MiddleDevOps Engineer > Контейнеры и доставка > Kubernetes и оркестрация
Короткий ответ NetworkPolicy описывает разрешённый входящий и/или исходящий трафик для подов по селектору меток, namespace и портам; но сам по себе объект NetworkPolicy ничего не делает, если сетевой плагин (CNI) кластера не реализует его поддержку — в этом случае правила принимаются API сервером, но фактически игнорируются, создавая ложное чувство защищённости. Как это работает подробнее по умолчанию в Kubernetes весь трафик между подами разрешён; как только к поду применяется хотя бы одна NetworkPolicy с типом Ingress, для этого пода начинает действовать модель "запрещено всё, что не разрешено явно" только для входящего трафика (аналогично для Egress). Правила могут ссылаться на podSelector, namespaceSelector и ipBlock, комбинируя их для точечного разрешения. Пример кода Что использовать на практике Практика. для реализации "default deny" в namespace сначала создают пустую политику, блокирующую весь трафик, а затем — отдельные политики, явно разрешающие нужные соединения (например, только от frontend к back
cnikubernetes
JuniorData Analyst > SQL и данные > Визуализация и BI
Короткий ответ Гистограмма строится через df['amount'].plot(kind='hist'); длинный правый хвост говорит о наличии крупных выбросов, и в таком случае стоит смотреть медиану вместе со средним, а не полагаться только на среднее. Как это работает подробнее Гистограмма разбивает диапазон значений на интервалы (bins) и показывает частоту попадания наблюдений в каждый интервал, визуализируя форму распределения. Пример кода Что использовать на практике Рекомендация. Подбирайте разумное число бинов (например, 20–30), для сильно скошенных данных рассматривайте логарифмическую шкалу оси X, обязательно указывайте медиану и перцентили рядом со средним. Подводные камни Риск. Использование среднего как «типичного» значения при скошенном распределении. Риск. Слишком малое или слишком большое число бинов искажает видимую форму. Риск. Игнорирование выбросов, растягивающих шкалу.
histogrammatplotlib
MiddleData Analyst > SQL и данные > Python для анализа данных
Короткий ответ Перед анализом эффекта считают количество пользователей в каждой группе теста (value_counts по группе) и сравнивают полученное соотношение с ожидаемым (например, 50/50), а также проверяют, не отличается ли это соотношение по сегментам (платформа, страна, день входа в тест). Как это работает подробнее df.groupby('variant')['user_id'].nunique() дает фактическое число пользователей в каждой группе; при ожидаемом равном split сильное отклонение (например, 48% против 52% на большой выборке) — явный повод для более строгой статистической проверки SRM (sample ratio mismatch), а не просто "шум". Пример кода Что использовать на практике На практике. проверку стоит делать не только в целом, но и в разрезе по дате входа в тест и по платформе — рассинхрон может возникать не с самого начала теста (например, после правки трекинга в середине эксперимента) или только на одной платформе из-за бага в назначении группы; обнаруженный SRM обычно означает, что сравнивать метрики конверсии по группам до устранения пр
ab-testingchi-square
MiddlePython Developer > Основы Python > FastAPI и Pydantic
Короткий ответ Для межполевой валидации в Pydantic v2 используют декоратор @model_validator(mode='after') на уровне модели, который получает уже собранный объект со всеми полями и может проверить их согласованность или выбросить ValueError. Как это работает подробнее @field_validator проверяет/преобразует одно поле изолированно и не гарантированно видит остальные поля в нужном порядке; @model_validator(mode='after') выполняется после того, как все отдельные поля уже провалидированы и собраны в модель, поэтому внутри него безопасно сравнивать несколько полей сразу. Пример кода Что использовать на практике Практика. Для вложенных моделей (поле типа другой BaseModel или list[OtherModel]) Pydantic валидирует вложенные объекты рекурсивно; межполевые проверки на уровне вложенного объекта делают в его собственном model_validator, а проверки, затрагивающие и внешние, и вложенные поля, — в model_validator внешней модели. Подводные камни Риск. Пытаются провести межполевую проверку в field_validator одного из полей, рас
fastapipydantic
MiddleSMM Manager > Общее > Брендбук и Tone of Voice
