Просто личный пост
19 апреля 2022 года — день, когда начала формироваться образовательная платформа Simulative. Именно в этот день мы анонсировали свой первый образовательный продукт — симулятор «SQL для анализа данных».
Сегодня, 9 июня 2025 года — день, когда мы с гордостью можем назвать себя онлайн-университетом! Ведь именно сегодня мы запустили набор в полноценную магистратуру по специальности «Аналитика и инжиниринг данных» совместно с НИЯУ МИФИ!
Для меня это событие знаковое. Пока писал этот пост — думал, почему же так торкнуло, ведь ничего не поменялось. У нас уже была образовательная лицензия и мы сами выдаем дипломы государственного образца. У нас 6 больших образовательных программ по аналитике данных, BI, дата-инженерии и ML. Да и набор в магистратуру мы объявляем супер небольшой — набираем всего 20 платников и 5 бюджетников. Так в чем тогда дело...
Честно — так и не нашел ответ на вопрос... Я вообще никогда не фиксирую в своей голове достижения компании — просто переворачиваю страницу и иду дальше, будто их и не было. Но в этот раз так не сработало — руки сами написали незапланированный пост: не рекламный, не полезный, а просто личный, чтобы поделиться.
Тот же ВУЗ, который я закончил. Тот же факультет, та же кафедра, те же преподаватели. Я прожил на кафедре Прикладной математики целую жизнь — бакалавриат, магистратура, аспирантура, старший преподаватель... Это моя альма-матер. А сегодня, под флагом МИФИ, компания Simulative запустила совместную (и абсолютно новую) магистерскую программу!
Причем все так нестандартно, но круто сложилось... Почти весь образовательный процесс — на нашей стороне. Это очень мощный уровень доверия со стороны ВУЗа, я даже не ожидал. А от себя не ожидал, что вопреки какой-либо бизнес-логике, когда меня спросят: «Слушай, а бюджетные места можем сделать?», я скажу «Да». Поэтому бакалавров 4 года обучения из нашего ВУЗа и еще 5 человек мы принимаем совершенно бесплатно. Как-то все само непонятно, но при этом круто сложилось. И вроде мелочь, но почему-то пробрало. Старею, наверно)
Когда мы начинали, в том самом апреле 2022 года, не было даже страха. Мы двигались на ощупь — просто хотели дать рынку образовательный продукт по аналитике данных высочайшего качества и построить крутую компанию. Было волнительно, иногда расстраивались, но на кону мало что стояло. Не получится — и хрен с ним.
Сейчас, в июне 2025, ощущения совсем другие — более накаленные... Десятки тысяч читателей и зрителей; несколько тысяч студентов; сотни трудоустроенных студентов, чьи жизни кардинально поменялись с нашей помощью (некоторые истории просто сумасшедшие); несколько десятков человек в команде, а теперь еще такая ответственность (и честь!) в виде магистратуры с родным университетом. На кону стоит сильно больше, а каждое твое решение влияет на жизни большого количества людей.
Какое заключение у этого поста? Да нет заключения) Просто поделился ощущениями, которые неожиданно для самого себя прожил.
А для вас, быть может, этот пост станет поддержкой. Ведь если прямо сейчас вам страшно и тяжело, возможно, нужно просто продолжать. И все получится — спустя 3 года оглянетесь назад и сами не поймете, как прошли такой путь.
19 апреля 2022 года — день, когда начала формироваться образовательная платформа Simulative. Именно в этот день мы анонсировали свой первый образовательный продукт — симулятор «SQL для анализа данных».
Сегодня, 9 июня 2025 года — день, когда мы с гордостью можем назвать себя онлайн-университетом! Ведь именно сегодня мы запустили набор в полноценную магистратуру по специальности «Аналитика и инжиниринг данных» совместно с НИЯУ МИФИ!
Для меня это событие знаковое. Пока писал этот пост — думал, почему же так торкнуло, ведь ничего не поменялось. У нас уже была образовательная лицензия и мы сами выдаем дипломы государственного образца. У нас 6 больших образовательных программ по аналитике данных, BI, дата-инженерии и ML. Да и набор в магистратуру мы объявляем супер небольшой — набираем всего 20 платников и 5 бюджетников. Так в чем тогда дело...
Честно — так и не нашел ответ на вопрос... Я вообще никогда не фиксирую в своей голове достижения компании — просто переворачиваю страницу и иду дальше, будто их и не было. Но в этот раз так не сработало — руки сами написали незапланированный пост: не рекламный, не полезный, а просто личный, чтобы поделиться.
Тот же ВУЗ, который я закончил. Тот же факультет, та же кафедра, те же преподаватели. Я прожил на кафедре Прикладной математики целую жизнь — бакалавриат, магистратура, аспирантура, старший преподаватель... Это моя альма-матер. А сегодня, под флагом МИФИ, компания Simulative запустила совместную (и абсолютно новую) магистерскую программу!
Причем все так нестандартно, но круто сложилось... Почти весь образовательный процесс — на нашей стороне. Это очень мощный уровень доверия со стороны ВУЗа, я даже не ожидал. А от себя не ожидал, что вопреки какой-либо бизнес-логике, когда меня спросят: «Слушай, а бюджетные места можем сделать?», я скажу «Да». Поэтому бакалавров 4 года обучения из нашего ВУЗа и еще 5 человек мы принимаем совершенно бесплатно. Как-то все само непонятно, но при этом круто сложилось. И вроде мелочь, но почему-то пробрало. Старею, наверно)
Когда мы начинали, в том самом апреле 2022 года, не было даже страха. Мы двигались на ощупь — просто хотели дать рынку образовательный продукт по аналитике данных высочайшего качества и построить крутую компанию. Было волнительно, иногда расстраивались, но на кону мало что стояло. Не получится — и хрен с ним.
Сейчас, в июне 2025, ощущения совсем другие — более накаленные... Десятки тысяч читателей и зрителей; несколько тысяч студентов; сотни трудоустроенных студентов, чьи жизни кардинально поменялись с нашей помощью (некоторые истории просто сумасшедшие); несколько десятков человек в команде, а теперь еще такая ответственность (и честь!) в виде магистратуры с родным университетом. На кону стоит сильно больше, а каждое твое решение влияет на жизни большого количества людей.
Какое заключение у этого поста? Да нет заключения) Просто поделился ощущениями, которые неожиданно для самого себя прожил.
А для вас, быть может, этот пост станет поддержкой. Ведь если прямо сейчас вам страшно и тяжело, возможно, нужно просто продолжать. И все получится — спустя 3 года оглянетесь назад и сами не поймете, как прошли такой путь.
7🔥152❤32❤🔥22👍18🏆10👏9
Самая сложная штука в аналитике
Есть одна штука в аналитике, которая мне кажется самой сложной — как с точки зрения работы над ней, так и просто морально.
Представьте ситуацию (а может, вы как раз сейчас ее проживаете) — вы потратили уйму времени на изучение всяких питонов, баз данных, метрик, BI-систем и прочего. Затем вы практиковались генерировать гипотезы / искать инсайты / делать ценные выводы и иже с ним. «Вот это я красавчик» — думаете вы.
А потом жизнь подкидывает простую задачку — например, проанализировать, почему упали продажи или как увеличить оборачиваемость. Вы уверены в себе на 100% — вы к этому шли и сейчас проявите себя по полной. А потом садитесь работать... и понимаете, что не можете ничего решить — все как в тумане... Все конверсии какие-то одинаково средние и одинаково нормальные, причины падения не прослеживаются, у данных слишком много признаков и непонятно, под каким углом на них посмотреть, чтобы хотя бы что-то вменяемое увидеть.
И приходит понимание, что это была не «просто задачка», а это был полноценный «босс», как в компьютерной игре. И вы ему только что проиграли. А самое страшное, что в голове ноль идей: а что надо сделать, чтобы не проиграть в следующий раз?
Уверен, что ситуация жизненная) Я с таким сталкивался многократно и все мои знакомые тоже — предположу, что выборка достаточно репрезентативна и с таким сталкиваются все.
Рано или поздно каждый будет вынужден признать, что аналитика — это туман. Здесь нет четких алгоритмов в формате «делай так, смотри сюда и смотри под таким углом — найдешь ответ». И есть 2 вещи, которые позволяют в этом тумане эффективно искать решения:
1/ В аналитике, как в отношениях между людьми или в бизнесе, — есть ряд паттернов / принципов / техник / законов, которыми можно пользоваться, чтобы эффективно докапываться до правильного ответа. И вот эти паттерны можно освоить/изучить.
2/ Практика и насмотренность. Когда ты после первого шага загрузил в свою голову набор паттернов и техник, нужно довести их до автоматизма, чтобы твоя нейронка (мозг) научилась автоматически строить ассоциативную связь в формате «такую ситуацию я уже видел — давай глянем сюда и под таким углом». Это просто нужно тренировать — каждый день будет получаться все лучше и лучше.
Как вам вообще, интересна эта тема? Накидайте реакций, чтобы я понимал, что вам заходит и надо писать про это больше!
Есть одна штука в аналитике, которая мне кажется самой сложной — как с точки зрения работы над ней, так и просто морально.
Представьте ситуацию (а может, вы как раз сейчас ее проживаете) — вы потратили уйму времени на изучение всяких питонов, баз данных, метрик, BI-систем и прочего. Затем вы практиковались генерировать гипотезы / искать инсайты / делать ценные выводы и иже с ним. «Вот это я красавчик» — думаете вы.
А потом жизнь подкидывает простую задачку — например, проанализировать, почему упали продажи или как увеличить оборачиваемость. Вы уверены в себе на 100% — вы к этому шли и сейчас проявите себя по полной. А потом садитесь работать... и понимаете, что не можете ничего решить — все как в тумане... Все конверсии какие-то одинаково средние и одинаково нормальные, причины падения не прослеживаются, у данных слишком много признаков и непонятно, под каким углом на них посмотреть, чтобы хотя бы что-то вменяемое увидеть.
И приходит понимание, что это была не «просто задачка», а это был полноценный «босс», как в компьютерной игре. И вы ему только что проиграли. А самое страшное, что в голове ноль идей: а что надо сделать, чтобы не проиграть в следующий раз?
Уверен, что ситуация жизненная) Я с таким сталкивался многократно и все мои знакомые тоже — предположу, что выборка достаточно репрезентативна и с таким сталкиваются все.
Это и есть самая сложная штука в аналитике — научиться даже в самой непонятной ситуации делать выводы.
Рано или поздно каждый будет вынужден признать, что аналитика — это туман. Здесь нет четких алгоритмов в формате «делай так, смотри сюда и смотри под таким углом — найдешь ответ». И есть 2 вещи, которые позволяют в этом тумане эффективно искать решения:
1/ В аналитике, как в отношениях между людьми или в бизнесе, — есть ряд паттернов / принципов / техник / законов, которыми можно пользоваться, чтобы эффективно докапываться до правильного ответа. И вот эти паттерны можно освоить/изучить.
