Инструменты
Каталог TGAds
Мониторинг
Детальная статистика
Анализ аудитории
Бот аналитики
Полезная информация
Инструкция Telemetr
Документация к API
Чат Telemetr
Не попадитесь на накрученные каналы! Узнайте, не накручивает ли канал просмотры или
подписчиков
Проверить канал на накрутку
Телеграм канал «Клуб CDO»
Клуб CDO
2.8K
1.6K
157
92
8.1K
Сообщество профессионалов в области работы с данными и искуственным интеллектом
Подписчики
Всего
4 044
Сегодня
0
Просмотров на пост
Всего
675
ER
Общий
16.69%
Суточный
11.5%
Динамика публикаций
Telemetr - сервис глубокой аналитики
телеграм-каналов
телеграм-каналов
Получите подробную информацию о каждом канале
Отберите самые эффективные каналы для
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
Анализируйте рекламные посты
и креативы
и креативы
Узнайте какие посты лучше сработали,
а какие хуже, даже если их давно удалили
а какие хуже, даже если их давно удалили
Оценивайте эффективность тематики и контента
Узнайте, какую тематику лучше не рекламировать
на канале, а какая зайдет на ура
на канале, а какая зайдет на ура
Показано 7 из 2 776 постов
Смотреть все посты
Пост от 22.08.2026 08:57
54
0
1
Цифровизация на языке бизнеса ⚙️
Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК.
📍 30 сентября 2026 г. Приурочено к выставке Агропродмаш
О чем поговорим?
🟣Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
🟣8 болей пищевого производства, которые лечит MES
🟣MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
🟣Как цифровизация трансформирует работу службы качества?
🟣Инфобез промышленных масштабов: конкретные шаги по защите производства
🟣Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
🟣Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов?
🟣Применение ИИ в работе с видеоаналитикой
И это, разумеется, еще не все!
Вас ждет:
🔘Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов.
🔘Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
🔘Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
➡️ Регистрируйтесь по ссылке
PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!
Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК.
📍 30 сентября 2026 г. Приурочено к выставке Агропродмаш
О чем поговорим?
🟣Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
🟣8 болей пищевого производства, которые лечит MES
🟣MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
🟣Как цифровизация трансформирует работу службы качества?
🟣Инфобез промышленных масштабов: конкретные шаги по защите производства
🟣Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
🟣Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов?
🟣Применение ИИ в работе с видеоаналитикой
И это, разумеется, еще не все!
Вас ждет:
🔘Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов.
🔘Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
🔘Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
➡️ Регистрируйтесь по ссылке
PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!
Пост от 21.08.2026 19:05
262
3
9
Один мой знакомый решил в своей компании полностью отказаться от дашбордов и заменить их на ИИ. Дашбордами все равно никто не пользовался, так что Claude казался более дешевой и удобной альтернативой.
Но постепенно все покатилось куда-то не туда.
🔵Перестали сходиться цифры: разные отделы оперировали разными данными и метриками и никак не могли договориться между собой.
🔵У термина “активный клиент” появилось сразу три определения.
🔵Claude посчитал показатели по таблицам, которые не обновлялись с 2022 года.
🔵У знакомого начало зреть ощущение, что он все сломал.
Это не уникальный случай. Я такое видел уже много раз в разных компаниях.
Дело в том, что BI-система - это не просто набор графиков. Это то, что заставляет всех договариваться, что значат данные и как считать метрики. Как только убрали этот общий знаменатель, разногласия начали расползаться по всей компании. Именно поэтому я не устаю повторять: ИИ не заменит систему данных, особенно если в компании ее толком и не было.
Прежде чем отказываться от BI ради экономии, убедитесь, что понимаете, что именно вы теряете. Если вы потратили деньги на дашборды, а сотрудники на них все равно не смотрят, дело может быть вообще не в дашбордах. Я регулярно провожу аудиты систем аналитики и вижу, что причины могут быть самые разные, но я еще не встречал случаев, когда полный отказ от BI пошел бы кому-то на пользу.
А вы бы заменили дашборды на инсайты от ИИ?
Но постепенно все покатилось куда-то не туда.
🔵Перестали сходиться цифры: разные отделы оперировали разными данными и метриками и никак не могли договориться между собой.
🔵У термина “активный клиент” появилось сразу три определения.
🔵Claude посчитал показатели по таблицам, которые не обновлялись с 2022 года.
🔵У знакомого начало зреть ощущение, что он все сломал.
Это не уникальный случай. Я такое видел уже много раз в разных компаниях.
