Ошибка «поверхностных выводов» 😖
Мы стараемся строить data-driven бизнес, т.е. принимать решения не «на ощупь», а на основании цифр. Однако я постоянно встречаюсь с ошибкой «поверхностных выводов». Ее допускают и члены моей команды, и я сам, и другие опытные предприниматели, и наши студенты, и вообще все. Это особенность работы мозга: он пытается минимизировать трудозатраты и побыстрей решить сложную задачку. Но такая ошибка может привести к сливу миллионов рублей, поэтому очень важно ее фиксировать и гнать в шею.
Ошибка поверхностных выводов - это когда мы принимаем решение, т.к. оно кажется нам «очевидным». Но при дальнейшем исследовании выясняется, что мы совершили серьезную ошибку.
Давайте приведу несколько показательных примеров. Все цифры и метрики изменены из соображений конфиденциальности, но отображают общую картину.
# Пример 1
Мы используем несколько маркетинговых воронок. Например, вебинарную и бесплатный курс. Вебинарную воронку мы продвигаем через посевы в Телеграме, и воронку бесплатного курса - через таргетированную рекламу. Начинается новый месяц и мы хотим вырасти х2 по выручке. Воронка бесплатного курса идет вяло (CR2 - 0.8%), а вот вебинары дают крутую конверсию (CR2 - 3.5%) - стоимость клиента составляет 10% от среднего чека.
Поверхностный вывод: Увеличиваем рекламный бюджет на посевы в телеграме в 2 раза и за счет этого наша выручка вырастет вдвое.
Реальность: Если разложить вебинарную воронку на холодных лидов (кто пришел с посевов) и теплых (наши подписчики), то мы увидим совсем другую картинку. CR2 с посевов всего 0.5%, это даже меньше бесплатного курса! То есть с первого касания люди покупают плохо - основная масса продаж происходить за счет наших подписчиков и людей, которые уже были на наших вебинарах.
Последствия:При увеличении бюджета мы уйдем в убыток почти на всю сумму рекламного бюджета.
# Пример 2
У нас есть 3 вебинара, которые больше всего зашли аудитории. Мы хотим сделать автовебинарную воронку и запустить ее в таргетированную рекламу на холодный трафик. Давайте выберем, какой вебинар запускать:
* Расчет продуктовых метрик с помощью SQL (CR2 - 2.9%)
* Анализ рекламы в Pandas (CR2 - 3.6%)
* Разбор тестового задания в банк Открытие (CR2 - 4.5%)
Поверхностный вывод: Конечно, разбор тестового в Открытие, т.к. у него самый высокий CR2.
Реальность: Как и в предыдущем пункте, если разбить лидов на две группы, станет видно, что продаж с холодного трафика почти не было - все продажи были с теплой базы. В то же время первые два вебинара проводили только на холодную аудиторию и показали супер крутой результат по CR2.
Последствия:Запуск воронки потребует неделю и около 20 000 рублей, бюджет на тест - несколько сотен тысяч, длительность теста - 3 недели. Итого мы бы потеряли около 400 000 рублей и месяц времени.
# Заключение
Таких примеров я могу привести еще очень много и с разными метриками - они встречаются каждый день в большом количестве. Но теперь вы знаете, в каких ситуациях таится засада поверхностных выводов и как с ней бороться - просто ковыряться глубже 🙂
Давайте наберем 40 китов 🐳 и я выложу еще 3 примера поверхностных выводов с другими метриками - с CPL, retention и не только.
Мы стараемся строить data-driven бизнес, т.е. принимать решения не «на ощупь», а на основании цифр. Однако я постоянно встречаюсь с ошибкой «поверхностных выводов». Ее допускают и члены моей команды, и я сам, и другие опытные предприниматели, и наши студенты, и вообще все. Это особенность работы мозга: он пытается минимизировать трудозатраты и побыстрей решить сложную задачку. Но такая ошибка может привести к сливу миллионов рублей, поэтому очень важно ее фиксировать и гнать в шею.
Ошибка поверхностных выводов - это когда мы принимаем решение, т.к. оно кажется нам «очевидным». Но при дальнейшем исследовании выясняется, что мы совершили серьезную ошибку.
Давайте приведу несколько показательных примеров. Все цифры и метрики изменены из соображений конфиденциальности, но отображают общую картину.
# Пример 1
Мы используем несколько маркетинговых воронок. Например, вебинарную и бесплатный курс. Вебинарную воронку мы продвигаем через посевы в Телеграме, и воронку бесплатного курса - через таргетированную рекламу. Начинается новый месяц и мы хотим вырасти х2 по выручке. Воронка бесплатного курса идет вяло (CR2 - 0.8%), а вот вебинары дают крутую конверсию (CR2 - 3.5%) - стоимость клиента составляет 10% от среднего чека.
Поверхностный вывод: Увеличиваем рекламный бюджет на посевы в телеграме в 2 раза и за счет этого наша выручка вырастет вдвое.
Реальность: Если разложить вебинарную воронку на холодных лидов (кто пришел с посевов) и теплых (наши подписчики), то мы увидим совсем другую картинку. CR2 с посевов всего 0.5%, это даже меньше бесплатного курса! То есть с первого касания люди покупают плохо - основная масса продаж происходить за счет наших подписчиков и людей, которые уже были на наших вебинарах.
Последствия:
У нас есть 3 вебинара, которые больше всего зашли аудитории. Мы хотим сделать автовебинарную воронку и запустить ее в таргетированную рекламу на холодный трафик. Давайте выберем, какой вебинар запускать:
* Расчет продуктовых метрик с помощью SQL (CR2 - 2.9%)
* Анализ рекламы в Pandas (CR2 - 3.6%)
* Разбор тестового задания в банк Открытие (CR2 - 4.5%)
Поверхностный вывод: Конечно, разбор тестового в Открытие, т.к. у него самый высокий CR2.
Реальность: Как и в предыдущем пункте, если разбить лидов на две группы, станет видно, что продаж с холодного трафика почти не было - все продажи были с теплой базы. В то же время первые два вебинара проводили только на холодную аудиторию и показали супер крутой результат по CR2.
Последствия:
Таких примеров я могу привести еще очень много и с разными метриками - они встречаются каждый день в большом количестве. Но теперь вы знаете, в каких ситуациях таится засада поверхностных выводов и как с ней бороться - просто ковыряться глубже 🙂
Давайте наберем 40 китов 🐳 и я выложу еще 3 примера поверхностных выводов с другими метриками - с CPL, retention и не только.
🐳79❤3👍2
Ошибка «поверхностных выводов» - часть 2 🔥
В прошлом посте я рассказал про поверхностные выводы и привел конкретные примеры, когда эта ошибка может привести к сливу миллионных бюджетов и времени.
Этот пост быстро набрал 40 китов 🐳, поэтому, как и обещал, выкладываю подборку еще 3 примеров с ошибкой поверхностных выводов. На этот раз рассмотрим другие метрики - не только рекламные:
* метрики удержания (retention, LTV)
* метрики качества продукта (NPS)
* технические метрики (activation rate)
# Пример 1
В феврале мы запустили рекламную кампанию. В марте - другую. В апреле - опять поменяли. Основная цель была - привлекать более вовлеченную аудиторию и увеличивать количество денег. Сервис развивается по модели подписки. Замерили n-day retention 90 дня и получили такие показатели:
* когорта февраля - 38%
* когорта марта - 31%
* когорта апреля - 43%
Поверхностный вывод: Самое большое удержание у апрельской когорты, значит эта рекламная кампания самая эффективная и нужно ее масштабировать.
Реальность: Когорта апреля показывает самый высокий retention, но и самый низкий LTV. То есть пользователи активные, но подписку не покупают.
Последствия: Влили деньги в неэффективную с точки зрения ROI кампанию, слили рекламный бюджет, ушли в минус.
# Пример 2
Мы проводим опрос пользователей о том, насколько они довольны нашим продуктом (производим замер метрики NPS). Просим всех пользователей заполнить анкетку.
Поверхностный вывод: Заполнено 350 анкет, средний NPS составил 89%. Получается, мы красавчики.
Реальность: У нас еще 2000 пользователей, которые плюются от качества наших продуктов - они поставили бы не больше 10%, но настолько раздражены, что даже не стали заполнять анкету.
Последствия: Мы продолжаем делать плохой продукт, тратим деньги на разработку и маркетинг, но на масштабе наша финансовая модель становится все более убыточной.
# Пример 3
При регистрации в нашем сервисе пользователь получает письмо на почту и должен подтвердить свой email-адрес. На данный момент у нас % активации составляет всего 40% - это очень низкий показатель. Мы работаем над его увеличением.
Поверхностный вывод: Пользователям не нравится, как мы шлем им письма. Мы экспериментируем с дизайном, с формулировками, с почтовыми сервисами.
Реальность: У нас не настроены DNS-записи на корпоративной почте и большинство писем просто не доходят до своих адресатов (как раз примерно 60%).
Последствия: Мы теряем 60% базы клиентов и тратим кучу времени на улучшение того, что и так работает.
# Заключение
Если вам зашел этот пост - ставьте огонечек 🔥
А когда этот пост соберет 60 реакций 🔥, я расскажу про разные виды retention и в каких ситуациях нужен каждый из них.
В прошлом посте я рассказал про поверхностные выводы и привел конкретные примеры, когда эта ошибка может привести к сливу миллионных бюджетов и времени.
Этот пост быстро набрал 40 китов 🐳, поэтому, как и обещал, выкладываю подборку еще 3 примеров с ошибкой поверхностных выводов. На этот раз рассмотрим другие метрики - не только рекламные:
* метрики удержания (retention, LTV)
* метрики качества продукта (NPS)
* технические метрики (activation rate)
# Пример 1
В феврале мы запустили рекламную кампанию. В марте - другую. В апреле - опять поменяли. Основная цель была - привлекать более вовлеченную аудиторию и увеличивать количество денег. Сервис развивается по модели подписки. Замерили n-day retention 90 дня и получили такие показатели:
* когорта февраля - 38%
* когорта марта - 31%
* когорта апреля - 43%
Поверхностный вывод: Самое большое удержание у апрельской когорты, значит эта рекламная кампания самая эффективная и нужно ее масштабировать.
Реальность: Когорта апреля показывает самый высокий retention, но и самый низкий LTV. То есть пользователи активные, но подписку не покупают.
Мы проводим опрос пользователей о том, насколько они довольны нашим продуктом (производим замер метрики NPS). Просим всех пользователей заполнить анкетку.
Поверхностный вывод: Заполнено 350 анкет, средний NPS составил 89%. Получается, мы красавчики.
Реальность: У нас еще 2000 пользователей, которые плюются от качества наших продуктов - они поставили бы не больше 10%, но настолько раздражены, что даже не стали заполнять анкету.
При регистрации в нашем сервисе пользователь получает письмо на почту и должен подтвердить свой email-адрес. На данный момент у нас % активации составляет всего 40% - это очень низкий показатель. Мы работаем над его увеличением.
Поверхностный вывод: Пользователям не нравится, как мы шлем им письма. Мы экспериментируем с дизайном, с формулировками, с почтовыми сервисами.
Реальность: У нас не настроены DNS-записи на корпоративной почте и большинство писем просто не доходят до своих адресатов (как раз примерно 60%).
Если вам зашел этот пост - ставьте огонечек 🔥
А когда этот пост соберет 60 реакций 🔥, я расскажу про разные виды retention и в каких ситуациях нужен каждый из них.
🔥102❤3👍3
Метрики отдела продаж 🔥
Последнее время мы много обсуждали рекламные и маркетинговые метрики, а сегодня я предлагаю нырнуть в пучину операционки любого бизнеса и поговорить про метрики отдела продаж.
Аналитикой ОП часто пренебрегают и считают только выручку. А зря. Можно приводить бесконечно много лидов, но если твой отдел продаж работает плохо - нет никакого смысла в крутом маркетинге. Я не буду писать про базовые метрики (выручка, средний чек и т.д.) - давайте лучше обсудим более экзотические и неочевидные метрики, но которые обязательно нужно замерять в своем отделе продаж.
✔️ SLA
SLA (service-level agreement) - в данном случае речь про скорость реагирования на новую заявку. В некоторых бизнесах счет идет на минуты. Встречал случаи, когда 2-3 минуты промедления стоили компании потерянных клиентов, например, на покупку автомобиля или элитной недвижимости.
В хорошем ОП нужно контролировать SLA на все входящие заявки с разбивкой по менеджерам. В среднем скорость реакции не должна превышать 10-15 минут. А лучше звонить сразу же 🙂
✔️ % в КЭВ
КЭВ - ключевой этап воронки. Например, если вы продаете B2B SaaS платформу, то вашим КЭВом может быть демо-презентация в Zoom. Соответственно, % конверсии в КЭВ показывает - сколько лидов из общей массы вы конвертируете в КЭВ.
Это очень важный показатель, именно от него зависят финальные продажи. Сами посмотрите, что лучше: 1000 лидов и 0.5% конверсии в КЭВ или 100 лидов и 30% конверсии в КЭВ?