2/ Практика и насмотренность. Когда ты после первого шага загрузил в свою голову набор паттернов и техник, нужно довести их до автоматизма, чтобы твоя нейронка (мозг) научилась автоматически строить ассоциативную связь в формате «такую ситуацию я уже видел — давай глянем сюда и под таким углом». Это просто нужно тренировать — каждый день будет получаться все лучше и лучше.
Как вам вообще, интересна эта тема? Накидайте реакций, чтобы я понимал, что вам заходит и надо писать про это больше!
2👍158🔥44❤27
В продолжение своего предыдущего поста про то, как сложно делать аналитические выводы в «боевых условиях», хочу поделиться историей про себя.
Я, пожалуй, прошел все стадии. Сначала я просто делал глупые выводы (тогда мне так не казалось). Потом я впадал в паралич, когда сталкивался с туманом и неоднозначными ситуациями, где на поверхности выводов нет. Потом паралич пропал, но многие выводы были поверхностными. И вот только последнее время я могу твердо сказать, что почти в любой ситуации я могу раскопать ответ или хотя бы какую-то зацепку.
Но я всегда понимал, что хочу прокачать мышцу делания выводов. И я качал ее осознанно. Причем качал буквально — я прям делал специальные упражнения для этого.
Например, поделюсь с вами, что дало мне очень большой буст. Я зафиксировал 2 основные проблемы: я не провожу аналитику регулярно и, даже если я засел за цифры, я далеко не всегда ухожу с ценными выводами. И я придумал способ с этим бороться.
Я поставил будильник примерно на 10:30 утра на каждый рабочий день (специально чуть позже прихода на работу, чтобы уже немного войти в рабочий тонус и раскачаться), который напоминал мне, что время смотреть в отчеты. Я так и прозвал эту технику — Будильник)
А потом вступал в игру второй этап прокачки — я заставлял себя ковыряться в цифрах до тех пор, пока ты не увидишь там что-то ценное. То есть я прямо запрещал себя бросать аналитику до тех пор, пока не сформулирую ценный вывод — что надо чинить или улучшать и как это переложить в конкретную задачу себе или команде.
Честно скажу, сначала получалось с переменным успехом. Иногда я отвлекался, иногда просто забивал. Порой я даже ловил себя на мысли, что я переключился на другую задачу и так и не увидел ничего умного в отчетах. Тогда я одергивал себя и возвращался в таблички.
Со временем начало получаться. А у меня не было вариантов — работы было очень много и я не мог позволить себе тратить много часов на ковыряние в цифрах. Пришлось тренироваться в экспресс-режиме и довольно быстро я начал докапываться до результата все быстрей.
Если сначала такие «сессии аналитики» могли длиться по несколько часов, то для средних задач сейчас порой достаточно простого сканирования взглядом отчета наискосок, чтобы увидеть важные детали. И во многом это заслуга просто таких практик. К слову, привычка держалась довольно долго — примерно полтора года я так развлекался, а сейчас продолжаю по наитию: все задачи, которые я так или иначе ставлю себе или команде, рождаются из изучения отчетов.
В общем, путь этот непростой, но идти по нему можно и нужно. А технику рекомендую взять на вооружение — будет круто, если потом кто-то поделиться впечатлениями — помогло вам или нет)
Я, пожалуй, прошел все стадии. Сначала я просто делал глупые выводы (тогда мне так не казалось). Потом я впадал в паралич, когда сталкивался с туманом и неоднозначными ситуациями, где на поверхности выводов нет. Потом паралич пропал, но многие выводы были поверхностными. И вот только последнее время я могу твердо сказать, что почти в любой ситуации я могу раскопать ответ или хотя бы какую-то зацепку.
Но я всегда понимал, что хочу прокачать мышцу делания выводов. И я качал ее осознанно. Причем качал буквально — я прям делал специальные упражнения для этого.
Например, поделюсь с вами, что дало мне очень большой буст. Я зафиксировал 2 основные проблемы: я не провожу аналитику регулярно и, даже если я засел за цифры, я далеко не всегда ухожу с ценными выводами. И я придумал способ с этим бороться.
Я поставил будильник примерно на 10:30 утра на каждый рабочий день (специально чуть позже прихода на работу, чтобы уже немного войти в рабочий тонус и раскачаться), который напоминал мне, что время смотреть в отчеты. Я так и прозвал эту технику — Будильник)
А потом вступал в игру второй этап прокачки — я заставлял себя ковыряться в цифрах до тех пор, пока ты не увидишь там что-то ценное. То есть я прямо запрещал себя бросать аналитику до тех пор, пока не сформулирую ценный вывод — что надо чинить или улучшать и как это переложить в конкретную задачу себе или команде.
Честно скажу, сначала получалось с переменным успехом. Иногда я отвлекался, иногда просто забивал. Порой я даже ловил себя на мысли, что я переключился на другую задачу и так и не увидел ничего умного в отчетах. Тогда я одергивал себя и возвращался в таблички.
Со временем начало получаться. А у меня не было вариантов — работы было очень много и я не мог позволить себе тратить много часов на ковыряние в цифрах. Пришлось тренироваться в экспресс-режиме и довольно быстро я начал докапываться до результата все быстрей.
Если сначала такие «сессии аналитики» могли длиться по несколько часов, то для средних задач сейчас порой достаточно простого сканирования взглядом отчета наискосок, чтобы увидеть важные детали. И во многом это заслуга просто таких практик. К слову, привычка держалась довольно долго — примерно полтора года я так развлекался, а сейчас продолжаю по наитию: все задачи, которые я так или иначе ставлю себе или команде, рождаются из изучения отчетов.
В общем, путь этот непростой, но идти по нему можно и нужно. А технику рекомендую взять на вооружение — будет круто, если потом кто-то поделиться впечатлениями — помогло вам или нет)
1👍61🔥30❤13
А теперь не про выводы и инсайты, а про то, как сделать мир обучения аналитике данных лучше 😏
Мы в Simulative ищем менторов — спецов в DA/BI/ML, которые будут сопровождать группы наших студентов с первого дня обучения.
Если вы:
— Любите обучать людей
— Не боитесь (или даже хотите!) проявляться медийно
То мы точно ждем вашу заявку и в ближайшее время с вами свяжемся!)
🔗 Ссылка на короткую форму
А если вы не хотите быть ментором, но вам просто интересно вести вебинары, писать статьи/посты/полезные материалы, вы хотите записывать уроки или еще как-то хотите повзаимодействовать с нашей школой — все равно оставляйте заявку, придумаем что-нибудь классное!)
Мы в Simulative ищем менторов — спецов в DA/BI/ML, которые будут сопровождать группы наших студентов с первого дня обучения.
Если вы:
— Любите обучать людей
— Не боитесь (или даже хотите!) проявляться медийно
То мы точно ждем вашу заявку и в ближайшее время с вами свяжемся!)
🔗 Ссылка на короткую форму
А если вы не хотите быть ментором, но вам просто интересно вести вебинары, писать статьи/посты/полезные материалы, вы хотите записывать уроки или еще как-то хотите повзаимодействовать с нашей школой — все равно оставляйте заявку, придумаем что-нибудь классное!)
Please open Telegram to view this post
VIEW IN TELEGRAM
2🔥28❤8✍4👍4
В предыдущих постах я затронул тему, что самая сложная штука в аналитике — делать выводы на реальных данных, потому что обычно там туман и неоднозначность. И даже поделился своей историей — как за счет кропотливой ежедневной работы я прокачивал в себе мышцу поиска умных мыслей за цифрами и табличками.
Получил от вас много комментариев, реакций и сообщений в личку с вопросами и горячими обсуждениями — это очень круто! Вижу, что эта тема для многих прям актуальна. И я понимаю почему: с одной стороны, делать выводы — главный навык аналитика, а с другой стороны — этому очень сложно научиться.
Увидев ажиотаж вокруг этой темы, я решил, что пора сделать штуку, которую я давно откладывал. Пора запустить 2-ой поток тренинга «Как делать аналитику»! 🔥
Тренинг — это моя авторская программа, где в формате живых занятий мы разбираем разные аналитические подходы и учимся делать на основании них выводы, находить точки роста и ограничители. Программа очень насыщенная — когортный анализ, реверс-инжиниринг, деревья метрик, анализ больших ассортиментных матриц и много-много всего.
Чтобы не расписывать сейчас все в подробностях, скажу самое важное: если вам интересно поучаствовать в тренинге — просто переходите по ссылке в бота предзаписи.
👉 Записаться 👈
Первый поток тренинга проходил в феврале — знаю, что многие ждали второго потока. Если это как раз про вас — обязательно заходите в бота, потому что в предзаписи было много людей еще до этого анонса. А когда будет третий поток — пока не известно, но точно не скоро 🌚
Буду рад встретиться с вами на тренинге, а пока остаемся на связи — скоро подъедет свежий контент про то, как делать выводы на основании данных 🤘🏻
👉 Записаться 👈
И кстати: сейчас всем, кто записывается через бот, доступны цены для ранних пташек.
Получил от вас много комментариев, реакций и сообщений в личку с вопросами и горячими обсуждениями — это очень круто! Вижу, что эта тема для многих прям актуальна. И я понимаю почему: с одной стороны, делать выводы — главный навык аналитика, а с другой стороны — этому очень сложно научиться.
Увидев ажиотаж вокруг этой темы, я решил, что пора сделать штуку, которую я давно откладывал. Пора запустить 2-ой поток тренинга «Как делать аналитику»! 🔥
Тренинг — это моя авторская программа, где в формате живых занятий мы разбираем разные аналитические подходы и учимся делать на основании них выводы, находить точки роста и ограничители. Программа очень насыщенная — когортный анализ, реверс-инжиниринг, деревья метрик, анализ больших ассортиментных матриц и много-много всего.
Чтобы не расписывать сейчас все в подробностях, скажу самое важное: если вам интересно поучаствовать в тренинге — просто переходите по ссылке в бота предзаписи.
👉 Записаться 👈
Первый поток тренинга проходил в феврале — знаю, что многие ждали второго потока. Если это как раз про вас — обязательно заходите в бота, потому что в предзаписи было много людей еще до этого анонса. А когда будет третий поток — пока не известно, но точно не скоро 🌚
Буду рад встретиться с вами на тренинге, а пока остаемся на связи — скоро подъедет свежий контент про то, как делать выводы на основании данных 🤘🏻
👉 Записаться 👈
И кстати: сейчас всем, кто записывается через бот, доступны цены для ранних пташек.
1❤5🔥4🤣4👍2✍1😍1
Быстро или качественно? И то, и другое.
Хочу немного развить тему про умение делать верные выводы и рассказать, почему я так много про это говорю.