Дело в том, что BI-система - это не просто набор графиков. Это то, что заставляет всех договариваться, что значат данные и как считать метрики. Как только убрали этот общий знаменатель, разногласия начали расползаться по всей компании. Именно поэтому я не устаю повторять: ИИ не заменит систему данных, особенно если в компании ее толком и не было.
Прежде чем отказываться от BI ради экономии, убедитесь, что понимаете, что именно вы теряете. Если вы потратили деньги на дашборды, а сотрудники на них все равно не смотрят, дело может быть вообще не в дашбордах. Я регулярно провожу аудиты систем аналитики и вижу, что причины могут быть самые разные, но я еще не встречал случаев, когда полный отказ от BI пошел бы кому-то на пользу.
А вы бы заменили дашборды на инсайты от ИИ?
👍
1
Пост от 20.08.2026 07:46
277
0
3
Fine Talks: куда движется корпоративная аналитика
Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже даёт результат, а где упирается в состояние данных. Одни ждут, что чат-бот заменит аналитика, другие уверены, что до их данных это не коснётся.
В программе:
✅ дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина
✅ разбор Dora, новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап
✅ новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей
Онлайн-встреча 3 сентября в 16:00.
Ссылку на трансляцию пришлём на почту после регистрации.
👉 Регистрация: https://clck.ru/3VDswx
Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже даёт результат, а где упирается в состояние данных. Одни ждут, что чат-бот заменит аналитика, другие уверены, что до их данных это не коснётся.
В программе:
✅ дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина
✅ разбор Dora, новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап
✅ новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей
Онлайн-встреча 3 сентября в 16:00.
Ссылку на трансляцию пришлём на почту после регистрации.
👉 Регистрация: https://clck.ru/3VDswx
👍
2
Пост от 18.08.2026 00:31
107
0
5
👍
2
Пост от 15.08.2026 23:13
306
0
2
📰 Данные без противоречий. Связи между полями
🔗 https://habr.com/ru/articles/1069220/
💡 Вывод: Генератор, заполняющий поля независимо, создаёт формально валидные и физически невозможные записи — «женский, Ольга, аденома простаты», и это тихо ломает фикстуры, когда полей становится пятнадцать. Ключевое инженерное решение автора: доли раскладываются как квота на всю выборку, а не как взвешенный рандом на каждую строку, поэтому распределение можно проверять ассертом, а не глазом. Инструмент TDCV2 под MIT, один конфиг с одним сидом даёт построчно совпадающий вывод в пяти языках.
🔗 https://habr.com/ru/articles/1069220/
💡 Вывод: Генератор, заполняющий поля независимо, создаёт формально валидные и физически невозможные записи — «женский, Ольга, аденома простаты», и это тихо ломает фикстуры, когда полей становится пятнадцать. Ключевое инженерное решение автора: доли раскладываются как квота на всю выборку, а не как взвешенный рандом на каждую строку, поэтому распределение можно проверять ассертом, а не глазом. Инструмент TDCV2 под MIT, один конфиг с одним сидом даёт построчно совпадающий вывод в пяти языках.
Пост от 15.08.2026 23:13
190
0
3
Дайджест статей
📰 Честный RAG eval set: как собрать первые 100-300 кейсов и не обмануть себя цифрой
🔗 https://habr.com/ru/articles/1070534/
💡 Вывод: Разделяйте три набора (smoke 20-50, ручной eval 100-300, обучающие данные) и меряйте retrieval отдельно от генерации, иначе причины поломок смешиваются. Практический момент, который автор подтверждает цифрами: на 120 кейсах разница Recall@5 0.808 против 0.792 — это два запроса, а не победа конфигурации; 95% интервал при p=0.78 и n=120 около ±7.4 пункта. Решение принимайте по срезам (exact entity, версии, «нет ответа»), а не по среднему.
📰 Предиктивное обслуживание в промышленности: три системных условия, без которых технологии не работают
🔗 https://habr.com/ru/companies/severstal/articles/1070560/
💡 Вывод: Технологический успех при операционном провале — стандартный сценарий: модели прогнозируют верно, а ремонтируют по факту. Автор из «Северстали» приводит свои цифры: до 40% временных рядов с датчиками содержат пропуски, только 45% интерфейсов работают в реальном времени, 35% критического оборудования имеет достаточную историю отказов. Проектируйте не платформу, а замкнутый цикл «данные → культура → знания», где каждый элемент питает остальные, иначе получаете дашборды, которые никто не смотрит.