Короткий ответ Нужно пройти несколько этапов: собрать вводные через интервью с клиентом и анализ конкурентов, сформулировать 3–5 архетипических характеристик голоса бренда, описать правила лексики/табу/формата, подтвердить документ на 2–3 тестовых текстах и зафиксировать финальную версию с клиентом. Как это работает подробнее ToV — производная от позиционирования и целевой аудитории бренда, поэтому без исходных данных о них документ рискует быть произвольным; интервью с клиентом и анализ конкурентной среды дают почву для обоснованных решений. Что использовать на практике Подход. интервью включает вопросы о ценностях, целевой аудитории, конкурентах, которых нравится/не нравится по стилю коммуникации; затем формулируются 3–5 ключевых характеристик (например, «экспертный», «заботливый», «неформальный»), которые разворачиваются в конкретные правила лексики и табу. Пример. Для нового бренда школы английского языка после интервью выявлены характеристики: «поддерживающий», «без академической сухости», «с лёгким юмор
brand-guidelinesbrand-management
MiddlePerformance Marketer > Google Ads > Сквозная аналитика и отчётность
Короткий ответ Нужно сравнить динамику (а не абсолютные цифры) кликов и конверсий по одному каналу за одинаковый период и часовой пояс, и проверить, синхронизированы ли конверсии Google Ads с событиями GA4 через связку аккаунтов. Как это работает подробнее Если Google Ads и GA4 связаны, конверсии Google Ads могут импортироваться из целей/событий GA4 — в этом случае расхождение в тренде, а не в абсолютном числе, которое может отличаться из-за окна атрибуции, обычно указывает на проблему в самой передаче данных между системами. Похожую сверку стоит проводить и для Meta Ads через Events Manager, сравнивая число событий, зафиксированных пикселем, с числом кликов по рекламе, чтобы локализовать, на каком именно этапе теряются данные. Что использовать на практике Практика. На практике стоит проверить в GA4 отчёт по кликам Google Ads и сравнить его с кликами в самом кабинете — если эти числа сильно расходятся, вероятна проблема с авторазметкой (auto-tagging) ссылок, а не с конверсиями напрямую. Если проблема находитс
auto-taggingconversion-tracking
MiddlePerformance Marketer > Юнит-экономика > CAC и LTV
Канал окупается, когда прибыль с клиента превышает стоимость его привлечения в приемлемый срок.
Юнит-экономика
MiddleFinancial Analyst > Отчётность и модели > Финансовая отчётность
Прибыль в отчёте и деньги на счёте — разные величины: их связывает изменение баланса.
ОтчётностьФинансы
JuniorData Analyst > SQL и данные > SQL
Короткий ответ Нужно перечислить оба столбца в GROUP BY region, category — тогда каждая уникальная пара «регион + категория» станет отдельной группой со своим агрегатом. Как это работает подробнее при группировке по нескольким столбцам СУБД формирует группы по уникальным комбинациям значений всех указанных столбцов, а не отдельно по каждому. Количество итоговых строк равно числу различных сочетаний «регион + категория», встречающихся в данных. Пример кода Что использовать на практике На практике: перед интерпретацией такой таблицы стоит проверить, что в данных нет пропущенных комбинаций (например, региона без какой-то категории) — это может быть реальным отсутствием продаж, а может быть проблемой данных, если такая комбинация ожидалась. Результат: Результат — по одной строке на каждую встретившуюся пару. Проверка: сумма total_amount по всем строкам должна совпасть с SELECT SUM(amount) FROM sales. Подводные камни Частая ошибка: группируют только по одному из двух столбцов, а второй добавляют в SELECT без агрег
aggregationgroup-by
MiddlePython Developer > Основы Python > Django ORM
Короткий ответ Data migration создаётся через manage.py makemigrations --empty appname и содержит операцию RunPython с функцией, которая читает/изменяет данные через исторические версии моделей (apps.get_model), а не через прямой импорт текущих моделей приложения. Как это работает подробнее Django передаёт в функцию RunPython специальный объект apps, содержащий историческую версию моделей на момент именно этой миграции — это защищает от падения старых миграций, если метод модели в будущем изменится или исчезнет. Пример кода Что использовать на практике Практика. Data migration используют для заполнения новой колонки вычисленными значениями, нормализации данных; для больших таблиц такую миграцию стоит писать с батчингом (iterator() с chunk_size), чтобы не держать долгую транзакцию. Подводные камни Ошибка. Импортируют модель напрямую (from myapp.models import User) вместо apps.get_model("myapp", "User") — миграция может сломаться в будущем; не добавляют reverse_code, оставляя RunPython.noop, хотя откат данных б
django-ormmigrations