Если говорить откровенно — почти для любого бизнеса сейчас очень тяжелые времена: клиенты дорогие (рекламных каналов мало, лиды стоят дорого), деньги дорогие (кредиты по конским ставкам из-за ставки ЦБ), команда дорогая (по ряду причин нормальные специалисты стоят процентов на 30% дороже, чем 3 года назад). Выдавать ту же выручку (а уж тем более прибыль) стало кратно сложней — все сушат расходы, оптимизируют команды и перенастраивают процессы на safe mode.
Причем тут вообще верные выводы и аналитика?)
А все просто — хорошо себя чувствуют только те компании, кто работает супер эффективно. Эффективно тратят деньги, эффективно поднимают конверсии, эффективно поднимают средние чеки. В текущей обстановке выиграть конкуренцию можно только так.
И эффективность как раз состоит из двух аспектов: точность и скорость. Перефразирую — чтобы быть эффективным, компания (или вы лично, как командный игрок) должны принимать сверхточные решения с высокой скоростью.
Высокая точность — это как раз про верные выводы. У вас нет шанса посмотреть в отчет и выдвинуть слабую гипотезу, выдвинуть неверную гипотезу или не выдвинуть гипотезу вообще. Чтобы быть эффективным, вы должны по каждой проблеме уметь выцарапывать гипотезы с высокой точностью (или хотя бы клещами вытягивать ниточки, которые потом приведут к верному ответу).
А высокая скорость — это простая математика. Не все ваши гипотезы будут верными, как бы вы ни старались. Поэтому нужно достаточно большое количество попыток, чтобы больше 50% гипотез сработало)
Поэтому я столько говорю про важность навыка быстро находить в цифрах ответы на вопросы компании. Это точно навык будущего — именно такие специалисты будут все более и более востребованными.
Это уже и сейчас происходит — все чаще на собеседованиях дают продуктовые кейсы, а требования к кандидатам становятся все выше. Но это не блокер для построения карьеры — скорее это дает вам возможность выделиться. Если вы будете уделять этому достаточное внимание, а другие нет, то на горизонте лет 5 вы улетите в космос. Как говориться, скриньте — потом проверим))
Следующий пост я как раз планирую сделать про конкретный кейс — как выбор метрики с низким рычагом влияния может аффектить на работу компании. И вообще ближайшие посты будут вокруг этой темы, не переключайтесь — разберем эту тему на конкретных примерах с разных сторон)
А если тема прокачки продуктового мышления вам также интересна, как и мне — залетайте на мой авторский тренинг «Как делать аналитику». Стартуем в августе, но уже во всю идет набор потока — тем более сейчас условия цены для ранних пташек.
Хочу немного развить тему про умение делать верные выводы и рассказать, почему я так много про это говорю.
Если говорить откровенно — почти для любого бизнеса сейчас очень тяжелые времена: клиенты дорогие (рекламных каналов мало, лиды стоят дорого), деньги дорогие (кредиты по конским ставкам из-за ставки ЦБ), команда дорогая (по ряду причин нормальные специалисты стоят процентов на 30% дороже, чем 3 года назад). Выдавать ту же выручку (а уж тем более прибыль) стало кратно сложней — все сушат расходы, оптимизируют команды и перенастраивают процессы на safe mode.
Причем тут вообще верные выводы и аналитика?)
А все просто — хорошо себя чувствуют только те компании, кто работает супер эффективно. Эффективно тратят деньги, эффективно поднимают конверсии, эффективно поднимают средние чеки. В текущей обстановке выиграть конкуренцию можно только так.
И эффективность как раз состоит из двух аспектов: точность и скорость. Перефразирую — чтобы быть эффективным, компания (или вы лично, как командный игрок) должны принимать сверхточные решения с высокой скоростью.
Высокая точность — это как раз про верные выводы. У вас нет шанса посмотреть в отчет и выдвинуть слабую гипотезу, выдвинуть неверную гипотезу или не выдвинуть гипотезу вообще. Чтобы быть эффективным, вы должны по каждой проблеме уметь выцарапывать гипотезы с высокой точностью (или хотя бы клещами вытягивать ниточки, которые потом приведут к верному ответу).
А высокая скорость — это простая математика. Не все ваши гипотезы будут верными, как бы вы ни старались. Поэтому нужно достаточно большое количество попыток, чтобы больше 50% гипотез сработало)
Поэтому я столько говорю про важность навыка быстро находить в цифрах ответы на вопросы компании. Это точно навык будущего — именно такие специалисты будут все более и более востребованными.
Это уже и сейчас происходит — все чаще на собеседованиях дают продуктовые кейсы, а требования к кандидатам становятся все выше. Но это не блокер для построения карьеры — скорее это дает вам возможность выделиться. Если вы будете уделять этому достаточное внимание, а другие нет, то на горизонте лет 5 вы улетите в космос. Как говориться, скриньте — потом проверим))
Следующий пост я как раз планирую сделать про конкретный кейс — как выбор метрики с низким рычагом влияния может аффектить на работу компании. И вообще ближайшие посты будут вокруг этой темы, не переключайтесь — разберем эту тему на конкретных примерах с разных сторон)
А если тема прокачки продуктового мышления вам также интересна, как и мне — залетайте на мой авторский тренинг «Как делать аналитику». Стартуем в августе, но уже во всю идет набор потока — тем более сейчас условия цены для ранних пташек.
1🔥16❤5👍5❤🔥2👏1💯1
Приемчики в Google Sheets
Я продолжаю преисполняться в табличко-строении и решил с вами поделиться подборкой крутых штук. Уверен, что в один прекрасный момент вам это поможет сэкономить пару тысяч потраченных впустую часов и много седых волос, поэтому сохраняйте!
Сегодня начну только с одной, потому что она супер объемная. Если что, я работаю в Google Sheets, так что все формулы для него.
Представьте, что у вас есть куча отдельных отчетов (= листов) для каждого товара, куда вы заносите ежедневную статистику по продажам. А теперь вам нужно построить сводные для каждой группы товаров (каждая группа содержит несколько товаров). Например, есть 15 листов — 10 футболок и 5 свитшотов. Надо построить сводный отчет по группе «футболки», где будут суммироваться данные за каждый день со всех листов с футболками + такой же отчет для свитшотов.
В чем тут основные сложности:
* Количество листов для каждой группы отличается (5 и 10)
* Название листов нужно прописывать в каждой ячейке в формуле. Это очень много работы. А если название листов поменяется или в группу добавится новый товар...
Задача, на самом деле нетривиальная. Я не буду супер подробно расписывать ее решение, потому что я для вас подготовил прям гугл-табличку с примером. Вы сможете разобрать по косточкам каждую формулу — очень рекомендую, там много полезных конструкций.
Поэтому тезисно, что я использовал:
1/ Функцию ПОИСКПОЗ для того, чтобы находить номер столбца, в котором на листах с данными хранится информация за нужную мне дату.
2/ Конструкцию {...}, которая превращает набор ячеек в массив, с которым потом можно работать в формулах.
3/ Apps Script — это функционал Google Sheet, где ты можешь написать скрипт и создать кастомную формулу.
Немного подробнее про скрипт — я написал скрипт, в который ты передаешь список листов, на которых хранится информация по группе товаров + в какой строке лежит информация по нужной метрике (например, Выручка) + в каком столбце хранится информация за нужную тебе дату. И этот скрипт пробегается по всем нужным листам и суммирует данные из этих ячеек.
Скрипт супер простой — инициирован мной, написан ChatGPT, доработан тоже мной)) Чтобы в него зайти, откройте Расширения → Apps Script, там будет скрипт в списке скриптов.
Вот ссылка на док, забирайте его себе — 100% возникнет ситуация, когда он пригодится!
Если что, решение не претендует на гениальность и оптимальность — я не отец гугл-табличек, но работает, а это нам и нужно)
Как вам вообще, интересно про другие приемы почитать? А то никогда тут не делился таким, а запас всяких хаков накопился огого, да и новое постоянно узнаю. Если интересно — накидайте разных реакций!)
Я продолжаю преисполняться в табличко-строении и решил с вами поделиться подборкой крутых штук. Уверен, что в один прекрасный момент вам это поможет сэкономить пару тысяч потраченных впустую часов и много седых волос, поэтому сохраняйте!
Сегодня начну только с одной, потому что она супер объемная. Если что, я работаю в Google Sheets, так что все формулы для него.
Представьте, что у вас есть куча отдельных отчетов (= листов) для каждого товара, куда вы заносите ежедневную статистику по продажам. А теперь вам нужно построить сводные для каждой группы товаров (каждая группа содержит несколько товаров). Например, есть 15 листов — 10 футболок и 5 свитшотов. Надо построить сводный отчет по группе «футболки», где будут суммироваться данные за каждый день со всех листов с футболками + такой же отчет для свитшотов.
В чем тут основные сложности:
* Количество листов для каждой группы отличается (5 и 10)
* Название листов нужно прописывать в каждой ячейке в формуле. Это очень много работы. А если название листов поменяется или в группу добавится новый товар...
Задача, на самом деле нетривиальная. Я не буду супер подробно расписывать ее решение, потому что я для вас подготовил прям гугл-табличку с примером. Вы сможете разобрать по косточкам каждую формулу — очень рекомендую, там много полезных конструкций.
Поэтому тезисно, что я использовал:
1/ Функцию ПОИСКПОЗ для того, чтобы находить номер столбца, в котором на листах с данными хранится информация за нужную мне дату.
2/ Конструкцию {...}, которая превращает набор ячеек в массив, с которым потом можно работать в формулах.
3/ Apps Script — это функционал Google Sheet, где ты можешь написать скрипт и создать кастомную формулу.
Немного подробнее про скрипт — я написал скрипт, в который ты передаешь список листов, на которых хранится информация по группе товаров + в какой строке лежит информация по нужной метрике (например, Выручка) + в каком столбце хранится информация за нужную тебе дату. И этот скрипт пробегается по всем нужным листам и суммирует данные из этих ячеек.
Скрипт супер простой — инициирован мной, написан ChatGPT, доработан тоже мной)) Чтобы в него зайти, откройте Расширения → Apps Script, там будет скрипт в списке скриптов.
Вот ссылка на док, забирайте его себе — 100% возникнет ситуация, когда он пригодится!
Если что, решение не претендует на гениальность и оптимальность — я не отец гугл-табличек, но работает, а это нам и нужно)
Как вам вообще, интересно про другие приемы почитать? А то никогда тут не делился таким, а запас всяких хаков накопился огого, да и новое постоянно узнаю. Если интересно — накидайте разных реакций!)
1✍36❤27🔥21
Размер имеет значение
Я уже много раз писал о том, что при проведении аналитики очень важно не скатываться в поверхностные выводы или фейковую аргументацию (если не читали — крайне рекомендую).
Однако есть еще одна ошибка, которая даже страшней. Речь про выбор метрики с маленьким рычагом влияния. Давайте рассмотрим пример.
