Горячее
Лучшее
Свежее
Подписки
Сообщества
Блоги
Эксперты
Войти
Забыли пароль?
или продолжите с
Создать аккаунт
Регистрируясь, я даю согласие на обработку данных и условия почтовых рассылок.
или
Восстановление пароля
Восстановление пароля
Получить код в Telegram
Войти с Яндекс ID Войти через VK ID
ПромокодыРаботаКурсыРекламаИгрыПополнение Steam
Пикабу Игры +1000 бесплатных онлайн игр Веселая аркада с Печенькой для новогоднего настроения. Объезжайте препятствия, а подарки, варежки, конфеты и прочие приятности не объезжайте: они помогут набрать очки и установить новый рекорд.

Сноуборд

Спорт, Аркады, На ловкость

Играть

Топ прошлой недели

  • Oskanov Oskanov 9 постов
  • Animalrescueed Animalrescueed 44 поста
  • Antropogenez Antropogenez 18 постов
Посмотреть весь топ

Лучшие посты недели

Рассылка Пикабу: отправляем самые рейтинговые материалы за 7 дней 🔥

Нажимая «Подписаться», я даю согласие на обработку данных и условия почтовых рассылок.

Спасибо, что подписались!
Пожалуйста, проверьте почту 😊

Помощь Кодекс Пикабу Команда Пикабу Моб. приложение
Правила соцсети О рекомендациях О компании
Промокоды Биг Гик Промокоды Lamoda Промокоды МВидео Промокоды Яндекс Маркет Промокоды Пятерочка Промокоды Aroma Butik Промокоды Яндекс Путешествия Промокоды Яндекс Еда Постила Футбол сегодня
0 просмотренных постов скрыто
VelStyling
VelStyling
Серия Выгорела от работы аналитиком, но...

Кто такой аналитик? Кто аналитик, а кто самозванец⁠⁠

6 месяцев назад

Сегодня каждый второй может назвать себя аналитиком.
Таблички делает? ✔️
Графики строит? ✔️
Слова "метрика", "дашборд" и "когортный анализ" знает? ✔️
Владение инструментом для анализа ✔️
Ну всё, аналитик.

Кто такой аналитик? Кто аналитик, а кто самозванец

И вроде бы логично... Есть бизнес аналитики, есть системные аналитики, есть аналитики данных, есть финансовые аналитики и др.

Но давайте честно: владение инструментами и базовыми знаниями в определенной сфере — ещё не делает из человека аналитика.

Сегодня мы не говорим о Python, SQL или BI-системах. Потому что можно уметь жонглировать Excel и Pandas, но всё равно не быть аналитиком.

Аналитик — это не про «знаю, какие кнопки нажимать».
Аналитик — это про мышление. Про подход. Про страсть понять, почему суп получился солёным, а отчёты по продажам не сходятся. Аналитик - про "докопаться до истины", выявить причины и спрогнозировать последствия.

Хороший аналитик:

  • замечает, что цифры «не бьются», и разбирается, где зарыта ошибка;

  • спрашивает: «А точно ли эта метрика — то, что мы хотим измерять?» — даже если её все уже полюбили;

  • видит, что пользователи уходят на третьем шаге, и проверяет: может, кнопка вообще не работает?

  • соединяет разбросанные факты в логичную картину — как пазл, только без картинки на коробке.

  • задает очень много вопросов Почему? Зачем? Для чего? Из-за чего? Что в итоге хотите получить? и многие другие.

Аналитик ищет суть, даже если она закопана под тонной данных и слоями хаоса. И ему нравится копаться в этом)))

А кто не аналитик?
— Тот, кто «делает отчёты по шаблону» и не интересуется, что в них написано. (я так делала на первой работе, я записывала каждый ход, который должна была совершить, чтобы в итоге получился отчет, каждую кнопочку, которую должна нажать. Я вообще не думала о смысле, о суте)
— Тот, кто приносит графики ради графиков, а не ради инсайтов. (а этот пункт я полюбила, когда осознала, что визуализация упрощает и помогает делать быстрее выводы)
— Тот, кто кидает цифру и считает, что вопрос закрыт, даже если эта цифра родилась в кривом Excel на коленке. (Ох, как я страдала, когда выясняла откуда данные, и как они туда попадают)

Аналитик — это, по сути, человек, который:

  • сомневается (в данных, в формулировках, в выводах) - у него вообще такая работа))) - сомневаться))),

  • вникает (в процессы, в гипотезы, в контекст),

  • и связывает (одиночные сигналы в цельную картину).

