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!

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! 🎓

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 🙂

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!

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!

⬇️⬇️⬇️

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.

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)

🔥 — супер, зашло!)
✍️ — взял на карандашик
😑 — кто такой этот ваш Пирсон?

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?

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 🔥

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 🙂

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!!!

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! ✍️

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

Короткий case study

Blueberries — молодой, динамично развивающийся маркетплейс. Каждый месяц они тратят много миллионов рублей на привлечение новой аудитории.

В среднем каждый месяц реклама дает 115% ROAS (то есть компания отбивает рекламный бюджет + зарабатывает 15% выручкой сверху). Но в месяц Х рентабельность резко просела и компания получила всего 60% ROAS — реклама даже не окупилась.

Почему такое может быть? Пишите свои варианты в комментариях, а чуть позже я выложу свой вариант 👇

За последние несколько лет рынок труда в аналитике данных очень сильно поменялся. Мем про то, что джуну нужно знать как вчерашнему сеньору — не мем 🤡

Вот несколько крупных изменений, которые могу назвать сходу:

— Помните язык R в вакансиях в 2018/19 годах? Тогда знание R было полным эквивалентом Python. Сейчас R почти в вакансиях не встречается — змеиный язык его полностью выбил с рынка. А жаль, классный язык кстати)
— В те же годы оконные функции считались навыком миддла и их не обязательно было знать, это было даже указано в вакансиях! Забавно, правда? Кто сейчас изучает SQL и читает этот пост — я с вами, держитесь)
— Еще пару лет назад в вакансиях было четкое разделение — BI-аналитик, дата инженер, продуктовый аналитик, аналитик данных и так далее. Сейчас я все чаще вижу в вакансиях, что от кандидата требуют все и сразу (человек-оркестр), а вакансии с заголовком fullstack-аналитик уже не новость.

Предполагаю, что примерно на этом моменте, вытирая скупую слезу, вы уже пошли отписываться от всех телеграм-каналов по аналитике, потому что «лавочка прикрыта» и «в совке 2020-м было лучше». Но не спешите — стакан у нас всегда наполовину полон (тем более сейчас как раз вечер 🥃)!

Изменений за последние 5 лет было много (мягко говоря), но у нас не только требования к джунам возросли. Есть и другие изменения (позитивные!), о которых все часто забывают, а важно про них говорить!

— Все больше компаний нуждаются в аналитике

5 лет назад аналитика нужна была только бигтехам (т.е. примерно 5 компаний на рынке РФ 🤡), а теперь даже маленькие бизнесы нанимают аналитиков и принимают решения на данных. Серьезно — ко мне на консалтинг регулярно заходят условные сети мед клиник с 3 большими центрами или небольшие стартапы.

Это легко объяснимо — экономику трясет, налоги растут, расходы увеличиваются, клиенты становятся все дороже. А значит выигрывать конкурентов можно только за счет сверх эффективности. А быть сверх эффективным можно только двигаясь очень точечно и аккуратно, принимая решения на данных и анализируя каждый шаг очень быстро.

— Появились новые ниши и направления аналитики

Простой пример — сейчас у любого более-менее сносного селлера на ВБ есть свой аналитик (BI+DE) внутри компании. А то и целый отдел. Далеко даже ходить не буду — мы за последние несколько недель завели несколько стажеров из числа своих студентов ровно в такие компании. На этой неделе будет еще несколько)

— Требования к кандидатам стали жестче

Погодите, так это же минус вроде? И да, и нет)

На мой взгляд, это скорей плюс. И заключается он в том, что конкуренция стала меньше. Ну то есть номинально на вакансию откликается все еще много человек, но:

* Работодатели научились жестко фильтровать ребят с слабым учебным опытом и без скиллов
* Меньше людей доходит до этапа трудоустройства, потому что многие банально сдаются по пути обучения → конкуренция ниже
* Стало легче выделяться — раньше тебе нужно было бороться шаблонными знаниями с тысячами других (а работодателю — месяцами пытаться выбрать среди тысячи одинаковых кандидатов), а теперь ты можешь выделиться крутым end-to-end проектом в портфолио и устроиться даже быстрей.

Андрон, ну и че теперь?