Вот вы анализируете поведение пользователей мобильного приложения и пытаетесь понять, как зарабатывать больше. Вы понимаете, что ваш средний чек чуть ниже рынка. И вы делаете логичный вывод — направляете фокус внимания туда и начинаете продумывать различные продуктовые и маркетинговые механики для роста этого самого среднего чека.
В итоге — средний чек действительно вырос, только вот компания богаче не стала. А почему? Вроде же все правильно проанализировали и даже выводы все правильные были. А все очень просто — в данном случае у метрики «средний чек» изначально был очень маленький рычаг влияния.
Под «рычагом влияния» тут имеется ввиду максимально возможный результат, который можно получить, повлияв на эту метрику. И именно в этом заключается ошибка — люди выбирают для работы метрику, у которой рычаг влияния не максимальный.
Что интересно: как правило, это понятно еще на старте. Например, мы на прошлом потоке тренинга строили такую штуку, как полное дерево метрик (сейчас кстати идет набор на новый поток — залетайте ). Это такая монструозная история с большим количеством веток и листьев, но по ней как раз очень легко оценить этот самый рычаг — ты просто перемножаешь/складываешь все значения от листа к вершине дерева и получаешь пиковый результат на прибыль. Если у метрики «lifetime» при увеличении на 1 месяц рычаг больше, чем у «среднего чека», то и силы надо тратить на lifetime.
У аналитиков такое встречается регулярно. Мы начинаем ресерчить не в те метрики, мы объясняем рост/падение не теми метриками, мы предлагаем гипотезы, которые априори не самые сильные. Но эта же концепция подходит и для смежных сфер — например, продактам и маркетологам для приоритезации беклога.
Вот интересно — было у вас, что вы что-то анализируете/считаете/делаете, а потом понимаете, что это просто мелкий кипиш и изначально обречено на весьма посредственный результат? Поделитесь в комментариях — было или я один такой суетолог?😄
Я уже много раз писал о том, что при проведении аналитики очень важно не скатываться в поверхностные выводы или фейковую аргументацию (если не читали — крайне рекомендую).
Однако есть еще одна ошибка, которая даже страшней. Речь про выбор метрики с маленьким рычагом влияния. Давайте рассмотрим пример.
Вот вы анализируете поведение пользователей мобильного приложения и пытаетесь понять, как зарабатывать больше. Вы понимаете, что ваш средний чек чуть ниже рынка. И вы делаете логичный вывод — направляете фокус внимания туда и начинаете продумывать различные продуктовые и маркетинговые механики для роста этого самого среднего чека.
В итоге — средний чек действительно вырос, только вот компания богаче не стала. А почему? Вроде же все правильно проанализировали и даже выводы все правильные были. А все очень просто — в данном случае у метрики «средний чек» изначально был очень маленький рычаг влияния.
Под «рычагом влияния» тут имеется ввиду максимально возможный результат, который можно получить, повлияв на эту метрику. И именно в этом заключается ошибка — люди выбирают для работы метрику, у которой рычаг влияния не максимальный.
Что интересно: как правило, это понятно еще на старте. Например, мы на прошлом потоке тренинга строили такую штуку, как полное дерево метрик (
У аналитиков такое встречается регулярно. Мы начинаем ресерчить не в те метрики, мы объясняем рост/падение не теми метриками, мы предлагаем гипотезы, которые априори не самые сильные. Но эта же концепция подходит и для смежных сфер — например, продактам и маркетологам для приоритезации беклога.
Вот интересно — было у вас, что вы что-то анализируете/считаете/делаете, а потом понимаете, что это просто мелкий кипиш и изначально обречено на весьма посредственный результат? Поделитесь в комментариях — было или я один такой суетолог?
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥37👍8
И снова — размер реально имеет значение!
В образовании есть интересный парадокс. С одной стороны, все говорят о том, что между учебными и рабочими кейсами зачастую есть огромный разрыв. А с другой, почти никто не может привести вменяемый пример такого разрыва.
И я задумался над каким-нибудь реально показательным примером, где это круто будет ощущаться. И придумал. Проще некуда — возьмем анализ ассортиментной матрицы с помощью ABC-анализа (а то что я тут все про онлайн пишу, давайте про твердое!).
Но что с ним не так, где может возникнуть разрыв — он же максимально простой? Тем более у нас в Simulative ребята его делают в Excel, в SQL, в Python, на дашборды выводят — ночью разбуди наверно, и то сделают. Чего с ним не так-то?
А есть одна деталь, с которой вы столкнетесь, если придете работать в компанию с огромным ассортиментом. А именно — вам придется делать ABC-анализ не по одной товарной группе, а по целой иерархии. И вообще не очевидно, как тут быть.
Просто иллюстрация на примере небольшого продуктового магазина:
1/ Минимум 10 товарных категорий (колбасы, сыры, хлебо-булочные, снеки, напитки и т.д.)
2/ Внутри каждой категории — подкатегории (копченые колбасы, сыро-копченые и т.д.)
3/ Внутри каждой подкатегории — бренды (копченые колбасы Ремит, Мясницкий ряд и т.д.)
4/ И наконец добрались на уровень отдельных товаров
Когда видишь такое — понимаешь, что перед тобой задача другого калибра... Как проводить анализ — сверху вниз или снизу вверх. Как выбирать гиперпараметры (например, пороги групп А, B и C) для разных групп товаров — одинаковые (получается чепуха) или разные (получается читерство)? А если одна классная колбаса попала в группу B, а другая (вообще ваша любимая) в группу С из-за выбранных порогов — как быть: не вручную же все просматривать, чтобы решения принимать? Да и вообще, может какой-то способ поэффективней есть?!
Короче, вопросов масса. Все инструменты ты знаешь, саму методику тоже знаешь, но из-за объема и разнообразия данных тебя просто парализует. А когда понимаешь, что такую штуку надо делать раз в месяц — вообще становится дурно) Не знаю как вы, а я с таким сталкивался регулярно.
И вот, пока я пишу этот текст, я все больше понимаю, что как раз основная сложность лежит не в плоскости инструментов (и даже не всегда в плоскости финальных выводов), а в ответе на вопрос «Как обуздать огромный объем данных и что-то за ним увидеть?».
Условно: написать код, чтобы собрать когортный анализ — посильно. Даже интерпретировать результат — надо подкачаться, но тоже посильно. А вот имея подробный лог действий на руках за 2 года из миллиона записей понять — а как агрегировать этот массив данных так, чтобы финальный результат поместился на один лист и там была вся нужная информация, чтобы что-то увидеть и понять — это самое сложное.
На самом деле круто, для меня самого сейчас это инсайт — пока писал текст, вспомнил, что больше всего времени за последние несколько месяцев я потратил именно на разработку тех форм отчетов, которые мне было бы удобно смотреть и в которых я смогу что-то увидеть. А выводы потом сами к тебе идут)
Подумайте об этом на досуге. Может ваше слабое звено как раз в том, что вы не понимаете, под каким углом нужно смотреть на данные?)
Кстати, в новом потоке тренинга «Как делать аналитику» мы этому будем уделять много внимания. Для примера: даже далеко ходить не надо — мы добавили сразу несколько занятий, которые посвящены анализу больших ассортиментных матриц. Там как раз разберем все вопросы, про которые я сегодня упомянул (и не только). Если эта тема вам интересна также, как и мне — запрыгивайте, еще успеваете вписаться по ранним ценам🕺
В образовании есть интересный парадокс. С одной стороны, все говорят о том, что между учебными и рабочими кейсами зачастую есть огромный разрыв. А с другой, почти никто не может привести вменяемый пример такого разрыва.
И я задумался над каким-нибудь реально показательным примером, где это круто будет ощущаться. И придумал. Проще некуда — возьмем анализ ассортиментной матрицы с помощью ABC-анализа (а то что я тут все про онлайн пишу, давайте про твердое!).
Но что с ним не так, где может возникнуть разрыв — он же максимально простой? Тем более у нас в Simulative ребята его делают в Excel, в SQL, в Python, на дашборды выводят — ночью разбуди наверно, и то сделают. Чего с ним не так-то?
А есть одна деталь, с которой вы столкнетесь, если придете работать в компанию с огромным ассортиментом. А именно — вам придется делать ABC-анализ не по одной товарной группе, а по целой иерархии. И вообще не очевидно, как тут быть.
Просто иллюстрация на примере небольшого продуктового магазина:
1/ Минимум 10 товарных категорий (колбасы, сыры, хлебо-булочные, снеки, напитки и т.д.)
2/ Внутри каждой категории — подкатегории (копченые колбасы, сыро-копченые и т.д.)
3/ Внутри каждой подкатегории — бренды (копченые колбасы Ремит, Мясницкий ряд и т.д.)
4/ И наконец добрались на уровень отдельных товаров
Когда видишь такое — понимаешь, что перед тобой задача другого калибра... Как проводить анализ — сверху вниз или снизу вверх. Как выбирать гиперпараметры (например, пороги групп А, B и C) для разных групп товаров — одинаковые (получается чепуха) или разные (получается читерство)? А если одна классная колбаса попала в группу B, а другая (вообще ваша любимая) в группу С из-за выбранных порогов — как быть: не вручную же все просматривать, чтобы решения принимать? Да и вообще, может какой-то способ поэффективней есть?!
Короче, вопросов масса. Все инструменты ты знаешь, саму методику тоже знаешь, но из-за объема и разнообразия данных тебя просто парализует. А когда понимаешь, что такую штуку надо делать раз в месяц — вообще становится дурно) Не знаю как вы, а я с таким сталкивался регулярно.
И вот, пока я пишу этот текст, я все больше понимаю, что как раз основная сложность лежит не в плоскости инструментов (и даже не всегда в плоскости финальных выводов), а в ответе на вопрос «Как обуздать огромный объем данных и что-то за ним увидеть?».
Условно: написать код, чтобы собрать когортный анализ — посильно. Даже интерпретировать результат — надо подкачаться, но тоже посильно. А вот имея подробный лог действий на руках за 2 года из миллиона записей понять — а как агрегировать этот массив данных так, чтобы финальный результат поместился на один лист и там была вся нужная информация, чтобы что-то увидеть и понять — это самое сложное.
На самом деле круто, для меня самого сейчас это инсайт — пока писал текст, вспомнил, что больше всего времени за последние несколько месяцев я потратил именно на разработку тех форм отчетов, которые мне было бы удобно смотреть и в которых я смогу что-то увидеть. А выводы потом сами к тебе идут)
Подумайте об этом на досуге. Может ваше слабое звено как раз в том, что вы не понимаете, под каким углом нужно смотреть на данные?)
