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
ANDRON ALEXANYAN
Кто вы?
Интересный результат получается!
Внимание, знатоки, вопрос - а можно его считать статистически значимым?
🔥 - да
🐳 - нет
💅 - не знаю, но предлагаю считать))
Внимание, знатоки, вопрос - а можно его считать статистически значимым?
🔥 - да
🐳 - нет
💅 - не знаю, но предлагаю считать))
🐳110💅53🔥30🤓3
ANDRON ALEXANYAN
Интересный результат получается! Внимание, знатоки, вопрос - а можно его считать статистически значимым? 🔥 - да 🐳 - нет 💅 - не знаю, но предлагаю считать))
Итак, разбор вчерашней спонтанной задачки! Супер рад, что составлю ответ из ваших комментариев)
Активность, кстати, хоть и спонтанная, но круто, что мы ее разберем, потому что буквально на прошлой неделе у нас внутри команды возникла похожая задачка.
@Va1errCa абсолютно верно посчитал — для моего канала репрезентативной выборкой можно считать 363 ответа. У нас уже больше 550, так что по логике мы на 100% изучили свою аудиторию.
Далее @alla_chee выдвигает сперва неочевидный, но вполне резонный тезис: а может быть такое распределение работает только для тех, кто тыкает в опрос.
@GenuineSpirit дополняет: а те, кто не тыкнули — они вообще могут быть другими, и мы их никак не изучили.
И это все абсолютно верно! Ведь выборка будет репрезентативной, если ты выбираешь ее случайно из генеральной совокупности. А т.к. мы смотрим на ответы только а) активной аудитории (кто зашел в канал) б) еще более активной аудитории (кто еще и тыкнул на опросник), у нас может быть сильный bias (искажение) в том, как у нас сформировалась эта подвыборка.
Получается, все это зря? Не совсем, есть способ с этим бороться. Нужно выборочно (случайно!) опросить тех, кто не ответил и посмотреть — а там распределение будет такое же? Чисто статистически можно использовать, например, критерий согласия Хи-квадрат Пирсона.
Остается последний вопрос — сколько человек нужно опросить, чтобы все-таки гарантировать, что сдвига нет и результаты действительно статистически значимые. На самом деле не много — для расчета можно воспользоваться коэффициентом Коэна для Хи-квадрат теста. И тогда для довольно достоверной оценки будет достаточно 50-100 рандомных подписчиков опросить. В целом, посильно)
Вторгаться в вашу личку я, пожалуй, не буду, но, надеюсь, этот кейс был вам полезен — такая штука актуальна практически для любых опросов)
🔥 — супер, зашло!)
✍️ — взял на карандашик
😑 — кто такой этот ваш Пирсон?
Активность, кстати, хоть и спонтанная, но круто, что мы ее разберем, потому что буквально на прошлой неделе у нас внутри команды возникла похожая задачка.
Для ГС 6484 (аудитория канала Андрона) размер репрезентативной выборки для определения доли признака (в нашем случае категории читателя) при уровне доверия 95% и погрешности 5% составляет 363 читателя.
НА 22.22 проголосовало - 376 человек, т.е. в заданных параметрах структура голосования статистически значимо отражает структуру всей аудитории подписчиков Андрона.
@Va1errCa абсолютно верно посчитал — для моего канала репрезентативной выборкой можно считать 363 ответа. У нас уже больше 550, так что по логике мы на 100% изучили свою аудиторию.
Выборка нерепрезентативная. Отражает только готовых отвечать на опросы и просто тыкнувших
Далее @alla_chee выдвигает сперва неочевидный, но вполне резонный тезис: а может быть такое распределение работает только для тех, кто тыкает в опрос.
Проголосовала примерно половина из просмотревших. можно ли считать, что вторая половина проголосовала бы так же?
@GenuineSpirit дополняет: а те, кто не тыкнули — они вообще могут быть другими, и мы их никак не изучили.
И это все абсолютно верно! Ведь выборка будет репрезентативной, если ты выбираешь ее случайно из генеральной совокупности. А т.к. мы смотрим на ответы только а) активной аудитории (кто зашел в канал) б) еще более активной аудитории (кто еще и тыкнул на опросник), у нас может быть сильный bias (искажение) в том, как у нас сформировалась эта подвыборка.