✔️ Длительность пребывания сделки на этапе воронки
Вся ваша воронка продаж разбита на этапы. Например - Новая заявка, Контакт инициирован, Квалификация пройдена, Счет выставлен и так далее. Процесс продажи - постепенное перемещение карточки клиента от этапа к этапу. И супер важно понимать - сколько времени в среднем карточка висит на каждом из этапов.
Эта метрика позволяет выявить слабое место в воронке продаж, допилить скрипты, усилить контроль или вообще поменять систему продаж. Пример - если у вас везде средний срок ~ 1 день, а между этапами Счет отправлен и Оплачен - 15 дней, значит вы жестко теряете деньги и вам нужно придумать, как дожимать людей оплачивать выставленные счета. Каждый день запал клиента падает и ждать 15 дней - непозволительная роскошь. Например, можно договориться с менеджерами звонить такому человеку каждый второй день после выставления счета. Или в случае неуплаты в течение 3 дней предлагать бонус при оплате день в день. В общем, это крутая пища для размышления.
✔️ Воронка продаж
Здесь под «воронкой продаж» я имею ввиду не просто этапы, а наглядная визуализация перехода между этими этапами в %. Например:
* сколько конвертируется из «Новая сделка» в «Контакт инициирован»?
* сколько конвертируется из «Контакт инициирован» в «Квалификация пройдена»?
* сколько конвертируется из «Счет отправлен» в «Оплачено»?
Наглядная воронка продаж с % по каждому этапу позволяет понять - на каком этапе просадка и куда надо бежать: то ли лидов мало, то ли они некачественные, то ли менеджеры по продажам тупо их сливают, то ли надо изменить скрипт (как на примере выше).
✔️ Заключение
Разумеется, это не все операционные метрики, а лишь самые поверхностные - на самом деле их намного больше.
Если вам зашел этот пост, давайте наберем на него 60 реакций 🔥 и я расскажу про очень важный и полезный фреймворк в аналитике маркетинга и продаж - декомпозицию.
Последнее время мы много обсуждали рекламные и маркетинговые метрики, а сегодня я предлагаю нырнуть в пучину операционки любого бизнеса и поговорить про метрики отдела продаж.
Аналитикой ОП часто пренебрегают и считают только выручку. А зря. Можно приводить бесконечно много лидов, но если твой отдел продаж работает плохо - нет никакого смысла в крутом маркетинге. Я не буду писать про базовые метрики (выручка, средний чек и т.д.) - давайте лучше обсудим более экзотические и неочевидные метрики, но которые обязательно нужно замерять в своем отделе продаж.
SLA (service-level agreement) - в данном случае речь про скорость реагирования на новую заявку. В некоторых бизнесах счет идет на минуты. Встречал случаи, когда 2-3 минуты промедления стоили компании потерянных клиентов, например, на покупку автомобиля или элитной недвижимости.
В хорошем ОП нужно контролировать SLA на все входящие заявки с разбивкой по менеджерам. В среднем скорость реакции не должна превышать 10-15 минут. А лучше звонить сразу же 🙂
КЭВ - ключевой этап воронки. Например, если вы продаете B2B SaaS платформу, то вашим КЭВом может быть демо-презентация в Zoom. Соответственно, % конверсии в КЭВ показывает - сколько лидов из общей массы вы конвертируете в КЭВ.
Это очень важный показатель, именно от него зависят финальные продажи. Сами посмотрите, что лучше: 1000 лидов и 0.5% конверсии в КЭВ или 100 лидов и 30% конверсии в КЭВ?
Вся ваша воронка продаж разбита на этапы. Например - Новая заявка, Контакт инициирован, Квалификация пройдена, Счет выставлен и так далее. Процесс продажи - постепенное перемещение карточки клиента от этапа к этапу. И супер важно понимать - сколько времени в среднем карточка висит на каждом из этапов.
Эта метрика позволяет выявить слабое место в воронке продаж, допилить скрипты, усилить контроль или вообще поменять систему продаж. Пример - если у вас везде средний срок ~ 1 день, а между этапами Счет отправлен и Оплачен - 15 дней, значит вы жестко теряете деньги и вам нужно придумать, как дожимать людей оплачивать выставленные счета. Каждый день запал клиента падает и ждать 15 дней - непозволительная роскошь. Например, можно договориться с менеджерами звонить такому человеку каждый второй день после выставления счета. Или в случае неуплаты в течение 3 дней предлагать бонус при оплате день в день. В общем, это крутая пища для размышления.
Здесь под «воронкой продаж» я имею ввиду не просто этапы, а наглядная визуализация перехода между этими этапами в %. Например:
* сколько конвертируется из «Новая сделка» в «Контакт инициирован»?
* сколько конвертируется из «Контакт инициирован» в «Квалификация пройдена»?
* сколько конвертируется из «Счет отправлен» в «Оплачено»?
Наглядная воронка продаж с % по каждому этапу позволяет понять - на каком этапе просадка и куда надо бежать: то ли лидов мало, то ли они некачественные, то ли менеджеры по продажам тупо их сливают, то ли надо изменить скрипт (как на примере выше).
Разумеется, это не все операционные метрики, а лишь самые поверхностные - на самом деле их намного больше.
Если вам зашел этот пост, давайте наберем на него 60 реакций 🔥 и я расскажу про очень важный и полезный фреймворк в аналитике маркетинга и продаж - декомпозицию.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥82👍5❤3
Вы считаете корреляцию неправильно! 😱
Сегодня хочу поговорить про корреляцию. А точней про ошибки, которые связаны с расчетом этой метрики.
За последнее время во время разговора с людьми я встретился сразу с большим количеством ошибок, связанных с расчетом корреляции. И казалось бы - где тут ошибаться, это же просто число, которое показывает наличие/отсутствие и силу связи между переменными. Но сейчас я покажу вам обратное на примере 2 типовых ошибок.
❌ Ошибка 1: Неправильный выбор переменных
С этой ошибкой я столкнулся сразу несколько раз, когда проверял тестовое задание на позицию junior-аналитика. Там нужно было оценить влияние составляющих рекламного баннера (главный цвет, вспомогательные цвета, пропорции картинки, слова и т.д.) на целевую метрику - например, CTR.
Что важно - некоторые признаки были представлены в виде массивов, например, массив вспомогательных цветов. Так вот некоторые ребята объединяли все значения массива в одну строку и считали это за одну переменную. Например, был массив
Итого, вместо оценки влияния каждого отдельного вспомогательного цвета на CTR, они оценивали влияние «строки цветов». При этом в 95% случаев эта строка была уникальной, потому что
Как надо делать:сначала, сформировать «длинный» датафрейм, разбив каждую строку на несколько, чтобы в одной ячейке всегда был только один цвет, а потом посчитать влияние изменения цвета на CTR обычным способом.
❌ Ошибка 2: Категориальные переменные
Корреляцию считают только для числовых признаков - это все знают. Но часто нам приходится работать с категориальными переменными (как в предыдущем пункте). И люди делают одну и ту же ошибку - просто применяют one-hot encoding, т.е. кодируют категориальные переменные (например, цвета) числами. Был «зеленый» - стал «1», был «красный» - стал «2».
А дальше применяется стандартный расчет корреляции - логично же, у нас ведь два числовых признака. Однако, взгляните на 2 набора признаков. В скобочках указано закодированное значение, а справа - значение CTR.
* зеленый (1) - 15%, красный (2) - 35%, синий (3) - 25%
* зеленый (3) - 15%, красный (2) - 35%, синий (1) - 25%
А теперь посчитаем корреляцию для 1 и 2 группы. В первом случае получаем 50%, а во втором -50%. Странно, да? Ничего не изменилось, а результаты полярно разные.
Как надо делать:для расчета корреляции лучше использовать коэффициент Спирмена, если мы на 100% не уверены, что кодирование категориальных переменных числами будет отражать увеличение/уменьшение значения признака. Соответственно, например, для цветов такое кодирование слабо применимо.
✔️ Заключение
Корреляция - мощная метрика, но использовать ее нужно с умом, а не слепо писать формулу.
Если вам этот пост зашел - поделитесь им с друзьями / отправьте в чатики, где вы сидите или в коммьюнити людей, кому это может быть интересно - пусть они тоже не делают таких ошибок ❤️
Ваш репост здорово поможет мне развивать канал! А как только мы пробьем планку в 1000 подписчиков, я расскажу про 3 частую ошибку - ложную корреляцию!
Сегодня хочу поговорить про корреляцию. А точней про ошибки, которые связаны с расчетом этой метрики.
За последнее время во время разговора с людьми я встретился сразу с большим количеством ошибок, связанных с расчетом корреляции. И казалось бы - где тут ошибаться, это же просто число, которое показывает наличие/отсутствие и силу связи между переменными. Но сейчас я покажу вам обратное на примере 2 типовых ошибок.
С этой ошибкой я столкнулся сразу несколько раз, когда проверял тестовое задание на позицию junior-аналитика. Там нужно было оценить влияние составляющих рекламного баннера (главный цвет, вспомогательные цвета, пропорции картинки, слова и т.д.) на целевую метрику - например, CTR.
Что важно - некоторые признаки были представлены в виде массивов, например, массив вспомогательных цветов. Так вот некоторые ребята объединяли все значения массива в одну строку и считали это за одну переменную. Например, был массив
['красный', 'синий', 'зеленый'], а получилась строка 'красный, синий, зеленый'. Итого, вместо оценки влияния каждого отдельного вспомогательного цвета на CTR, они оценивали влияние «строки цветов». При этом в 95% случаев эта строка была уникальной, потому что
'красный, синий, зеленый' и 'зеленый, синий, красный' у них - конечно же, разные сочетания (хотя по факту нет).Как надо делать:
Корреляцию считают только для числовых признаков - это все знают. Но часто нам приходится работать с категориальными переменными (как в предыдущем пункте). И люди делают одну и ту же ошибку - просто применяют one-hot encoding, т.е. кодируют категориальные переменные (например, цвета) числами. Был «зеленый» - стал «1», был «красный» - стал «2».
А дальше применяется стандартный расчет корреляции - логично же, у нас ведь два числовых признака. Однако, взгляните на 2 набора признаков. В скобочках указано закодированное значение, а справа - значение CTR.
* зеленый (1) - 15%, красный (2) - 35%, синий (3) - 25%
* зеленый (3) - 15%, красный (2) - 35%, синий (1) - 25%
А теперь посчитаем корреляцию для 1 и 2 группы. В первом случае получаем 50%, а во втором -50%. Странно, да? Ничего не изменилось, а результаты полярно разные.
Как надо делать:
Корреляция - мощная метрика, но использовать ее нужно с умом, а не слепо писать формулу.
Если вам этот пост зашел - поделитесь им с друзьями / отправьте в чатики, где вы сидите или в коммьюнити людей, кому это может быть интересно - пусть они тоже не делают таких ошибок ❤️
Ваш репост здорово поможет мне развивать канал! А как только мы пробьем планку в 1000 подписчиков, я расскажу про 3 частую ошибку - ложную корреляцию!
Please open Telegram to view this post
VIEW IN TELEGRAM
👍57❤23🔥13🎅1
Топ крутых метрик для аналитики SMM 💃
Все мы знаем стандартные метрики - CPL, CR, ARPU, LTV и прочее. Про них уже рассказано тысячи раз. Однако, в бизнесе есть много процессов, которые тоже нуждаются в оцифровке, а сделать это довольно сложно. К ним относятся PR, SMM, HR, email-рассылки и прочее.
Поэтому сегодня в формате короткой заметки я хочу поделиться с вами несколькими крутыми метриками для аналитики SMM и постов в социальных сетях, которые мы для себя выработали на опыте своего бизнеса.
✔️ LOVE RATE
Чтобы вам было интересней читать этот пост, начну с нестандартной метрики - Love Rate (LR).
Определение: Коэффициент привлекательности
Формула расчета: Количество лайков / Количество подписчиков * 100%
Что метрика показывает: Насколько аудитория активно «одобряет» ваш контент - ставит лайки, делает репосты, пишет комментарии.
Почему важно отслеживать: Во-первых, это главный маркер интересности вашего контента - если показатель низкий, то вы что-то делаете не так. Во-вторых, все социальные сети (кроме ТГ 🤡) вирусят контент только с большим LR, поэтому если хотите бесплатных подписчиков - работайте над Love Rate.
Примечание: Нужно отслеживать именно положительные реакции, а то можно сделать неверный вывод 🙂
✔️ ER
А теперь вернемся к бессмертной классике - все-таки это одна из основных метрик для оценки эффективности группы/канала.
Определение: Engagement Rate (ER) - коэффициент вовлеченности
Формула расчета: Реакции / Подписчики * 100%
Что метрика показывает: Насколько аудитории интересен контент, насколько активно она на него реагирует.
Почему важно отслеживать: Оценка этой метрики поможет как в составлении контент-плана (низкая вовлеченность - не делаем такие посты), так и при закупке рекламы. Например, когда мы закупаем посевы в Телеграм, мы всегда смотрим на ER каждого канала.
Кейс: Мой близкий товарищ по бизнесу не оценивал ER (и ERR) и попал в глупую ловушку. Он купил за 50к рекламу в канале с 15к подписчиками и низким ERR, когда можно было купить за 2к в канале с 3к подписчиков и огромной вовлеченностью.