Кстати, в новом потоке тренинга «Как делать аналитику» мы этому будем уделять много внимания. Для примера: даже далеко ходить не надо — мы добавили сразу несколько занятий, которые посвящены анализу больших ассортиментных матриц. Там как раз разберем все вопросы, про которые я сегодня упомянул (и не только). Если эта тема вам интересна также, как и мне — запрыгивайте, еще успеваете вписаться по ранним ценам
Please open Telegram to view this post
VIEW IN TELEGRAM
5🔥20❤7
Интерактив — «читаем» когортный анализ
Знаете, вот есть такие фразочки, которые все используют, но при этом никто до конца не понимает, что за этими словами стоит. Один человек сказал, другой понимающе кивнул, третий с умным видом поддакнул — на этом и разошлись, типа эффективно поработали)
Я человек конкретный, меня такие фразы откровенно вымораживают. В аналитике тоже такие есть. Вот например — «видеть что-то за цифрами». Ну это же вообще ни о чем фраза — у тебя что, экселька прозрачная, что ты что-то за цифрами видишь?)
Сами посудите: «Ты можешь считать себя классным аналитиком, если умеешь видеть бизнес-контекст за цифрами». Это чего вообще такое?) Я и сам так иногда говорю, чего уж там. Но сегодня твердо решил, что хватит это терпеть! Предлагаю такую формулировку:
Простейший пример: видишь, что конверсия резко рухнула — мог банально сломаться сайт.
И прикол в том, что так «видеть» — реально возможно, и для этого даже не обязательно быть шаманом! Например, на прошлом потоке моего тренинга «Как делать аналитику» мы с ребятами на примере когортного анализа разбирали этот эффект. Прям смотрели в когорты, а потом я комментировал: что в этот момент в реальности происходило в бизнесе и какое влияние оказало.
Делать такие ретроспективные упражнения — топовая тема для прокачки умения «видеть что-то за цифрами». В будущее смотреть тяжело — ты еще не знаешь результата. А вот в прошлое — прикольно. Пытаешься объяснить каждое отклонение метрики и понимаешь, что почти на все есть адекватная бизнес-причина.
Предлагаю нам с вами прямо сейчас такое упражнение поделать и вместе посмотреть в одну из тех самых когортных табличек! Ваша задача — найти как можно больше интересных значений и попробовать их объяснить: что в этот момент происходило в этот момент в нашей школе Simulative, что привело к таким результатам.
Табличку закинул в комментарии (данные, само собой, изменены, но структура сохранена). Это когортная таблица с метрикой CR2 из горячей заявки — конверсия из горячего лида в продажу.
Давайте я закину, для затравочки) Обратите внимание на конверсию июньской когорты в июне (т.е. в свой первый месяц). Почему такая маленькая конверсия в продажу из горячей заявки относительно соседних месяцев? Что могло повлиять?
Пишите свои варианты в комментарии, а я буду отвечать — валидно или нет!
Знаете, вот есть такие фразочки, которые все используют, но при этом никто до конца не понимает, что за этими словами стоит. Один человек сказал, другой понимающе кивнул, третий с умным видом поддакнул — на этом и разошлись, типа эффективно поработали)
Я человек конкретный, меня такие фразы откровенно вымораживают. В аналитике тоже такие есть. Вот например — «видеть что-то за цифрами». Ну это же вообще ни о чем фраза — у тебя что, экселька прозрачная, что ты что-то за цифрами видишь?)
Сами посудите: «Ты можешь считать себя классным аналитиком, если умеешь видеть бизнес-контекст за цифрами». Это чего вообще такое?) Я и сам так иногда говорю, чего уж там. Но сегодня твердо решил, что хватит это терпеть! Предлагаю такую формулировку:
Умение видеть бизнес-контекст за цифрами — это когда при просмотре отчета на любое колебание метрик в твоей голове сразу появляется набор гипотез: какие конкретные решения или события в компании могли так повлиять.
Простейший пример: видишь, что конверсия резко рухнула — мог банально сломаться сайт.
И прикол в том, что так «видеть» — реально возможно, и для этого даже не обязательно быть шаманом! Например, на прошлом потоке моего тренинга «Как делать аналитику» мы с ребятами на примере когортного анализа разбирали этот эффект. Прям смотрели в когорты, а потом я комментировал: что в этот момент в реальности происходило в бизнесе и какое влияние оказало.
Делать такие ретроспективные упражнения — топовая тема для прокачки умения «видеть что-то за цифрами». В будущее смотреть тяжело — ты еще не знаешь результата. А вот в прошлое — прикольно. Пытаешься объяснить каждое отклонение метрики и понимаешь, что почти на все есть адекватная бизнес-причина.
Предлагаю нам с вами прямо сейчас такое упражнение поделать и вместе посмотреть в одну из тех самых когортных табличек! Ваша задача — найти как можно больше интересных значений и попробовать их объяснить: что в этот момент происходило в этот момент в нашей школе Simulative, что привело к таким результатам.
Табличку закинул в комментарии (данные, само собой, изменены, но структура сохранена). Это когортная таблица с метрикой CR2 из горячей заявки — конверсия из горячего лида в продажу.
Давайте я закину, для затравочки) Обратите внимание на конверсию июньской когорты в июне (т.е. в свой первый месяц). Почему такая маленькая конверсия в продажу из горячей заявки относительно соседних месяцев? Что могло повлиять?
Пишите свои варианты в комментарии, а я буду отвечать — валидно или нет!
2❤20🔥5✍4👍3
В начале месяца мы анонсировали старт нового потока моего авторского тренинга «Как делать аналитику». И я только сейчас понял, что толком не рассказал, что там вообще будет)
Итак, тренинг — о том, как «читать» отчеты, делать правильные выводы на основании большого количества неоднозначных данных, придумывать сильные идеи и составлять правильные объяснительные конструкции.
Например, мой последний пост был интерактивным — нужно было найти «интересные зацепки» в отчете с когортами. И по комментариям видно — многие штуки остались незамеченными или объяснены неверно. Кстати, скоро выйдет пост с разбором, не переключайтесь!)
Сложности, которые возникают у большинства людей с «чтением» отчетов — это нормально. Это навык, который нужно системно тренировать, причем по правильной системе. Как в спорте)
Поэтому я существенно расширил программу тренинга, чтобы туда вошли все самые животрепещущие темы:
1/ Дерево метрик и иерархия метрик. В прошлый раз эти занятия очень зашли участникам тренинга, а здесь мы будем говорить про это еще больше. Это буквально о том, как разложить любой бизнес на полную структуру связанных друг с другом метрик. Благодаря этому инструменту очень легко искать рычаги для роста и объяснять просадки в любых метриках. Это прям база.
2/ Аналитика товаров и ассортиментов. Поговорим про ABC/XYZ анализ (только по-взрослому, как работать с огромными ассортиментами). Обсудим эластичность спроса + расскажу про использование кластеризации для этих задач (спойлер: он круче стандартного подхода)
3/ Юнит-экономика. Основа для любого бизнеса. Когда мы затеваем новый проект — считаем юнитку. Запускаем товар на маркетплейсах — считаем юнитку. Что-то идет не так — считаем юнитку! Покажу вам разные фреймворки расчета юнитки, дам полезные шаблоны для разных ниш бизнеса.
4/ Когортный анализ и реверс-инжиниринг. Когорты — один из самых мощных инструментов в любом бизнесе, но большинство компаний используют только 5% от его возможностей: строят только стандартные когорты по выручке (или не строят вообще). Мы этой теме уделим сразу несколько занятий: научимся анализировать прошлое и настоящее + планировать будущее (искать ответ на вопрос «что нужно делать сейчас, чтобы через год стать сказочно богатым»).
5/ Бонусные занятия — у нас запланировано много бонусных занятий с приглашенными спикерами. Например, Настя Кузнецова (автор тг-канала "настенька и графики") будет рассказывать про дашборды.
Здесь я описал очень тезисно, иначе займу эфир надолго — эти темы меня драйвят и я могу говорить про них много)
В общем, если вы чувствуете, что прокачка продуктового мышления — важный шаг в вашей карьере, то обязательно переходите по ссылке, чтобы познакомиться с деталями тренинга. Стартуем уже скоро, но пока еще успеваете вписаться по ранним ценам.
И кстати, много вопросов про следующий поток. Он точно будет, но не скоро — сейчас очень много задач в работе, поэтому планирую мощно отбомбить этот поток и переключиться. Короче, приходите — буду рад всех видеть!
Итак, тренинг — о том, как «читать» отчеты, делать правильные выводы на основании большого количества неоднозначных данных, придумывать сильные идеи и составлять правильные объяснительные конструкции.
Например, мой последний пост был интерактивным — нужно было найти «интересные зацепки» в отчете с когортами. И по комментариям видно — многие штуки остались незамеченными или объяснены неверно. Кстати, скоро выйдет пост с разбором, не переключайтесь!)
Сложности, которые возникают у большинства людей с «чтением» отчетов — это нормально. Это навык, который нужно системно тренировать, причем по правильной системе. Как в спорте)
Поэтому я существенно расширил программу тренинга, чтобы туда вошли все самые животрепещущие темы:
1/ Дерево метрик и иерархия метрик. В прошлый раз эти занятия очень зашли участникам тренинга, а здесь мы будем говорить про это еще больше. Это буквально о том, как разложить любой бизнес на полную структуру связанных друг с другом метрик. Благодаря этому инструменту очень легко искать рычаги для роста и объяснять просадки в любых метриках. Это прям база.
2/ Аналитика товаров и ассортиментов. Поговорим про ABC/XYZ анализ (только по-взрослому, как работать с огромными ассортиментами). Обсудим эластичность спроса + расскажу про использование кластеризации для этих задач (спойлер: он круче стандартного подхода)
3/ Юнит-экономика. Основа для любого бизнеса. Когда мы затеваем новый проект — считаем юнитку. Запускаем товар на маркетплейсах — считаем юнитку. Что-то идет не так — считаем юнитку! Покажу вам разные фреймворки расчета юнитки, дам полезные шаблоны для разных ниш бизнеса.
4/ Когортный анализ и реверс-инжиниринг. Когорты — один из самых мощных инструментов в любом бизнесе, но большинство компаний используют только 5% от его возможностей: строят только стандартные когорты по выручке (или не строят вообще). Мы этой теме уделим сразу несколько занятий: научимся анализировать прошлое и настоящее + планировать будущее (искать ответ на вопрос «что нужно делать сейчас, чтобы через год стать сказочно богатым»).
5/ Бонусные занятия — у нас запланировано много бонусных занятий с приглашенными спикерами. Например, Настя Кузнецова (автор тг-канала "настенька и графики") будет рассказывать про дашборды.
Здесь я описал очень тезисно, иначе займу эфир надолго — эти темы меня драйвят и я могу говорить про них много)
В общем, если вы чувствуете, что прокачка продуктового мышления — важный шаг в вашей карьере, то обязательно переходите по ссылке, чтобы познакомиться с деталями тренинга. Стартуем уже скоро, но пока еще успеваете вписаться по ранним ценам.
И кстати, много вопросов про следующий поток. Он точно будет, но не скоро — сейчас очень много задач в работе, поэтому планирую мощно отбомбить этот поток и переключиться. Короче, приходите — буду рад всех видеть!
2❤11🔥11👍6
Недавно я публиковал пост-интерактив и предложил вам поискать интересные инсайты в табличке с когортным анализом. Вы написали много комментариев, а многие просили разбор — поэтому сегодня решил его сделать!)
Итак, у нас есть таблица с когортным анализом (таблицу и ее описание продублирую в комментарии продублирую в комментарии). Давайте разберем несколько интересных пунктов.
1/ Все когорты показали очень плохой результат в марте 2024 года — весь столбец раскрашен красным.
Многие обратили на это внимание и выдвигали разные теории — спад сезона, косяки отдела продаж и многое другое. На самом деле, просто в марте проводилась активность, которая очень сильно «байтила» пользователей оставлять горячие заявки и их было очень много, а по факту они были не такими уж и горячими.
Условно, «запишись на консультацию» и «запишись на консультацию и получи полезный бонус» — два разных посыла. Вот в марте был второй. За счет этого конверсия в заявку там сильно выше обычного, но логично, что конверсия в продажу — ниже обычного.
Эта штука демонстрирует сразу 2 важных принципа: нужно обязательно смотреть все конверсии отдельно, но и оценивать сквозные, если появились аномалии + не надо делать выводы, не видя полной воронки.
2/ Конверсия первого месяца в июне всего 5%, хотя у предыдущих/следующих месяцев все ок.
Я про это написал в посте и в комментариях предложили много объяснительных конструкций — сезонный спад, неудачная рекламная кампания, эксперименты с продажными скриптами и прочее.
Когда такое видишь, очень важно остановиться и задуматься: «блин, ну до и после же все ок, что случилось в этот момент времени?». И если покопать чуть вглубь, то окажется, что в июне у нас поменялся источник платной лидогенерации (был — запрещенная соцсеть, а стал — посевы в телеграм). И когда начинаешь проверять эту гипотезу, выясняется, что реально — до этого именно по платному трафику конверсия в продажу была довольно высокая, а по новому каналу — цикл сделки больше, поэтому и получилась просадка. А дальше этот показатель снова вырос, потому что за месяц набили шишек, чуть снизили бюджет на рекламу в новом канале и стали делать более качественные действия.
Этот пример — отличная демонстрация того, что иногда (часто) для принятия решения нужно что-то заметить и пойти просто копать разные показатели, которые напрямую может и не связаны с твоей аномалией. Надо «расшить воронку» и поискать там зацепку. Почти всегда работает)
3/ Кто-нибудь заметил конверсию в 150% в когорте января 2024 в январе 2025 года?)
Такого просто не может быть — оставили заявку 10 человек, а купили 15. Чем такое может объясняться?
Да ничем, я специально добавил этот баг, чтобы на него обратили внимание. Обычно такое значит, что для начала надо поставить под сомнения все значения в этот отчете и пойти проверить корректность чисел и методику расчета.
4/ Почти все когорты в сентябре 2024 стали подозрительно зелеными.
Что за аттракцион невиданной щедрости — все вдруг резко стали покупать с высокой конверсией! Получается, день знаний сработал?!
На самом деле нет. Точней, разумеется, сезон играет роль. Но мы просто запустили новый продукт, у него был не очень большой средний чек и люди его покупали с высокой конверсией. Вот и все, вот и все)
Это еще не все — даже в этой таблице есть еще интересные штуки, которые можно разглядеть. Это очень полезное упражнение для прокачки продуктового мышления (а еще для роста бизнеса).
Кстати, мне сейчас часто пишут в личку с вопросом — привести какой-то наглядный пример того, что будет на тренинге. Это упражнение — небольшой кусочек того, что мы будем разбирать на занятии по когортам. Только там будет сильно больше когортных таблиц — будем анализировать не отдельный отчет, а целую пачку одновременно, которые показывают динамику всех когорт по всей воронке, от заявки до покупки. Если такие «исследования» и «раскопки» вас драйвят — обязательно записывайтесь в грядущий поток тренинга, такого у нас будет много)
Как вам вообще такой формат с интерактивом, заходит? Делаем еще?) Если да — накиньте реакций на пост🔥
Итак, у нас есть таблица с когортным анализом (таблицу и ее описание продублирую в комментарии продублирую в комментарии). Давайте разберем несколько интересных пунктов.
1/ Все когорты показали очень плохой результат в марте 2024 года — весь столбец раскрашен красным.
Многие обратили на это внимание и выдвигали разные теории — спад сезона, косяки отдела продаж и многое другое. На самом деле, просто в марте проводилась активность, которая очень сильно «байтила» пользователей оставлять горячие заявки и их было очень много, а по факту они были не такими уж и горячими.
Условно, «запишись на консультацию» и «запишись на консультацию и получи полезный бонус» — два разных посыла. Вот в марте был второй. За счет этого конверсия в заявку там сильно выше обычного, но логично, что конверсия в продажу — ниже обычного.
Эта штука демонстрирует сразу 2 важных принципа: нужно обязательно смотреть все конверсии отдельно, но и оценивать сквозные, если появились аномалии + не надо делать выводы, не видя полной воронки.
2/ Конверсия первого месяца в июне всего 5%, хотя у предыдущих/следующих месяцев все ок.
Я про это написал в посте и в комментариях предложили много объяснительных конструкций — сезонный спад, неудачная рекламная кампания, эксперименты с продажными скриптами и прочее.
Когда такое видишь, очень важно остановиться и задуматься: «блин, ну до и после же все ок, что случилось в этот момент времени?». И если покопать чуть вглубь, то окажется, что в июне у нас поменялся источник платной лидогенерации (был — запрещенная соцсеть, а стал — посевы в телеграм). И когда начинаешь проверять эту гипотезу, выясняется, что реально — до этого именно по платному трафику конверсия в продажу была довольно высокая, а по новому каналу — цикл сделки больше, поэтому и получилась просадка. А дальше этот показатель снова вырос, потому что за месяц набили шишек, чуть снизили бюджет на рекламу в новом канале и стали делать более качественные действия.
Этот пример — отличная демонстрация того, что иногда (часто) для принятия решения нужно что-то заметить и пойти просто копать разные показатели, которые напрямую может и не связаны с твоей аномалией. Надо «расшить воронку» и поискать там зацепку. Почти всегда работает)
3/ Кто-нибудь заметил конверсию в 150% в когорте января 2024 в январе 2025 года?)
Такого просто не может быть — оставили заявку 10 человек, а купили 15. Чем такое может объясняться?
Да ничем, я специально добавил этот баг, чтобы на него обратили внимание. Обычно такое значит, что для начала надо поставить под сомнения все значения в этот отчете и пойти проверить корректность чисел и методику расчета.
4/ Почти все когорты в сентябре 2024 стали подозрительно зелеными.
Что за аттракцион невиданной щедрости — все вдруг резко стали покупать с высокой конверсией! Получается, день знаний сработал?!
На самом деле нет. Точней, разумеется, сезон играет роль. Но мы просто запустили новый продукт, у него был не очень большой средний чек и люди его покупали с высокой конверсией. Вот и все, вот и все)
Это еще не все — даже в этой таблице есть еще интересные штуки, которые можно разглядеть. Это очень полезное упражнение для прокачки продуктового мышления (а еще для роста бизнеса).
Кстати, мне сейчас часто пишут в личку с вопросом — привести какой-то наглядный пример того, что будет на тренинге. Это упражнение — небольшой кусочек того, что мы будем разбирать на занятии по когортам. Только там будет сильно больше когортных таблиц — будем анализировать не отдельный отчет, а целую пачку одновременно, которые показывают динамику всех когорт по всей воронке, от заявки до покупки. Если такие «исследования» и «раскопки» вас драйвят — обязательно записывайтесь в грядущий поток тренинга, такого у нас будет много)
Как вам вообще такой формат с интерактивом, заходит? Делаем еще?) Если да — накиньте реакций на пост
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥28❤7👍4✍2
С момента анонса тренинга «Как делать аналитику» самым частым вопросом, пожалуй, стал вопрос — каким уровнем знаний нужно обладать, чтобы тренинг был полезным. Решил написать про это прям отдельный пост)
А подойдет ли мне тренинг, если я уже действующий аналитик?
Да, 100% подойдет. Если вы уже работаете — это прекрасно, вы сможете сразу перекладывать все концепции, которые мы изучаем, на свои бизнес-кейсы. Эффект от обучения в таком случае будет еще сильней. Кроме того, вы сможете сразу задавать вопросы — не абстрактно, а по своим конкретным ситуациям.
С точки зрения программы тренинг довольно универсальный — там и про B2B, и про B2C, и про ecom/ритейл, и про edtech, и про сервисы, и про услуги — абсолютно разные вертикали бизнеса, так что каждый найдет для себя что-то интересное.
А подойдет ли мне тренинг, если я только учусь на аналитика?
И ответ снова — да. Если вы только учитесь — за счет тренинга вы сможете сразу сформировать правильное мышление и понимание «А зачем я вообще все это делаю?». Кроме того, у вас будет огромное конкурентное преимущество: через нас проходит много начинающих аналитиков и, поверьте, подавляющее большинство испытывает огромные сложности с продуктовыми кейсами. А у вас этот скилл будет активирован за счет тренинга.
Сейчас во время учебы вы просто пишете код и строите какие-то когортные отчеты. А после тренинга — вы будете видеть эти когорты насквозь и вопроса «как это применять» у вас точно не возникнет.
Чтобы комфортно себя чувствовать во время тренинга, достаточно знать продуктовые метрики. Если вы учитесь у нас на курсе по аналитике данных — это как раз модуль по продуктовым метрикам. Кстати, а на втором и третьем тарифе мы открываем вам этот модуль в подарок, причем сразу после оплаты — до тренинга у вас еще будет время подготовиться.
А подойдет ли мне тренинг, если я менеджер / продакт / маркетолог?
Если вы принимаете решения на данных, то да. Например, если работаете с ассортиментом, категорийным менеджментом, закупками и прочим — занятия по оптимизации больших ассортиментных матриц будут вам очень полезны. А если вы маркетолог или менеджер, то занятия по когортам, реверс-инжинирингу, юнитке и прочему — вообще маст-хэв.
Заключение
В общем, тренинг действительно довольно универсальный. Первый поток мы запускали с прицелом только на одну группу, но после анализа фидбека от студентов я существенно пересобрал всю программу — самих занятий стало больше, некоторые темы поменялись, внутрянка самих занятий изменилась, добавились кардинально новые темы.
В общем, будет круто — постараюсь выложиться по полной. Если вам такое интересно — записывайтесь через бота, еще успеваете по ранним ценам, но осталось всего пару дней. Следующий поток будет не скоро, поэтому, если вам актуально, лучше вписывайтесь сейчас)
А подойдет ли мне тренинг, если я уже действующий аналитик?
