• Темы опросов: если вы часто участвуете в опросах про технологии, система запомнит ваш интерес. Вас будут чаще приглашать в такие исследования. Но иногда могут и не позвать — если, например, нужно собрать мнения новых людей, которые ещё не участвовали в похожих опросах.

• Качество ответов: например, если вы пишете «ывлдаываыв» в открытых вопросах, система сделает пометку «некачественные ответы».

• Скорость и активность: сколько времени вы тратите на ответы — это влияет на ваш «рейтинг активности».

3. Данные из соцсетей

Если вы регистрировались через VK, Yandex или другие платформы, опросник может получить:

• ФИО, дату рождения, email, ID профиля.

• Дополнительную информацию, которую вы указали в соцсетях.

4. Обогащение уже указанных данных

Опросники умеют «добывать» больше информации из того, что вы уже указали:

• Дата рождения → возраст.

• Почтовый индекс → регион, город, население города и даже район.

• IP - сверить с регионом, который указали

• номер телефона - регион и оператор

Это команда WEEEK — сервиса по управлению проектами. Нам нравится рассуждать о личной эффективности, планировании, а ещё о том, как не сойти с ума в попытках организовать жизнь. И мы знаем, как трудно бывает подступиться к своим планам.

Представь ситуацию: заказчик просит назвать срок релиза новой фичи. Команда новая, опыта совместной работы нет, объём задач до конца не понятен. Точный ответ дать сложно.

Вместо «посмотрим по ходу» можно использовать метод Монте-Карло. Он помогает получить вероятный результат и опереться на него в планировании. В этой статье разбираемся, что это за метод, зачем он нужен и как его применяют в проектах.

Что такое метод Монте-Карло

⚠️ Важно: метод Монте-Карло может быть очень сложным. Здесь — только базовая и упрощённая версия

Метод Монте-Карло — это способ решать задачи с помощью случайных чисел. Его придумали физики в середине XX века. Джон фон Нейман и Станислав Улам работали над задачами, связанными с ядерными реакциями. Было слишком много неизвестных, чтобы считать всё точно.

Станислав Улам позже вспоминал, что идея пришла ему в голову во время игры в пасьянс. Он задумался, как часто сходятся определённые комбинации, и понял: это можно считать через повторение и случай. Так метод стал инструментом для получения приближённых, но полезных результатов.

Если формула слишком сложная или точных данных нет, можно пойти другим путём:
много раз подставить разные случайные значения и посмотреть, какие результаты встречаются чаще всего.

Смысл простой: мы заменяем сложные расчёты большим количеством попыток. Чем больше таких попыток, тем ближе результат к реальности.

Почему метод называется Монте-Карло

Название связано с казино в районе Монте-Карло в Монако. В азартных играх всегда есть шанс, но нет гарантии результата. Принцип похожий: каждый расчёт — это один случайный сценарий. В сумме они показывают, какие исходы встречаются чаще.

Есть и более личная версия: по словам фон Неймана, название прижилось из-за шутки про родственника Улама, который постоянно «срочно ехал в Монте-Карло».

Где применяют метод Монте-Карло

Метод используют во многих сферах, где есть неопределённость:

• физика и инженерия

• экономика и финансы

• IT и разработка

• бизнес и стартапы

• логистика

• маркетинг и реклама

Везде, где нужно принять решение без точных данных. В проектах метод помогает оценить риски и принять решение, даже если данных мало.

Вот примеры задач:

• Сроки
  Какова вероятность закончить проект за два месяца?

• Бюджет
  Хватит ли выделенных денег или лучше заложить запас?

• Прибыль
  Какова вероятность, что проект окупится?

Метод не даёт точного ответа, но показывает вероятность. А этого часто достаточно, чтобы двигаться дальше. В общем виде метод отвечает на вопрос:

«Какова вероятность, что произойдёт нужное событие?»

Например: успеет ли команда закончить проект за 20 дней?

Пример: расчёт сроков проекта

Чтобы посчитать вероятность по методу Монте-Карло, нужны базовые знания и немного терпения. Сложных формул не потребуется, если задача не из ядерной физики.

1. Определи задачу — чётко сформулируй, что именно хочешь узнать и подходит ли тут Монте-Карло.