✔️ ORGANIC FOLLOWERS
Это очень простая метрика, но только вдумайтесь, насколько она важна!
Определение: Organic Followers (OF) - органические подписчики
Формула расчета (для расчета динамики): Органические подписчики за отчетный период / Органические подписчики за предыдущий период * 100%
Что метрика показывает: Насколько велик приток новой аудитории, которые сами вас нашли (или социальная сеть «подсунула»).
Почему важно отслеживать: Если динамика OF отрицательная, то ваш контент стал менее интересным (а значит упала виральность), а также недалек тот час, когда вам придется тратить деньги, чтобы привлекать новых подписчиков.
✔️ AMPLIFICATION RATE
Определение: Amplification Rate - коэффициент виральности контента.
Формула расчета: Кол-во шерингов / Кол-во постов * 100%
Что метрика показывает: Коэффициент распространения постов за счет репостов.
Почему важно отслеживать: В некоторых сетях (например, ВК) алгоритмы охотнее дают виральные охваты постам с большим количеством шерингов. А в некоторых сетях (например, в Телеграме), это вообще единственный способ бесплатного продвижения.
Кейс: Когда мы только начали вести группу ВК, мы не понимали, как работают алгоритмы. А потом мы увидели, что посты с высоким AR получают много вирального охвата - и стали концентрироваться на таких постах. В итоге мы за 2 месяца выросли больше, чем за весь прошлый год.
✔️ ЗАКЛЮЧЕНИЕ
Конечно, это не все метрики - их намного больше. Давайте наберем 60 реакций огонечков 🔥 и я выложу вторую часть подборки крутых метрик для SMM!
Все мы знаем стандартные метрики - CPL, CR, ARPU, LTV и прочее. Про них уже рассказано тысячи раз. Однако, в бизнесе есть много процессов, которые тоже нуждаются в оцифровке, а сделать это довольно сложно. К ним относятся PR, SMM, HR, email-рассылки и прочее.
Поэтому сегодня в формате короткой заметки я хочу поделиться с вами несколькими крутыми метриками для аналитики SMM и постов в социальных сетях, которые мы для себя выработали на опыте своего бизнеса.
Чтобы вам было интересней читать этот пост, начну с нестандартной метрики - Love Rate (LR).
Определение: Коэффициент привлекательности
Формула расчета: Количество лайков / Количество подписчиков * 100%
Что метрика показывает: Насколько аудитория активно «одобряет» ваш контент - ставит лайки, делает репосты, пишет комментарии.
Почему важно отслеживать: Во-первых, это главный маркер интересности вашего контента - если показатель низкий, то вы что-то делаете не так. Во-вторых, все социальные сети (кроме ТГ 🤡) вирусят контент только с большим LR, поэтому если хотите бесплатных подписчиков - работайте над Love Rate.
Примечание: Нужно отслеживать именно положительные реакции, а то можно сделать неверный вывод 🙂
А теперь вернемся к бессмертной классике - все-таки это одна из основных метрик для оценки эффективности группы/канала.
Определение: Engagement Rate (ER) - коэффициент вовлеченности
Формула расчета: Реакции / Подписчики * 100%
Что метрика показывает: Насколько аудитории интересен контент, насколько активно она на него реагирует.
Почему важно отслеживать: Оценка этой метрики поможет как в составлении контент-плана (низкая вовлеченность - не делаем такие посты), так и при закупке рекламы. Например, когда мы закупаем посевы в Телеграм, мы всегда смотрим на ER каждого канала.
Кейс: Мой близкий товарищ по бизнесу не оценивал ER (и ERR) и попал в глупую ловушку. Он купил за 50к рекламу в канале с 15к подписчиками и низким ERR, когда можно было купить за 2к в канале с 3к подписчиков и огромной вовлеченностью.
Это очень простая метрика, но только вдумайтесь, насколько она важна!
Определение: Organic Followers (OF) - органические подписчики
Формула расчета (для расчета динамики): Органические подписчики за отчетный период / Органические подписчики за предыдущий период * 100%
Что метрика показывает: Насколько велик приток новой аудитории, которые сами вас нашли (или социальная сеть «подсунула»).
Почему важно отслеживать: Если динамика OF отрицательная, то ваш контент стал менее интересным (а значит упала виральность), а также недалек тот час, когда вам придется тратить деньги, чтобы привлекать новых подписчиков.
Определение: Amplification Rate - коэффициент виральности контента.
Формула расчета: Кол-во шерингов / Кол-во постов * 100%
Что метрика показывает: Коэффициент распространения постов за счет репостов.
Почему важно отслеживать: В некоторых сетях (например, ВК) алгоритмы охотнее дают виральные охваты постам с большим количеством шерингов. А в некоторых сетях (например, в Телеграме), это вообще единственный способ бесплатного продвижения.
Кейс: Когда мы только начали вести группу ВК, мы не понимали, как работают алгоритмы. А потом мы увидели, что посты с высоким AR получают много вирального охвата - и стали концентрироваться на таких постах. В итоге мы за 2 месяца выросли больше, чем за весь прошлый год.
Конечно, это не все метрики - их намного больше. Давайте наберем 60 реакций огонечков 🔥 и я выложу вторую часть подборки крутых метрик для SMM!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥83👍6
Хочешь сделать понятней - усложни! 😏
1. Графики и отчеты смотреть сложно - знаю по себе. Бывает, открываю дашборд, смотрю в него и закрываю. А потом думаю: «Ну ты же ничего там не увидел, открывай заново!»
2. Причина проста: создатели дашбордов ставят перед собой неправильный вопрос. Строя очередной график, они спрашивают себя: «А могу ли я ответить на вопрос Х, смотря на этот график?»
3. А какой вопрос тогда правильный? Не в этом ли суть дашборда - наглядно отобразить данные с помощью графиков, чтобы находить ответы на вопросы бизнеса?
4. На самом деле нет. Чтобы правильно описать суть дашборда, нужно добавить всего одно слово - «легко».
5. Получается: Суть дашборда - наглядно отобразить данные с помощью графиков, чтобы легко находить ответы на вопросы бизнеса.
6. Согласитесь, смысл поменялся? И теперь стало наконец понятно, в чем разница между голой экселькой и дашбордом. Да и вообще, зачем нам аналитик в компании. Чтобы делать «легко»!
7. А как сделать легко? Один из моих любимых приемов - добавить линию.
8. Чтобы упростить график, нужно добавить линию - это абсурд?! А вот и нет. Добавив линию правильно, вы поможете мозгу находить ответ на вопрос Х легко - а это и есть основная суть дашборда, как мы выяснили.
В комментариях прикрепил пример такой трансформации - классический график динамики выручки и тот же график с дополнительной линией среднего. Согласитесь - именно на графике с дополнительной линией вы легко и моментально увидели дни просадки и дни пиковой выручки, а на первой картинке вам пришлось «прищуриться» для этого.
А вы согласны с этим тезисом? Уже придумали, где «усложнить» свой дашборд? 😉
1. Графики и отчеты смотреть сложно - знаю по себе. Бывает, открываю дашборд, смотрю в него и закрываю. А потом думаю: «Ну ты же ничего там не увидел, открывай заново!»
2. Причина проста: создатели дашбордов ставят перед собой неправильный вопрос. Строя очередной график, они спрашивают себя: «А могу ли я ответить на вопрос Х, смотря на этот график?»
3. А какой вопрос тогда правильный? Не в этом ли суть дашборда - наглядно отобразить данные с помощью графиков, чтобы находить ответы на вопросы бизнеса?
4. На самом деле нет. Чтобы правильно описать суть дашборда, нужно добавить всего одно слово - «легко».
5. Получается: Суть дашборда - наглядно отобразить данные с помощью графиков, чтобы легко находить ответы на вопросы бизнеса.
6. Согласитесь, смысл поменялся? И теперь стало наконец понятно, в чем разница между голой экселькой и дашбордом. Да и вообще, зачем нам аналитик в компании. Чтобы делать «легко»!
7. А как сделать легко? Один из моих любимых приемов - добавить линию.
8. Чтобы упростить график, нужно добавить линию - это абсурд?! А вот и нет. Добавив линию правильно, вы поможете мозгу находить ответ на вопрос Х легко - а это и есть основная суть дашборда, как мы выяснили.
В комментариях прикрепил пример такой трансформации - классический график динамики выручки и тот же график с дополнительной линией среднего. Согласитесь - именно на графике с дополнительной линией вы легко и моментально увидели дни просадки и дни пиковой выручки, а на первой картинке вам пришлось «прищуриться» для этого.
А вы согласны с этим тезисом? Уже придумали, где «усложнить» свой дашборд? 😉
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥41👍13❤3
Как мы хакнули вебинары 🚨
Мы внедрили офигенную тему, которая помогла нам получать супер дешевые лиды и снизить CAC в несколько раз. Как это было - рассказывает Иван, наш партнер по рекламе и автор крутого телеграм-канала про маркетинг (личная рекомендация, подписывайтесь, сам подписан с первых дней).
✅ КАКУЮ ЗАДАЧУ РЕШАЛИ
В работе над проектом Simulative (симулятор Аналитик данных) мы пробовали запускать разные варианты рекламы: прямая на курс, на бесплатный курс, на вебинары. Последнее работало лучше всего, но все равно стоимость клиента выходила выше KPI🥲
Тут было несколько гипотез, что можно улучшать:
⁃ дизайн баннеров
⁃ оффер, через который вели на вебинар
⁃ тему самого веба
Тему тестировать сложнее всего, потому что нужно готовить много вебинаров, каждый из которых требует значимых финансовых инвестиций в рекламу, для статистически значимых цифр, чтобы подтвердить гипотезу — работает он или нет с точки зрения продаж. Так как предыдущие гипотезы уже были опробованы, мы перешли к тесту тем.
✅ КАК СПРОЕКТИРОВАЛИ ТЕСТ
Как запускали: Делали по модели MVP: придумали темы, сделали несколько разных ботов под каждый вебинар, несколько вариаций баннеров и офферов. На каждую тему запускали трафик из двух источников.
На что ориентировались: Успешным результатом тестов считали высокую кликабельность объявлений, низкий CPL. Референсом были значения по предыдущему вебинару.
Классный лайфхак:Вебинары мы не проводили. Для проекта это слишком дорого. Поэтому после недельного теста во все боты отправили сообщение о том, что вебинар не состоится. В качестве извинений сделали небольшие подарки в виде полезных информационных материалов. И дальше сделали рассылку с приглашением на вебинар, который победил по метрикам, описанным выше.
Вебинар провели и сравнили не только первичные показатели, но и доходимость, а также стоимость привлечения клиента.
Можно еще сильнее удешевить этот тест, сравнивая только кликабельность и стоимость клика, заходя все дальше и дальше по воронке с победителем тестов. Это дольше, поэтому выбирать стратегию нужно, отталкиваясь от маркетингового бюджета.
✅ ЗАКЛЮЧЕНИЕ
Процесс выбора темы для вебинара - один из многих тестов, которые мы запускаем. Если вам зашел этот пост - давайте наберем на него 50 реакций сердечек ❤️ и я расскажу про другие лайфхаки, которые мы используем для тестирования маркетинга!
Как найти тему для вебинара, который будет лучше всего отрабатывать для достижения целей по CAC (стоимость привлечения клиента)?
Мы внедрили офигенную тему, которая помогла нам получать супер дешевые лиды и снизить CAC в несколько раз. Как это было - рассказывает Иван, наш партнер по рекламе и автор крутого телеграм-канала про маркетинг (личная рекомендация, подписывайтесь, сам подписан с первых дней).
✅ КАКУЮ ЗАДАЧУ РЕШАЛИ
В работе над проектом Simulative (симулятор Аналитик данных) мы пробовали запускать разные варианты рекламы: прямая на курс, на бесплатный курс, на вебинары. Последнее работало лучше всего, но все равно стоимость клиента выходила выше KPI
Тут было несколько гипотез, что можно улучшать:
⁃ дизайн баннеров
⁃ оффер, через который вели на вебинар
⁃ тему самого веба
Тему тестировать сложнее всего, потому что нужно готовить много вебинаров, каждый из которых требует значимых финансовых инвестиций в рекламу, для статистически значимых цифр, чтобы подтвердить гипотезу — работает он или нет с точки зрения продаж. Так как предыдущие гипотезы уже были опробованы, мы перешли к тесту тем.
✅ КАК СПРОЕКТИРОВАЛИ ТЕСТ
Как запускали: Делали по модели MVP: придумали темы, сделали несколько разных ботов под каждый вебинар, несколько вариаций баннеров и офферов. На каждую тему запускали трафик из двух источников.
На что ориентировались: Успешным результатом тестов считали высокую кликабельность объявлений, низкий CPL. Референсом были значения по предыдущему вебинару.
Классный лайфхак:
Вебинар провели и сравнили не только первичные показатели, но и доходимость, а также стоимость привлечения клиента.
Можно еще сильнее удешевить этот тест, сравнивая только кликабельность и стоимость клика, заходя все дальше и дальше по воронке с победителем тестов. Это дольше, поэтому выбирать стратегию нужно, отталкиваясь от маркетингового бюджета.
