❤️ Make Love, Not War
Табло-валентинка от великолепного Саши Варламова, присмотритесь к его твиттеру.

Между разными BI-системами иногда ведется настоящая война, а приверженцы систем готовы защищать их довольно агрессивно. За собой такое тоже иногда замечаю =) Конечно же это булшит и разные системы лучше решают разные задачи и все они важны и хороши.

Меня очень радует как вокруг инструментов появляются комьюнити и как пользователи помогают друг другу лучше любого поиска или официального саппорта. Это просто прекрасно. Если вы пользуетесь какой-то платформой для визуализации, то присоединяйтесь к чатам, там вам всегда помогут.

— Tableau
— Power BI (у ребят сегодня ДР 🎉)
— Qlik|Qlik
— Yandex DataLens
— Google Data Studio
— Apache Superset
— Plotly
— D3.js
— Дата-виз чат
— Чат про открытые данные
— Чат про журналистику данных

А ещё, пока весь мир идёт в Клабхаус, я только сейчас решил попробовать включить комментарии, посмотрим что получится. Пишите какие ещё классные чаты про датавиз и BI я забыл.

#ссылка

Для команд аналитики очень важна налаженная коммуникация с бизнесом и другими техническими командами. Блог doordash рассказывает как они делают это эффективно.

Пока Илон Маск вложил 1,5 млрд от имени Теслы в Биткоин, автор черного лебедя избавляется от них. https://www.forbes.ru/newsroom/finansy-i-investicii/421127-eto-proval-avtor-chernogo-lebedya-nachal-izbavlyatsya-ot

Я люблю статья, где есть отсылки к истории технологий и мы можем видеть “было-стало”. Вот пример - The Evolution of Precomputation Technology and its Role in Data Analytics

- Precomputation is a common technique used in information retrieval and analysis, including index, materialized view, cube and more.
-It’s a trade-off between time and space, query speed and update flexibility, online processing and offline processing.
-A few megatrends that make precomputation essential to the big data era.
-A real example of 200x acceleration of an OLAP query using different types of precomputation.
-In the near future, how AI and automation will improve precomputation and how that impacts the TCO of big data systems.

Data engineering in 2020-2021

Another view on the Data Management landscape. There 9 mentions of SQL and 5 mentions of BI in the article. SQL is required knowledge for data engineer by it's not in any way the only requirement nowadays.

The author sees the future of Data Management as a way towards SQL-engines and outsource the complexity to the platforms. Unfortunately that's probably true.

Although:
▪️In practice, engineers spend most of the time on letter "T" in ETL(and not only using SQL). For example, the most popular framework for data processing Spark is much more than just RDDs today

▪️Those emerging platforms cost a pile of money now. For example AWS was born because of Oracle platform huge maintanance cost.

▪️I’m very sceptical of tools that clams “everyone can build a data product in several easy steps”.

Article

Я часто говорю про инженеров из Индии в негативном свете. Недавно я посмотрел фильм The White Tiger и фильм помог мне посмотреть на Индию с другой стороны и постараться понять их уклад и спроецировать его на конкурентную борьбу за место под солнцем.

Вот и подходит модуль 4 про ETL к концу. Я записал 2 последних видео:

4.7 Fancy ETL инструменты
Моя любимая категория инструментов "Fancy", то есть чем-то не обычные, но очень популярные. В нашем уроке я упомяну 4 самых популярных инструмента, к тому же open source. Я с ними плотно не работал, поэтому я лишь слегка их коснусь, чтобы вы знали об их существовании и по возможности попробовали. Ну а если вы уже про них знаете, то приходите к нам поделиться опытом!

В этом видео вы узнаете про:
📌  Apache Airflow
📌  DBT tool
📌  Luigi
📌  Apache NiFi
📌  Clickhouse (+ fancy база данных)

Так же я добавил в git много ссылку на материалы по инструментам на русском и английском + ссылки на официальные tutorials. То есть вам этого будет достаточно, чтобы начать и поиграться -> отличная история для следующего собеседования, как вы изучаете и пробуете новые технологии.

4.8 Требования к ETL разработчику и отличия от Data Engineer
Практически в описание к любой data вакансии мы можем встретить термин ETL. ETL роль очень важная, так как эти процессы отвечают за консолидацию данных в едином хранилище данных, а в некоторых случаях это может быть озеро данных. Концептуально вакансия ETL разработчик/инженер Data Engineer очень похоже, разница лишь в скилах и названии позиции. В этом видео мы:
📌   Рассмотрим историю data профессий по интеграции данных
📌   Узнаем топ 11 навыков инженера данных
📌   Поговорим о сходствах и различиях двух вакансий
📌   Рассмотрим главные скилы ETL разработчика (ETL) и Инженера данных (DE)
📌   Вакансии ETL и DE Amazon, Facebook, Google
📌   Вакансии ETL и DE Российских компаний
📌   Вакансии ETL и DE в мире

Pavel Novichkov (@eXtr1Mo) еще добавит финальный проект по модулю 4 и лабораторные работы по Pentaho DI, на которых будем строить dimensional model и работать с хранилищем данных на postgres. Если есть вопросы по ETL, Павел ваш эксперт. Кстати, он открыт к предложения по работе на позиции ETL разработчик/BI разработчик. Он себя уже очень хорошо зарекомендовал💪

Ну и настраиваемся на модуль 5 про облачные вычисления на основе AWS и Azure. Я работал и с тем и с другим, проходил все их курсы и предавал в University of Victoria курс по Cloud Computing. Это будет первая ступенька в мир современных аналитических решений. Жду вдохновения из космоса😜

​Я всегда относился к себе как к части каких-то интернет сообществ рунета, и всегда мне было любопытно, насколько в показателях русскоязычный сегмент «токсичнее» западного: если много сидеть в рунете то это чувствуется — иногда по злому, иногда по веселому, но в среднем рунет токсичнее какого-нибудь Reddit / FB / Twitter где общаются на английском языке, оно, наверное, и понятно, жизнь у нас не сахар по сравнению с многими странами, есть отчего озлобиться.