2. Подготовь данные — задай диапазоны значений или используй прошлые показатели.

3. Запусти моделирование — внеси данные в Excel, Python или другую программу и сгенерируй тысячи сценариев.

4. Проанализируй результат — собери данные и посмотри распределение вероятностей, обычно в виде графика.

Шаг 1. Формулируем задачу

Представь: нужно запустить онлайн-курс за 30 дней. Команда небольшая, часть подрядчиков новые, поэтому точные сроки по задачам никто назвать не может. Хочется понять, какова вероятность уложиться в месяц.

Проект состоит из четырёх этапов:

• разработка программы курса

• запись видео

• монтаж и загрузка материалов

• маркетинговый запуск

Каждый этап зависит от предыдущего, параллельно работать не получится.

Шаг 2. Задаём диапазоны значений

Для каждого этапа задаём три оценки: оптимистичную, наиболее вероятную и пессимистичную.

Эти значения станут основой для симуляций.

Шаг 3. Моделируем сценарии

Программа 10 000 раз повторяет один и тот же процесс:

• случайно выбирает длительность каждого этапа в заданном диапазоне

• значения ближе к «наиболее вероятным» выпадают чаще

• суммирует все этапы и получает общую длительность проекта

Примеры нескольких симуляций:

Шаг 4. Анализируем результат

После 10 000 прогонов получается распределение сроков.

Допустим:

• симуляций, где проект уложился в 30 дней — 6 200

• общее количество симуляций — 10 000

Вероятность = (6 200 / 10 000) × 100 % = 62 %

Это значит, что шанс запустить курс за месяц — около 62 %.
При сроке в 35 дней вероятность вырастает почти до 90 %.

Дальше решение за тобой:

• рискнуть и оставить дедлайн 30 дней

• заложить буфер и сразу пообещать 35 дней, чтобы снизить давление на команду

Коротко о главном

• Методом Монте-Карло пользуются, когда много неизвестных

• Он показывает вероятность, а не точный ответ

• В проектах помогает оценить сроки, бюджет и риски

• Используют Excel, Python и специализированные программы

• Чем больше расчётов, тем точнее результат

• Итог лучше анализировать через графики

Больше про методы работы с проектами можешь прочитать здесь:

Метод швейцарского сыра: как избегать ошибок и управлять временем

Метод «Съешь лягушку»

Ресурсное планирование

А пока подписывайся на мой канала Аналитика FM.
Его я веду с нуля подписчиков.
В этом канале я публикую информацию об инструментах аналитика (SQL, Python)
О мышлении аналитика, о метриках, об ошибках.
Публикую чек-листы по стандартным видам работы аналитика.
Присоединяйся!

Бизнес редко приходит с чётким запросом.
Не потому что он глупый или ленивый.
А потому что бизнес живёт ощущениями, а не формулами.

Продажи "просели".
Конверсия "стала хуже".
Клиенты "ведут себя странно".

Это язык боли, а не требований.

И тут аналитик хочет обезопасить себя со всех сторон:
- написать запрос
- вытащить все данные
- построить отчёт "на всякий случай"
- показать цифры и сказать: "Вот"

Но в реальности это почти всегда заканчивается одинаково:
- "А это не совсем то"
- "А можно по-другому?"
- "А мы вообще не это имели в виду"

Когда бизнес не знает, что ему нужно,
аналитик не исполнитель,
аналитик - переводчик.

Ты начинаешь переводить бизнесовые ощущения в конкретные показатели, и смотреть как эти показатели подтверждают/опровергают эти ощущения. Ты переводишь эмоции в конкретные метрики. Подсознательное ощущение "что-то не так", ты переводишь в конкретные вопросы к данным.

И вот на этом этапе SQL становится не просто инструментом, а следствием мышления.

Очень часто проблема не в том, что запрос неправильный.
А в том, что вопроса не существовало.

Например:

• "Продажи упали" - относительно чего?

• "Конверсия плохая" - на каком этапе?

• "Клиенты уходят" - кто именно и когда?

Пока бизнес не ответил хотя бы на это - любой запрос будет случайным.
Или аналитик с приличным бэкграундом, задаст их сам себе, задаст эти вопросы данным и получит развернутый ответ, чтобы у бизнеса были аргументированные показатели.