✅ ЗАКЛЮЧЕНИЕ
Процесс выбора темы для вебинара - один из многих тестов, которые мы запускаем. Если вам зашел этот пост - давайте наберем на него 50 реакций сердечек ❤️ и я расскажу про другие лайфхаки, которые мы используем для тестирования маркетинга!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤63👍5🔥4🤣1
ТОП-4 признака, которые влияют на успешность рекламного баннера 🎉
В одном из моих проектов за последние полгода мы проанализировали около 250 000 разных рекламных объявлений в разных нишах бизнеса - от онлайн-образования до элитной недвижимости и эротики.
Наша задача была - выявить признаки, которые работают лучше всего и научиться с высокой вероятностью делать рекламные баннера с классным CTR / CPL / CAC.
Для анализа мы пробовали разные продвинутые алгоритмы и подходы - дисперсионный анализ, ANOVA, бустинг, коэффициенты корреляции и многое другое. Потом мы все это комбинировали, нормировали и представляли в виде понятной диаграммы, по которой однозначно можно понять: что работает лучше, а что хуже (пример диаграммы - в комментариях).
И вот несколько общих выводов, которые я сделал за это время:
✔️ Текст почти всегда важней визуала. Картинка и цвета влияет только на пробитие баннерной слепоты, не более того - остальные метрики почти никак не зависят от объектов и цветов.
✔️ Очень сильно влияет оффер (например, упоминаете ли вы на баннере явную точку Б клиента). Тексты «Обучись аналитике данных» и «Стань аналитиком с зп в Х рублей и работай удаленно» покажут совершенно разные результаты при одинаковом визуале.
✔️ Наличие CTA (call to action) в тексте почти всегда влияет. Как ни крути - лучше написать «Записывайся на вебинар», чем не написать этого.
✔️ Наличие вопроса в текста тоже почти всегда влияет - но не всегда это влияние очевидно. Зависит от клиента - иногда лучше написать «Хочешь стать аналитиком?», а иногда это категорически противопоказано.
Конечно, это очень общие выводы, важность признаков меняется даже для одного и того же клиента в разрезе разных рекламных кампаний. Однако эти 4 пункта встречаются чаще остальных - обязательно учитывайте это при анализе рекламных объявлений.
Давайте соберем 60 реакций огонечков 🔥 на этот пост и я поделюсь еще 7 инсайтами по этому поводу.
В одном из моих проектов за последние полгода мы проанализировали около 250 000 разных рекламных объявлений в разных нишах бизнеса - от онлайн-образования до элитной недвижимости и эротики.
Наша задача была - выявить признаки, которые работают лучше всего и научиться с высокой вероятностью делать рекламные баннера с классным CTR / CPL / CAC.
Для анализа мы пробовали разные продвинутые алгоритмы и подходы - дисперсионный анализ, ANOVA, бустинг, коэффициенты корреляции и многое другое. Потом мы все это комбинировали, нормировали и представляли в виде понятной диаграммы, по которой однозначно можно понять: что работает лучше, а что хуже (пример диаграммы - в комментариях).
И вот несколько общих выводов, которые я сделал за это время:
Конечно, это очень общие выводы, важность признаков меняется даже для одного и того же клиента в разрезе разных рекламных кампаний. Однако эти 4 пункта встречаются чаще остальных - обязательно учитывайте это при анализе рекламных объявлений.
Давайте соберем 60 реакций огонечков 🔥 на этот пост и я поделюсь еще 7 инсайтами по этому поводу.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥99👍4
Как правильно выбирать метрику для анализа и причем тут воронка? ⬆️
Помню, когда я был профаном и записывал свой первый курс по аналитике данных, там был урок про маркетинговую воронку. Я был сапожником без сапог - у меня не было глубинного понимания, в чем ценность этой штуки. Ну есть этапы маркетинга, есть этапы продаж - что тут интересного? Я, конечно, рассказал про нее, показал пару картиночек, но ни я, ни мои студенты ничего не поняли. Однако потом, работая в других компаниях (а уж тем более, когда появился свой собственный бизнес) я осознал, насколько это важная вещь.
1. Основная ценность воронки - она показывает «узкое горлышко» в компании. То есть вы сразу видите, где у вас плохо работает - на этапе лидогенерации или менеджеры сливают заявки.
2. Но зачем нужно понимать эти узкие места? Почему планомерно нельзя работать над улучшением воронки в целом?
3. Потому что это расфокус. Вы не можете сразу улучшать все метрики. А если и улучшите, то не поймете, что сработало, а что нет - успех повторить и масштабировать не получится.
4. Получается, что воронка - это просто способ выбрать ключевую метрику для улучшения. Нашли узкое место, описали его с помощью метрики, сгенерировали гипотезы по улучшению, проверили их - вот так выглядит правильный пайплайн работы с воронкой.
Причем воронка - не всегда набор верхнеуровневых этапов. Иногда (точней почти всегда) воронку нужно дробить на более мелкие этапы, чтобы понять, где проседание и куда бить.
Пример
Лиды - 1000, заявки - 500, продажи - 5
В компании много лидов и крутая конверсия в заявку (50%). Но всего лишь 1% продаж - это очень мало. Вывод - надо бить менеджеров палкой. Однако, если добавить этап «Квалификация лида», то можно увидеть такую картину:
Лиды - 1000, заявки - 500, прошли квалификацию - 50, продажи - 5
И это уже совсем другая история - получается, маркетинг приводит нецелевых лидов (например, с слишком маленьким доходом или у них не «горит» прямо сейчас). Соответственно, работать надо не над CR2, а над CR-Q.
Заключение
Итак, несколько выводов:
1. Воронка - способ выделить слабое место и найти метрику, которую нужно улучшать
2. Воронка должна содержать максимально подробную разбивку по этапам, чтобы определить метрику правильно
На эту тему можно написать еще много мыслей - пожалуй, это чуть ли не основная штука в любом бизнесе.
Если вам зашел этот пост - давайте наберем на него 70 реакций сердечек ❤️, и я на конкретных примерах покажу правильные и неправильные выводы при анализе воронки.
Помню, когда я был профаном и записывал свой первый курс по аналитике данных, там был урок про маркетинговую воронку. Я был сапожником без сапог - у меня не было глубинного понимания, в чем ценность этой штуки. Ну есть этапы маркетинга, есть этапы продаж - что тут интересного? Я, конечно, рассказал про нее, показал пару картиночек, но ни я, ни мои студенты ничего не поняли. Однако потом, работая в других компаниях (а уж тем более, когда появился свой собственный бизнес) я осознал, насколько это важная вещь.
1. Основная ценность воронки - она показывает «узкое горлышко» в компании. То есть вы сразу видите, где у вас плохо работает - на этапе лидогенерации или менеджеры сливают заявки.
2. Но зачем нужно понимать эти узкие места? Почему планомерно нельзя работать над улучшением воронки в целом?
3. Потому что это расфокус. Вы не можете сразу улучшать все метрики. А если и улучшите, то не поймете, что сработало, а что нет - успех повторить и масштабировать не получится.
4. Получается, что воронка - это просто способ выбрать ключевую метрику для улучшения. Нашли узкое место, описали его с помощью метрики, сгенерировали гипотезы по улучшению, проверили их - вот так выглядит правильный пайплайн работы с воронкой.
Причем воронка - не всегда набор верхнеуровневых этапов. Иногда (точней почти всегда) воронку нужно дробить на более мелкие этапы, чтобы понять, где проседание и куда бить.
Пример
Лиды - 1000, заявки - 500, продажи - 5
В компании много лидов и крутая конверсия в заявку (50%). Но всего лишь 1% продаж - это очень мало. Вывод - надо бить менеджеров палкой. Однако, если добавить этап «Квалификация лида», то можно увидеть такую картину:
Лиды - 1000, заявки - 500, прошли квалификацию - 50, продажи - 5
И это уже совсем другая история - получается, маркетинг приводит нецелевых лидов (например, с слишком маленьким доходом или у них не «горит» прямо сейчас). Соответственно, работать надо не над CR2, а над CR-Q.
Заключение
Итак, несколько выводов:
1. Воронка - способ выделить слабое место и найти метрику, которую нужно улучшать
2. Воронка должна содержать максимально подробную разбивку по этапам, чтобы определить метрику правильно
На эту тему можно написать еще много мыслей - пожалуй, это чуть ли не основная штука в любом бизнесе.
Если вам зашел этот пост - давайте наберем на него 70 реакций сердечек ❤️, и я на конкретных примерах покажу правильные и неправильные выводы при анализе воронки.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤118👍7🔥2🤔1💩1
Как бустануть выручку на 75 млн или анализ воронки продаж 💵
На прошлый пост вы уже набрали больше 100 реакций - а значит, как и обещал, выкладываю конкретные примеры правильных и неправильных выводов при анализе воронки продаж.
✔️ ДАНО
Давайте специально возьмем воронку, никак не связанную с моим бизнесом, чтобы показать, что правильные/неправильные выводы одинаково работают в любой ситуации. Итак, допустим, мы занимаемся оптовой продажей текстиля для магазинов. Средний чек заказа у нас - 250 000 рублей. Lifetime - 20 заказов. Процесс продажи у нас выглядит так:
клиент звонит менеджеру → менеджер узнает потребность → менеджер формирует прайс-лист под клиента и отправляет ему → клиент знакомится с прайсом → клиент отправляет первый заказ менеджеру → происходит отгрузка → клиент делает повторные заказы
А вот наша воронка (в более общем виде) в цифрах:
* Поступило звонков - 100 шт
* Первых заказов - 15 шт (15%)
* Повторных заказов - 5 шт (33%)
✔️ ОШИБКА 1: СЛИШКОМ ОБЩАЯ ВОРОНКА
О чем речь: Воронка продаж содержит сильно меньше этапов, чем процесс продажи на самом деле. Из-за этого мы не видим, где именно срезается конверсия.
Ошибка: Клиентам не нравится наш прайс-лист, нужно провести кастдев, поменять ассортимент, сделать прайс-лист в более удобном виде.
Правильный вывод (возможный): Менеджеры просто очень долго формируют прайс-лист под клиента, из-за чего они находят другого поставщика и начинают с ним работать.
✔️ ОШИБКА 2: ПОСПЕШНЫЙ ВЫВОД
О чем речь: При анализе мы забываем про ограниченность ресурсов компании и делаем вывод, который был на поверхности (см. мой пост про ошибку поверхностных выводов), но далеко не самый эффективный.
Ошибка: Мы зарабатываем мало, потому что у нас маленький поток входящих лидов. Нужно увеличить их со 100 до 600, тогда у нас будет 30 клиентов. Врубаем маркетинг!
Правильный вывод (возможный): Мы видим, что на первом этапе воронки у нас маленькая конверсия - всего 15%. А что если мы увеличим ее хотя бы до 30% (кажется, это вполне возможно). Тогда мы получим те же 30 клиентов, только не потратив ни копейки дополнительно.
✔️ ОШИБКА 3: КРИВАЯ ВОРОНКА
О чем речь: Обратите внимание, что в процессе продажи очень много пунктов, которые должен сделать клиент. Найти телефон компании - сам. Утвердить прайс - сам. Сделать первый заказ - сам. Второй заказ - тоже сам. Компания, по сути, только копипастит прайс-листы и принимает звонки. Очень удобно.
Ошибка: Пытаться тюнинговать хреновую воронку.
Правильный вывод (возможный): Сначала нужно пересобрать воронку так, чтобы она была рабочей. Или как минимум более эффективной. Классно, что текущая воронка дает какие-то результаты - но она объективно кривая, клиенту нужно сделать много усилий, чтобы стать платящим клиентом - так быть не должно. Рассказывал про эту штуку в заметке про 3 простых шага по увеличению retention (если еще не читали - обязательно посмотрите)
✔️ ЗАКЛЮЧЕНИЕ
Короче, с помощью неправильных выводов можно разрушить компанию или долго топтаться на месте. А с помощью правильных - бустануть LTV на 75 млн рублей при вложениях в 0 рублей (посчитайте на данном примере, с учетом роста конверсии до 30%, среднего чека и lifetime). Как вам такое?!
Если вам зашел этот пост - давайте наберем на него 80 реакций огонечков 🔥 и я расскажу про то, как правильно делать выводы на основании ABC-анализа (на днях проводил вебинар на эту тему, хочу поделиться с вами инсайтами)!
На прошлый пост вы уже набрали больше 100 реакций - а значит, как и обещал, выкладываю конкретные примеры правильных и неправильных выводов при анализе воронки продаж.
Давайте специально возьмем воронку, никак не связанную с моим бизнесом, чтобы показать, что правильные/неправильные выводы одинаково работают в любой ситуации. Итак, допустим, мы занимаемся оптовой продажей текстиля для магазинов. Средний чек заказа у нас - 250 000 рублей. Lifetime - 20 заказов. Процесс продажи у нас выглядит так:
клиент звонит менеджеру → менеджер узнает потребность → менеджер формирует прайс-лист под клиента и отправляет ему → клиент знакомится с прайсом → клиент отправляет первый заказ менеджеру → происходит отгрузка → клиент делает повторные заказы
А вот наша воронка (в более общем виде) в цифрах:
* Поступило звонков - 100 шт
* Первых заказов - 15 шт (15%)
* Повторных заказов - 5 шт (33%)
О чем речь: Воронка продаж содержит сильно меньше этапов, чем процесс продажи на самом деле. Из-за этого мы не видим, где именно срезается конверсия.
