I've done some #firefly fan art. To spread the word. And maybe because to simp a little bit. :-P

I hope you like it.

#BringBackFirefly #Firefly #Serenity #comics #Browncoats #SciFi #cartoon #webcomic #wash #AlanTudyk #Zoe #GinaTorres #bi #bisexual

Как мы прокачиваем HealthScore для 6000+ витрин и готовим DWH к AI

Привет! Меня зовут Дмитрий Мележиков, я отвечаю за BI в домене Маркетинг и участвую в общих DWH/BI-проектах Авито. В статье рассказываю, как мы построили систему HealthScore — метрику здоровья данных. От математической модели и пайплайна сбора метаданных до процесса массовой очистки. А ещё вы узнаете, почему HealthScore и сертификация витрин важны для AI Copilot. Без белого списка доверенных витрин ассистент может масштабировать ошибки так же быстро, как и инсайты.

https://habr.com/ru/companies/avito/articles/1011332/

#dwh #data_engineering #data_quality #data_governance #bi #каталог_данных #управление_метаданными #avito

Карта не есть территория, или как мы пришли к ИИ-навигации по данным

Типичная история внедрения ИИ в крупной компании выглядит так: выбирают модель, подключают к корпоративным данным и начинают искать ей применение. Когда ожидаемый эффект не приходит, берут следующую модель и снова разочаровываются. По данным Gartner , не менее 30% проектов в области генеративного ИИ будут заброшены сразу после проверки концепта к концу 2025 года. IBM фиксирует, что только 25% ИИ-инициатив дали ожидаемый возврат инвестиций. McKinsey сообщает: лишь треть компаний масштабируют ИИ-программы на уровне всей организации, и большинство из тех, кто видит эффект, оценивают его как «менее 5% операционной прибыли (EBIT)». Это не приговор технологии — это диагноз подходу: ИИ внедряют ради самого ИИ, не ответив заранее на вопрос, какой конкретный эффект он должен принести. Мы в «Первой Форме» шли иначе: внедряли ИИ точечно, под конкретные задачи, каждый раз отвечая на вопрос о том, какой измеримый результат хотим получить. Постепенно этот подход привёл нас к следующему шагу: мы создали в нашей BPM-платформе семантический слой — набор маршрутов, словарь терминов и правила резолвинга сущностей. Он связывает разрозненные системы и позволяет с помощью ИИ получать ответы на управленческие вопросы, опираясь на реальные данные. Меня зовут Денис Селезнёв, я генеральный директор «Первой Формы» — российской BPM-платформы для автоматизации бизнес-процессов в крупных компаниях. В этой статье я расскажу, как мы пришли к построению Картографа, как он устроен и что показала первая неделя его работы.

https://habr.com/ru/articles/1010818/

#mcp #ai #корпоративные_данные #озёра_данных #управление_данными #bi #bpm #lowcode #автоматизация_процессов #использование_данных

If clients see the data, they should see your brand.

📊 BI dashboards
👥 Client portals
⏱️ Automated reporting

👉 Explore 20+ white label analytics & reporting platforms
https://social.iwhitelabel.co/4v3qr

WhiteLabel #Analytics #BI #Reporting #SaaS #iwhitelabel

Il a fallu une rousse sexy pour que deux copains essaient de faire l’amour.

https://litix.fr/deux-amis-deviennent-bisexuels

#NSFW #amis #bi #bicurieux #bisexualitéàtrois #bisexuel #cul #enpleinair #salope #sexedansleparc

Apache Superset 2026. Как работает Drill Down и Drill By

Работая с аналитикой, мы часто сталкиваемся с одной и той же проблемой: данные есть, но исследовать их неудобно. Представим типичную ситуацию. Есть таблица с десятками колонок и миллионами строк. Нужно понять, почему изменился какой-то показатель — например, выручка или конверсия. Обычно это превращается в цепочку SQL-запросов: сначала агрегируем данные по стране, потом по городу, потом по конкретному сегменту пользователей и тд. Если таких гипотез несколько, количество запросов быстро растёт с геометрической прогрессией. Каждый новый уровень детализации требует отдельного SQL. В какой-то момент хочется просто кликнуть по графику и мгновенно увидеть более детальные данные. Без написания нового запроса. Именно здесь на помощь приходят BI-инструменты. Один из самых популярных open-source инструментов для аналитики — Apache Superset .

https://habr.com/ru/articles/1010132/

#data_analyst #data_engineer #bi #sql #python #superset #apache

S id e s al l t w o o

W it h

N

I

U

S m

O s t o p

P o s i t e s l i n e s

T r a p p i n g u s i n ch o o s in g e i t he r

I n s t e a d a l i g n i n g b ac k b o t h i n t w o r o u nd f u l l c i r c l e m y s t i c s c o r e s s Z e r Y 0 U n e

#poem #poetry #individuality #authenticity #sovereignty #tolerance #reconciliation #letterlab #source #zero #writing #letterportals #wordpuzzles #programming #perception #encryption #code #polarity #one #unity #binity #trinity #quadrinity #singularity #duality #ternity #quaternity #p01 #fediverse #exquisitesocial

#realmen #realman #realhuman #reallyman #reallyhuman #self #accountability #responsibility #integrity #dignity #decency #honor #respect

#kinky #kink #dominance #submission #bdsm #master #femdom #cuckoldress #hotwives #hotwife #cuckcake #cougar #vixen #cuckolding #cuckold #cuckquean #stag #cuck #femdom #flr #bi #pan #trans #futa #futanari

Почему `SUM() OVER (ORDER BY ...)` иногда считает «неправильно»: разбираем оконные фреймы в SQL

Почему SUM() OVER (ORDER BY ...) иногда даёт неожиданный результат, даже когда запрос синтаксически правильный? В статье на практических примерах разбираю, как работают оконные фреймы в SQL, чем отличаются ROWS, RANGE и GROUPS, где чаще всего возникает путаница и как писать накопительные итоги и скользящие метрики без сюрпризов. Если используете оконные функции в аналитике, этот разбор поможет сделать их поведение предсказуемым и управляемым.

https://habr.com/ru/articles/1009552/

#SQL #Аналитика_данных #Базы_данных #Data_Engineering #BI #Tutorial #Обучение_программированию #Оконные_функции #Обработка_данных #Практика_SQL