Получается, все это зря? Не совсем, есть способ с этим бороться. Нужно выборочно (случайно!) опросить тех, кто не ответил и посмотреть — а там распределение будет такое же? Чисто статистически можно использовать, например, критерий согласия Хи-квадрат Пирсона.
Остается последний вопрос — сколько человек нужно опросить, чтобы все-таки гарантировать, что сдвига нет и результаты действительно статистически значимые. На самом деле не много — для расчета можно воспользоваться коэффициентом Коэна для Хи-квадрат теста. И тогда для довольно достоверной оценки будет достаточно 50-100 рандомных подписчиков опросить. В целом, посильно)
Вторгаться в вашу личку я, пожалуй, не буду, но, надеюсь, этот кейс был вам полезен — такая штука актуальна практически для любых опросов)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥72✍56
Я искренне считаю (и надеюсь), что в скором времени SQL станет такой же нормой для всех, как и Excel. Предлагаю сделать его обязательным на законодательном уровне!)
Ну реально — в чем смысл круто владеть экселем, если данные туда все равно обычно попадают из БД и гораздо удобней получить нужную информацию, просто написав SQL-запрос. У этого много плюсов:
➕ Не нужно ждать аналитика, пока он тебе сделает отчет
➕ У тебя постоянно полная картинка перед глазами: нужна метрика — посмотрел в базе за 5 минут
➕ Ты не страдаешь от Excel (а если ты с ним работаешь, это неизбежно)
Самое забавное, что как правило сложные конструкции для бизнес-задач и не нужны. Например, на своей практике в Simulative (да, я частенько до сих пор пишу ручками SQL-запросы, потому что так тупо быстрей) увидел, что 80% моих скриптов повторяются. Ну то есть что-то в них меняется, но глобально — одни и те же конструкции, одни и те же фишки. За месяц интенсивного погружения вполне реально стать асом (если мы говорим про базовые конструкции).
Но есть и оборотная сторона медали: когда ты научаешься вытягивать данные из базы, аппетит начинает быстро расти, а ты начинаешь писать супер навороченные запросы. И даже на относительно небольшом объеме данных (сотни тысяч строк) твои запросы начинают тормозить, зависать намертво или просто перестают работать. И тут есть два варианта — делегировать все же эту работу профессиональному аналитику или прокачаться в таких вопросах, как оптимизация, рекурсивные запросы и прочее.
Поэтому в начале года мы в Simulative запланировали новый продукт — тренинг «Продвинутый SQL». Сказано — сделано: тренинг стартует уже на этой неделе! Хедлайнер — Владимир Лунев, автор канала «SQL: Реляционные базы данных» и фулстак-аналитик в Магните.
Внутри — и про оптимизацию, и про рекурсии, и про работу с рамками в оконках, и много еще чего. Я и сам планирую поучиться на тренинге, выделил для себя наиболее актуальные темы — так что буду сидеть с вами за «соседней партой»!)
Поезд уезжает 17 октября — успевайте запрыгнуть в последний вагон. А я пока пойду думать, почему мой отчет снова завис...
А какие у вас отношения с SQL?
🔥 — подчинил его себе на 100%
🤡 — абьюзивные, он меня не слушает
😑 — кто такой этот ваш SQL?
Ну реально — в чем смысл круто владеть экселем, если данные туда все равно обычно попадают из БД и гораздо удобней получить нужную информацию, просто написав SQL-запрос. У этого много плюсов:
Самое забавное, что как правило сложные конструкции для бизнес-задач и не нужны. Например, на своей практике в Simulative (да, я частенько до сих пор пишу ручками SQL-запросы, потому что так тупо быстрей) увидел, что 80% моих скриптов повторяются. Ну то есть что-то в них меняется, но глобально — одни и те же конструкции, одни и те же фишки. За месяц интенсивного погружения вполне реально стать асом (если мы говорим про базовые конструкции).