Ошибка: Клиентам не нравится наш прайс-лист, нужно провести кастдев, поменять ассортимент, сделать прайс-лист в более удобном виде.
Правильный вывод (возможный): Менеджеры просто очень долго формируют прайс-лист под клиента, из-за чего они находят другого поставщика и начинают с ним работать.
О чем речь: При анализе мы забываем про ограниченность ресурсов компании и делаем вывод, который был на поверхности (см. мой пост про ошибку поверхностных выводов), но далеко не самый эффективный.
Ошибка: Мы зарабатываем мало, потому что у нас маленький поток входящих лидов. Нужно увеличить их со 100 до 600, тогда у нас будет 30 клиентов. Врубаем маркетинг!
Правильный вывод (возможный): Мы видим, что на первом этапе воронки у нас маленькая конверсия - всего 15%. А что если мы увеличим ее хотя бы до 30% (кажется, это вполне возможно). Тогда мы получим те же 30 клиентов, только не потратив ни копейки дополнительно.
О чем речь: Обратите внимание, что в процессе продажи очень много пунктов, которые должен сделать клиент. Найти телефон компании - сам. Утвердить прайс - сам. Сделать первый заказ - сам. Второй заказ - тоже сам. Компания, по сути, только копипастит прайс-листы и принимает звонки. Очень удобно.
Ошибка: Пытаться тюнинговать хреновую воронку.
Правильный вывод (возможный): Сначала нужно пересобрать воронку так, чтобы она была рабочей. Или как минимум более эффективной. Классно, что текущая воронка дает какие-то результаты - но она объективно кривая, клиенту нужно сделать много усилий, чтобы стать платящим клиентом - так быть не должно. Рассказывал про эту штуку в заметке про 3 простых шага по увеличению retention (если еще не читали - обязательно посмотрите)
Короче, с помощью неправильных выводов можно разрушить компанию или долго топтаться на месте. А с помощью правильных - бустануть LTV на 75 млн рублей при вложениях в 0 рублей (посчитайте на данном примере, с учетом роста конверсии до 30%, среднего чека и lifetime). Как вам такое?!
Если вам зашел этот пост - давайте наберем на него 80 реакций огонечков 🔥 и я расскажу про то, как правильно делать выводы на основании ABC-анализа (на днях проводил вебинар на эту тему, хочу поделиться с вами инсайтами)!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥102👍5❤2🤔2👎1
Как делать ABC-анализ правильно 💊
Недавно я проводил вебинар по ABC-анализу и уделил особое внимание тому, как извлекать из него правильные выводы. Причем некоторые из них вообще не лежат на поверхности, их нужно «раскопать».
Учитывая, что с ABC-анализа начался мой путь в аналитике (я работал в региональной торговой сети, там это был основной инструмент) - я на 100% уверен, что с помощью одного лишь ABC можно круто забустить бизнес. Итак, давайте рассмотрим конкретные примеры.
Представьте, что мы провели ABC по трем параметрам: выручка, количество проданных штук, маржинальность.
✔️ Пример 1: группа ААА
Как делают обычно: Группа AAA - абсолютный лидер. А значит его просто не трогают. И так все классно.
Как можно делать: дополнительно посмотреть XYZ-анализ и принять решение о поднятии цены. Если спрос стабильный (группа Х), то можно провести короткий тест и поднять цену. Если спрос не упал, то мы на ровном месте стали зарабатывать еще больше 🙂
✔️ Пример 2: группы CCA, CBA, CBB и другие
С этими группами надо быть аккуратней - они вроде аутсайдеры, но причины могут быть совсем разные. Например, когда я анализировал датасет на вебинаре, я предложил следующие контринтуитивные штуки.
В группе CCA было сразу 3 товара, при этом у всех 3 хорошая доходность (А). Чтобы увеличить количество, давайте просто сократим кол-во позиций в ассортименте до 2 или даже 1. В итоге останется 1 товар с хорошей маржой, а кол-во продаж возрастет и товар может перейти даже в группу ААА!
Есть и другой способ увеличить продажи в группе CCA (и других) - можно сделать акцию 1+1 или 2+1. Т.к. маржинальность у нас в группе А, мы можем себе это позволить. Итого мы не даем дополнительную скидку (почти), но стимулируем покупать больше и «вытягиваем» товар из группы С по количеству в группу А.
✔️ Пример 3: группа ССС
Этот пример не связан напрямую с хитрыми аналитическими приемами, но хорошо показывает, насколько важно иногда «приземляться».
Как-то давно у нас был товар и по ABC-анализу он стабильно был в группе ССС. Мы что только не делали - опускали цену, делали акции, перепробовали все на свете. Но мы ни разу не спросили - а товар вообще есть на полке.
Как оказалось, товар просто не выставили. Нерадивые продавцы видели акцию, не находили товар и забивали болт. Вот тебе и аналитика. А надо было просто сходить за ним на склад.
✔️ Заключение
Про ABC-анализ я могу рассказывать очень долго - это, на первый взгляд, очень простая штука, но толковый аналитик из нее может извлечь просто тонну пользы.
Хочется поделиться с вами полными результатами того ABC-анализа, про который я рассказал в посте, чтобы вы сами смогли все посмотреть и изучить. Так что когда этот пост наберет 100 реакций огонечков 🔥 - я выложу сюда полную версию этого ABC-анализа и мы с вами ее подробно разберем!
Недавно я проводил вебинар по ABC-анализу и уделил особое внимание тому, как извлекать из него правильные выводы. Причем некоторые из них вообще не лежат на поверхности, их нужно «раскопать».
Учитывая, что с ABC-анализа начался мой путь в аналитике (я работал в региональной торговой сети, там это был основной инструмент) - я на 100% уверен, что с помощью одного лишь ABC можно круто забустить бизнес. Итак, давайте рассмотрим конкретные примеры.
Представьте, что мы провели ABC по трем параметрам: выручка, количество проданных штук, маржинальность.
Как делают обычно: Группа AAA - абсолютный лидер. А значит его просто не трогают. И так все классно.
Как можно делать: дополнительно посмотреть XYZ-анализ и принять решение о поднятии цены. Если спрос стабильный (группа Х), то можно провести короткий тест и поднять цену. Если спрос не упал, то мы на ровном месте стали зарабатывать еще больше 🙂
С этими группами надо быть аккуратней - они вроде аутсайдеры, но причины могут быть совсем разные. Например, когда я анализировал датасет на вебинаре, я предложил следующие контринтуитивные штуки.
В группе CCA было сразу 3 товара, при этом у всех 3 хорошая доходность (А). Чтобы увеличить количество, давайте просто сократим кол-во позиций в ассортименте до 2 или даже 1. В итоге останется 1 товар с хорошей маржой, а кол-во продаж возрастет и товар может перейти даже в группу ААА!
Есть и другой способ увеличить продажи в группе CCA (и других) - можно сделать акцию 1+1 или 2+1. Т.к. маржинальность у нас в группе А, мы можем себе это позволить. Итого мы не даем дополнительную скидку (почти), но стимулируем покупать больше и «вытягиваем» товар из группы С по количеству в группу А.
Этот пример не связан напрямую с хитрыми аналитическими приемами, но хорошо показывает, насколько важно иногда «приземляться».
Как-то давно у нас был товар и по ABC-анализу он стабильно был в группе ССС. Мы что только не делали - опускали цену, делали акции, перепробовали все на свете. Но мы ни разу не спросили - а товар вообще есть на полке.
Как оказалось, товар просто не выставили. Нерадивые продавцы видели акцию, не находили товар и забивали болт. Вот тебе и аналитика. А надо было просто сходить за ним на склад.
Про ABC-анализ я могу рассказывать очень долго - это, на первый взгляд, очень простая штука, но толковый аналитик из нее может извлечь просто тонну пользы.
Хочется поделиться с вами полными результатами того ABC-анализа, про который я рассказал в посте, чтобы вы сами смогли все посмотреть и изучить. Так что когда этот пост наберет 100 реакций огонечков 🔥 - я выложу сюда полную версию этого ABC-анализа и мы с вами ее подробно разберем!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥122👍4❤1
Мой персональный топ нестандартных книг, связанных с аналитикой 🦮
Недавно общался с одним из наших студентов и невольно родился топ книг, которые я рекомендую почитать всем, кто хоть как-то связан с аналитикой. Причем абсолютно не важно - вы аналитик, data-driven маркетолог или предприниматель: книги написаны в формате научпоп с интересным изложением, никаких специфических знаний вам не потребуется.
✔️ Идеи с границы познания: Эйнштейн, Гёдель и философия науки, Джим Холт
Это одна из самых моих любимых книг! Не пугайтесь имен физиков и слова «философия» в названии - ничего сложного там не будет. Куча интересных исторических фактов (например, узнаете, почему фашизм придумали математики), а также непростые вещи в супер понятной и наглядной форме (например, что ваши разовые успехи не всегда гарантируют их повторение из-за регрессии к среднему).
✔️ Ложь, наглая ложь и статистика, Тим Харфорд
Грамотный аналитик может подать даже убыток в компании как праздник и большую радость. Эта книга - как раз про такие фокусы: эффект страуса, 10 правил Харфорда и многое другое. Для всех финансистов - must read перед годовым отчетом.
✔️ Идеальная ставка, Адам Кучарски
Книга одновременно и про теорию вероятности, и про математику, и про литературное повествование. Я читал эту книгу на одном дыхании - она была такой же интересной, как фильм «21», где математики обыгрывали казино за счет подсчетов. Очень рекомендую!
А если вы планируете заглянуть в Монте-Карло на новогодних праздниках - заранее прочитайте эту книгу.
✔️ Математическое невежество и его последствия, Джон Аллен Паулос
В этой книге автор на максимально жизненных примерах рассказывает про применение статистики в разных сферах: от выборов до медицины и казино. В качестве стимула прочитать эту книгу приведу просто один из отзывов, дальнейшие комментарии будут лишними:
Ничего не имеем против этих ребят - просто цитируем восторг читателя 😁
✔️ Заключение
Ну как вам подборка, зашла? А какие книги вы бы сюда добавили? Напишите в комментариях🔝
Недавно общался с одним из наших студентов и невольно родился топ книг, которые я рекомендую почитать всем, кто хоть как-то связан с аналитикой. Причем абсолютно не важно - вы аналитик, data-driven маркетолог или предприниматель: книги написаны в формате научпоп с интересным изложением, никаких специфических знаний вам не потребуется.
Обязательно сохраняйте себе - это не всем привычные книги, типа «Статистика и котики», это реально необычная, рафинированная подборка.
Это одна из самых моих любимых книг! Не пугайтесь имен физиков и слова «философия» в названии - ничего сложного там не будет. Куча интересных исторических фактов (например, узнаете, почему фашизм придумали математики), а также непростые вещи в супер понятной и наглядной форме (например, что ваши разовые успехи не всегда гарантируют их повторение из-за регрессии к среднему).
Грамотный аналитик может подать даже убыток в компании как праздник и большую радость. Эта книга - как раз про такие фокусы: эффект страуса, 10 правил Харфорда и многое другое. Для всех финансистов - must read перед годовым отчетом.
Книга одновременно и про теорию вероятности, и про математику, и про литературное повествование. Я читал эту книгу на одном дыхании - она была такой же интересной, как фильм «21», где математики обыгрывали казино за счет подсчетов. Очень рекомендую!
В этой книге автор на максимально жизненных примерах рассказывает про применение статистики в разных сферах: от выборов до медицины и казино. В качестве стимула прочитать эту книгу приведу просто один из отзывов, дальнейшие комментарии будут лишними:
Я купил эту книгу и сразу же отп**дил ей парочку астрологов. Спасибо. Жду издания на более плотной бумаге, чтобы опиз*юлить еще нумерологов и психологов.
Ничего не имеем против этих ребят - просто цитируем восторг читателя 😁
Ну как вам подборка, зашла? А какие книги вы бы сюда добавили? Напишите в комментариях
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥50👍8❤3🤣2
5 конкретных шагов, чтобы делать аналитику правильно ✅
Меня постоянно спрашивают - как генерировать выводы из анализа, если нет коммерческого опыта. Я долго думал и составил для вас четкую последовательность из 5 шагов, которая позволит вам делать крутую аналитику, даже если вы абсолютно начинающий.
✔️ Шаг 1: Сформулируйте основную цель анализа
Это должна быть не абстрактная цель в духе «Увеличить продажи» и даже не цель по SMART а-ля «Увеличить продажи на 5% за 3 месяца». Цель должна представлять из себя конкретную задачу, которую можно решить с использованием ТОЛЬКО той аналитики, которая у вас есть на руках (не прибегая к другим методам).