Инструменты меняются. Сегодня это Python, завтра будет нейросеть, послезавтра вообще голограммы. А умение мыслить, сомневаться, задавать вопросы - останется у аналитика всегда.

А вы сталкивались с "аналитиками", у которых много графиков и ни одного смысла?
Или сами когда-то чувствовали себя самозванцем — потому что не знали Python, но очень хотели докопаться до сути?

Расскажите. Интересно, как вы определяете, кто аналитик, а кто просто при табличке.

Показать полностью 1
[моё] Аналитика Аналитик Данные Большие данные SQL Microsoft Excel Эмоциональное выгорание Саморазвитие Психология Коучинг
19
VelStyling
VelStyling
Серия Выгорела от работы аналитиком, но...

Что такое данные и зачем они вообще нужны?(Саркастическое, но понятное введение в аналитику)⁠⁠

7 месяцев назад

Вы когда-нибудь смотрели на таблицу с пятью тысячами строк и думали:
«Вау, какой кайф, пойду проведу вечер с бокалом чая и этими загадочными циферками»?

Что такое данные и зачем они вообще нужны?(Саркастическое, но понятное введение в аналитику)

Нет? А зря. Потому что данные — это современная нефть. Только в отличие от нефти, они не заканчиваются, а появляются с каждым кликом, лайком и просмотром.

Ну и что за данные?

Данные — это всё, что вы делаете в интернете (и не только).
📦 Сколько человек купило носки в красную полоску.
📱 Сколько времени вы листали ленту, забыв зачем вообще открыли приложение.
🫥 Какой заголовок заставил вас кликнуть на статью, хотя вы уже трижды на неё попадались.

Если у компании нет данных — у неё нет ничего. Только надежда и вера в интуицию.
(Интуиция, как известно, работает до первого серьёзного факапа.)

А зачем их вообще анализировать?

Потому что иначе все решения принимаются по принципу «ну вроде норм».
А «вроде норм» — это прямой путь в «а почему всё развалилось?».

📊 Анализ данных — это когда вместо догадок у вас есть факты, цифры и чёткое понимание, что именно сломалось (и как это починить).

Пример из жизни:

  • Без анализа: «Пользователи почему-то уходят с сайта, странно...»

  • С анализом: «80% новых пользователей покидают сайт уже на первом экране, потому что им в лицо выскакивает всплывающее окно с анимацией и текстом, который невозможно прочитать. Убираем окно — удержание растёт».
    (Да, анимированные "приветики" и кислотные шрифты отпугивают сильнее, чем забытый тег <title>.)

А что будет, если не анализировать?

Будет весело, но больно.

🕳 Сайт может не работать 3 дня — и вы об этом даже не узнаете.
Пока не заглянете в данные: число визитов резко упало, время на сайте — ноль секунд, а в логе ошибок весёлое сообщение типа 500 Internal Server Error.
(Поздравляю, вы всё это время показывали пользователям белый экран. Или, если повезло — грустный смайлик.)

🎭 Вы будете думать, что пользователям всё нравится.
Потому что никто не жалуется. А потом глянете на активность и увидите, что 90% "активных" пользователей — это люди, которые просто забыли выйти. Не пользуются, не нажимают, просто числятся.
(Никакого восторга, просто забыли.)

Ну и кто вообще этим занимается?

Аналитики.
Эти странные, но полезные ребята, которые дружат с таблицами, графиками и странными словами вроде "SQL".
Они как детективы: смотрят на следы в виде чисел и находят, кто сломал воронку продаж.


Я была аналитиком клиентских данных. В мои задачи входило сформировать актуальные персональные данные по клиенту. Не смотря на то, что клиент может прийти из разных каналов, в разное время, у него часто меняется персональная информация: паспорт, телефон, адрес, email и т.п. Необходимо было на выходе выдать карточку клиента, в которой находилась актуальная и качественная информация. А уже на основе этой карточки клиента собирался клиентский профиль. В простонародье "Клиент 360". И в этот профиль уже могла входить другие показатели: продуктовые, финансовые, аналитические, социальные и т.п. И вот в этом месте уже можно было применять "творчество".