Вчера, совершенно случайно, наткнулся на исследование от Microsoft – оказывается они уже 5 лет исследуют эту тему и выпускают отчеты на эту же тему называя ее «Digital Civility» где пытаются подсчитать какой уровень «Цифровой Культуры» в каждой из стран, отчет про 2020 год, в нем приняло участие 16 000 человек из 32 стран, пара интересных моментов:

🔹 Миллениалы за 2020 год стали злобнее в целом по миру;
🔹 Вся надежда на зеточек, они няши как всегда и лучше себя ведут в интернете, у них рейтинг токсичности падает;
🔹 Россия находится на 31 месте... из 32, ниже нас Южная Африка, а выше Мексика. На первом месте Нидерланды. Никогда бы не подумал что буду чувствовать себя в мексиканском интернете как дома ✨

Я перезалил сам отчет от 2021 года на Google Slides, вот ссылка (он на английском), а тут короткая версия на русском. Рекомендую всем кто любит интернет и исследования про него.

В отчете упомянуто, что многие не знают, что делать если вы столкнулись с онлайн-токсичностью, я немного покапитаню, но добавлю: если столкнетесь буллингом, троллингом, любой другой токсичностью (и при этом вы не на работе в интернете, где в ваши задачи входит работа с такими явлениями), то лучший способ это закрыть профиль, внести в ЧС и пойти дальше, потому что вы не торт и все не обязаны вас любить. Главное помнить, что в своем социальном пространстве вы главный, удаляйте что хотите и держите его комфортным для себя. Потому что слова это не просто буковки на экране, они могут правда вредить — на слайде 39 написано какие психологические последствия это все может вызвать. Любвиобильного онлайна вам и берегите себя 💖

P.S. Слово «токсичность» относительно новое у нас, вкладывает туда пока каждый что хочет: я им называю просто грубое общение, оскорбления, буллинг, троллинг и тп.

Matillion ETL ещё получил 100млн. Я думаю и Fivetran тоже получил или скоро получит.

Data Mesh подход на Azure Data Platfrom http://www.jamesserra.com/archive/2021/02/data-mesh/

Свежая книга про подход Амазон https://www.amazon.com/dp/1250267595/ref=cm_sw_r_tw_dp_J39QYBR29N9K19DV64S5?pldnSite=1

Павел Новичков записал супер подробное видео (уже 2ое) по инструменту Pentaho DI, чтобы вы смогли овладеть принципами ETL.

В этом видео вы:

📌   Познакомимся с графическим интерфейсом Spoon
📌   Рассмотрим строительные блоки любого проекта: Steps и Hops
📌   Узнаем про виды проектов в Pentaho: Jobs и Transformations. В чем их отличия и когда что использовать.
📌   Познакомимся с наиболее  распространенными форматами данных в ETL
📌   Потренируемся работе с форматами txt, csv, xls, json, xml
📌   Построим несколько джобов и трансформаций
📌   Научимся запускать проекты по расписанию

Unified Data Architecture - еще один термин, обозначающий примерно то же самое - консолидация данных для принятия бизнес решений и с недавних пор для использования данных в машинном обучении. Другими словами синоним слова “хранилище данных”. Но в данном контексте это уже может быть что угодно - реляционная база данных, озеро данных на Hadoop или микс хранилища и озера данных, как например Snowflake или Redshift + Redshift Spectrum. Очень хорошая диаграмма, на которой по слоям все расписано от источника до отчета.

Кроме fancy инструментов, я люблю еще другую категорию - “Было-Стало”, как раз картинка про это. Конечно инструментов тут показали совсем чуть-чуть, но идею передали.

Источник: https://a16z.com/2020/10/15/the-emerging-architectures-for-modern-data-infrastructure/

Компоненты BI решения

Компоненты Платформы Данных (это когда уже просто Хранилища данных и BI) не хватает

А тут более подробно рассмотрена диаграмма для DS&ML

Databricks готовится к IPO, и вот уже объявили о поддержке Google Cloud. https://databricks.com/blog/2021/02/17/announcing-the-launch-of-databricks-on-google-cloud.html

Спросили: Что такое Databricks?

Ответ: Это managed spark. То есть compute engines, которых можно создать сколько хочешь и любого размера. Подключить к озеру данных на AWS/Azure и делать processing на Python/Scala/SQL. Можно хранить результат в parquet и использовать delta log = delta lake, озеро данных с функцией ACID. Можно и без databcricks все построить на Hadoop+Spark и хранить все тоже самое в HDFS, но уже надо все ручками настраивать.

Другими словами мы создаем Lakehouse. Когда данные в виде файлов в репозитории, а сверху виртуальные машины, которые умеют читать файлы с помощью SQL (в случае Snowflake, Redshift Spectrum, Athena, Synapse). А вот в случае Databricks вы можете использовать Python/Scala/SQL, получаете преимущества cloud computing и заодно можете использовать docker, делать ML&DS и стримить данные и обрабатывать в реальном времени. В общем вещь!

В СНГ все это конечно не так популярно, так как мы отстаем с облаками. На курсах datalearn я хочу восполнить этот проблем. Это моя любимая тема облака+аналитика и всякие платформы. Даже на западном рынке нет таких курсов, которые включает в себя столько, сколько мы засунули в datalearn и самое главное есть контекст, а не просто учим кнопки нажимать, мы учим вас выбирать подходящее решение самостоятельно и самостоятельно достигать поставленных целей.