Например:
* цель ABC-анализа - сделать так, чтобы каждый из товаров хотя бы по одному признаку (выручка/количество/маржа) перешел в группу повыше (например, из C в B или из B в А)
* цель RFM-анализа - сделать так, чтобы каждый из клиентов хотя бы по одному признаку (recency, monetary, frequency) перешел в группу повыше (например, из группы 3 по recency в группу 1)
✔️ Шаг 2: Идите последовательно
Двигайтесь маленькими шажочками. Не пытайтесь охватить сразу всю таблицу или график. Зафиксируйтесь на одной строчке и делайте следующие 3 пункта до тех пор, пока там уже совсем не останется идей.
✔️ Шаг 3: Задавайте вопрос - «А из-за чего так?»
Когда зафиксировались на какой-то строке/точке, задайте себе вопрос: «А из-за чего так?». И обязательно найдите ответ на этот вопрос. Чем больше гипотез придумаете на этом этапе - тем лучше. Причем всегда ищите первопричину.
Пример вопроса:
* Почему порошок Bimax в группе CCB по ABC-анализу?
* Почему 30% клиентов попадают в группу потерянных фанатов по RFM?
И ищите максимальное количество ответов, даже самых сумасшедших - отмести их всегда успеете. Вот цепочка рассуждений для ответа на первый вопрос.
Bimax в группе CCB, значит у него средняя маржинальность, но он продается мало по количеству и по выручке. Вероятно, выручка напрямую зависит от количества продаж, значит подтянуть товар в группу повыше мы можем за счет увеличения кол-ва проданных штук, даже при той же маржинальности. Но почему товар может быть в группе С по количеству продаж?
* Слишком дорогой
* Неудачная выкладка
* Нишевый товар, люди о нем не знают, не распробовали
* Проигрывает конкурентам и не пользуется спросом
* Не выложен на полку вообще
* Стоит просроченный
✔️ Шаг 4: Задавайте вопрос: «А что нужно не ухудшить?»
Перед тем, как принимать решения, подумайте - а что вам важно не ухудшить. Простой пример - можно дать скидку на товар, немного увеличить кол-во проданных штук, но при это уронить рентабельность (которая у нас и так в группе B).
Примеры:
* Нужно вырастить количество проданных штук с сохранением рентабельности в группе А
* Нужно увеличить частоту покупок человека с сохранением среднего чека
✔️ Шаг 5: Задавайте вопрос: «А как исправить?»
Начинайте придумывать решения с учетом п. 3 и 4. Придумайте так много, как сможете. Потом оцените их на предмет «А реально ли они решают проблему» и «Точно ли они не ухудшат метрику, которая должна остаться на том же уровне».
На нашем примере с Bimax - нам нужно заставить продаваться его большим объемом с сохранением рентабельности. Это можно сделать так:
* Акция 1+1 / 2+1
* Кросс-сейл с другим высокомаржинальным товаром (например, постельным бельем)
* Если можно выбить скидку у поставщика и увеличить рентабельность, то можно и обычную скидку давать клиентам
✔️ Заключение
Этот процесс работает железно абсолютно всегда. Вы можете проверить это на любой своей табличке или анализе - такая последовательность из 5 шагов 100% приведет вас к успеху. Первые несколько раз будет трудно, но довольно быстро вы привыкнете, и обратного пути уже не будет!
А если вам это зашло - давайте наберем на этот пост 80 реакций огонечков🔥 и я разберу кейс из нашего бизнеса по этому фреймворку.
Меня постоянно спрашивают - как генерировать выводы из анализа, если нет коммерческого опыта. Я долго думал и составил для вас четкую последовательность из 5 шагов, которая позволит вам делать крутую аналитику, даже если вы абсолютно начинающий.
Это должна быть не абстрактная цель в духе «Увеличить продажи» и даже не цель по SMART а-ля «Увеличить продажи на 5% за 3 месяца». Цель должна представлять из себя конкретную задачу, которую можно решить с использованием ТОЛЬКО той аналитики, которая у вас есть на руках (не прибегая к другим методам).
Например:
* цель ABC-анализа - сделать так, чтобы каждый из товаров хотя бы по одному признаку (выручка/количество/маржа) перешел в группу повыше (например, из C в B или из B в А)
* цель RFM-анализа - сделать так, чтобы каждый из клиентов хотя бы по одному признаку (recency, monetary, frequency) перешел в группу повыше (например, из группы 3 по recency в группу 1)
Двигайтесь маленькими шажочками. Не пытайтесь охватить сразу всю таблицу или график. Зафиксируйтесь на одной строчке и делайте следующие 3 пункта до тех пор, пока там уже совсем не останется идей.
Когда зафиксировались на какой-то строке/точке, задайте себе вопрос: «А из-за чего так?». И обязательно найдите ответ на этот вопрос. Чем больше гипотез придумаете на этом этапе - тем лучше. Причем всегда ищите первопричину.
Пример вопроса:
* Почему порошок Bimax в группе CCB по ABC-анализу?
* Почему 30% клиентов попадают в группу потерянных фанатов по RFM?
И ищите максимальное количество ответов, даже самых сумасшедших - отмести их всегда успеете. Вот цепочка рассуждений для ответа на первый вопрос.
Bimax в группе CCB, значит у него средняя маржинальность, но он продается мало по количеству и по выручке. Вероятно, выручка напрямую зависит от количества продаж, значит подтянуть товар в группу повыше мы можем за счет увеличения кол-ва проданных штук, даже при той же маржинальности. Но почему товар может быть в группе С по количеству продаж?
* Слишком дорогой
* Неудачная выкладка
* Нишевый товар, люди о нем не знают, не распробовали
* Проигрывает конкурентам и не пользуется спросом
* Не выложен на полку вообще
* Стоит просроченный
Перед тем, как принимать решения, подумайте - а что вам важно не ухудшить. Простой пример - можно дать скидку на товар, немного увеличить кол-во проданных штук, но при это уронить рентабельность (которая у нас и так в группе B).
Примеры:
* Нужно вырастить количество проданных штук с сохранением рентабельности в группе А
* Нужно увеличить частоту покупок человека с сохранением среднего чека
Начинайте придумывать решения с учетом п. 3 и 4. Придумайте так много, как сможете. Потом оцените их на предмет «А реально ли они решают проблему» и «Точно ли они не ухудшат метрику, которая должна остаться на том же уровне».
На нашем примере с Bimax - нам нужно заставить продаваться его большим объемом с сохранением рентабельности. Это можно сделать так:
* Акция 1+1 / 2+1
* Кросс-сейл с другим высокомаржинальным товаром (например, постельным бельем)
* Если можно выбить скидку у поставщика и увеличить рентабельность, то можно и обычную скидку давать клиентам
Этот процесс работает железно абсолютно всегда. Вы можете проверить это на любой своей табличке или анализе - такая последовательность из 5 шагов 100% приведет вас к успеху. Первые несколько раз будет трудно, но довольно быстро вы привыкнете, и обратного пути уже не будет!
А если вам это зашло - давайте наберем на этот пост 80 реакций огонечков
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥117❤3👍2
Продуктовый подход к постановке целей на год 🎄
В праздники сделал небольшую передышку от контента, поэтому сегодня хочу поднять вполне себе Новогоднюю тему - планирование и приоритезацию.
Наверняка многие из вас на каникулах прописывали себе планы на год, ставили цели и прочее. Этим же занимаются в течение года и команды аналитиков/продактов/разработчиков - постановкой и приоритезацией гипотез. Не каждая наша идея - хорошая, некоторые нужно просто выкинуть в мусорку еще на входе.
И сегодня я хочу рассказать про несколько фреймворков работы с планами и целями, которые помогают лично мне фокусироваться на важном и достигать личных/бизнесовых/продуктовых целей. Здесь не будет рассказов про Драконий дневник или денежные медитации. Все по факту.
✔️ Декомпозиция
Все начинается с декомпозиции. Это когда вы ставите цель, а потом раскладываете ее на составляющие. Самый простой пример - цель «какой доход я хочу к концу года» разложить на небольшие месячные цели.
Это очень простая штука, но она реально работает, если делать ее с умом. Многиезабивают забывают, что есть сезонность (мы не можем расти летом также, как во время Черной пятницы), есть объективные факторы (если поток стартует раз в месяц, ты не можешь планомерно приближаться к выполнению плана каждый день) и так далее.
Кроме того, декомпозиция - не просто циферки. На ее основании можно многое увидеть. Например, что для выполнение нашего плана уже через 3 месяца нужно будет запустить новый курс или нанять 2 дополнительных сейлза. Или что текущая система продаж развалиться посередине года и станет немасштабируемой - уже сейчас понятно, что вы не придете к цели. Это видно в цифрах - нужно только посмотреть.
✔️ SMART
Все слышали, что цели надо ставить по SMART. Она должна быть конкретной, измеримой, достижимой, актуальной и ограниченной во времени. Но все продолжают упускать пункты из этого простого чек-листа.
Если из цели «Похудеть за 2024 год» сделать «За 3 месяца сбросить 100 кг» - лучше не станет, потому что цель недостижимая. Более того, если вы поставите даже цель «За 3 месяца сбросить 5 кг» - вы ее тоже не выполните, если на этом все закончится. Цель поставлена по SMART, но мы не понимаем, как ее достичь, а значит ничего не сделаем.
А вот если мы посчитаем, какой должен быть дефицит калорий для такого сброса веса, посчитаем свое дневное потребление, вычислим дельту калорий и скорректируем рацион, а потом составим план тренировок - вот тогда все будет ок.
Вывод прост - цель по SMART не является серебряной пулей: после постановки такой цели должна следовать еще череда действий. Тогда результат будет.
✔️ RICE / ICE
Мы все хотим многого. Желательно сразу. Но уже через 3 месяца понятно, что 70% наших целей - вообще какие-то левые мысли, нам это было не нужно. Знакомо?
Чтобы оценить важность каждой цели и задачи, круто помогают методы приоритезации - RICE, ICE, MoSCoW и другие. Оцениваете каждую гипотезу или цель по легкости внедрения, важности, стоимости, достижимости и другим критериям. Потом формируете ранжированный список и оставляете только важное. На этом и фокусируетесь.
Например, когда у меня происходит полный завал по работе, я выписываю все свои дела в специальную таблицу и ранжирую их по RICE. Здорово помогает откинуть «очень важные» задачи, которые на самом деле нужны только никому))
✔️ Заключение
Все эти подходы здорово помогают планировать и реально достигать своих планов, а не просто писать недостижимые списки. Более того - это применимо не только в личной жизни, но и для команд аналитики/продукта/разработки. Мы используем эти штуки для приоритезации продуктовых гипотез и фич в разработке.
Если вы хотите подробнее узнать про то, как с умом использовать какой-то из этих подходов - напишите про это в комментариях и я расскажу про это в следующих постах!
В праздники сделал небольшую передышку от контента, поэтому сегодня хочу поднять вполне себе Новогоднюю тему - планирование и приоритезацию.
Наверняка многие из вас на каникулах прописывали себе планы на год, ставили цели и прочее. Этим же занимаются в течение года и команды аналитиков/продактов/разработчиков - постановкой и приоритезацией гипотез. Не каждая наша идея - хорошая, некоторые нужно просто выкинуть в мусорку еще на входе.
И сегодня я хочу рассказать про несколько фреймворков работы с планами и целями, которые помогают лично мне фокусироваться на важном и достигать личных/бизнесовых/продуктовых целей. Здесь не будет рассказов про Драконий дневник или денежные медитации. Все по факту.
Все начинается с декомпозиции. Это когда вы ставите цель, а потом раскладываете ее на составляющие. Самый простой пример - цель «какой доход я хочу к концу года» разложить на небольшие месячные цели.
Это очень простая штука, но она реально работает, если делать ее с умом. Многие
Кроме того, декомпозиция - не просто циферки. На ее основании можно многое увидеть. Например, что для выполнение нашего плана уже через 3 месяца нужно будет запустить новый курс или нанять 2 дополнительных сейлза. Или что текущая система продаж развалиться посередине года и станет немасштабируемой - уже сейчас понятно, что вы не придете к цели. Это видно в цифрах - нужно только посмотреть.
Все слышали, что цели надо ставить по SMART. Она должна быть конкретной, измеримой, достижимой, актуальной и ограниченной во времени. Но все продолжают упускать пункты из этого простого чек-листа.
Если из цели «Похудеть за 2024 год» сделать «За 3 месяца сбросить 100 кг» - лучше не станет, потому что цель недостижимая. Более того, если вы поставите даже цель «За 3 месяца сбросить 5 кг» - вы ее тоже не выполните, если на этом все закончится. Цель поставлена по SMART, но мы не понимаем, как ее достичь, а значит ничего не сделаем.
А вот если мы посчитаем, какой должен быть дефицит калорий для такого сброса веса, посчитаем свое дневное потребление, вычислим дельту калорий и скорректируем рацион, а потом составим план тренировок - вот тогда все будет ок.
Вывод прост - цель по SMART не является серебряной пулей: после постановки такой цели должна следовать еще череда действий. Тогда результат будет.
Мы все хотим многого. Желательно сразу. Но уже через 3 месяца понятно, что 70% наших целей - вообще какие-то левые мысли, нам это было не нужно. Знакомо?