Оговорка по источнику: часть статьи — витрина решений «Северстали», сравнительная таблица Industry 4.0 vs 5.0 подана со ссылкой на Deloitte Manufacturing Industry Outlook 2024, но методика замера в тексте не раскрыта.
📰 DataJunction as Netflix's answer to the missing piece of the modern data stack
🔗 https://netflixtechblog.medium.com/datajunction-as-netflixs-answer-to-the-missing-piece-of-the-modern-data-stack-92af926b40a5
💡 Вывод: Netflix выбрал DataJunction не за фичи, а за движок парсинга и генерации SQL плюс хранение определений в связном графе — на момент POC этого не давали ни Minerva, ни внутренний Mando. Строя семантический слой, режьте scope до ядра: API и граф сначала, UI, кэширование и интеграции потом, иначе ядро придётся переписывать. Отдельный аргумент для тех, кто строит LLM поверх аналитики: внутренние модели Netflix могут отвечать по бизнес-метрикам подотчётно только потому, что определения лежат в одном месте.
📰 GenRec: Towards LLM-Native Recommendation at Netflix
🔗 https://netflixtechblog.com/genrec-towards-llm-native-recommendation-at-netflix-f20be6f643e3
💡 Вывод: Сдвиг от feature engineering к context engineering перестал быть слоганом: GenRec обошёл зрелый продакшн-ранкер, используя в 10-40 раз меньше размеченных примеров второй фазы, а окно контекста стало новым бюджетом на фичи — сжатие вербализации до трети токенов почти не тронуло офлайн-метрики и во столько же уронило стоимость инференса. Prefill-only режим на vLLM (один проход по промпту, скоринг всего каталога без авторегрессии) — тот приём, который вообще делает экономику возможной. Инфраструктура рекомендаций начинает выглядеть как LLM-инфраструктура, а не как классический RecSys-стек.
📰 Опыт миграции аналитики для ритейла Retail Analytics с MS SSAS на Alpha OLAP
🔗 https://habr.com/ru/companies/barsgroup/articles/1070016/
💡 Вывод: Планируя уход с SSAS, закладывайте инженерную работу на 10-20% показателей: 80% (маржа, средний чек, оборачиваемость) переезжают предсказуемо, а ежедневные остатки на 150 млн строк, out-of-stock, прогнозирование и cross-selling требуют переноса логики в СУБД и переработки витрин. Архитектурная ловушка, которую стоит знать заранее: в Alpha OLAP каждый атрибут измерения — отдельная иерархия, что ломает формулы со ссылками на периоды. Заявленный срок миграции всего контура — около 3,5 человеко-месяцев.
Оговорка по источнику: текст написан маркетологом продукта Alpha BI, все цифры производительности — от вендора и партнёра, независимых замеров нет.
📰 Честный RAG eval set: как собрать первые 100-300 кейсов и не обмануть себя цифрой
🔗 https://habr.com/ru/articles/1070534/
💡 Вывод: Разделяйте три набора (smoke 20-50, ручной eval 100-300, обучающие данные) и меряйте retrieval отдельно от генерации, иначе причины поломок смешиваются. Практический момент, который автор подтверждает цифрами: на 120 кейсах разница Recall@5 0.808 против 0.792 — это два запроса, а не победа конфигурации; 95% интервал при p=0.78 и n=120 около ±7.4 пункта. Решение принимайте по срезам (exact entity, версии, «нет ответа»), а не по среднему.
📰 Предиктивное обслуживание в промышленности: три системных условия, без которых технологии не работают
🔗 https://habr.com/ru/companies/severstal/articles/1070560/
💡 Вывод: Технологический успех при операционном провале — стандартный сценарий: модели прогнозируют верно, а ремонтируют по факту. Автор из «Северстали» приводит свои цифры: до 40% временных рядов с датчиками содержат пропуски, только 45% интерфейсов работают в реальном времени, 35% критического оборудования имеет достаточную историю отказов. Проектируйте не платформу, а замкнутый цикл «данные → культура → знания», где каждый элемент питает остальные, иначе получаете дашборды, которые никто не смотрит.
Оговорка по источнику: часть статьи — витрина решений «Северстали», сравнительная таблица Industry 4.0 vs 5.0 подана со ссылкой на Deloitte Manufacturing Industry Outlook 2024, но методика замера в тексте не раскрыта.