Так что если вам кажется, что данные — это скучно, просто помните: они уже знают, какой фильм вы посмотрите следующим, какую еду закажете, и когда в последний раз открывали этот пост.
И знаете что? Они почти всегда правы.

Для чего весь этот спичь..? А для того, чтобы вспомнить, что может аналитика данных. И какой не огранённый алмаз "эти ваши данные".

Если помните, то у меня сейчас состояние эмоционального выгорания. Вот тут начало моего пути в этом состоянии.

Показать полностью 1
[моё] Аналитика Аналитик Данные Анализ Большие данные SQL Microsoft Excel База данных Клиенты Длиннопост
1
scutdusty
Аналитика данных

Творожок Часть 5 разбираемся с ETL и ELT⁠⁠

7 месяцев назад

Загрузка, причесывание итрансформация данных завершены, че с ними делать мы определились. Но что если данных овердохуя?

Задача: Выебать бабу и оставить ее в кровати.

У нас есть два подхода, которые зависят от комплекции бабы и размера кровати:

Если баба жирная, тяжелая, неповоротливая и сходу сложно понять, как ее выебать, а дома у тебя вместо кровати целый траходром – положи сперва ее на кровать, а потом разбирайся как будешь ее оприходовать. Ежели баба похожа на Дюймовочку, и всю одежду с нее можно просто сдуть, намного приятнее и быстрее начать ебать ее сразу, где ты ее застал. Тем более если у тебя односпальная кровать в которой тесно и одному. А потом уже можно и в кровать ее уложить отдыхать.

Если данные жирные и корявые – положи их сперва в хранилку (облака, озера и прочую хуйню), там их можно потом пилить и обрабатывать. Если данные худенькие и стройненькие – обрабатывай их на лету и после этого клади в хранилку.

В этом суть ETL и ELT подхода к обработке и хранению данных, где Extract – Едешь к бабе, L – Ложишь ее и T – трахаешь.

Если бабенка маленькая и низкорослая, то ты сразу сможешь дотянуться до всего что тебе надо. Если бабища настолько большая что до всего сразу и не дотянуться, то трахать ее тоже можно по частям разметив ее предварительно на слои (типа первый слой – это верх бабы и низ бабы, второй слой – жопа, пизда и рот). Гуглите ODS и DDS.

Продолжение следует…

Показать полностью
[моё] Аналитика Программирование Мат Данные Анализ данных Большие данные Python Bi Текст
0
VelStyling
VelStyling
Серия Выгорела от работы аналитиком, но...

Как я разлюбила аналитику и выгорела, а сейчас снова пытаюсь влюбиться в данные (почти как в кино, только без хэппи-энда и бюджета)⁠⁠

7 месяцев назад

Когда-то я любила аналитику, данные, визуализацию, оптимизацию и автоматизацию. При этом я не была Гуру данных, а технологический стек у меня вызывал страх, поэтому в моем лексиконе были такие фразы: "Мне нужна штучка, где можно делать SELECT * FROM TABLE", "Как, я уронила сервер? Ну нет, у меня нет таких способностей", "Пайплан...не, я не увлекаюсь спортом."

Но потом пришёл burnout с чемоданом и сказал: «Живём теперь вместе».

Всё, что я любила — стало вызывать отвращение. Данные? Уберите это от меня. Аналитика? До свидания, я на дачу.

Все это проявлялось следующим образом: все давалось очень тяжело. Подъем на работу - тяжело, убраться - тяжело, куда-то сходить - тяжело. Я не видела результата своей работы, я не видела ни своей заинтересованности в работе, ни заинтересованности своих руководителей в моей работе. Моя работа была просто в ящик стола.

При этом, подумаете вы, ну вот, пожалуйста, отличный вариант развиваться и самосовершенствоваться. Да - это, действительно, отличный вариант. Но, рожденные в СССР, так не умеют. Для них, как и для меня, свойственно всецело отдаваться работе - ТЕБЕ ЖЕ ЗА ЭТО ДЕНЬГИ ПЛАТЯТ, а ты тут своими делишками занимаешься. Ай-яй-яй!!! На работе была "работа ради работы".