Чтобы оценить важность каждой цели и задачи, круто помогают методы приоритезации - RICE, ICE, MoSCoW и другие. Оцениваете каждую гипотезу или цель по легкости внедрения, важности, стоимости, достижимости и другим критериям. Потом формируете ранжированный список и оставляете только важное. На этом и фокусируетесь.
Например, когда у меня происходит полный завал по работе, я выписываю все свои дела в специальную таблицу и ранжирую их по RICE. Здорово помогает откинуть «очень важные» задачи, которые на самом деле нужны только никому))
Все эти подходы здорово помогают планировать и реально достигать своих планов, а не просто писать недостижимые списки. Более того - это применимо не только в личной жизни, но и для команд аналитики/продукта/разработки. Мы используем эти штуки для приоритезации продуктовых гипотез и фич в разработке.
Если вы хотите подробнее узнать про то, как с умом использовать какой-то из этих подходов - напишите про это в комментариях и я расскажу про это в следующих постах!
Please open Telegram to view this post
VIEW IN TELEGRAM
👍41🔥13❤7
ICE ДЛЯ ПРИОРИТЕЗАЦИИ ГИПОТЕЗ + МОИ ЛАЙФХАКИ 🔥
Как и обещал в предыдущем посте, расскажу сегодня, как я использую методологию ICE для приоритезации продуктовых гипотез, нагрузки команды или даже собственной жизни.
ICE - это подход, в котором вы присваиваете каждой задаче баллы по 3 параметрам: Влияние (Impact), Уверенность (Confidence) и Легкость исполнения (Ease). Затем считаете суммарное значение для каждой задачи и ранжируете все задачи в порядке убывания. В целом, все просто.
Однако, я для себя немного модернизировал этот фреймворк и сейчас поделюсь парочкой фишечек. А в конце еще дам ссылочку на пример готовой (и даже заполненной) таблички.
✔️ Лайфхак 1: Много людей - не залог успеха
Метрика Impact подразумевает, что чем больше людей затронет ваша активность, тем она важней. Но это не так. Посудите сами, что важней: перекрасить кнопочку, которую увидят все пользователи сайта или сменить банковского брокера с комиссией на 50% ниже, но это затронет только платящих клиентов?
Поэтому в рабочих проектах я использую метрику "Ожидаемый экономический эффект".
✔️ Лайфхак 2: Какую метрику улучшаем?
Задача может иметь супер высокие приоритеты по всем 3 признакам ICE, но быть абсолютно неважной, потому что влияет на неключевую метрику. Например, у вас проблема с CR2, а вы улучшаете CR1.
Поэтому я всегда фиксирую - какую метрику улучшаем и насколько эта метрика важна в проекте.
✔️ Лайфхак 3: Учитывайте цену проигрыша
Даже маленькая и простая задача может привести к драматическим потерям. Например, смена банковского брокера может грозить отказами по рассрочкам и падением выручки.
Вывод: внедряйте сначала гарантированно успешные инициативы.
✔️ Лайфхак 4: Считайте трудозатраты правильно
Многие учитывают только часы, потраченные на задачу. Но есть большая разница - один человек делает задачу 20 часов или 5 человек делают по 4 часа. Суммарно - одно и то же. Однако в реальной жизни времени на передачу дел и коммуникации уйдет в разы больше, это надо учитывать.
✔️ Лайфхак 5: Делайте пост-оценку
После того, как вы подсчитали все баллы и отранжировали список, посмотрите на него еще раз. Возможно, какие-то задачи можно запустить в параллель - например, если вам нужно только дать задание команде. Зачем откладывать это на потом.
✔️ Заключение
Как и обещал, прикладываю ссылочку на пример заполненной таблицы: ссылка. Там есть еще дополнительные поля - посмотрите внимательно, они тоже могут быть полезными.
Кстати, для беклога разработки я часто использую фреймворк MoSCoW, для личных приоритетов - RICE, а для планов (личных и компании) - SMART и декомпозицию.
Давайте наберем 100 реакций огонечков🔥 на этот пост, и я расскажу, как я использую все эти подходы, а также поделюсь ссылочками на файлы.
Как и обещал в предыдущем посте, расскажу сегодня, как я использую методологию ICE для приоритезации продуктовых гипотез, нагрузки команды или даже собственной жизни.
ICE - это подход, в котором вы присваиваете каждой задаче баллы по 3 параметрам: Влияние (Impact), Уверенность (Confidence) и Легкость исполнения (Ease). Затем считаете суммарное значение для каждой задачи и ранжируете все задачи в порядке убывания. В целом, все просто.
Однако, я для себя немного модернизировал этот фреймворк и сейчас поделюсь парочкой фишечек. А в конце еще дам ссылочку на пример готовой (и даже заполненной) таблички.
Метрика Impact подразумевает, что чем больше людей затронет ваша активность, тем она важней. Но это не так. Посудите сами, что важней: перекрасить кнопочку, которую увидят все пользователи сайта или сменить банковского брокера с комиссией на 50% ниже, но это затронет только платящих клиентов?
Поэтому в рабочих проектах я использую метрику "Ожидаемый экономический эффект".
Задача может иметь супер высокие приоритеты по всем 3 признакам ICE, но быть абсолютно неважной, потому что влияет на неключевую метрику. Например, у вас проблема с CR2, а вы улучшаете CR1.
Поэтому я всегда фиксирую - какую метрику улучшаем и насколько эта метрика важна в проекте.
Даже маленькая и простая задача может привести к драматическим потерям. Например, смена банковского брокера может грозить отказами по рассрочкам и падением выручки.
Вывод: внедряйте сначала гарантированно успешные инициативы.
Многие учитывают только часы, потраченные на задачу. Но есть большая разница - один человек делает задачу 20 часов или 5 человек делают по 4 часа. Суммарно - одно и то же. Однако в реальной жизни времени на передачу дел и коммуникации уйдет в разы больше, это надо учитывать.
После того, как вы подсчитали все баллы и отранжировали список, посмотрите на него еще раз. Возможно, какие-то задачи можно запустить в параллель - например, если вам нужно только дать задание команде. Зачем откладывать это на потом.
Как и обещал, прикладываю ссылочку на пример заполненной таблицы: ссылка. Там есть еще дополнительные поля - посмотрите внимательно, они тоже могут быть полезными.
Кстати, для беклога разработки я часто использую фреймворк MoSCoW, для личных приоритетов - RICE, а для планов (личных и компании) - SMART и декомпозицию.
Давайте наберем 100 реакций огонечков
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥105👍5🤩3❤1
Не выгружатель ли табличек я? 🤔
Общался на днях с одним из наших студентов, и он сказал классный термин в контексте того, кем он не хочет быть: «выгружатель табличек».
И я подумал о том, что у нас сформировался очень странный рынок: компании указываю в вакансиях требования для выгружателей табличек, технические собеседования проверяют скиллы на выгружателя табличек, все онлайн-курсы обучают выгружать таблички.
А аналитика-то - не про таблички выгружать. И не про код писать. Я уже давал определение, кто такой аналитик на мой взгляд, в посте про Управляемый хаос и превентивную аналитику.
А как вы считаете, как можно сформулировать основной продукт аналитика и его ценность для компании? Кого нужно нанимать и обучать на самом деле? Давайте обсудим в комментариях!
Общался на днях с одним из наших студентов, и он сказал классный термин в контексте того, кем он не хочет быть: «выгружатель табличек».
И я подумал о том, что у нас сформировался очень странный рынок: компании указываю в вакансиях требования для выгружателей табличек, технические собеседования проверяют скиллы на выгружателя табличек, все онлайн-курсы обучают выгружать таблички.
А аналитика-то - не про таблички выгружать. И не про код писать. Я уже давал определение, кто такой аналитик на мой взгляд, в посте про Управляемый хаос и превентивную аналитику.
А как вы считаете, как можно сформулировать основной продукт аналитика и его ценность для компании? Кого нужно нанимать и обучать на самом деле? Давайте обсудим в комментариях!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤32💯8👍3🔥2😁2
РУБРИКА: ВОПРОС ОТ ПОДПИСЧИКА 🎉
Думаю, это повод для обсуждений. Мое убеждение такое - аналитик должен генерировать конкретные гипотезы и идеи для продаж, маркетинга и продукта на основании проведенного анализа. Я этой позиции придерживался и на месте аналитика, и на месте предпринимателя.
То есть, условно, результатом RFM-анализа должен стать не гугл-док, а конкретные рекомендации: как сделать следующую рассылку. Результатом когортного анализа LTV должна стать не табличка, а конкретные предложения по увеличению рекуррентности продукта (кстати, рекомендую почитать пост про 3 простых шага увеличения retention). Ну и так далее.
Является ли это обязательным? Наверно нет. Есть компании, которые четко делят процесс аналитики на техническую часть и на принятие решений. На мой взгляд - эти процессы должны идти всегда вместе, это самый эффективный путь (подробно рассказывал про свое видение идеального аналитика в этом посте).
Если вам ближе первый подход - просто найдите такую компанию, таких масса (как правило, это крупные компании). Если же вы по натуре аналитик-генератор - то вам ближе второй подход и другие компании.
Это был мой понедельничный ответ на вопрос подписчика. Предлагаю сделать эту рубрику традиционной - если у вас есть вопрос, напишите его в комментариях под этим постом или мне в личку @andron233💕
Работаю аналитиком, в основном работаю с маркетинговыми данными - выгружаю, агрегирую, строю дашборды, провожу анализ маркетинговых кампаний и так далее. Руководство хочет, чтобы я генерировал идеи для маркетологов, а мне кажется, что это не моя работа. Как считаешь?
Думаю, это повод для обсуждений. Мое убеждение такое - аналитик должен генерировать конкретные гипотезы и идеи для продаж, маркетинга и продукта на основании проведенного анализа. Я этой позиции придерживался и на месте аналитика, и на месте предпринимателя.
То есть, условно, результатом RFM-анализа должен стать не гугл-док, а конкретные рекомендации: как сделать следующую рассылку. Результатом когортного анализа LTV должна стать не табличка, а конкретные предложения по увеличению рекуррентности продукта (кстати, рекомендую почитать пост про 3 простых шага увеличения retention). Ну и так далее.
Является ли это обязательным? Наверно нет. Есть компании, которые четко делят процесс аналитики на техническую часть и на принятие решений. На мой взгляд - эти процессы должны идти всегда вместе, это самый эффективный путь (подробно рассказывал про свое видение идеального аналитика в этом посте).
Если вам ближе первый подход - просто найдите такую компанию, таких масса (как правило, это крупные компании). Если же вы по натуре аналитик-генератор - то вам ближе второй подход и другие компании.
Это был мой понедельничный ответ на вопрос подписчика. Предлагаю сделать эту рубрику традиционной - если у вас есть вопрос, напишите его в комментариях под этим постом или мне в личку @andron233
Please open Telegram to view this post
VIEW IN TELEGRAM
👍52❤20💯5
Че по трендам? 🔫
Все написали такой пост на новогодних каникулах, а я пишу в режиме слоупока😠 В конце 2023 года я пообщался примерно с 30+ фаундерами и senior-аналитиками разных компаний с хорошей data-культурой (OZON, Avito, WB, СБЕР, Yango, Elama и т.д.). И среди прочего, всем задавал один и тот же вопрос:
Собрал самые частые ответы в подборку (+ лично присоединяюсь к каждому пункту).
✔️ Сложно → просто
Почти у каждого прослеживается одна и та же мысль: все устали от большого количества дашбордов, витрин, метрик и репортов. В некоторых компаниях это просто стало формальностью - никаких решений на основании этой аналитики давно уже не принимается. Виден общий тренд - компании пересобирают свою аналитику, выпиливают лишнее и концентрируются не на красивых дашбордах, а на бизнес-выводах, постепенно возвращая data-driven культуру.
Что делать, если вы аналитик: Подтягивать не только хард скиллы, но и продуктовые навыки + умение делать правильные выводы и генерировать гипотезы. А еще готовиться к разбору продуктового кейса на собесе - их тоже все чаще спрашивают.
Что делать, если вы фаундер/менеджер: Начинайте пересобирать аналитику у себя уже сейчас - выделите только самое главное, остальное уберите нафиг и добавляйте только по мере необходимости.
✔️ Аналитика маркетплейсов
Из интересных изменений - если раньше на маркетплейсах (Ozon, WB) продвигаться было довольно просто, то сейчас они все больше идут в сторону Amazon, становясь большой рекламной площадкой. Попасть в топ становится все сложней, а удержаться там - еще сложней. Из этого рождается интересная ниша - продуктовая аналитика продаж на маркетплейсах. И это не про выбор ниши, это про ежедневный контроль метрик, отслеживание - что влияет на ранжирование, и оперативное принятие решений.
Что делать, если вы аналитик: Покопайте в эту тему - многие селлеры сейчас судорожно пытаются отстроить аналитику и находчивые аналитики уже продают дашбордики в Power BI за 50к 😉
Что делать, если вы селлер: Начните отстраивать аналитику своих продаж уже сейчас. Через год уже может быть поздно.