Но есть и оборотная сторона медали: когда ты научаешься вытягивать данные из базы, аппетит начинает быстро расти, а ты начинаешь писать супер навороченные запросы. И даже на относительно небольшом объеме данных (сотни тысяч строк) твои запросы начинают тормозить, зависать намертво или просто перестают работать. И тут есть два варианта — делегировать все же эту работу профессиональному аналитику или прокачаться в таких вопросах, как оптимизация, рекурсивные запросы и прочее.
Поэтому в начале года мы в Simulative запланировали новый продукт — тренинг «Продвинутый SQL». Сказано — сделано: тренинг стартует уже на этой неделе! Хедлайнер — Владимир Лунев, автор канала «SQL: Реляционные базы данных» и фулстак-аналитик в Магните.
Внутри — и про оптимизацию, и про рекурсии, и про работу с рамками в оконках, и много еще чего. Я и сам планирую поучиться на тренинге, выделил для себя наиболее актуальные темы — так что буду сидеть с вами за «соседней партой»!)
Поезд уезжает 17 октября — успевайте запрыгнуть в последний вагон. А я пока пойду думать, почему мой отчет снова завис...
А какие у вас отношения с SQL?
🔥 — подчинил его себе на 100%
🤡 — абьюзивные, он меня не слушает
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥36🤡31
Forwarded from Епифанов Максим — доступно про маркетинг, рост и аналитику
Выхожу из творческого отпуска с мощнейшим эфиром: кейсы AI в маркетинговой аналитике для снижения CAC и роста конверсий 📊
Сразу три топовых гостя
1️⃣Кирилл Макаров, фаундер WebFunnels Club, ex Zing Coach, ex Grow Food, ex Mobio. Кирилл поделится: как с помощью AI собирает маркетинговые дашборды. И как вытаскивает инсайты по воронкам конкурентов 🔝
2️⃣ Сева Устинов, фаундер Elly Analytics. Сева покажет: как LLM может проанализировать данные сквозной аналитики и как с помощью аишки можно автоматизировать действия в кабинетах. Это реально будущее сквозной аналитики в 2026 году 🔥🔥🔥
3️⃣Андрон Алексанян, основатель онлайн-университета Simulative. Андрон покажет: как анализировать креативы в перформансе, используя AI. Фреймворк, о котором пишет Кумар и Соло. Бонусом как анализировать AI для анализа звонков отдела продаж.
4️⃣Епифанов Максим, VP of Performance Marketing в TripleTen и co-founder Community Sprints. Расскажу: как мы с помощью AI оцениваем качество трафика. И отвечаем на вечный вопрос: кто виноват — маркетинг или продажи?
В результате
🔸 У всех останется MIRO доска с кейсами, которую можно показать команде
🔸 Это не скучный вебинар, а живая беседа. Можно включаться и задавать свои вопросы
🔸 Крутая атмосфера и правильный вайб
🗓 Когда
12 ноября (среда) в 19:00 по мск
Как записаться
Добавляйте мероприятие в календарь. В календаре будет ссылка на zoom!
Увидимся 🔥
Сразу три топовых гостя
1️⃣Кирилл Макаров, фаундер WebFunnels Club, ex Zing Coach, ex Grow Food, ex Mobio. Кирилл поделится: как с помощью AI собирает маркетинговые дашборды. И как вытаскивает инсайты по воронкам конкурентов 🔝
3️⃣Андрон Алексанян, основатель онлайн-университета Simulative. Андрон покажет: как анализировать креативы в перформансе, используя AI. Фреймворк, о котором пишет Кумар и Соло. Бонусом как анализировать AI для анализа звонков отдела продаж.
4️⃣Епифанов Максим, VP of Performance Marketing в TripleTen и co-founder Community Sprints. Расскажу: как мы с помощью AI оцениваем качество трафика. И отвечаем на вечный вопрос: кто виноват — маркетинг или продажи?
В результате
🔸 У всех останется MIRO доска с кейсами, которую можно показать команде
🔸 Это не скучный вебинар, а живая беседа. Можно включаться и задавать свои вопросы
🔸 Крутая атмосфера и правильный вайб
🗓 Когда
12 ноября (среда) в 19:00 по мск
Как записаться
Добавляйте мероприятие в календарь. В календаре будет ссылка на zoom!