Ну вот... так и начался процесс моего осознания, что я "скончалась". И это был не первое мое выгорание. Я в своем дневнике нашла записи, аж 2019 года и в них были цели, достижения и одна фраза - НО Я УСТАЛА. Божеки, в моей голове зажглась лампочка. Аж с 2019 года я была уставшей. А сейчас 2024 уже. Это 5 лет я уставшая... как же я себя не люблю оказывается, раз 5 лет отношусь к себе как к загнанной лошади, но она ведь лошадь, значит может пахать.

Опустим описание этих пяти лет, кроме одного момента. В 2022 году я уже делала попытку отдохнуть, и на тот момент, отдых сначала мне казался - это смена моего профессионального направления. Многие говорят, что если переключаешься на другую деятельность, то это и есть отдых. Мои переключения были резкими и практически кардинальными, даже увольнение в никуда. Но моя тревожность, что я не зарабатываю, не приношу пользу обществу взяла вверх и в очередной раз я в офисе, заполняю трудовой договор и готова творить волшебство с данными.

Спустя два года, я осознала, что НИКОГДАНИБУДЬ наступила - ВСЕ burnout распокавал свой чемодан и не желает покидать мое пространство. Так случилось мое выгорание. И 31.12.2024 был мой официальный последний рабочий день.

Сейчас апрель 2025, спустя четыре месяца, я снова начинаю дышать. И это первый месяц, когда у меня нет обязательств, даже перед собой. До этого я завершала договорные обязательства перед коллегами и параллельно перед самой собой (надо было окончить курс по data engeneer). И вот я свободная и, казалось, должна быть счастливой. Но что-то не дает мне оставаться в стороне, быть вне аналитического сообщества.

В общем, я решила, что, возможно, вернет меня к данным новый формат работы с ними. Для тех, кто боится больших данных, для тех кто боится SQL как клопов в общаге — для них у меня будут фишечки, метафоры и шутейки, чтобы ты с ним подружился.
Ну а если не боишься — всё равно приходи, поболтаем. Может, ты тоже выгорел и просто ищешь компанию.

А пока я придумываю концепцию, как заново полюбить аналитику и влюбить других в анализ данных, и сделать это с бюджетом 0 рублей, ты можешь заглянуть в канал t.me/DailySoulBoost — там я пока просто поднимаю настроение и отправляю поддерживающий фразы. Ну как отправляю, написала бота и он генерит их.

Показать полностью 1
Эмоциональное выгорание Аналитика Большие данные SQL Hf Работа Первый опыт Первый пост Карьера Фриланс Личный опыт Telegram (ссылка) Длиннопост
18
2
CPA.LIVE
CPA.LIVE
ИТ-проекты пикабушников

Сервис для удаления дубликатов⁠⁠

7 месяцев назад

Привет, пикабушники! 👋

Недавно сам попал в ситуацию, когда огромный список копипасты в Excel/Блокноте превратился в ад из повторов. 🤯 Чтобы быстро разобраться, сделал себе небольшой онлайн‑сервис по удалению дубликатов — вставил список, нажал «Удалить», и вуаля:

  • уникальные строки и их частота

  • «фаззи»‑проверка (учитывает близкие совпадения)

  • игнорирование регистра, пробелов, пунктуации

  • сортировка по алфавиту или по частоте

  • копирование чистого списка в буфер

  • и даже скачивание полного отчёта в CSV

Работает прямо в браузере, без регистрации и лишних телодвижений. Может кому‑то пригодится в учёбе, на работе или при «для дома» задачах — удаление дубликатов от CPA.LIVE. 😉

Пробуйте, буду рад фидбеку! ❤️

[моё] Дубликаты Программа Microsoft Excel Таблица Большие данные Текст
11
0
datadreamen
datadreamen

Аналитическое бинго⁠⁠

10 месяцев назад

Вот и начался рабочий 2025 год, предлагаю немного посмотреть назад и вспомнить каким был Ваш аналитический 2024 год. Думаю, у каждого в нем было много классных моментов, интересных задач, сложных вызовов.