А то, что про эту тему можно говорить очень долго. Поэтому приглашаю вас завтра (25.11) в 19:00 Мск на закрытую встречу! Обсудим актуальные вопросы:

— Прогнозы на 2026: как поменяется рынок труда и какие подходы в поиске работы будут работать в новом году
— Разберу топ небанальных ошибок, из-за которых не получается устроиться аналитиком
— Расскажу, как можно использовать ИИшки, как конкурентное преимущество для портфолио 😏

В общем, посидим в дружеской обстановке, поболтаем, покайфуем. Полезно и интересно будет точно, шашлычок — по возможности!)

Регистрируйтесь по ссылке — будет много пользы, которую сможете забрать себе и применить сразу же 😎

На днях думал о том, какие уровни владения аналитикой проходил я сам, какие проходят все мои знакомые из индустрии и что отличает крутышей от начального уровня. И выявил несколько общих паттернов.

➡️ Движение по наитию

В этой стадии решения принимаются без оглядки на данные вообще. Захотели запустить рекламу — запустили. Захотели привести 500 лидов — привели 500. Решили отключить пару кампаний — отключили.

➡️ Данные — это важно, «но»

На следующем шаге ты понимаешь и признаешь, что данные — это важно. Например, ты прошел какой-то курс и решил принимать решения на основании данных. Но у тебя нет глубокого понимания, как это должно работать — почти любая инициатива упирается во что-то и в итоге гаснет.

Например, ты понял, что нельзя просто так планировать следующий год — нужно опираться на исторические данные, смотреть поведение текущих когорт и прогнозировать будущие когорты. Но сразу же ты сталкиваешься с кучей проблем:

— У тебя есть только часть данных. Не понятно, какие брать.
— Компания последние несколько лет растет и прогноз получается слишком плоским, позитивным и нереалистичным
— ...

В итоге ты потратил кучу времени, а никакой пользы это не принесло — возникла куча «но» из-за которых твоя аналитика стала просто «аналитикой для галочки», а не рабочим инструментом.

➡️ Владение аналитикой на уровне рабочего инструмента

Это последняя стадия, когда ты реально умеешь применять аналитические подходы в реальной жизни, даже если есть куча «но».

Когда ты достиг этой стадии, ты можешь спрогнозировать следующий год с помощью когорт, сезонности и прочих штук, даже если возникает много «но». Ты можешь проанализировать ассортиментную матрицу, даже если там 10 000 SKU, есть ограничения по месту на полке, требования к минимальной представленности брендов и другие «но». Ты можешь провести достоверное тестирование гипотезы, даже если невозможно провести чистый A/B-тест, потому что много разных «но».

➖➖➖

Большинство подписчиков этого канала находятся, как минимум, на втором уровне. Самое интересное, что с точки зрения технических знаний, между вторым и третьим уровнем нет абсолютно никакой разницы — оба человека будут абсолютно одинаково считать когорты, абсолютно одинаково делать какую-нибудь кластеризацию товаров и т.д.

Основное отличие — как в раз в умении адаптировать тот или иной аналитический подход даже под самую нетривиальную задачу с большим количеством «но».

И этому можно научиться. В этом вопросе — главное совершить единоразовый квантовый скачок со второго на третий уровень. А дальше реакция необратима — ваше мышление навсегда перестроится.

Такой «скачок» можно запустить двумя вещами:

— Ты подробно посмотрел на стороннем примере, как это работает и словил эффект «о, а так можно было?!»
— Ты на примере какой-то близкой тебе темы прочувствовал, почему твой старый «топорный» подход не работал и какой результат может дать новый подход

Например, ты всю жизнь анализировал ассортимент магазина каким-то простым способом, он давал какие-то результаты с кучей «но». Потом ты увидел, что кто-то делает совсем по-другому — более глубоко, с отработкой всех тонких моментов. Ты словил ощущение «воу, круто!». А потом попробовал, оно дало совершенно другой уровень результата и все — квантовый переход свершился, больше ты не согласишься на меньшее.

Именно такой эффект я хочу активировать у студентов своего тренинга «Как делать аналитику». Чтобы после прохождения, вы не просто прокачались в продвинутых подходах к проведению аналитики, но чтобы случился этот самый квантовый переход на новый уровень.

Это точно работает — я ощущаю это очень часто на себе. У меня постоянно есть вопросы, в которых я профан. Я месяцами хожу и варю их, читаю книги, смотрю видео, но у меня не получается нащупать самую соль. А потом случаются 2 фактора, которые я описал выше, и мне сразу все становится понятным — и я каждый раз удивляюсь, почему я так долго до этого догонял.

Если чувствуете, что находитесь на втором уровне и хотите запустить квантовый переход на третий — приглашаю вас сделать это вместе на новом потоке тренинга 📎