Увидимся 🔥
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥9✍6❤5
На этой неделе выступаю сразу на нескольких мероприятиях!
Первое — Максим Епифанов (VP of Performance Marketing в TripleTen) организовал дружеский стрим про использование AI для решения аналитических и около-аналитических задач. Собрали классную компанию твердых профессионалов в аналитике и маркетинге. Анонс и ссылка на зум — в посте выше👆 Всех ждем, точно будет интересно!)
А про второе мероприятие расскажу чуть позже, не переключайтесь 🙂
Первое — Максим Епифанов (VP of Performance Marketing в TripleTen) организовал дружеский стрим про использование AI для решения аналитических и около-аналитических задач. Собрали классную компанию твердых профессионалов в аналитике и маркетинге. Анонс и ссылка на зум — в посте выше
А про второе мероприятие расскажу чуть позже, не переключайтесь 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥14👍10👏4
Епифанов Максим — доступно про маркетинг, рост и аналитику
Выхожу из творческого отпуска с мощнейшим эфиром: кейсы AI в маркетинговой аналитике для снижения CAC и роста конверсий 📊 Сразу три топовых гостя 1️⃣Кирилл Макаров, фаундер WebFunnels Club, ex Zing Coach, ex Grow Food, ex Mobio. Кирилл поделится: как с помощью…
Все места на встречу по предыдущей ссылке уже разобрали, так что добавляйте в календарь по новой ссылке
👍3✍1❤1
Только что закончили стрим про использование AI в рабочих задачах, рассказывал про глубокую аналитику рекламных креативов с помощью искусственного интеллекта. Поделился своим опытом, послушал ребят, офигенно вдохновился, записал несколько пунктов на внедрение!)
Сохраняйте себе пост: ссылка на мирошку + запись встречи будет через пару часов, закину в комментарии
Меня вообще последнее время сильно увлекают автоматизированные пайплайны, когда с помощью AI и стандартных инструментов ты можешь решать рутинные задачи, которые обычно отнимают кучу времени. Вот лишь несколько примеров:
— Если вам ежедневно падают сотни отзывов от клиентов разной степени содержательности, то с помощью несложной обработки AI мы можем развернутные положительные отзывы закидывать в SMMщиков, а по негативным сразу автоматически бить тревогу в каком-нибудь телеграм чатике.
— Классическая задача про контроль качества звонков отдела продаж и прочего я вообще молчу. На днях я ради интереса запилил скрипт, который берет mp3 запись звонка, транскрибирует ее, закидывает в OpenAI API и ставит баллы по нашему внутреннему чек-листу. Прогнал так 5 звонков и получил оценку ровно ту же, что получилась у нашего руководителя отдела продаж (только времени это заняло пару минут).
— Можно анализировать сотни своих рекламных креативов и креативов конкурентов, чтобы понять, какие признаки должны быть в объявлении, чтобы оно давало крутой результат. С помощью AI выделяешь несколько десятков признаков из каждой картинки, а потом на большом объеме данных смотришь — условно, какого цвета должна быть картинка, чтобы результат был выше.
Именно последний сценарий я подробно разбирал на стриме и даже сделал вам заготовочку кода на Python в Google Colab! Внутри блокнота я как раз реализовал интеграцию с OpenAI API и пример обработки одной картинки по нескольким признакам. Если хотите в своей компании внедрить «лабораторию по автоматизированной обработке рекламных креативов» — возьмите этот код за основу, добавьте побольше признаков, добавьте сохранение результатов в БД и загружайте туда картинки пачками.
Кстати, ради прикола, я сделал вид, что не умею кодить на питоне и весь код мне тоже сгенерировал ChatGPT, я просто копировал и задавал правильные вопросы 🤓
Выводы
Выводов из этого всего будет несколько.
1. AI — не фейк и не прикол.
Мы разрабатывали системы распознавания лиц больше 5 лет назад, когда про ChatGPT никто не знал, и уже тогда было понятно, что это не магия. Сегодня ИИ — часть нашей жизни и отличный помощник в рутинных задачах, учебе и познании мира, так что обязательно держите нос по ветру и смотрите как можно больше кейсов применения, чтобы забрать что-то себе.
