization