JuniorPerformance Marketer > Google Ads > Устойчивость результатов и управление рисками
Короткий ответ Learning phase — период накопления данных и оптимизации доставки. Существенное изменение бюджета, ставки или креатива может запустить обучение заново; пока алгоритм собирает конверсии, CPA и CPL нестабильны, поэтому избегайте частых правок. Как это работает подробнее После повторного обучения системе нужно набрать достаточно событий конверсии, и результаты могут временно ухудшиться. Возврат статуса Learning после четырёхкратного увеличения бюджета — сигнал оценивать метрики осторожно до стабилизации доставки. Что использовать на практике Следите за статусом Delivery и дайте группе объявлений пройти обучение, прежде чем оценивать её эффективность. Подводные камни Не останавливайте и не меняйте резко кампанию через один-два дня после запуска или изменения, если нет иных критичных сигналов.
budget-changeconversion-events
MiddleDevOps Engineer > Контейнеры и доставка > Файловые системы Linux Короткий ответ /etc/fstab описывает, какие файловые системы монтировать при загрузке, с какими опциями и точками монтирования; noexec запрещает выполнение бинарников с этого раздела, nosuid запрещает учитывать SUID/SGID-биты файлов на нём — обе опции снижают риск эксплуатации через загруженные извне файлы. Как это работает подробнее При монтировании ядро сохраняет флаги файловой системы в структуре vfsmount; при любой попытке exec() файла с раздела, смонтированного с noexec, ядро возвращает ошибку доступа независимо от прав файла, а при nosuid игнорирует биты setuid/setgid даже если они физически установлены на файле. Пример кода Что использовать на практике Практика. noexec,nosuid,nodev часто применяют к разделам, куда пользователи или приложения могут загружать произвольные файлы (/tmp, /var/tmp, точки монтирования для загрузки пользовательского контента), снижая поверхность атаки, если туда попадёт вредоносный исполняемый файл; важно учитывать, что некоторые приложения (например, часть пакетных менеджеров)
filesystemsfstab
MiddlePerformance Marketer > Google Ads > Тестирование гипотез и запуск изменений Короткий ответ А/А-тест — это сравнение двух идентичных вариантов друг с другом; его проводят, чтобы проверить корректность настройки сплита, трекинга и методологии расчёта значимости до того, как начинать тестировать реальные изменения. Как это работает подробнее Если инструменты и методология настроены правильно, А/А-тест в подавляющем большинстве случаев не должен показывать статистически значимой разницы между идентичными вариантами; если разница регулярно находится — это сигнал о проблеме в трекинге, сплите или расчётах. А/А-тест также помогает оценить реальную базовую вариативность метрики в конкретных условиях трафика, что полезно при расчёте размера выборки для будущих А/B-тестов. Пример. А/А-тест двух идентичных версий лендинга: Вариант A: CVR 3.2% (n=4000) Вариант A': CVR 3.9% (n=4000), p=0.03 Значимая разница между идентичными версиями указывает на проблему (например, неравномерный сплит трафика или ошибку в разметке событий), которую нужно найти перед запуском реальных тестов. Что использовать на
a-a-testingab-testing
JuniorPerformance Marketer > Google Ads > Автоматизация кампаний Короткий ответ Автоматическое правило — это условие вида «если метрика достигла значения X, то выполнить действие Y» (например, пауза, изменение бюджета, уведомление), которое платформа проверяет по заданному расписанию без ручного участия. Как это работает подробнее Правило задаётся через условие (метрика, период, порог) и действие. Платформа периодически (например, раз в час или раз в день) проверяет условие по актуальным данным и выполняет действие при его выполнении. Что использовать на практике На практике. Автоматические правила удобны для рутинных задач контроля: остановки неэффективных объявлений, уведомлений о росте CPA, включения/отключения кампаний по расписанию. Важно учитывать, что проверка не моментальная, а с задержкой по расписанию. Пример. Правило в Meta Ads Manager: «Если CPA за последние 3 дня > 1500 руб. и расход > 5000 руб., приостановить ad set». Проверка: журнал правил (Rules history) показывает, когда и почему сработало действие. Подводные камни Частая ошибка. Частая ошибка — настраива
ad-platformsautomation-rules
JuniorData Analyst > SQL и данные > Статистика и теория вероятностей Короткий ответ Асимметрия показывает, в какую сторону «вытянут хвост» распределения: положительная асимметрия — длинный хвост справа (среднее больше медианы), отрицательная — длинный хвост слева (среднее меньше медианы), ноль — распределение симметрично. Как это работает подробнее числовое значение skewness рассчитывается через третий момент распределения (кубы отклонений от среднего); знак показывает направление хвоста, величина — насколько он выражен. Понимание направления хвоста помогает заранее предположить, в какую сторону среднее будет отличаться от медианы. Пример кода Что использовать на практике На практике: большинство бизнес-метрик с нижней границей в нуле (доход, время на сайте, размер чека) имеют положительную асимметрию: много обычных значений и немного очень крупных. Это напрямую влияет на выбор метрики (медиана вместо среднего) и на выбор статистических тестов, многие из которых предполагают симметричность данных. На практике асимметрию полезно считать совместно с эксцессом (kurtosis), который
descriptive-statisticsdistribution
MiddlePython Developer > Основы Python > Asyncio и асинхронность Короткий ответ Асинхронный генератор — функция async def с yield внутри, которая поддерживает await в процессе генерации значений и итерируется через async for, позволяя лениво producing данные, зависящие от асинхронных операций. Как это работает подробнее В отличие от обычного генератора, асинхронный генератор возвращает объект с методом __anext__ (корутину); async for автоматически await-ит каждый __anext__ и обрабатывает StopAsyncIteration при завершении, позволяя использовать await между yield. Пример кода Что использовать на практике Практика. Полезен при постраничной выгрузке данных из внешнего API или БД с асинхронным драйвером, стриминге результатов по частям без загрузки всего набора данных в память сразу. Подводные камни Риски. Пытаются использовать обычный for вместо async for на асинхронном генераторе — получают ошибку; смешивают синхронный и асинхронный генератор в одной функции, что приводит к SyntaxError или логическим ошибкам.