2. Рынок труда сильно поменяется.
Абсолютно точно могу сказать, что люди, которые в цифровом мире будут знать Python + владеть AI + знать какие-то прикладные инструменты типа BI-ек или SQL — точно будут на коне с точки зрения карьеры. Сейчас это уже не штуки, которыми владеют только крутые программисты, а базовый набор технологий, который нужен для эффективного решения кучи задач. Все больше вижу тренд на рынке на проджектов-универсалов, которые закрывают собой много задач и делают это супер эффективно (и недорого) за счет владения технологиями. Пока это касается только модных стартапов, но поверьте — скоро доберется до всех.
Если вы тоже не согласны стать кожаным мешком, которого заменят роботы — очень рекомендую освоить хотя бы базово инструменты типа Python, Airflow и прочее. И, ни на что не намекаю, конечно, но у нас в Simulative как раз Черная пятница в самом разгаре...
3. Пункт для тех, кто в отрицании
А если все-таки вы не хотите изучать Python и прочие штуки, то когда общаетесь с ChatGPT, обязательно добавляйте «спасибо» и «пожалуйста». Если вдруг роботы нас все-таки поработят, есть шанс, что они вам не тронут 🤓
4. Пункт для всех
Ссылка на блокнот с кодом — сохраняйте себе этот пост, чтобы не потерять! Даже если конкретная задача про креативы вам не нужна, скелет интеграции с OpenAI API (тем более с загрузкой данных ему в память) точно пригодится!
Сохраняйте себе пост: ссылка на мирошку + запись встречи будет через пару часов, закину в комментарии
Меня вообще последнее время сильно увлекают автоматизированные пайплайны, когда с помощью AI и стандартных инструментов ты можешь решать рутинные задачи, которые обычно отнимают кучу времени. Вот лишь несколько примеров:
— Если вам ежедневно падают сотни отзывов от клиентов разной степени содержательности, то с помощью несложной обработки AI мы можем развернутные положительные отзывы закидывать в SMMщиков, а по негативным сразу автоматически бить тревогу в каком-нибудь телеграм чатике.
— Классическая задача про контроль качества звонков отдела продаж и прочего я вообще молчу. На днях я ради интереса запилил скрипт, который берет mp3 запись звонка, транскрибирует ее, закидывает в OpenAI API и ставит баллы по нашему внутреннему чек-листу. Прогнал так 5 звонков и получил оценку ровно ту же, что получилась у нашего руководителя отдела продаж (только времени это заняло пару минут).
— Можно анализировать сотни своих рекламных креативов и креативов конкурентов, чтобы понять, какие признаки должны быть в объявлении, чтобы оно давало крутой результат. С помощью AI выделяешь несколько десятков признаков из каждой картинки, а потом на большом объеме данных смотришь — условно, какого цвета должна быть картинка, чтобы результат был выше.
Именно последний сценарий я подробно разбирал на стриме и даже сделал вам заготовочку кода на Python в Google Colab! Внутри блокнота я как раз реализовал интеграцию с OpenAI API и пример обработки одной картинки по нескольким признакам. Если хотите в своей компании внедрить «лабораторию по автоматизированной обработке рекламных креативов» — возьмите этот код за основу, добавьте побольше признаков, добавьте сохранение результатов в БД и загружайте туда картинки пачками.
Кстати, ради прикола, я сделал вид, что не умею кодить на питоне и весь код мне тоже сгенерировал ChatGPT, я просто копировал и задавал правильные вопросы 🤓
Выводы
Выводов из этого всего будет несколько.
1. AI — не фейк и не прикол.
Мы разрабатывали системы распознавания лиц больше 5 лет назад, когда про ChatGPT никто не знал, и уже тогда было понятно, что это не магия. Сегодня ИИ — часть нашей жизни и отличный помощник в рутинных задачах, учебе и познании мира, так что обязательно держите нос по ветру и смотрите как можно больше кейсов применения, чтобы забрать что-то себе.
2. Рынок труда сильно поменяется.