Предлагаю подвести итоги, зачеркивая клеточки в Новогоднем аналитическом бинго! Забирайте себе файлик, скриншотьте, зачеркивайте и делитесь тем, как прошел ваш 2024

Если хотите еще больше про аналитику, карьеру в ИТ и данные - подписывайтесь на тг канал про аналитику data dreamen https://t.me/data_dreamen

Аналитическое бинго
Показать полностью 1
[моё] Бинго Аналитика SQL Python Большие данные Microsoft Excel Data Science Данные Новый Год
0
5
SlyVolunteer
SlyVolunteer
Популярная наука
Серия Происхождение экономических систем

Технологические основы плановой экономики: большие данные, ИИ и распределённые реестры⁠⁠

10 месяцев назад

Технологическое развитие создаёт новые возможности для возрождения и совершенствования плановой экономики. Ключевыми инструментами в этом процессе становятся большие данные, искусственный интеллект и блокчейн-технологии, которые способны радикально улучшить управление ресурсами, прогнозирование и координацию экономической деятельности.

Большие данные обеспечивают доступ к детальной и актуальной информации о социальных, экономических и экологических процессах. Анализируя данные о потреблении, производстве и логистике, системы управления могут не только оптимизировать распределение ресурсов, но и предугадывать изменения спроса, избегая как дефицита, так и перепроизводства. Например, в сельском хозяйстве данные о погодных условиях, состоянии почвы и предпочтениях потребителей позволяют заблаговременно планировать производство продовольствия с минимальными издержками и отходами.

Искусственный интеллект играет решающую роль в обработке огромных объёмов данных, находя сложные взаимосвязи и создавая оптимальные модели распределения ресурсов. Алгоритмы машинного обучения позволяют адаптировать планирование к меняющимся условиям, учитывая множественные факторы одновременно, от динамики цен на энергоносители до климатических изменений. В транспортной сфере такие системы уже используются для оптимизации грузопотоков и сокращения выбросов углекислого газа.

Распределённые реестры, включая технологии блокчейна, открывают новые горизонты для прозрачности и контроля за выполнением планов. Они позволяют фиксировать транзакции и экономические операции таким образом, что ни одна сторона не может изменить данные без согласия всех участников. Это особенно важно для предотвращения коррупции и обеспечения доверия между государством, бизнесом и гражданами. Кроме того, смарт-контракты, реализуемые через блокчейн, автоматизируют выполнение экономических соглашений, сокращая бюрократические издержки.

Комбинация этих технологий создаёт возможность построения гибридных моделей экономики, где центральное планирование сочетается с элементами рыночной координации. Например, прогнозы, построенные на основе ИИ, могут служить базой для государственно-частных партнёрств в ключевых отраслях, таких как энергетика или инфраструктура.

Пример использования технологий в плановой экономике

Пример использования технологий в плановой экономике

Технологическая база создаёт предпосылки для перехода к более устойчивым и справедливым экономическим системам, способным эффективно решать вызовы современности. Однако успех этой трансформации зависит от правильной интеграции технологий, обеспечения доступа к ним для всех участников и предотвращения концентрации контроля в руках узкой группы.

Предыдущий пост: Глобальные вызовы XXI века: роль плановой экономики в решении проблем неравенства и экологии

Продолжение: Примеры успешных моделей и их уроки для будущего

Этот пост входит в Часть 7. Искусственный отбор: плановые экономики

Плановая экономика как пример "искусственного отбора". Эксперименты государств с централизованным управлением ресурсами. Успехи и неудачи этих моделей.

Серия Происхождение экономических систем путём естественного отбора

Показать полностью 1
[моё] Эволюция Развитие Научпоп Искусственный интеллект Большие данные Анализ данных Распределенные сети Блокчейн Экономика Политэкономия
4
2
scutdusty
Аналитика данных

Творожок Часть 4 Что случилось и что делать?⁠⁠

11 месяцев назад

После того как данные загружены, причесаны и трансформированы можно приступать собственно к самой аналитике. Возвращаемся к творожкам.

Итак...

Я открываю холодильник и вижу, что там есть 3 творожка. А вчера их было 5. А позавчера 8. А в прошлый понедельник их вообще не было.

Посчитайте оборачиваемость творожков, стоимость товарного запаса, постройте линейный график присутствия творожков в холодосе, творожковый индекс инфляции. Делая все эти манипуляции мы отвечает на вопрос "что случилось?". Это называется дескриптивная аналитика. По-русски - описательная. В ней описываются произошедшие события. Они крутятся, вертятся, дробятся, аггрегируются и блядь хуй знает чё с ними ещё делают аналитики, которые застряли на этом этапе. Описательный анализ не требует интенсивной работы головного мозга, так как все формулы вычислений расписаны лет 100, а то и 200 назад. Просто подставляй цифры в формулы, рисуй графики, придумывай KPI и натужно их достигай. Исключение составляют разве что задачи кластеризации и классификации.