Да, 100% подойдет. Если вы уже работаете — это прекрасно, вы сможете сразу перекладывать все концепции, которые мы изучаем, на свои бизнес-кейсы. Эффект от обучения в таком случае будет еще сильней. Кроме того, вы сможете сразу задавать вопросы — не абстрактно, а по своим конкретным ситуациям.
С точки зрения программы тренинг довольно универсальный — там и про B2B, и про B2C, и про ecom/ритейл, и про edtech, и про сервисы, и про услуги — абсолютно разные вертикали бизнеса, так что каждый найдет для себя что-то интересное.
А подойдет ли мне тренинг, если я только учусь на аналитика?
И ответ снова — да. Если вы только учитесь — за счет тренинга вы сможете сразу сформировать правильное мышление и понимание «А зачем я вообще все это делаю?». Кроме того, у вас будет огромное конкурентное преимущество: через нас проходит много начинающих аналитиков и, поверьте, подавляющее большинство испытывает огромные сложности с продуктовыми кейсами. А у вас этот скилл будет активирован за счет тренинга.
Сейчас во время учебы вы просто пишете код и строите какие-то когортные отчеты. А после тренинга — вы будете видеть эти когорты насквозь и вопроса «как это применять» у вас точно не возникнет.
Чтобы комфортно себя чувствовать во время тренинга, достаточно знать продуктовые метрики. Если вы учитесь у нас на курсе по аналитике данных — это как раз модуль по продуктовым метрикам. Кстати, а на втором и третьем тарифе мы открываем вам этот модуль в подарок, причем сразу после оплаты — до тренинга у вас еще будет время подготовиться.
А подойдет ли мне тренинг, если я менеджер / продакт / маркетолог?
Если вы принимаете решения на данных, то да. Например, если работаете с ассортиментом, категорийным менеджментом, закупками и прочим — занятия по оптимизации больших ассортиментных матриц будут вам очень полезны. А если вы маркетолог или менеджер, то занятия по когортам, реверс-инжинирингу, юнитке и прочему — вообще маст-хэв.
Заключение
В общем, тренинг действительно довольно универсальный. Первый поток мы запускали с прицелом только на одну группу, но после анализа фидбека от студентов я существенно пересобрал всю программу — самих занятий стало больше, некоторые темы поменялись, внутрянка самих занятий изменилась, добавились кардинально новые темы.
В общем, будет круто — постараюсь выложиться по полной. Если вам такое интересно — записывайтесь через бота, еще успеваете по ранним ценам, но осталось всего пару дней. Следующий поток будет не скоро, поэтому, если вам актуально, лучше вписывайтесь сейчас)
1❤11🔥4
Друзья, ну что, уже через несколько дней стартует второй поток моего тренинга «Как делать аналитику». У нас уже собралась серьезная группа, мы заканчиваем формировать рабочие чаты и проводим первое занятие уже на этих выходных 🔥
Работа предстоит ударная — нас ждет 2 месяца интенсивного погружения в аналитику, таблички, продуктовое мышление, когорты, деревья метрик и прочие интереснейшие темы. Будет непросто, но я планирую выложиться на 110%!)
С момента предыдущего тренинга прошло полгода и я сильно пересобрал тренинг. Добавились новые занятия (например, про анализ больших ассортиментных матриц), будут приглашенные спикеры (главный гость — Настя Кузнецова из «настенька и графики»). Да и вообще за это время я сильно переосмыслил некоторые концепции (например, занятие по юнит-экономике изменится кардинально) — будет очень полезно даже тем, кто уже проходил первый поток!
Если вы планировали прокачаться в аналитике — крайне рекомендую вписаться через тг-бота, вы еще успеете запрыгнуть в последний вагон. Следующий поток тренинга будет не скоро — в ближайшие месяцы планирую сосредоточиться на операционных задачах, так что не откладывайте в дальний ящик🧰
И не переключайтесь: на следующей неделе выложу интересный пост про очень важную и сложную концепцию в аналитике — взаимосвязанные метрики. Уверен, что с этой штукой сталкивались все и будет полезно!
Работа предстоит ударная — нас ждет 2 месяца интенсивного погружения в аналитику, таблички, продуктовое мышление, когорты, деревья метрик и прочие интереснейшие темы. Будет непросто, но я планирую выложиться на 110%!)
С момента предыдущего тренинга прошло полгода и я сильно пересобрал тренинг. Добавились новые занятия (например, про анализ больших ассортиментных матриц), будут приглашенные спикеры (главный гость — Настя Кузнецова из «настенька и графики»). Да и вообще за это время я сильно переосмыслил некоторые концепции (например, занятие по юнит-экономике изменится кардинально) — будет очень полезно даже тем, кто уже проходил первый поток!
Если вы планировали прокачаться в аналитике — крайне рекомендую вписаться через тг-бота, вы еще успеете запрыгнуть в последний вагон. Следующий поток тренинга будет не скоро — в ближайшие месяцы планирую сосредоточиться на операционных задачах, так что не откладывайте в дальний ящик
И не переключайтесь: на следующей неделе выложу интересный пост про очень важную и сложную концепцию в аналитике — взаимосвязанные метрики. Уверен, что с этой штукой сталкивались все и будет полезно!
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤13🏆6👍4❤🔥2✍1
Взаимосвязанные метрики
Обещал написать пост про взаимосвязанные метрики и пропал на месяц 🫠 Исправляюсь!
В аналитике есть очень сложное явление — взаимосвязанные метрики. Это когда одна и та же метрика влияет на несколько других одновременно. Особенно тяжелый случай — когда она влияет в разном направлении: какую-то метрику улучшает, а другую, наоборот, убивает.
Самый показательный пример — остаток внутриигровой валюты на конец дня у пользователя. С одной стороны, эта метрика напрямую влияет на деньги: если остается слишком много «бесплатных» денег на счету, то нет мотивации покупать платные пакеты. А с другой стороны, если остаток на конец дня слишком маленький, то сильно падает retention — у человека просто нет мотивации заходить завтра, потому что он понимает: единственный способ поиграть завтра — заплатить реальных деньжат.
Получается система взаимосвязанных метрик, причем разнонаправленных (и даже противоречащих друг другу):
* Баланс на конец дня маленький → retention падает → выручка падает
* Баланс на конец дня маленький → больше покупок → выручка растет
Что с таким делать? Искать оптимум: сколько денег нужно оставлять на счету, чтобы и retention падал не сильно, и покупали при этом нормально.
Как делать это технически:
1/ Если у вас достаточно исторических данных, то можно построить две кривые: зависимость остатка баланса и retention следующего дня и зависимость остатка баланса и покупок на следующий день. И находим точку, где достигается максимум совокупного вклада в деньги.
2/ После выбора оптимума тестируем (классический A/B-тест) — действительно ли хороший оптимум мы подобрали.
3/ Если исторических данных нет — можно сразу пойти по пути A/B-теста. Но он будет долгим: тестировать нужно не 2 варианта, а много (условно, разные балансы на конец дня с шагом в 100 монет). Помимо этого, тестировать нужно не только выручку, но и retention — сразу 2 метрики.
Важно еще понимать, что для разных сегментов аудитории эти оптимумы могут быть разными. Для категории "лютые задроты" (извините, нейминг — не моя сильная сторона) можно оставлять баланс и пониже, они все равно купят. Для категории "халявщики" — скорей нужно работать над retention: много денег в моменте они не заплатят, а по чуть-чуть за счет длинного lifetime из них можно вытащить.
И таких взаимосвязанных метрик очень много — они нас окружают почти в любом виде бизнеса. Размер скидки на товар (режет маржу, но повышает спрос), остатки товара (больше потенциал продаж, но замороженные деньги) и так далее.
Интересно подробнее погрузиться в эту тему? Давайте соберем 100 разных реакций на этот пост и я поделюсь блокнотом с кодом, где построю эти самые кривые и найду точку оптимума!
И вообще — с днем знаний всех студентов и преподавателей!🎓
Обещал написать пост про взаимосвязанные метрики и пропал на месяц 🫠 Исправляюсь!
В аналитике есть очень сложное явление — взаимосвязанные метрики. Это когда одна и та же метрика влияет на несколько других одновременно. Особенно тяжелый случай — когда она влияет в разном направлении: какую-то метрику улучшает, а другую, наоборот, убивает.
Самый показательный пример — остаток внутриигровой валюты на конец дня у пользователя. С одной стороны, эта метрика напрямую влияет на деньги: если остается слишком много «бесплатных» денег на счету, то нет мотивации покупать платные пакеты. А с другой стороны, если остаток на конец дня слишком маленький, то сильно падает retention — у человека просто нет мотивации заходить завтра, потому что он понимает: единственный способ поиграть завтра — заплатить реальных деньжат.
Получается система взаимосвязанных метрик, причем разнонаправленных (и даже противоречащих друг другу):
* Баланс на конец дня маленький → retention падает → выручка падает
* Баланс на конец дня маленький → больше покупок → выручка растет
Что с таким делать? Искать оптимум: сколько денег нужно оставлять на счету, чтобы и retention падал не сильно, и покупали при этом нормально.
Как делать это технически:
1/ Если у вас достаточно исторических данных, то можно построить две кривые: зависимость остатка баланса и retention следующего дня и зависимость остатка баланса и покупок на следующий день. И находим точку, где достигается максимум совокупного вклада в деньги.
2/ После выбора оптимума тестируем (классический A/B-тест) — действительно ли хороший оптимум мы подобрали.
3/ Если исторических данных нет — можно сразу пойти по пути A/B-теста. Но он будет долгим: тестировать нужно не 2 варианта, а много (условно, разные балансы на конец дня с шагом в 100 монет). Помимо этого, тестировать нужно не только выручку, но и retention — сразу 2 метрики.
Важно еще понимать, что для разных сегментов аудитории эти оптимумы могут быть разными. Для категории "лютые задроты" (извините, нейминг — не моя сильная сторона) можно оставлять баланс и пониже, они все равно купят. Для категории "халявщики" — скорей нужно работать над retention: много денег в моменте они не заплатят, а по чуть-чуть за счет длинного lifetime из них можно вытащить.
И таких взаимосвязанных метрик очень много — они нас окружают почти в любом виде бизнеса. Размер скидки на товар (режет маржу, но повышает спрос), остатки товара (больше потенциал продаж, но замороженные деньги) и так далее.
Интересно подробнее погрузиться в эту тему? Давайте соберем 100 разных реакций на этот пост и я поделюсь блокнотом с кодом, где построю эти самые кривые и найду точку оптимума!
И вообще — с днем знаний всех студентов и преподавателей!
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥93👍28✍16❤16🎉2🐳2🤓2👏1🏆1💅1
Как спасти бизнес с помощью аналитики еще до того, как он появился 🧬
Сейчас считал юнит-экономику одного проекта в разных вариациях и наткнулся на интересный кейс, решил поделиться с вами!