Абсолютно точно могу сказать, что люди, которые в цифровом мире будут знать Python + владеть AI + знать какие-то прикладные инструменты типа BI-ек или SQL — точно будут на коне с точки зрения карьеры. Сейчас это уже не штуки, которыми владеют только крутые программисты, а базовый набор технологий, который нужен для эффективного решения кучи задач. Все больше вижу тренд на рынке на проджектов-универсалов, которые закрывают собой много задач и делают это супер эффективно (и недорого) за счет владения технологиями. Пока это касается только модных стартапов, но поверьте — скоро доберется до всех.
Если вы тоже не согласны стать кожаным мешком, которого заменят роботы — очень рекомендую освоить хотя бы базово инструменты типа Python, Airflow и прочее. И, ни на что не намекаю, конечно, но у нас в Simulative как раз Черная пятница в самом разгаре...
3. Пункт для тех, кто в отрицании
А если все-таки вы не хотите изучать Python и прочие штуки, то когда общаетесь с ChatGPT, обязательно добавляйте «спасибо» и «пожалуйста». Если вдруг роботы нас все-таки поработят, есть шанс, что они вам не тронут 🤓
4. Пункт для всех
Ссылка на блокнот с кодом — сохраняйте себе этот пост, чтобы не потерять! Даже если конкретная задача про креативы вам не нужна, скелет интеграции с OpenAI API (тем более с загрузкой данных ему в память) точно пригодится!
👍37❤21🔥12✍3💅3
Ну что, пришло время для второго анонса!
Завтра выступаю на онлайн-части ежегодного Матемаркетинга — пожалуй самой крупной конференции для аналитиков! Вроде недавно только читал доклад на ММ'2024, а прошло уже больше года...
Буду рассказывать про «7 главных ошибок в аналитике». Расскажу, почему мы часто принимаем неверные решения, как такие штуки отлавливать и как с ними бороться)
В программе, помимо серьезного контента, конечно же, большое количество мемов! Например, вас ждет:
— Дед Бом-Бом
— Женщина в красном кандибобере
— ... и другие ретроградные шуточки
Так что обязательно приходите посмотреть на этот аналитический стендап в онлайне, если вы участвуете в конфе! Мой доклад примерно в 15:30 мск.
Ну и в качестве заключения — вечерний интерактив. Самый волнующий меня вопрос к текущему часу: сколько людей шарит за мемы про деда Бом-Бом, «а я думала сова» и тому подобное? Скажите, что я не один!
🤓 — если шарите
😑 — если «Андрон, скачай себе наконец тикток»
Не подведите меня!!!
Завтра выступаю на онлайн-части ежегодного Матемаркетинга — пожалуй самой крупной конференции для аналитиков! Вроде недавно только читал доклад на ММ'2024, а прошло уже больше года...
Буду рассказывать про «7 главных ошибок в аналитике». Расскажу, почему мы часто принимаем неверные решения, как такие штуки отлавливать и как с ними бороться)
В программе, помимо серьезного контента, конечно же, большое количество мемов! Например, вас ждет:
— Дед Бом-Бом
— Женщина в красном кандибобере
— ... и другие ретроградные шуточки
Так что обязательно приходите посмотреть на этот аналитический стендап в онлайне, если вы участвуете в конфе! Мой доклад примерно в 15:30 мск.
Ну и в качестве заключения — вечерний интерактив. Самый волнующий меня вопрос к текущему часу: сколько людей шарит за мемы про деда Бом-Бом, «а я думала сова» и тому подобное? Скажите, что я не один!
🤓 — если шарите
Не подведите меня!!!