asynciocoroutines
JuniorDevOps Engineer > Контейнеры и доставка > Безопасность и DevSecOps Короткий ответ Аудит-логи фиксируют, кто, когда и какое именно действие выполнил в системе (вход, изменение прав, доступ к ресурсу, удаление объекта), в отличие от логов приложения, которые описывают работу самой бизнес-логики; аудит нужен для расследования инцидентов и подтверждения соответствия требованиям. Как это работает подробнее аудит-подсистема (например, Kubernetes audit log, CloudTrail в AWS) перехватывает каждый запрос к API с указанием субъекта (пользователь/сервис-аккаунт), действия, объекта и результата, и записывает это в неизменяемом (append-only) виде, отдельно от логов приложения. Пример кода Что использовать на практике Практика. аудит-логи хранят отдельно от обычных логов, часто в выделенном хранилище с ограничением на изменение/удаление, и используют при расследовании инцидентов («кто удалил этот деплоймент в 3 ночи») и при подготовке к комплаенс-проверкам. Проверка. Ожидаемое поведение: такая запись в Kubernetes audit log позволяет точно установить, что именно пользователь alice@example.
audit-loggingincident-response
JuniorPerformance Marketer > Google Ads > Устойчивость результатов и управление рисками Короткий ответ Базовый capacity planning прогнозирует итоговый расход по среднему дневному темпу: умножьте средний расход за представительный период на оставшиеся дни и прибавьте уже потраченное. Пересчитывайте прогноз регулярно и корректируйте бюджет заранее. Как это работает подробнее При среднем расходе $350 в день и 20 оставшихся днях прогноз остатка равен $7 000. Если уже потрачено $2 500, ожидаемый итог — $9 500, то есть на $500 выше лимита $9 000. Что использовать на практике Пересчитывайте прогноз, например, еженедельно, используя средний темп за последние дни и число оставшихся дней месяца. Подводные камни Не экстраполируйте один аномальный день: автоматическое правило или иной разовый всплеск исказит прогноз.
budget-pacingcapacity-planning
JuniorDevOps Engineer > Контейнеры и доставка > Безопасность и DevSecOps Короткий ответ Цепочка поставок ПО — все внешние компоненты (библиотеки, базовые образы, инструменты сборки, registry), от которых зависит приложение; базовый риск — использование непроверенных, неподписанных или версионно «плавающих» зависимостей, через которые может попасть вредоносный или уязвимый код. Как это работает подробнее современное приложение почти всегда собирается из десятков или сотен сторонних пакетов и базового образа, которые разработчики не пишут сами и не всегда проверяют. Если один из этих компонентов скомпрометирован (взломан аккаунт автора пакета, подменена версия), вредоносный код попадает в итоговый артефакт. Что использовать на практике Практика. фиксируют версии зависимостей (lock-файлы: package-lock.json, poetry.lock), используют конкретные теги образов с диджестом вместо latest, подключают сканирование зависимостей (SCA) в CI, загружают образы только из доверенных registry. Проверка. Ожидаемое поведение: при повторной сборке с FROM node:latest через месяц можно получить другую maj
containersdependencies
MiddlePerformance Marketer > Google Ads > Инструменты и автоматизация Короткий ответ Блендинг объединяет источники внутри BI-инструмента по выбранным ключам и удобен для прототипа или небольшого отчёта. SQL/ETL лучше контролирует очистку, типы, дедупликацию и повторное использование логики при росте объёма и числа потребителей. Как это работает подробнее В BI сопоставляются поля-ключи, после чего визуализация получает объединённые измерения и метрики. Результат зависит от полноты ключей, кардинальности и ограничений коннектора; предварительное объединение в ETL позволяет проверить схему, обработать дубликаты и хранить единый слой до построения графиков. Прототип. Блендинг помогает быстро проверить гипотезу, если источников и строк немного, а ключи согласованы. Производственный слой. Для повторяемой отчётности переносите сложные преобразования в SQL/ETL с тестами и контролем версий. Что использовать на практике Выбирайте по масштабу. Оставляйте блендинг для локальной логики визуализации; централизуйте общие метрики и объединения. Проверяйте ключи. Используйте стабильные ID, норм
data-blendingetl