✔️ Глубокая аналитика
С развитием технологий анализировать становится проще. Я уверен, что AI не заменит аналитиков примерно никогда, но новые возможности он точно открывает. Например, если раньше в перформанс-маркетинге мы анализировали только аудитории и тестировали новые объявления, то теперь можно легко раскладывать каждый баннер на отдельные атрибуты (цвета, объекты, контекст, заголовки, CTA и т.д.), выделять ключевые признаки и проводить более качественные эксперименты. Подробно писал про это здесь. Конкуренция на рынке все больше, а значит выигрывает самый сильный. А знание - сила)
Что делать, если вы аналитик: Подумайте, в каких процессах и как вы можете сделать аналитику более качественной? Пример с баннерной рекламой я уже привел - может есть еще что-то?
Что делать, если вы фаундер/менеджер: Очевидно, скорее внедряйте это к себе. Это зарождающийся тренд и сливки снимет тот, кто успеет первым.
✔️ Заключение
Ну как вам подборка? Напишите в комментариях - с какими тезисами вы согласны/не согласны и натолкнуло ли вас это на какие-то мысли💃
Все написали такой пост на новогодних каникулах, а я пишу в режиме слоупока
Как думаешь, что поменяется в аналитике в 2024 году?
Собрал самые частые ответы в подборку (+ лично присоединяюсь к каждому пункту).
Почти у каждого прослеживается одна и та же мысль: все устали от большого количества дашбордов, витрин, метрик и репортов. В некоторых компаниях это просто стало формальностью - никаких решений на основании этой аналитики давно уже не принимается. Виден общий тренд - компании пересобирают свою аналитику, выпиливают лишнее и концентрируются не на красивых дашбордах, а на бизнес-выводах, постепенно возвращая data-driven культуру.
Что делать, если вы аналитик: Подтягивать не только хард скиллы, но и продуктовые навыки + умение делать правильные выводы и генерировать гипотезы. А еще готовиться к разбору продуктового кейса на собесе - их тоже все чаще спрашивают.
Что делать, если вы фаундер/менеджер: Начинайте пересобирать аналитику у себя уже сейчас - выделите только самое главное, остальное уберите нафиг и добавляйте только по мере необходимости.
Из интересных изменений - если раньше на маркетплейсах (Ozon, WB) продвигаться было довольно просто, то сейчас они все больше идут в сторону Amazon, становясь большой рекламной площадкой. Попасть в топ становится все сложней, а удержаться там - еще сложней. Из этого рождается интересная ниша - продуктовая аналитика продаж на маркетплейсах. И это не про выбор ниши, это про ежедневный контроль метрик, отслеживание - что влияет на ранжирование, и оперативное принятие решений.
Что делать, если вы аналитик: Покопайте в эту тему - многие селлеры сейчас судорожно пытаются отстроить аналитику и находчивые аналитики уже продают дашбордики в Power BI за 50к 😉
Что делать, если вы селлер: Начните отстраивать аналитику своих продаж уже сейчас. Через год уже может быть поздно.
С развитием технологий анализировать становится проще. Я уверен, что AI не заменит аналитиков примерно никогда, но новые возможности он точно открывает. Например, если раньше в перформанс-маркетинге мы анализировали только аудитории и тестировали новые объявления, то теперь можно легко раскладывать каждый баннер на отдельные атрибуты (цвета, объекты, контекст, заголовки, CTA и т.д.), выделять ключевые признаки и проводить более качественные эксперименты. Подробно писал про это здесь. Конкуренция на рынке все больше, а значит выигрывает самый сильный. А знание - сила)
Что делать, если вы аналитик: Подумайте, в каких процессах и как вы можете сделать аналитику более качественной? Пример с баннерной рекламой я уже привел - может есть еще что-то?
Что делать, если вы фаундер/менеджер: Очевидно, скорее внедряйте это к себе. Это зарождающийся тренд и сливки снимет тот, кто успеет первым.
Ну как вам подборка? Напишите в комментариях - с какими тезисами вы согласны/не согласны и натолкнуло ли вас это на какие-то мысли
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥48👍8💯3❤🔥1❤1
Как и зачем правильно считать оборачиваемость 💃
Если вы работаете в проекте с товарными запасами и остатками, то одна из важнейших метрик для вас - коэффициент оборачиваемости. Есть несколько способов расчета оборачиваемости и, вообще говоря, они дают разный результат. Поэтому сегодня оставлю здесь небольшую шпаргалку по этому поводу - сохраняйте себе.
✔️ Способ 1: За сколько дней мы полностью прокручиваем товарный остаток
Формула расчета: Суммарное кол-во проданных штук за период / Среднедневной товарный остаток за период
Единица измерения: Без размера, это «коэффициент оборачиваемости»
Примеры выводов: Если значение маленькое, то ваш товарный остаток слишком большой и много товара просто лежит на складе. Идеальная картинка - у вас заказано ровно столько, сколько купят за 1 день (в предположении, что путь товара от заказа до полки - 1 день, а также, что не будет отказов). Если ваша ситуация хуже - нужно считать оборачиваемость по отдельным группам товаров или даже товаров и смотреть - либо их выводить, либо стимулировать их продажи, либо меньше заказывать.
✔️ Способ 2: За сколько дней к нам вернуться деньги, вложенные в закупку товара
Формула расчета: Суммарный товарный остаток за каждый день периода / Суммарное кол-во проданных штук за период
Единица измерения: Дни
Для чего нужно: Например, если вы планируете выход с новым товаром на маркетплейсы, то вы можете по оборачиваемости конкурентов оценить, через сколько дней к вам вернуться вложенные деньги. Также, если вы планируете увеличить товарный запас по какой-то группе товаров в своем магазине или расширить ассортимент, вы сможете рассчитать, когда отобьете вложенные деньги.
✔️ Заключение
Первый способ, коэффициент оборачиваемости, больше подходит для аналитических целей - на основании него можно делать выводы, работать над ним и отслеживать динамику. Второй способ - больше про управленческие показатели, его просто нужно иметь перед глазами.
Если вам зашло - давайте наберем на этот пост 70 реакций огонечков🔥 и я расскажу про другие метрики из разных сфер бизнеса.
Если вы работаете в проекте с товарными запасами и остатками, то одна из важнейших метрик для вас - коэффициент оборачиваемости. Есть несколько способов расчета оборачиваемости и, вообще говоря, они дают разный результат. Поэтому сегодня оставлю здесь небольшую шпаргалку по этому поводу - сохраняйте себе.
Формула расчета: Суммарное кол-во проданных штук за период / Среднедневной товарный остаток за период
Единица измерения: Без размера, это «коэффициент оборачиваемости»
Примеры выводов: Если значение маленькое, то ваш товарный остаток слишком большой и много товара просто лежит на складе. Идеальная картинка - у вас заказано ровно столько, сколько купят за 1 день (в предположении, что путь товара от заказа до полки - 1 день, а также, что не будет отказов). Если ваша ситуация хуже - нужно считать оборачиваемость по отдельным группам товаров или даже товаров и смотреть - либо их выводить, либо стимулировать их продажи, либо меньше заказывать.
Формула расчета: Суммарный товарный остаток за каждый день периода / Суммарное кол-во проданных штук за период
Единица измерения: Дни
Для чего нужно: Например, если вы планируете выход с новым товаром на маркетплейсы, то вы можете по оборачиваемости конкурентов оценить, через сколько дней к вам вернуться вложенные деньги. Также, если вы планируете увеличить товарный запас по какой-то группе товаров в своем магазине или расширить ассортимент, вы сможете рассчитать, когда отобьете вложенные деньги.
Первый способ, коэффициент оборачиваемости, больше подходит для аналитических целей - на основании него можно делать выводы, работать над ним и отслеживать динамику. Второй способ - больше про управленческие показатели, его просто нужно иметь перед глазами.
Если вам зашло - давайте наберем на этот пост 70 реакций огонечков
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥95🐳1
Неочевидная, но веская причина перестать качать hard skills 😤
Начинающие аналитики, практикующие аналитики и даже C-level менеджеры в области аналитики, запомните:
КАРЬЕРА НЕ РАСТЕТ ПРОПОРЦИОНАЛЬНО HARD SKILLS - НЕ НАДО В ЭТО УПАРЫВАТЬСЯ
Серьезно - между двумя кандидатами бизнес выберет не того, кто знает на 2 функции больше в Python, а того, кто принесет больше денег компании. Это всегда так работает.
Компания растет, когда аналитик выдвигает правильные гипотезы и помогает принимать бизнесовые решения. Спокойствие собственника компании увеличивается пропорционально уровню контроля, который у него появляется за счет внедрения правильных дашбордов и оцифровки нужных метрик. Капитализация и стабильность компании увеличивается за счет последовательных и правильных решений, которые невозможно принимать без аналитики.
Например, вчера общался с Романом Кумаром, основателем Refocus (1,4 млн. дол. MRR в 2022), обсуждали стоимость внедрения аналитики в компанию. Он сказал верную мысль про дорогую аналитику (немного перефразирую):
Если она помогает тебе принимать бизнесовые решения, то оно того стоит.
Т.е. человек готов заплатить из собственного кармана сотни тысяч рублей за внедрение качественной аналитики - это показательно. И это не единственный случай - на прошлой неделе общались с 2 компаниями про внедрение к ним аналитики, обе компании спокойно отнеслись к чекам более 1 млн, т.к. понимают профит.
А еще:
70% вашей стоимости на рынке - ваш скилл выдвигать правильные и точные гипотезы.
Например, предприниматель - самая высокооплачиваемая профессия. Но это парадокс - большинство предпринимателей объективно не очень умные и точно обладают меньшим набором hard skills, чем начинающий аналитик. Все дело в точности решений.
Так получается, чтобы сделать квантовый скачок в карьере, нужно не новый оператор SQL учить и просить повышения зарплаты на 5%? А освоить скилл выдвигать точные гипотезы. Обратите внимание - именно так линейные аналитики становились Head of Analytics в крупных компаниях, это не моя придумка)
P.S. Конечно, hard skills - это важно. Базу знать нужно, быть экспертом - тоже нужно. Без этого в профессию не войдешь. Но не делайте это целью всей жизни - в долгосрочной перспективе вы упретесь в карьерный потолок.
Согласны? Напишите в комментариях)
Начинающие аналитики, практикующие аналитики и даже C-level менеджеры в области аналитики, запомните:
КАРЬЕРА НЕ РАСТЕТ ПРОПОРЦИОНАЛЬНО HARD SKILLS - НЕ НАДО В ЭТО УПАРЫВАТЬСЯ
Серьезно - между двумя кандидатами бизнес выберет не того, кто знает на 2 функции больше в Python, а того, кто принесет больше денег компании. Это всегда так работает.
Компания растет, когда аналитик выдвигает правильные гипотезы и помогает принимать бизнесовые решения. Спокойствие собственника компании увеличивается пропорционально уровню контроля, который у него появляется за счет внедрения правильных дашбордов и оцифровки нужных метрик. Капитализация и стабильность компании увеличивается за счет последовательных и правильных решений, которые невозможно принимать без аналитики.
Например, вчера общался с Романом Кумаром, основателем Refocus (1,4 млн. дол. MRR в 2022), обсуждали стоимость внедрения аналитики в компанию. Он сказал верную мысль про дорогую аналитику (немного перефразирую):
Если она помогает тебе принимать бизнесовые решения, то оно того стоит.
Т.е. человек готов заплатить из собственного кармана сотни тысяч рублей за внедрение качественной аналитики - это показательно. И это не единственный случай - на прошлой неделе общались с 2 компаниями про внедрение к ним аналитики, обе компании спокойно отнеслись к чекам более 1 млн, т.к. понимают профит.
А еще:
70% вашей стоимости на рынке - ваш скилл выдвигать правильные и точные гипотезы.
Например, предприниматель - самая высокооплачиваемая профессия. Но это парадокс - большинство предпринимателей объективно не очень умные и точно обладают меньшим набором hard skills, чем начинающий аналитик. Все дело в точности решений.
Так получается, чтобы сделать квантовый скачок в карьере, нужно не новый оператор SQL учить и просить повышения зарплаты на 5%? А освоить скилл выдвигать точные гипотезы. Обратите внимание - именно так линейные аналитики становились Head of Analytics в крупных компаниях, это не моя придумка)
P.S. Конечно, hard skills - это важно. Базу знать нужно, быть экспертом - тоже нужно. Без этого в профессию не войдешь. Но не делайте это целью всей жизни - в долгосрочной перспективе вы упретесь в карьерный потолок.
Согласны? Напишите в комментариях)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍47❤11💯9🔥3
Ребят, а про что вам было бы интересно почитать? Какие вещи вас тревожат/заботят? В чем хочется прокачаться? Какие у вас цели и как я могу вам в этом помочь?
Напишите в комментариях, что-то типа:
Я фаундер стартапа, нихера не понимаю, откуда идут лиды, тревожусь и плачу - хочу исправить ситуацию.
Хочется делать контент, который будет заходить и не будет слишком однообразным) Поделитесь в комментариях - с меня кит🐳 на каждый ваш ответ)
Напишите в комментариях, что-то типа:
Я фаундер стартапа, нихера не понимаю, откуда идут лиды, тревожусь и плачу - хочу исправить ситуацию.
Хочется делать контент, который будет заходить и не будет слишком однообразным) Поделитесь в комментариях - с меня кит
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10👍4🔥3🐳2