Please open Telegram to view this post
VIEW IN TELEGRAM
🤓35
Только что закончил свой доклад на Матемаркетинге — спасибо всем, кто смотрел в онлайне! Надеюсь, мемы вам понравились 🤓
Как и обещал, ниже подборка постов, где подробно и с примерами разбираются почти все концепции, про которые я говорил в докладе — сохраняйте себе:
— Ошибка фейковой аргументации
— Ошибка поверхностных выводов (часть 1 и часть 2)
— Ошибка ложных корреляций
— Ошибка маленького рычага
— Ошибка нерепрезентативной выборки (опрос + полный разбор)
— Ошибка взаимосвязанных метрик
Про ошибку усреднения отдельного поста у меня нет, так что скоро ждите) Давайте 100 разных реакций на этот пост наберем и напишу!✍️
Как и обещал, ниже подборка постов, где подробно и с примерами разбираются почти все концепции, про которые я говорил в докладе — сохраняйте себе:
— Ошибка фейковой аргументации
— Ошибка поверхностных выводов (часть 1 и часть 2)
— Ошибка ложных корреляций
— Ошибка маленького рычага
— Ошибка нерепрезентативной выборки (опрос + полный разбор)
— Ошибка взаимосвязанных метрик
Про ошибку усреднения отдельного поста у меня нет, так что скоро ждите) Давайте 100 разных реакций на этот пост наберем и напишу!
Please open Telegram to view this post
VIEW IN TELEGRAM
2🔥62❤🔥14🐳6🏆5💯4✍3💅3🦄3
Мелочи решают
Представьте, что вы аналитик в крупном ритейлере и ваша зона ответственности — ассортиментная матрица (более 100 000 SKU!).
Каждый месяц вам нужно принимать решения по каждому товару — какие выводим, на какие делаем акции, какие взять на пристальный контроль и так далее. Для решения этой задачи вы используете классический подход — двумерный ABC-анализ (по выручке и маржинальности).
Допустим, вы провели анализ и увидели, что интересующий вас товар попал в группу BB. Это хорошо или плохо? Какие выводы на основании этого можно сделать?
В вакууме — почти никакие, только если что-то общее типа «давайте запустим акцию, чтобы увеличить продажи и товар попал в группу А по выручке». Но есть ли в этом смысл, если товар попадет в группу С по маржинальности? А если вообще это уже пробовали... В общем, без контекста — сложно.
И помочь в этом может одна простая деталь. Нужно просто поменять формат отображения ABC-анализа.
В 99% случаев, что я встречал, в отчетах выводится информация о товаре и его группе только за рассматриваемый период. А на самом деле нам супер важно видеть динамику! Посудите сами:
— Сценарий 1. Товар был маржинальным (группа А), но продавался плохо (группа С). Мы сделали акцию и за несколько месяцев плавно вывели его в группу BB. Да, маржинальность просела, но выросли продажи и в абсолюте мы заработали больше! Это значит, что мы идем в верном направлении.
— Сценарий 2. Товар продавался хорошо (групп А) и маржинальность была в порядке (группа А). Но мы сделали акцию и продажи упали (так работает для элитных товаров, называется парадокс Веблена). Это значит, что пора бить тревогу и откатывать изменения.
— Сценарий 3. Товар продавался нормально (группа BB) и ничего не поменялось за несколько месяцев, т.к. мы с товаром ничего не делали. Это нейтральный сценарий — можно поработать с товаром, если есть ресурсы на это.
Видите, да? Один и тот же товар, одна и та же группа по ABC-анализу, но абсолютно разная интерпретация (и действия по итогу!) в зависимости от предыдущей динамики. Вот так всего одна мелочь (форма отчета) может сильно повлиять на качество принимаемых решений.
Пример такого отчета закинул в комментарии. По строкам — товары. По столбцам — периоды. В ячейках — группы по ABC-анализу с подсветкой (светофор в зависимости от хорошести группы). Также есть подсветка букв: если показатель падает относительно предыдущего периода, он выделяется красным. Если растет — зеленым. Если не меняется — черным.
Вообще в аналитике таких тонкостей очень много. Я уже много раз убедился, что опытные и начинающие аналитики владеют абсолютно одинаковыми инструментами. Разница лишь в том, правильно ли они их применяют и с каким КПД выжимают из них результат.
😘 😘 😘
А если хотите научиться выжимать 100% КПД из отчетов и различных анализов — приходите на последний в этом году поток моего тренинга «Как делать аналитику».
Тренинг — это двухмесячная программа с глубоким погружением в разные аналитические фреймворки: когортный анализ, реверс-инжиниринг, юнит-экономику и многое другое.