📰 DataJunction as Netflix's answer to the missing piece of the modern data stack
🔗 https://netflixtechblog.medium.com/datajunction-as-netflixs-answer-to-the-missing-piece-of-the-modern-data-stack-92af926b40a5
💡 Вывод: Netflix выбрал DataJunction не за фичи, а за движок парсинга и генерации SQL плюс хранение определений в связном графе — на момент POC этого не давали ни Minerva, ни внутренний Mando. Строя семантический слой, режьте scope до ядра: API и граф сначала, UI, кэширование и интеграции потом, иначе ядро придётся переписывать. Отдельный аргумент для тех, кто строит LLM поверх аналитики: внутренние модели Netflix могут отвечать по бизнес-метрикам подотчётно только потому, что определения лежат в одном месте.
📰 GenRec: Towards LLM-Native Recommendation at Netflix
🔗 https://netflixtechblog.com/genrec-towards-llm-native-recommendation-at-netflix-f20be6f643e3
💡 Вывод: Сдвиг от feature engineering к context engineering перестал быть слоганом: GenRec обошёл зрелый продакшн-ранкер, используя в 10-40 раз меньше размеченных примеров второй фазы, а окно контекста стало новым бюджетом на фичи — сжатие вербализации до трети токенов почти не тронуло офлайн-метрики и во столько же уронило стоимость инференса. Prefill-only режим на vLLM (один проход по промпту, скоринг всего каталога без авторегрессии) — тот приём, который вообще делает экономику возможной. Инфраструктура рекомендаций начинает выглядеть как LLM-инфраструктура, а не как классический RecSys-стек.
📰 Опыт миграции аналитики для ритейла Retail Analytics с MS SSAS на Alpha OLAP
🔗 https://habr.com/ru/companies/barsgroup/articles/1070016/
💡 Вывод: Планируя уход с SSAS, закладывайте инженерную работу на 10-20% показателей: 80% (маржа, средний чек, оборачиваемость) переезжают предсказуемо, а ежедневные остатки на 150 млн строк, out-of-stock, прогнозирование и cross-selling требуют переноса логики в СУБД и переработки витрин. Архитектурная ловушка, которую стоит знать заранее: в Alpha OLAP каждый атрибут измерения — отдельная иерархия, что ломает формулы со ссылками на периоды. Заявленный срок миграции всего контура — около 3,5 человеко-месяцев.
Оговорка по источнику: текст написан маркетологом продукта Alpha BI, все цифры производительности — от вендора и партнёра, независимых замеров нет.
Пост от 14.08.2026 18:31
19
0
1
Цифровизация на языке бизнеса ⚙️
Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК.
📍 30 сентября 2026 г. Приурочено к выставке Агропродмаш
О чем поговорим?
🟣Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
🟣8 болей пищевого производства, которые лечит MES
🟣MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
🟣Как цифровизация трансформирует работу службы качества?
🟣Инфобез промышленных масштабов: конкретные шаги по защите производства
🟣Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
🟣Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов?
🟣Применение ИИ в работе с видеоаналитикой
И это, разумеется, еще не все!
Вас ждет:
🔘Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов.
🔘Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
🔘Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
➡️ Регистрируйтесь по ссылке
PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!
Мероприятия по цифровизации часто бывают слишком ИТшными. Мы это учли и сделали интенсив, который будет действительно интересен Топ-менеджерам от бизнеса.
Офлайн-интенсив “Цифровизация производства от учета до ИИ” для владельцев и ТОП-менеджеров производственных компаний FMCG и АПК.
📍 30 сентября 2026 г. Приурочено к выставке Агропродмаш
О чем поговорим?
🟣Что такое цифровое производство? Ключевые элементы и ценность от их синергии.
🟣8 болей пищевого производства, которые лечит MES
🟣MES на фабрике кухни: особый подход к автоматизации сегмента готовой еды
🟣Как цифровизация трансформирует работу службы качества?
🟣Инфобез промышленных масштабов: конкретные шаги по защите производства
🟣Эволюция российского BI – от реактивных дашбордов к проактивным ИИ-агентам
🟣Как оценить зрелость данных и ИТ-инфраструктуры перед стартом внедрения ИИ-агентов?
🟣Применение ИИ в работе с видеоаналитикой
И это, разумеется, еще не все!
Вас ждет:
🔘Только практика – только хардкор! Все доклады основаны на кейсах реальных проектов.
🔘Применимость здесь и сейчас. Вы сможете оценить, где проседаете, и тут же получить советы, как с этим работать.
🔘Живое общение. Возможность завязать новые полезные знакомства и задать вопросы экспертам без «лишних ушей».
➡️ Регистрируйтесь по ссылке
PS: Участие бесплатно, но требует подтверждение модератором. Количество мест ограничено. Помните, что с каждым днем свободных слотов становится все меньше!