Но нужно понимать  почему то или иное событие произошло, почему в одном месте рекорд, а в другом все пошло по пизде? Почему сегодня есть творожки, а в прошлый понедельник их не было. Почему вчера их было 5, а сегодня всего 3? На подобные вопросы отвечает диагностическая аналитика и применяется охуенный, но в то же время один из самых сложных инструментов - факторный анализ. Здесь от аналитика помимо его знаний в области непосредственно аналитики требуется ещё и знание предметной области. И те аналитики, которые либо имели опыт в каком-то конкретном бизнесе или тесно общаются с этим бизнесом имеют большую эффективность. О чем это я? В прошлый понедельник закончились творожки, потому что в предыдущее воскресенье все деньги были спущены на поход в кино, чипсы и Кока-Колу, магазин был закрыт, творожки все разобрали, дома все заболели и сходить было некому, холодильник сломался и некуда их складывать, наступил ядерный апокалипсис. Для факторного анализа основываясь на данных из дескриптивного анализа соединяем графики нахождения творожков в холодосе, их цену, график получения зарплаты, график походов в кино, график закрытия магазина, график частоты отсутствия на полках магазина необходимого товара, график профилактических прививок от всех болезней, график регулярного технического обслуживания холодильника, ну и наконец расписание ядерных апокалипсисов. Вводим во все это хозяйство минимум две одинаковых временных шкалы. Теперь мы начинаем сравнивать показатели в разных временных периодах в разрезе разных факторов, которые могли повлиять на те или иные показатели выявляя закономерности и делая выводы.

Если задрочиться, то на этом этапе можно въебать ML-ку для поиска аномалий и/или выделения неочевидных факторов.

Ну и что дальше? Сколько творожков у меня будет завтра? На этот вопрос отвечает преддиктивная аналитика. Собрав все данные из дескриптивной и диагностической аналитики мы можем построить графики трендов, временные ряды, и прочую прогностическую херню. Здесь простор для задрачивания математики, статистики, ML-моделей и всей прочей ботанской ебалы, которую вы прогуливали в институте.

Самой последней наиболее дорогой по баблу, но самой милой сердцу любого начальника идет предписывающая аналитика. И если преддиктивная аналитика отвечает на вопрос "что будет если нихера не менять?", то предписывающая аналитика отвечает на вопрос "что будет если что-то все таки поменять?" и "что делать?". И подобные вопросы типа "Как, когда, в каком количестве нужно делать, чтобы не проебать все полимеры". Само собой она основывается на предыдущих трёх уровнях аналитики, типа в субботу нужно купить 12 творожков на сумму 768 рублей, потому что в запасе ещё 3 творожка, прогнозируемое потребление - 2.5 творожка в день, зарплата в пятницу, по субботам скидки, а в магазин в следующий раз мы пойдем в лучшем случае в четверг. Здесь аналитику придется смотреть на бизнес уже глазами руководителя.

Руководитель будет полагаться на предписывающую аналитику в принятии решений, но не руководствоваться ей, иначе он не руководитель, а обезьяна, потому что профессиональная чуйка (не учтенные в модели факторы) может дать лучшие результаты, чем самый лучший расчет.

Продолжение следует...

Показать полностью
[моё] Аналитика Программирование Мат Данные Анализ данных Большие данные Python Bi Длиннопост Текст
3
Посты не найдены
О нас
О Пикабу Контакты Реклама Сообщить об ошибке Сообщить о нарушении законодательства Отзывы и предложения Новости Пикабу Мобильное приложение RSS
Информация
Помощь Кодекс Пикабу Команда Пикабу Конфиденциальность Правила соцсети О рекомендациях О компании
Наши проекты
Блоги Работа Промокоды Игры Курсы
Партнёры
Промокоды Биг Гик Промокоды Lamoda Промокоды Мвидео Промокоды Яндекс Маркет Промокоды Пятерочка Промокоды Aroma Butik Промокоды Яндекс Путешествия Промокоды Яндекс Еда Постила Футбол сегодня
На информационном ресурсе Pikabu.ru применяются рекомендательные технологии