И это самый важный навык аналитика. Аналитик не должен просто писать сложные JOIN-ы, он должен уметь задавать вопросы так, чтобы:
- стало понятно, что именно ищем
- появилось ощущение направления
- сузилось пространство неопределенности.

И да - бывает, что бизнес так и не может сформулировать запрос.

Тогда аналитик делает не отчёт, а гипотезу.

Я предполагаю, что проблема может быть здесь.
Давайте проверим это.

Это нормальная практика.
Гораздо честнее, чем молча строить отчёт "на всякий случай".

Самое важное:
если бизнес не знает, что ему нужно - это не ошибка бизнеса.

Это точка, где аналитика становится ценностью!

Ну а в моем канале Аналитика FM не только об инструментах аналитика, но и об аналитическом мышлении, метриках, логики.

Присоединяйся!

В чём была проблема первой версии. Подбор масла осуществлялся на логике самого ChatGPT. Он пытался определить, какое масло подходит автомобилю, опираясь на свои чертоги памяти. А как мы знаем, в таких случаях он любит пи… фантазировать. На его языке это называется уровень креативности (температура,). То есть сервис работал ху плохо, доверять ему на сто процентов было нельзя.

Зачем вообще нужен ChatGPT в подборе масла. Продолжая эти изыскания, я понял одну простую вещь: ChatGPT вообще не нужен для того, чтобы выбирать масло. Он нужен для нормализации запросов.

Пользователь пишет в чате любую ересь по типу:

• вольольксваген Туарегс 2 литра бенз 2020 года

• Тойта Ленд Крузре 2018 г., дизель, 4.5 л

• джип гранд чероки lbptkm 3 kbnhf 1990 ujlf

Криво, с ошибками. И вот тут ChatGPT незаменим имхо, ибо он умеет нормализовать запросы. Из этого текстового хаоса он может вытащить марку, модель, год выпуска автомобиля. И делает это гораздо лучше любого жёсткого фильтра или формы.

Почему Visual Studio и Codex всё изменили. Дальше началось то, что я с трудом называю словом вайб-кодинг. Всё-таки кодинг это когда ты реально пишешь код хоть и с помощью ИИ. А у меня это скорее разовые акции. Я установил Visual Studio и подключил к ней плагин Codex от ЧатГПТ. И здесь произошёл переломный момент. Проблема общения с ChatGPT в обычном чате в том, что чат конечен. Он разрастается, тупит, забывает контекст, начинает путаться.  А Visual Studio с Codex это уже рабочая среда. Проект с файлами, структурой, логикой. Codex видит все файлы, обновляет их, понимает взаимосвязи и не теряет контекст. Сейчас можно дорабатывать это проект просто путем передачи одного текстового файла, можно просто скинуть ему логи, он проанализируем и внесёт правки в скрипт.

Новая логика: база масел вместо фантазии. Я изменил логику сервиса и добавил базу соответствия масел, которую взял у производителей. Теперь всё работает так: пользователь пишет свой запрос, каким бы упоротым он ни был. Система его нормализует, приводит в человеческий вид и дальше начинает искать неточные соответствия в базе. Мы ищем конкретную модель автомобиля с конкретным двигателем. Объём, тип топлива, параметры двигателя. Часть полей пока не используется, но они уже есть в базе. Главное здесь больше нет угадывания. Поиск уже идёт по реальным данным производителя.

Почему для меня это выглядит как чудо. В итоге ChatGPT буквально создаёт плагин. Настоящий, готовый архив - загружаешь его на сайт через админку и он работает. Если это не будущее, то я не знаю, что тогда будущее. Да, есть момент с настройкой базы данных. Но честно это не выглядит чем-то запредельно сложным.

Что получилось в итоге. Вот мой сервис по подбору масла Сервис, в котором не написано ни строчки кода живым человеком.

Отсюда, кстати, и довольно упоротый дизайн. Система показывает, как именно она распознала ваш запрос, какие допуски масла ему соответствуют, и ищет максимально точное пересечение всех параметров. В итоге вы получаете список конкретных масел (и допуски), которые подходят именно вашему автомобилю (двигателю). Важно то, что допуски берутся из базы производителей масел. Это не фантазия ГПТ, а реальные данные.