Возьмем любой бизнес, который берет «деньги вперед», а потом с отложенным эффектом оказывает услуги. Таких примеров масса — образование, консалтинг, стройка (если по предоплате), большинство аутсорсинговых услуг и т.д.
Обычно юнит-экономику таких бизнесов считают примерно так: CAC (стоимость привлечения) — 20к, AOV (средний чек) — 100к, lifetime (повторные покупки) — 1 (в среднем человек покупает 1 курс). Итого 80к маржи. Ну вычтем еще продуктовые расходы (например, 25к за 5 месяцев обучения), но вроде все равно остается дофига. Классный бизнес, правда?
Но есть ловушка, которую почти невозможно заметить в реальной жизни (т.к. денежные потоки идут со всех сторон, этого просто не видно), если не считать юнит-экономику. А ловушка заключается в том, что с учетом отложенных обязательств, на самом деле ваша юнит-экономика должна выглядеть так: CAC — 20к (не меняется), AOV — 20к, lifetime — 5 мес (если учеба на курсе — 5 мес, то это как раз 20к в месяц). Да, деньги вам на счет приходят сразу (все 100к), но они не совсем ваши, пока вы не оказали услугу.
И получается забавный эффект — вы в минусе в первый месяц! Средний чек 20к - расходы на привлечение 20к - продуктовый кост 5к/мес (общий был 25к, делим на 5 мес). Итого минус 5к в первый месяц. На масштабе в 100 продаж в месяц это превращается уже в минус 500к.
То есть, по сути, вы улетаете в кассовый разрыв! Да, вы отобьете эти деньги и получите положительную маржу по итогу, ровно как было в первом расчете. Но по первому месяцу в юнит-экономике вы в минусе — вы как бы вынуждены перекрывать это банковским овердрафтом (ну а в жизни скорей вы берете просто в долг у самого себя, съедая прибыль предыдущих периодов, обещая самому себе вернуть ее на 2, 3 и так далее месяц срок жизни этого клиента).
Критично ли это? В целом, нет. Абсолютно все бизнесы с отложенными обязательствами так живут. Но в идеальной картинке нужно стремиться сокращать цикл выхода в плюс по юнит-экономике (если сейчас выходите в плюс на 3 месяц — стремитесь к 4) или даже вообще окупаться уже по первой продаже.
Исправить в лобовую это не получится. Если вы просто перенесете выплаты комиссии своим менеджерам по продажам на месяц позже или что-то подобное, то у вас просто убыточным станет не первый, а второй месяц :) Есть только 2 варианта, как это можно починить:
1. Уменьшить стоимость привлечения клиента. Этот расход относится только к первому платежу и именно из-за него в первом месяце экономика убыточна. Если его снизить — можно выправить ситуацию. Но это так себе история — редко можно сильно снизить CAC + это нестабильно + все равно он вырастет на масштабе.
2. Разнести выплату CAC и другие расходы по разным периодам. Например, мы заложили в свою модель равномерный продуктовый кост в 5к каждый месяц. Но мы можем устроить все таким образом, что за сопровождение клиента (например, консалтинг) мы платим специалисту не каждый месяц по 5к, а в первый месяц не платим вообще, а потом сразу 10к (или даже чуть больше, в качестве компенсации), а с 3 месяца уже равномерно по 5к. И получится, что в первый месяц мы вышли в 0 (у нас как раз был минус 5к), во второй месяц наша прибыль чуть просела (т.к. сразу заплатили продуктовый кост за 2 месяца), но все еще прибыль, а с 3 месяца уже нормально качаем прибыль. Итог — заработали столько же денег, но без риска кассовых разрывов.
Можно придумывать и другие варианты, но глобально они все будут вариациями второго пункта, который я описал.
В комментарии закину скрин с куском 2 юнит-экономик, где виден как раз этот эффект ухода в минус. И почаще прогоняйте все идеи через юнит-экономику и другие аналитические инструменты — большинство ошибок можно избежать, ведь чинить последствия потом сильно сложней 🙂
Сейчас считал юнит-экономику одного проекта в разных вариациях и наткнулся на интересный кейс, решил поделиться с вами!
Возьмем любой бизнес, который берет «деньги вперед», а потом с отложенным эффектом оказывает услуги. Таких примеров масса — образование, консалтинг, стройка (если по предоплате), большинство аутсорсинговых услуг и т.д.
Обычно юнит-экономику таких бизнесов считают примерно так: CAC (стоимость привлечения) — 20к, AOV (средний чек) — 100к, lifetime (повторные покупки) — 1 (в среднем человек покупает 1 курс). Итого 80к маржи. Ну вычтем еще продуктовые расходы (например, 25к за 5 месяцев обучения), но вроде все равно остается дофига. Классный бизнес, правда?
Но есть ловушка, которую почти невозможно заметить в реальной жизни (т.к. денежные потоки идут со всех сторон, этого просто не видно), если не считать юнит-экономику. А ловушка заключается в том, что с учетом отложенных обязательств, на самом деле ваша юнит-экономика должна выглядеть так: CAC — 20к (не меняется), AOV — 20к, lifetime — 5 мес (если учеба на курсе — 5 мес, то это как раз 20к в месяц). Да, деньги вам на счет приходят сразу (все 100к), но они не совсем ваши, пока вы не оказали услугу.
И получается забавный эффект — вы в минусе в первый месяц! Средний чек 20к - расходы на привлечение 20к - продуктовый кост 5к/мес (общий был 25к, делим на 5 мес). Итого минус 5к в первый месяц. На масштабе в 100 продаж в месяц это превращается уже в минус 500к.
То есть, по сути, вы улетаете в кассовый разрыв! Да, вы отобьете эти деньги и получите положительную маржу по итогу, ровно как было в первом расчете. Но по первому месяцу в юнит-экономике вы в минусе — вы как бы вынуждены перекрывать это банковским овердрафтом (ну а в жизни скорей вы берете просто в долг у самого себя, съедая прибыль предыдущих периодов, обещая самому себе вернуть ее на 2, 3 и так далее месяц срок жизни этого клиента).
Критично ли это? В целом, нет. Абсолютно все бизнесы с отложенными обязательствами так живут. Но в идеальной картинке нужно стремиться сокращать цикл выхода в плюс по юнит-экономике (если сейчас выходите в плюс на 3 месяц — стремитесь к 4) или даже вообще окупаться уже по первой продаже.
Исправить в лобовую это не получится. Если вы просто перенесете выплаты комиссии своим менеджерам по продажам на месяц позже или что-то подобное, то у вас просто убыточным станет не первый, а второй месяц :) Есть только 2 варианта, как это можно починить:
1. Уменьшить стоимость привлечения клиента. Этот расход относится только к первому платежу и именно из-за него в первом месяце экономика убыточна. Если его снизить — можно выправить ситуацию. Но это так себе история — редко можно сильно снизить CAC + это нестабильно + все равно он вырастет на масштабе.
2. Разнести выплату CAC и другие расходы по разным периодам. Например, мы заложили в свою модель равномерный продуктовый кост в 5к каждый месяц. Но мы можем устроить все таким образом, что за сопровождение клиента (например, консалтинг) мы платим специалисту не каждый месяц по 5к, а в первый месяц не платим вообще, а потом сразу 10к (или даже чуть больше, в качестве компенсации), а с 3 месяца уже равномерно по 5к. И получится, что в первый месяц мы вышли в 0 (у нас как раз был минус 5к), во второй месяц наша прибыль чуть просела (т.к. сразу заплатили продуктовый кост за 2 месяца), но все еще прибыль, а с 3 месяца уже нормально качаем прибыль. Итог — заработали столько же денег, но без риска кассовых разрывов.
Можно придумывать и другие варианты, но глобально они все будут вариациями второго пункта, который я описал.
В комментарии закину скрин с куском 2 юнит-экономик, где виден как раз этот эффект ухода в минус. И почаще прогоняйте все идеи через юнит-экономику и другие аналитические инструменты — большинство ошибок можно избежать, ведь чинить последствия потом сильно сложней 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
1✍25🔥17❤11👍6
Пора развиртуализироваться 🪆
7 октября я буду открывать конференцию РУBIКОНФ’25 — масштабную data driven-конференцию по бизнес-аналитике и работе с данными. Буду рассказывать про 7 причин, из-за которых дашборды превращаются из рабочего инструмента в бабушкин ковер))
Регистрируйтесь — участие бесплатное: буду рад пересечься офлайн, но будет и онлайн!
P.S. Почему я написал именно про бабушкин ковер?) А вы перейдите на сайт конференции, зацените их фирменный стиль!) Стараюсь соответствовать — у меня и в презентации будут тематические мемы!
7 октября я буду открывать конференцию РУBIКОНФ’25 — масштабную data driven-конференцию по бизнес-аналитике и работе с данными. Буду рассказывать про 7 причин, из-за которых дашборды превращаются из рабочего инструмента в бабушкин ковер))
Регистрируйтесь — участие бесплатное: буду рад пересечься офлайн, но будет и онлайн!
P.S. Почему я написал именно про бабушкин ковер?) А вы перейдите на сайт конференции, зацените их фирменный стиль!) Стараюсь соответствовать — у меня и в презентации будут тематические мемы!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤26🔥16
Прямо сейчас у меня в столе уже лежит несколько написанных жирных постов, которые я никак не могу опубликовать сюда. Что их объединяет: они все вокруг аналитики. Что у них разного: они все рассчитаны на абсолютно разную аудиторию))
Ну то есть буквально — например, у меня уже месяца полтора как написан пост про синтетические метрики и примеры их применения в продажах, маркетинге и продукте (очевидно, что интересно будет РОПам, маркетологам, продактам и прочим ребятам). А рядом с ним лежит пост про хардовые фишки SQL, которые будут интересны только аналитикам. А еще руки чешутся постоянно рассказывать про всякие data-driven решения в бизнесе, а такое будет интересно много кому, но особенно предпринимателям.
Поэтому, в лучших традициях принятия смелых мужественных решений я просто не публикую посты — типа я пытаюсь «нащупать», кто же читает этот канал)) Считаю, что пора положить этому конец! В связи с чем опрос, просьба поучаствовать и положить конец этим терзаниям!
⬇️ ⬇️ ⬇️
Ну то есть буквально — например, у меня уже месяца полтора как написан пост про синтетические метрики и примеры их применения в продажах, маркетинге и продукте (очевидно, что интересно будет РОПам, маркетологам, продактам и прочим ребятам). А рядом с ним лежит пост про хардовые фишки SQL, которые будут интересны только аналитикам. А еще руки чешутся постоянно рассказывать про всякие data-driven решения в бизнесе, а такое будет интересно много кому, но особенно предпринимателям.
Поэтому, в лучших традициях принятия смелых мужественных решений я просто не публикую посты — типа я пытаюсь «нащупать», кто же читает этот канал)) Считаю, что пора положить этому конец! В связи с чем опрос, просьба поучаствовать и положить конец этим терзаниям!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤18