​​Як за допомогою BigQueryML можна виявити фактори, які впливають на результати.

Contribution Analysis оцінює вплив окремих категоріальних змінних на зміну метрики. Автор наводить приклад аналізу змін у коефіцієнті конверсії між двома кварталами.

@BigQuery

Google провів онлайн конференцію Think AI 2025, підготовлену спеціально для українського ринку, і розповів про те як AI трансформує маркетинг та відкриває нові можливості для бізнесу. Рекомендую до перегляду:

https://www.youtube.com/watch?v=Oi9nWCjwiCA

via @MarkeTech

📊 Замість «ну, директору ніби подобається» → «працює, маємо +12 % до retention». Замість «запускаємо, а там подивимося» → А/B-тести, гіпотези та чіткі показники.

Навчіться аналізувати продукт комплексно на курсі «Продуктова аналітика»: від метрик до A/B-тестів та гіпотез, від SQL-запитів до наочної візуалізації, актуальні інструменти й курсовий проєкт.

За 24 заняття ви навчитесь:
🔸 формулювати гіпотези, будувати дерево метрик та оцінювати зміни
🔸 використовувати продуктові метрики
🔸 працювати з гіпотезами
🔸 аналізувати юніт-економіку
🔸 працювати з SQL, Amplitude, Firebase, GA4
🔸 візуалізувати дані у Tableau

Курсовий проєкт від продуктової компанії Brainstack — створите аналітичний дашборд, що допоможе виявляти продуктові закономірності, формувати гіпотези та знаходити точки для оптимізації

Лекторка: Юлія Пузанова — Staff Product Analyst у Bolt, очолює аналітику команд, які автоматизують зростання бізнесу та оптимізують розподіл інвестицій.

Старт: 20 серпня

Деталі, програма та реєстрація 🔗

​​Минулого року на конференції Measure Summit Siavash Kanani показав крутий концепт — ✨ Telepathy + Triggers для Looker Studio, який може перетворити простий дашборд в інтерактивний інструмент, що може:

- ✉️ надсилати повідомлення по певним умовам на основі даних,
- 💬 відображати коментарі і чат (як в Google Docs),
- 🚀 запускати різні процеси по API.

Так от, нещодавно Siavash публічно відкрив репозиторій такого рішення, щоб всі бажаючі могли ним 🎁 безкоштовно скористатись та законтріб'ютити: https://github.com/siavak-dev/telepathy

👉 Подивитись повну демонстрацію всіх можливостей: https://www.youtube.com/watch?v=tAoankCaPuI

📌 P.S. Чисто по фану за допомогою цього рішення він побудував повноцінний софт для кав’ярні прямо у Looker Studio — з замовленням, дашбордом для баристи і екраном готових замовлень.

via @WebAnalyst

​​Гарний матеріал про тестування ігор. Стаття пояснює, як грамотно планувати та зупиняти тести, щоб отримати максимум корисних висновків з мінімальними витратами. Коли і на яких стадіях робити тести, і як зрозуміти, що “достатньо”.

Додаткові поради:

- Дешевше зробити ранній тест, ніж відкладати всі проблеми на кінець, коли виправлення дорогі,

- Фокусуйтеся спочатку на ризикових рішеннях (що може піти не так, що найскладніше реалізувати) — саме там тести дають найбільшу віддачу.

@ProductAnalytics

​​Цікавий підхід до аналізу віддотку користувачів. Автор розглядає, як будувати правильний набір даних для аналізу причин відтоку у продуктовій аналітиці. Особлива увага приділяється тому, як вибирати спостереження (дату, точку “зрізу”) як для користувачів, що пішли, так і для тих, що залишилися.

@ProductAnalytics

⚙️ Світ давно говорить мовою даних — будь-який застосунок, сервіс чи бізнес-рішення починаються з архітектури Big Data, яка визначає масштабованість і надійність усієї системи.

Опануйте трендову професію Data Engineer, розширте стек для роботи з Big Data та скоротіть час на підготовку даних до аналізу — на курсі «Data Engineering» від robot_dreams.

За 19 занять ви навчитеся:
🔹 знаходити коректні дані
🔹 налаштовувати ETL- та ELT-процеси
🔹 запускати автоматичне оновлення пайплайнів
🔹 працювати з Hadoop, Apache Airflow, Apache Spark, SparkSQL, HDFS та іншими інструментами

Лектор: Ілля Хороших — Data Platform Engineer у Lyft, який бере участь у створенні рішень для обробки Big Data для сервісу, що має понад 23 млн користувачів. Працював як на аутсорсі (EPAM, Luxoft, Newxel), так і в продуктових компаніях (Lyft).

Старт: 29 жовтня

Деталі, програма та реєстрація ⬅️

​​📊 Looker Studio тепер підтримує умовне форматування для Bar Charts!

Тепер можна задавати правила, за якими стовпчики змінюють колір залежно від значення — наприклад, зелені для успішних показників і червоні для тих, що нижче цілі 🔴🟢

Це допомагає швидше помічати відхилення, виділяти тренди й робити дашборди більш інтуїтивними 💡

👉 Приклади та поради від Google: https://bit.ly/4omgnWt

via @WebAnalyst

Дуже цікава стаття про те, як LLM-ки змінюють маркетплейси.

Якщо коротко, то якщо ваш саплай дуже просто агрегувати, і ви додатково їм не керуєте, то ваш бізнес з високою вірогідністю з’їдять LLMки (агрегатори квитків, агрегатори рев’ю).

Якщо ваш саплай складно збирати, ви сильно їм керуєте і він має відповідати певним стандартам платформи, то високою вірогідністю LLM-ки стануть для вас аквізішн каналом.

Це все не я придумав, а розумні люди тут: https://www.danhock.co/p/llms-vs-marketplaces

📊 Дані щодня зростають у геометричній прогресії — в таблицях, базах і звітах. Якщо робота з ними стала рутиною — час впроваджувати AI.

Навчіться будувати повний AI-аналітичний процес: EDA (розвідковий аналіз даних), очищення та валідація даних, SQL-аналіз, візуалізація, ML та інтерпретація результатів — на курсі «AI для аналізу даних» від robot_dreams.

Після 10 занять ви навчитеся:
⚙️ використовувати AI для очищення, валідації та первинного аналізу даних
⚙️ застосовувати ML для прогнозування метрик і виявлення аномалій
⚙️ створювати ефективні промпти для EDA, SQL, візуалізацій та перевірки якості результатів AI
⚙️ генерувати, оптимізувати й пояснювати SQL-запити для ефективної роботи з базами даних

Лекторка: Кристина Ісакова — PhD в області математичного моделювання з 7 роками досвіду в Data Science. Розробляла моделі передбачень та моніторингу метрик у німецькій транспортній компанії FlixBus і будувала рекомендатори для страхових компаній в CHECK24.

Старт: 24 березня

Деталі, програма та реєстрація ⬅️

​​Microsoft запустив AI Performance у Bing Webmaster Tools (public preview) — звіт, який показує, як ваш контент цитується в AI-відповідях Copilot та Bing.

Це перший кейс, коли велика пошукова платформа дає структуровану аналітику не по кліках чи позиціях, а по цитуваннях в generative answers.

Що можна подивитись:

📊 Total citations — скільки разів ваш сайт був джерелом
📄 Average cited pages — скільки унікальних URL цитуються щодня
🔎 Grounding queries — фрази, якими AI “дістає” ваш контент
📈 Visibility trends — динаміка цитувань у часі
📌 Page-level activity — які сторінки найчастіше використовуються як source

⚠️ Важливо: це не про кліки і не про трафік. Це про факт використання вашого контенту в AI-відповідях.

Це цікаво навіть якщо Bing не є вашим основним каналом, оскільки Copilot інтегрований у Windows, Edge, Microsoft 365, а реальних точок контакту ще більше. Майже гарантовано щось подібне з часом зʼявиться і в Google Search Console.

Офіційний анонс: https://bit.ly/4lblS9V

via @WebAnalyst

​​Claude AI - моє головне відкриття цього року.

Написав статтю про те, як за допомогою Claude можна значно спростити реалізацію складних технічних рішень - на прикладі моделювання кривої оплат підписки (resubscription).

Якщо коротко, Claude не просто генерує код - він:
- розуміє складні наукові статті,
- допомагає перекласти їх у робочу модель,
- і робить це буквально за секунди.

У моєму кейсі - функція, яку я намагався реалізувати різними способами, була згенерована і запрацювала майже одразу.

В статті показав:
- як я перейшов від простого curve fitting до probabilistic model,
- як реалізував це в Google Sheets,
- і додав сам код з інстукцією для використання.

@BigQuery