Agaltsov Anton | TeamLead-блог

⬆️ Повышение — следствие роста, а не его причина Промо — это формальное признание того, что сотрудник уже устойчиво работает на уровне следующего грейда. Логика «повысим — и человек дорастёт до роли» переносит риск неподтверждённого уровня на команду и на бизнес. Повышения бывают двух типов: вертикальное — следующий грейд в своём треке, и трековое — переход в управление или смежную роль. Оцениваются они по-разному: соответствие описанию грейда против готовности к новой роли. Решение опирается на четыре критерия: соответствие следующему грейду, устойчивость результатов, подтверждение от окружения и бизнес-необходимость. В зрелых компаниях решения принимает промо-комитет с калибровкой между командами. ⚠️ Главные антипаттерны — повышение за выслугу или за разовый успех. Но и задержанное признание уровня работает против компании: сильный сотрудник получает его на внешнем рынке. 🔗 Подробнее: https://agaltsovav.ru/docs/people-managment/promotion/

🔌 REST, RPC или GraphQL — как выбрать стиль API? REST описывает мир как набор ресурсов с адресами: клиент выбирает HTTP-метод, сервер возвращает представление. RPC — как набор операций: клиент вызывает процедуру с аргументами. GraphQL — как граф типизированных данных: клиент сам перечисляет нужные поля, и сервер собирает ответ в этой форме. Практический выбор сводится к характеру доминирующих операций. CRUD над сущностями — родная стихия REST, действия-команды — RPC и gRPC со стримингом, сложные выборки для разнородных клиентов — GraphQL, который убирает overfetching и лишние эндпоинты под каждый экран. 💡 Зрелые системы редко живут на одном стиле: типичная схема — REST на периметре, gRPC внутри и GraphQL в BFF для мобильных клиентов. Вопрос не «какой стиль лучше», а где какая граница и кто её потребитель. 🔗 Подробнее: https://agaltsovav.ru/docs/architecture/api-styles/

🧪 Как проверить гипотезу честно: A/B-тестирование Каждое изменение в продукте — гипотеза. A/B-тест превращает спор о вкусах в измерение: контрольная группа остаётся на текущей версии, экспериментальная получает изменённую, а решение принимается по статистически достоверной разнице метрик, а не по убеждениям самого громкого в команде. Главная ценность — отделение причинно-следственной связи от корреляции. Сравнение «до и после» не отличает эффект изменения от сезонности и смены трафика, а параллельная контрольная группа показывает чистый эффект. Правила надёжного теста: гипотеза и метрика решения фиксируются до запуска, размер выборки считается заранее, а подглядывать в промежуточные результаты нельзя — самая частая ошибка, ведущая к ложным выводам. 🔗 A/B-тестирование и эксперименты: https://agaltsovav.ru/docs/product-managment/ab-testing-experiments/