Bizztro mňamky datových detektivů

Máme know-how a nebojíme se o něj podělit!

Každé úterý v 7:00 vám pošleme nejdelikátnější #BizztroMňamky ze života datových detektivů do vašeho mailu a "nachytříme vás" našimi oblíbenými tipy, triky a zkušenostmi z datové analytiky, online komunikace a používání cloudových služeb.

Chcete ochutnat?


Bizztro archiv


Banana data podcast | Mňamka #242

Banana data podcast | Mňamka #242

Chcete být v obraze a vědět, co se aktuálně děje ve světě dat? Slyšeli jste o Banana Data Podcastu? Pokud vás baví technologické trendy a témata jako zjednodušování AI, etická dilemata AI, otazníky proč a jak v datové vědě a mnoho dalších, můžeme vřele doporučit! Banana data podcasty už nějaký ten rok jedou a je z čeho vybírat!

APIFY: 10 nejlepších nástrojů pro web scraping | Mňamka #241

APIFY: 10 nejlepších nástrojů pro web scraping | Mňamka #241

Chcete být v obraze a vědět, co se aktuálně děje ve světě dat? Slyšeli jste o Banana Data Podcastu? Pokud vás baví technologické trendy a témata jako zjednodušování AI, etická dilemata AI, otazníky proč a jak v datové vědě a mnoho dalších, můžeme vřele doporučit! Banana data podcasty už nějaký ten rok jedou a je z čeho vybírat!

Ze života datového detektiva I. - Průvodce světem dat

Ze života datového detektiva I. - Průvodce světem dat

Hodně často kolem sebe slýcháme otázku: a co že vy teda děláte? První díl z celkem čtyř o tom, jak datový detektiv funguje v každodenním životě. Naše práce je opravdu hodně komplexní a musíme zdatně propojovat analytické a businessové skills. Začneme tím, jak probíhá náš první kontakt se zákazníkem! Datový detektiv je totiž také obchoďák a accounťák. Eva a Rado vám umožní nahlédnout do svých běžných pracovních dnů. Co dělají? Jak probíhají první jednání s budoucími zákazníky a co je na tom baví?

Nejlepší knihovny Pythonu pro data science (včetně vysvětlení a kódu) | Mňamka #239

Nejlepší knihovny Pythonu pro data science (včetně vysvětlení a kódu) | Mňamka #239

Python je jeden z nejvíce oblíbených programovacích jazyků používaných v data science. Existuje velké množství knihoven, které nabízí skvělé funkce. Vyznat se v tom, které opravdu využijeme, může být zdlouhavé. A tak zde máme skvělý výběr knihoven pro sběr dat, čištění dat, jejich vizualizaci přes knihovny pro Feature Engineering nebo pro vytváření a nasazování modelů. K tomu všemu ještě spoustu zdrojů, pro další učení!

The Culture of Data – A Modern Business Paradigm | Mňamka #238

The Culture of Data – A Modern Business Paradigm | Mňamka #238

Velmi často jsou data ve firmách centrálně spravována IT oddělením. A to bývá časem zdrojem problémů a neefektivity. Je to drahé a není možné fungovat dostatečně pružně tak, jak to potřebuje business. Jaké je řešení? Budovat to v cloudu a mít datové lidi přímo uvnitř jednotlivých business units! To je cesta, jak to celé zrychlit a zefektivnit. Více v tomto článku o budoucnosti kultury dat! Souzníme :-)

Design pattern #6: Události v datech | Mňamka #237

Design pattern #6: Události v datech | Mňamka #237

Máme tu další várku design patternů od Péti! Pojďme si ukázat, jak můžeme pracovat s událostmi v datech - zajímá vás, co předcházelo zákaznické registraci? Průměrný počet dní mezi objednávkami? Nebo jak se mění zdroj návštěv u jednotlivých klientů? Tyhle patterny Vám pomůžou v pochopit vzorce chování jednotlivých zákazníků/skupin, nebo třeba odhalit mezery v akvizičním procesu. Není to nic složitého!

Deset častých chyb/opomenutí při tvorbě datových modelů | Mňamka #236

Deset častých chyb/opomenutí při tvorbě datových modelů | Mňamka #236

Návrh datového modelu a následná práce s ním je hodně komplexní projekt, ve kterém je zainteresováno dost lidí z různých částí firmy. Běh na dlouhou trať je celkem trefné přirovnání, navíc je nepravděpodobné, že byste jednoho krásného dne byli se vším opravdu hotovi. Okolnosti se neustále mění a model spolu s nimi. Je fajn poučit se z chyb druhých (i když některé si člověk prostě sám udělat MUSÍ) - pojďme se podívat na nejčastější úskalí při navrhování datových modelů! Na těchto deset věcí je dobré myslet!

Data science už není ve skutečnosti vědou | Mňamka #235

Data science už není ve skutečnosti vědou | Mňamka #235

Mým cílem nikdy nebylo vydělat miliony, šlo spíš o to dělat věci, co mě baví a něco, co dává pro klienty opravdu smysl. Data science už není věda jako taková. Je to o hledání souvislostí a zaměření se na quick wins pro klienta. To je jen pár highlightů rozhovoru s Honzou Matouškem z Data Mind - o Data Mind, jejich začátcích a motivaci k rozjetí businessu, jak se to změnilo v průběhu posledních dvanácti let, na čem zajímavém pracují? A co budoucnost machine learningu?

Self service BI aneb "naklikat to zvládnu sám" | Mňamka #234

Self service BI aneb "naklikat to zvládnu sám" | Mňamka #234

Právě jste došli k tomu, že by vám pomohlo, kdybyste trochu víc pracovali s daty. Jenže co teď? Kde začít? Stavět datový sklad? Nakoupit servery? V dnešní době spíš jít a zaregistrovat se do Snowflake nebo Google BigQuery. Jenže tohle je jen začátek. Úplný začátek. Celé datové řešení není jen o výběru vhodného nástroje… je to velmi komplexní projekt. Co je dobré zvážit, než uděláte pomyslný první krok?

5 bodů, které je dobré zvážit, když uvažujete o zavedení analytiky | Mňamka #233

5 bodů, které je dobré zvážit, když uvažujete o zavedení analytiky | Mňamka #233

Stavět od základů svou vlastní analytiku interně nebo zvolit hotové řešení? Každé má svá pro a proti. I když ručička vah často ukazuje jasně na druhou variantu. Než se finálně rozhodneme, je fajn vzít v úvahu několik bodů – například naše znalosti a dovednosti, ochranu dat, náklady a škálovatelnost, time to market nebo následný servis a aktualizace. Pojďme si projít, nad čím se zamyslet, než řekneme finální GO!