Про логи, ошибки и самообучение. Все запросы пишутся в логи. Абсолютно все и то, что вы написали, и то, что система ответила. Есть отдельные логи под ошибки и нулевые запросы. Эти логи анализирует всё тот же ChatGPT. Он открывает тхт файл и смотрит, где ответ не соответствует запросу и я раз в неделю вношу правки: в нормализацию запросов, в работу с базой, в логику поиска. Дебаггинг этой балалайки происходит в полуавтоматическом режиме, просто на основе тхт логов. Я ему логи, он мне файлы.

Что будет дальше. Во-первых, та самая хваленая нормализация тоже работает кривовато, например запросы типа

• Lada Vesta 2019, бензин, 1.6

ему не даются, тк в базе это VAZ и это нужно доработать

Во-вторых, база данных содержит гораздо больше полей, чем мы используем сейчас. Конкретные модели двигателей, цилиндры, клапаны и много чего ещё. Когда мы доведём текущую версию до стабильного состояния (когда нормализация будет близка к идеальной), я начну подключать эти поля. Я уверен, что через пару месяцев получится реально мощный сервис подбора масла: ты просто пишешь, какая у тебя машина, а система точно говорит, какие допуски тебе подходят и какие масла им соответствуют. И всё это на актуальных базах данных производителя.

Зачем я вообще всё это пишу. Когда я начинал бортовой журнал удаленщика, я думал, что буду чаще писать про удалённую работу, копирайтинг, эксперименты на фл. Но, честно говоря, я даже представить не мог, что через пару лет мы будем говорить о таком софте. Как бы вы ни относились к этому, это рабочий инструмент. Да, кривоватый. Да, местами тупит. Но в большинстве случаев, он таки дает верный ответ.

Наверное, основное, что я хочу сказать- пробуйте и вы, не только лишь все теперь могут быть программистами. Это действительно новая и полезная технология. Она позволяет решать задачи, которые раньше казались сложными и недоступными. Я никогда не учил программирование и не собирался начинать это делать в сорок лет. Да и теперь мне это и не нужно. Это во-первых весело и всяко полезнее чем тик ток.

Сейчас я даже балуюсь с простыми играми на Питоне, чисто по фану. Делать такое руками я бы никогда не стал, потому что это заняло бы у меня нереальное количество времени. Но сейчас - почему бы и да. Всем мир!

• Механика изнутри. Как на самом деле работает подбор респондентов. Почему кто-то получает 5 опросов в день, а другого не пригласят никогда. Почему после скрининга вас отсеивают, хотя, казалось бы, вы идеально подходите.

• Экономика опроса. Откуда берутся деньги для участников опросов. Почему опросы платят по-разному (или не платят вовсе)? Как панели зарабатывают и как отличить честную платформу от мошеннической.

• Война с ботами и невнимательными. Это целый детектив. Я покажу, какими способами мы отсеиваем некачественных респондентов: от скрининговых вопросов и анализа времени ответа до сложных статистических методов. Вы удивитесь, насколько это серьёзная гонка вооружений.

• Культурные коды и «русская специфика». Почему нельзя просто взять российскую панель и скопировать её для другой страны. Разное отношение к деньгам, к приватности, к самому процессу опроса. Буду сравнивать и рассказывать, что работает у нас, а что — нет.

• Лайфхаки для респондентов. Хотите чаще проходить опросы и получать больше вознаграждений? Я дам советы, основанные на логике системы, а не на домыслах. Как заполнять профиль, как внимательно читать скринеры и как не попасть в бан.

• Данные и приватность: что на самом деле собирают панели? Куда попадают ваши ответы на профильные вопросы? Кто их видит и как они защищены? Разберём, где грань между необходимой для исследований информацией и излишней слежкой.

Этот блог — не реклама какой-либо панели. Я хочу развеять мифы, существующие среди участников опросов, показать сложность этой экосистемы и, возможно, помочь тем, кто по другую сторону экрана — заказчикам исследований, маркетологам и социологам.

Если вам когда-либо было интересно, почему опрос внезапно оборвался или как из миллионов мнений рождается точный прогноз — вам сюда.

Короткие истории и рабочие моменты в ТГ канале - https://t.me/survey_insider