Например, тему из этого поста мы разбираем в занятии «Анализ больших ассортиментных матриц», но там примерно еще 5 часов контента про продвинутую аналитику ассортимента, кластеризацию, каннибализацию спроса, умный автозаказ и разные такие штуки)
Тренинг эволюционирует с каждым потоком — по просьбам участников большая часть занятий переведена в записанный формат (но лайвы все равно будут!), увеличены дедлайны для сдачи домашек, добавлены новые темы. В общем, делаем все, чтобы наносить вам непоправимую пользу 🙂
Узнать подробности и записаться → в ботике тренинга
Представьте, что вы аналитик в крупном ритейлере и ваша зона ответственности — ассортиментная матрица (более 100 000 SKU!).
Каждый месяц вам нужно принимать решения по каждому товару — какие выводим, на какие делаем акции, какие взять на пристальный контроль и так далее. Для решения этой задачи вы используете классический подход — двумерный ABC-анализ (по выручке и маржинальности).
Допустим, вы провели анализ и увидели, что интересующий вас товар попал в группу BB. Это хорошо или плохо? Какие выводы на основании этого можно сделать?
В вакууме — почти никакие, только если что-то общее типа «давайте запустим акцию, чтобы увеличить продажи и товар попал в группу А по выручке». Но есть ли в этом смысл, если товар попадет в группу С по маржинальности? А если вообще это уже пробовали... В общем, без контекста — сложно.
И помочь в этом может одна простая деталь. Нужно просто поменять формат отображения ABC-анализа.
В 99% случаев, что я встречал, в отчетах выводится информация о товаре и его группе только за рассматриваемый период. А на самом деле нам супер важно видеть динамику! Посудите сами:
— Сценарий 1. Товар был маржинальным (группа А), но продавался плохо (группа С). Мы сделали акцию и за несколько месяцев плавно вывели его в группу BB. Да, маржинальность просела, но выросли продажи и в абсолюте мы заработали больше! Это значит, что мы идем в верном направлении.
— Сценарий 2. Товар продавался хорошо (групп А) и маржинальность была в порядке (группа А). Но мы сделали акцию и продажи упали (так работает для элитных товаров, называется парадокс Веблена). Это значит, что пора бить тревогу и откатывать изменения.
— Сценарий 3. Товар продавался нормально (группа BB) и ничего не поменялось за несколько месяцев, т.к. мы с товаром ничего не делали. Это нейтральный сценарий — можно поработать с товаром, если есть ресурсы на это.
Видите, да? Один и тот же товар, одна и та же группа по ABC-анализу, но абсолютно разная интерпретация (и действия по итогу!) в зависимости от предыдущей динамики. Вот так всего одна мелочь (форма отчета) может сильно повлиять на качество принимаемых решений.
Пример такого отчета закинул в комментарии. По строкам — товары. По столбцам — периоды. В ячейках — группы по ABC-анализу с подсветкой (светофор в зависимости от хорошести группы). Также есть подсветка букв: если показатель падает относительно предыдущего периода, он выделяется красным. Если растет — зеленым. Если не меняется — черным.
Вообще в аналитике таких тонкостей очень много. Я уже много раз убедился, что опытные и начинающие аналитики владеют абсолютно одинаковыми инструментами. Разница лишь в том, правильно ли они их применяют и с каким КПД выжимают из них результат.
А если хотите научиться выжимать 100% КПД из отчетов и различных анализов — приходите на последний в этом году поток моего тренинга «Как делать аналитику».
Тренинг — это двухмесячная программа с глубоким погружением в разные аналитические фреймворки: когортный анализ, реверс-инжиниринг, юнит-экономику и многое другое.
Например, тему из этого поста мы разбираем в занятии «Анализ больших ассортиментных матриц», но там примерно еще 5 часов контента про продвинутую аналитику ассортимента, кластеризацию, каннибализацию спроса, умный автозаказ и разные такие штуки)
Тренинг эволюционирует с каждым потоком — по просьбам участников большая часть занятий переведена в записанный формат (но лайвы все равно будут!), увеличены дедлайны для сдачи домашек, добавлены новые темы. В общем, делаем все, чтобы наносить вам непоправимую пользу 🙂
Узнать подробности и записаться → в ботике тренинга
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥21