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.

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)

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)

Спасибо за подробные ответы на вопросы на предыдущий пост ❤️

Пока что обрисовал такие категории:

* Карьера в аналитике: куда расти, тренды, ожидания со стороны бизнеса
* Принятие решений: как выдвигать гипотезы, как принимать правильные управленческие решения из аналитики, на какие графики/дашборды смотреть в той или иной ситуации, разборы кейсов
* Применение аналитики в реальной жизни: улучшение сайта с помощью A/B-тестов, применение предиктивной аналитики, улучшение рекламы с помощью анализа и т.д.
* Как работать с разными источниками данных
* Продакт-менеджмент: как находить потребности людей и внедрять под них решения

Если что-то забыл - обязательно напишите в комментариях!

А теперь второй вопрос, не менее важный - почему вам вообще интересна аналитика? Вы сейчас кем-то работаете и хотите перейти в аналитику? Почему? Или может вы уже в профессии, но вам чего-то не хватает? Почему не хватает? Или вы предприниматель/менеджер, но зачем-то вам нужна аналитика? Напишите тоже в комментариях - этот вопрос волнует меня не меньше!

Кстати, такая череда вопросов - кусочек классического кастдева и JTBD, как раз немного про то, как выявлять потребности людей и делать под это продукт (в данном случае - контент).

P.S. И снова - на каждый коммент поставлю по единорогу 🦄

3 простых способа тестировать гипотезы без A/B-тестов 💃

Говоря про «тестирование гипотез», обычно подразумевают только A/B тестирование, сложную математику и так далее. Однако не всегда есть возможность провести A/B-тест (например, фичу уже раскатали и нужно как-то оценить эффект), а иногда объект тестирования просто не подлежит A/B-тестированию (например, очень сложно делать A/B тесты email-рассылок).

Поэтому сегодня я хочу рассказать про 3 альтернативных способа для тестирования гипотез, которые мы используем на практике.

✔️ Diff in diff

Рассмотрим основную идею. Например, у вас есть 50 офлайн-магазинов. В 25 магазинах вы внедрили акцию, а в 25 не внедрили. В итоге в первой группе продажи выросли, но также выросли и во второй. Ваша задача - понять, какой эффект дала именно внедренная акция.

Тогда вы можете оценить темп роста продаж во второй группе (где акцию не внедрили) и сравнить с темпом роста в первой группе (где внедрена акция). Разница и будет показывать величину эффекта.

✔️ Псевдо-контроль или casual impact

Можно рассмотреть аналогичную задачу, но немного иначе подойти к ее решению. Например, с помощью прогнозных моделей сделать предикшен по продажам в первой группе, а потом найти разницу с фактическими значениями. Разница и будет показывать величину эффекта.

Кстати, подробнее про diff-in-diff и casual impact вы можете почитать в этой классной статье.

✔️ MVT

MVT - способ одновременно проводить большое количество тестов. Отлично подходит для теста email-рассылок или рекламных баннеров - ранее я подробно писал об этом здесь.

Основная идея - одновременно запустить все возможные комбинации, а потом оценить, какие варианты дают самый классный результат.

✔️ Заключение

Какой из этих 3 методов лучше? А может вообще самый классный - A/B-тесты? Скажу так - мы в работе используем абсолютно все подходы, очень сильно зависит от ситуации. A/B-тест - самый грамотный способ, но иногда мы сильно ограничены во времени/бюджете, поэтому используем другие методы.

Если вам зашел этот пост - давайте наберем на него 70 реакций сердечек ❤️, и я расскажу конкретные примеры - как мы используем эти методы в своей работе.

Почему компании кладут болт на аналитику или немного про ETL 🥳

В этом канале я много пишу про качественные выводы и гипотезы. Конечно, это важно. Однако есть этап, без которого это все бессмысленно - сбор и хранение данных. ETL-процессы, автоматизация и прочие хард-скиллы - как раз для построения адекватной аналитики это очень важно, иначе анализировать будет нечего))

Наш ключевой бизнес - онлайн-образование. С точки зрения аналитики и ETL-пайплайнов - это полный мрак: мы используем десятки разношерстных сервисов для лидогенерации, прогрева, приема платежей и обучения. Естественно, они никак друг с другом не связаны, у половины нет API, да и в целом я могу описать это только одним словом - полный п*здец.

Так или иначе каждый бизнес сталкивается с такой проблемой, но каждый решает ее по-разному. Я много общаюсь с разными аналитиками/предпринимателями и выделил 4 ключевых категории. Интересно, к какой из них относится ваша компания)

✔️ Легкий с точки зрения аналитики бизнес

Например, интернет-магазины или мобильные приложения - вся движуха происходит в одном месте. Такие компании просто нанимают аналитиков и кайфуют.

✔️ Кладут болт на аналитику

Часто вижу компании с такой риторикой: «В целом, работаем - не уверены на 100%, откуда идут лиды, но экономика сходится». Тоже вариант, в целом, но в современных реалиях, когда цена за клиента только растет, это сложновато.

✔️ Платят за экспертизу большие деньги

Есть компании, которые понимают важность аналитики, сами решить проблему не могут и обращаются к профессионалам. Компании из сферы онлайн-образования, кстати, часто такое практикуют - я знаю с десяток таких кейсов. Да даже к нам за последние пару недель обратились несколько компаний (от офлайн-торговли до edtech), чтобы мы построили им отдел аналитики.

✔️ Ключевой член команды шарит

Иногда бывает, что фаундер или ключевой сотрудник шарит в этой теме, что позволяет ему самому все настроить или нанять людей под свое руководство. Но это очень редкий кейс.

✔️ Заключение

А как это устроено у вас в компании? Напишите в комментариях - интересно, как вы решаете эти проблемы: в каком состоянии находится аналитика в вашей компании?

Как собрать данные из разных источников и не прострелить себе колено 🧐

Возобновляем понедельничную рубрику «Вопрос от подписчика», и на этот раз вопрос максимально прикладной и хардовый:

Расскажи, какие инструменты для ETL вы используете в разных ситуациях? Как собираете данные из разных источников? Используете готовые инструменты или самописные?

Недавно я уже поднимал тему ETL здесь, но это один из ключевых этапов аналитики, поэтому разобью свой ответ на несколько частей.

✔️ Самописный софт или готовые решения?

Скажу сразу - я адепт самописного софта. Это касается и скриптов сбора данных, и коннекторов к разным источникам, и автоматизации. Иногда это продлевает срок внедрения, но на долгой дистанции это выгодней:

1. С течением времени возникают какие-то нестандартные хотелки, которые не могут быть удовлетворены готовым решением. Например, «собирать статистику, когда человек перешел по ссылке из письма с активацией аккаунта, но не активировал его». Приходится либо придумывать костыли, либо засовывать свои желания в одно место.

2. У аналитических сервисов довольно длинный lifetime, а значит вы заплатите много денег за него. Разработка в моменте может быть дороже, но точно меньше LTV пачки сервисов на 5 лет.

3. Компания полностью контролирует ситуацию. Не приходится бегать между 5 техподдержками, которые тыкают пальцем друг в друга и не понятно, кто дурак.

✔️ Как устроен ETL?

Что касается того, как устроен этот самописный ETL - очень зависит от бизнеса.

Например, сейчас мы начали отстраивать аналитику с нуля в сети оффлайн-магазинов (около 60 точек в сети). Их кассовый софт каждый день выгружает построчную информацию о чеках в csv-файлики, мы ее забираем с помощью скриптов на Python и автоматизируем сбор этих данных в облачное хранилище PostgreSQL с помощью Airflow. На том же сервере крутится BI-ка. В целом, достаточно стандартный аналитический стек.

Есть более сложные случаи - например, онлайн-образование. Здесь приходится делать коннекторы к CRM-системе, прорабатывать систему UTM-меток, чтобы отслеживать движения пользователей до момента покупки, делать мини-интеграции со всякими Бизонами, Ботхелпами и прочей ужасной лабудой. А что поделать 🤷🏻‍♂️

Еще я люблю кейсы со всякими онлайн-платформами и приложениями. В таком случае мы собираем систему, похожую на Amplitude - делаем специальный скрипт, который собирает информацию обо всех действиях пользователя: «Открыл страницу X, нажал кнопку Y, оплатил на сумму Z, перешел на страницу F» и так далее. Складываем это все в облачное хранилище, а потом строим нужные визуализации.

✔️ Заключение

Кстати, забавно получается, тут я писал, что «хватит качать hard skills», а следом выкатил этот пост с кучей чисто хардовых инструментов - вот и верь теперь блогерам 😁

А накидайте еще вопросиков, для следующих понедельничных постов! Интересно будет разобрать какой-то конкретный кейс, обсудить какие-то цифры. Не стесняйтесь - пишите, отвечу всем! ❤️

Как продать что угодно и причем здесь аналитика 🔄

Вчера общался с потенциальным клиентом, который пришел к нам за настройкой аналитики в своей компании. У них сеть из 300 алкогольных магазинов. И разговор, ожидаемо, зашел про игристое деньги.

И я был поражен (в миллионный раз), как иногда легко можно показать выгоду от покупки клиенту. Даже если покупка очень дорогая. Сейчас покажу на примере и конкретных цифрах.

Пусть внедрение аналитики стоит 1 000 000 рублей. Казалось бы - огромные деньги. Но компания может их окупить - если внедрение аналитики начнет приносить им добавленную прибыль. А теперь декомпозируем.

1 000 000 рублей на 300 магазинов - это всего по 3 333 рублей на магазин. Возьмем коньяк со стоимостью 1 500 рублей. Допустим наша аналитика позволила компании по ABC/XYZ анализу увидеть, что эта бутылка находится в группе А по количеству продаж, X по стабильности спроса и C по прибыльности. Вывод очевиден - поднять цену, например, на 15%. Тогда продажа всего 15 бутылок этого коньяка в каждом магазине отобьет полностью этот миллион за счет добавленной стоимости! Даже если делать по 1 продаже в день, это всего 2 недели. Со второй недели компания выйдет в плюс. И это мы рассмотрели всего одну бутылку коньячка. А таких SKU - тысячи.

Получается, когда мы жмем на что-то деньги - мы просто не видим в этом ценности и окупаемости для себя. Либо мы ее не поняли (в данном примере - клиент может просто не знать, что по ABC/XYZ можно сделать такой вывод), либо ее реально нет. Замечали, что по ощущениям платный туалет стоит сильно дешевле, когда он тебе срочно нужен?)))

Это касается любых продуктов - внедрения аналитики, обучения, покупки нового компьютера или пижамы. А если вы реально понимаете ценность продукта, но все равно тянете время - вы делаете только себе хуже. Вы либо все равно придете к этой покупке (но уже вероятно дороже), либо так и останетесь неудовлетворенным.

💬
Это прикольный подход для планирования трат - можно считать «ROI» даже для бытовых или личных покупок. Как вам такой подход? Напишите в комментариях!

Как выбрать BI-систему: пошаговая инструкция 🦄

В посте про ETL я писал, что я фанат самописного софта и привел 3 конкретных причины. Однако некоторые вещи разрабатывать с нуля - полнейшая глупость, и это как раз про BI-системы.

Я постоянно встречаю вопросы как от наших студентов (начинающих аналитиков), так и компаний, которым мы помогаем внедрять аналитику:

Какую BI-систему изучать, чтобы быть востребованным на рынке?
Какую BI-систему внедрить к нам в компанию?
Какая BI-система самая популярная - хотим ее себе внедрить?

В этом вопросе отталкиваться нужно от 2 вещей - от рынка и от своего запроса. Все остальное - лишнее. Сейчас поясню.

✅ Шаг 1. Определяем свою потребность

Не абстрактное «хотим дашборды», а конкретно по вопросам:

* какие источники данных у нас будут
* какие визуализации нам будут нужны
* насколько детальная аналитика (кросс-фильтрация, сложные агрегации и т.д.) нам нужны будут
* нужна ли поддержка SQL-запросов
* юридические тонкости - софт должен быть определенной страны, должна быть on-premise версия и т.д.

Это ключевой этап при принятии решение - уже тут ваш круг поиска сузится до 1-2-3 биаек максимум. На каждом этапе вы будете отметать сразу несколько программ.

Например, если вам нужно только on-premise решение с возможностью писать SQL-запросы, то ваш выбор станет сразу очень узким.

✅ Шаг 2. Ориентируемся на рынок

Если вы выбрали фаворита на 1 шаге, то теперь нужно оценить свой выбор на адекватность по нескольким критериям:

* цена
* популярность на рынке
* коммьюнити и саппорт

Вы могли выбрать отличную BI-систему, но если ваша компания не потянет ее по деньгам или у нее вообще отсутствует коммьюнити - вы обречены на провал в долгосрочной перспективе.

Это как с машиной - вы можете выбрать классную и заряженную тачку, но если она супер редкая, ее никто не умеет чинить и она регулярно ломается - через год вы будете любоваться ей только в гараже.

✅ Итоговый выбор

Вот, собственно, и вся процедура. Выглядит она довольно простой, но я вас уверяю - большинство делает выбор пальцем в небо.

Именно поэтому, когда мы консультируем компании/помогаем им внедрять аналитику, мы подбираем инструмент под ситуацию и под заказчика. Очень часто это Power BI (не зря он лидер рынка). Довольно часто Metabase/Redash/Superset. Последнее время зачастил DataLens (кстати, расскажу про него отдельно).

Я бы вообще всем ставил Tableau, но в современных реалиях это непросто 😁

💬

Ну как вам, зашел пост? Поставьте на этот пост сердечко ❤️ - а когда наберем 60 реакций, я напишу пошаговый план про выбор BI-системы для изучения и расскажу свою историю!

БОЯЗНЬ ПРОВОДИТЬ АНАЛИТИКУ И ДЕЛАТЬ ВЫВОДЫ 🙃

Главная проблема всех людей, работающих с цифрами (а это и аналитики, и менеджеры, и предприниматели) в том, что они делают неправильные выводы из цифр или не делают их вообще. В результате страдают процессы и показатели компании. А если такой человек - собственник компании, то бизнес с огромной вероятностью развалится, это вопрос времени.


Общаясь с большим количеством аналитиков и управленцев, я сформулировал три причины, почему так происходит ✅

- Непонимание ценности и важности

Аналитик, менеджер или предприниматель может не до конца понимать важность аналитики. Такие люди часто используют подход «А мне нравится - запустим это в работу» или «Мне кажется, так лучше». Такие люди не готовы признать свою неправоту и провал своей гипотезы, поэтому избегают цифр.

- Страх посмотреть правде в глаза

Каждому из нас очень страшно однажды осознать, что идея, в которую ты вложил кучу сил, времени и денег - не сработала. Например, ты год строил отдел продаж, а в итоге он супер хреново работает и ты это знаешь даже без цифр. Но все равно боишься (в прямом смысле слова) открывать отчет с конверсиями по воронке, потому что там ты наглядно увидишь свои ошибки в цифрах.

Это, кстати, особенно распространенная модель поведения среди предпринимателей и C-level менеджеров, т.к. именно их решения, как правило, воплощают в жизнь. А значит и результаты их факапов будут отражены в этих отчетах. Я и сам частенько прокрастинирую над аналитикой, в которой у нас просадки. Стараюсь бороться с собой и наоборот смотреть на нее как можно больше, но это жесткий стресс.

- Поверхностные выводы

Многие смотрят в отчеты и даже подробно их изучают, но не пытаются докопаться до истины. Это приводит к поверхностным выводам и неправильным бизнес-решениям - я подробно и с примерами описывал это здесь и здесь.

Причины такой модели поведения могут быть разные. Где-то просто лень - я и сам иногда себе говорю: «Так, открывай отчет заново - ты же там ничего путного не увидел, зачем ты его закрыл». Частенько люди прикрываются незнанием и отсутствием опыта, но это не правда. Если вы просто на каждом шаге будете задавать себе вопрос: «А как я могу объяснить эту цифру, почему так?», то вы не нарветесь на ошибку поверхностных выводов.


А что делать, если у вас есть такая боязнь? ✅

Здесь нужно бить сразу с нескольких фронтов, искореняя все проблемы одновременно - как правильно они все присутствуют, просто в разной пропорции. Я для себя выработал следующую структуру:

- Ценность и важность аналитики я прекрасно понимаю, но все равно ставлю иногда свои гениальные идеи выше этого. Поэтому здесь я стараюсь внедрять 2 инициативы. Первое - перед запуском новой идеи всегда стараюсь максимально собрать исторические данные, которые могут ее подкрепить или опровергнуть. И частенько идея оказывается фуфлом. Второе - всегда анализируем результат внедрения в несколько шагов - в самом начале, посередине и после делаем ретро.

- Чтобы не испытывать страх лишний раз, я просто без раздумий начинаю утро с просмотра отчетов. Всех. Даже самых страшных. У меня на это даже напоминалка в календаре настроена, чтобы не съехать. Например, этот пост был написан уже после просмотра отчетов.

- Чтобы не делать поверхностные выводы, я задаю себе череду вопросов про каждую важную цифру. Что ее может подтвердить, что опровергнуть, как она получилась, что является причиной, что еще можно посмотреть, чтобы убедиться и так далее. При таком подходе вероятность ошибки - минимальна.

💬

Кстати, я решил сублимировать весь свой опыт и начал собирать «упражнения» для прокачки навыка делать выводы и ловить инсайты. Уже набралась солидная пачка - подумываю провести тренинг по этому поводу. Поделитесь в комментариях - есть ли у вас такая проблема? Как вы с ней справляетесь? Вписались бы в такой тренинг?))

3 СПОСОБА РАЗБУДИТЬ В СЕБЕ ИНТЕРЕС К АНАЛИТИКЕ ⬆️

В комментариях к посту про боязнь делать выводы один из подписчиков затронул интересную проблему - а как «разбудить» в себе желание делать аналитику. Частая ситуация для аналитика/менеджера/предпринимателя - данных полно, но никакой глубокой аналитики не проводится. А можно ли прокачать в себе этот навык, как бицуху другие хард скиллы? Конечно!

За последние годы я попробовал кучу методов раскачать в себе желание копаться в цифрах и не делать поверхностных выводов (если не знаете, что это такое - обязательно почитайте этот и этот пост). Многие из них не работали, но сегодня я хочу поделиться с вами ТОП-3 вопросами, которые помогают мне (и не только) разжечь желание докопаться до истины даже в самых сложных ситуациях.

«Почему?» ✅

Чтобы делать крутую аналитику, надо быть почемучкой. Этот вопрос надо задавать себе до тех пор, пока это возможно (либо пока не закончатся данные - хотя и тут есть способы выкрутиться, при желании). Например: упала выручка → почему? → менеджеры стали хуже работать → почему? → много людей болеет, увеличилась нагрузка, сотрудники не тянут, падает мотивация. А обычно, когда падает выручка, все просто бегут тормошить свой маркетинг)

Возьмите любую ситуацию и позадавайте череду вопросов «почему». Только честно, давая нормальные ответы (возможно, для ответов на некоторые придется как раз сделать какую-то аналитику). А если есть интересный кейс - давайте обсудим его в комментариях!

«Какая причина?» ✅

Еще один вопрос, который ВСЕГДА запускает новую спираль рассуждений и раскопок, даже если вы как будто дошли до конца. Обычно его задают, когда вопросы «Почему?» уже закончились. Но если можно спросить «Какая причина?», значит аналитика еще не закончена.

Например, вы каждый месяц делаете посевы в телеграм-каналах. И вдруг какой-то месяц плохо сработал. Вы прошли цепочку «Почему?» и поняли, что причина - смена дизайна лендинга. На этом и остановимся. Но нет! Надо спросить «А в чем причина - что не так с новым дизайном-то?». Мы же по сути не поняли, как новый дизайн повлиял на поведение покупателей. И в этот момент мы понимаем, что надо отправляться и делать UX-тест.

«Предположим...» ✅

Этот вариант предложил подписчик, и я с ним на 100% согласен - часто им сам пользуюсь. Как только мы высказываем предположение, мы обязуемся проверить его или опровергнуть. А для этого мы обязаны провести аналитику.

Кстати, эффективней всего этот метод работает, если ставить под сомнение все в своей компании. Иногда это сложно морально, но максимально бустит процесс аналитики.

Пример: «Представим, что наш маркетинг - гавно. Даже если он работает круто на наш взгляд - а вдруг это всего 10% от нашего потенциала?». Ну и пошли копаться в цифрах)

💬

Как вам вопросики? Используете что-то из этого в жизни? Если зашло - давайте наберем 100 реакций сердечек ❤️ на этот пост, у меня есть еще пару методов в запасе, расскажу про них))

МОЙ ЛИЧНЫЙ ТОП MUST HAVE ОТЧЕТОВ 🔥

В недавнем посте про боязнь проводить аналитику один из подписчиков спросил:

А можете рассказать, какие отчеты лично вы смотрите и что конкретно в них выискиваете?)

Поэтому хочу поделиться с вами моим личным топом отчетиков, в которые я ныряю каждое утро. Точней это будет только первая часть, ибо таких отчетов много и они просто не влезут в один пост 🙃

✅ Таблица декомпозиции

Каждый месяц мы ставим новый план по выручке и, зная конверсии на каждом этапе воронки, раскладываем по пунктам: сколько к нам должно прийти людей, сколько мы должны провести консультаций, сколько должны сделать продаж с учетом нашего среднего чека и т.д. Далее мы декомпозируем это на весь месяц с разбивкой по дням. Каждый день мы туда вносим фактические значения и сравниваем план/факт.

Это супер полезный инструмент, который позволяет генерировать тонны гипотез. Я прям в моменте вижу, что какая-то конверсия у нас ниже ожидаемой, а значит нужно срочно ее бустануть. Мы частенько вносим изменения в маркетинг или отдел продаж прям на ходу, замечая какие-то аномалии в этом отчете.

✅ Отчет по выручке и планам

Конечно, я всегда смотрю на текущую выручку, на % выполнения плана и прогнозные значения. Смотрю на выполнение плана в разрезе менеджеров по продажам - это отлично подсвечивает, кто буксует.

Этот отчет сам по себе скорее информационный - по нему я могу лишь понять, что все хреново просто отлично и принять соответствующие меры, копнув глубже в другие отчеты. Хотя некоторые решения можно принять и на основании этого отчета - например, уволить отстающего сейлза 🤡

✅ Когортный анализ ROMI/LTV и затрат

Мы для себя собрали модифицированную таблицу, в которой отображена динамика LTV с течением времени в разрезе когорт. Но мы смотрим не только эту метрику - в ту же таблицу мы вывели справочно динамику ROMI и маркетинговые расходы по каждой когорте. А еще мы сегментируем все по рекламным каналам, чтобы понимать долгосрочную окупаемость инвестиций по каждому каналу привлечения отдельно.

Такая таблица позволяет моментально отвечать на вопросы типа:

* У нас в моменте не окупается реклама в Яндексе, но как ведут себя эти лиды на долгосрочной перспетиве - окупаются ли они?
* Даже если LTV когорты M больше, чем LTV когорты N, куда нам выгодней вложить деньги - как менялся со временем ROMI?
* Наш маркетинг вообще нормально работает?

💬

Естественно, это далеко не все отчеты - даже для ежедневного просмотра там еще целая пачка разных отчетиков, табличек и дашбордов. А сколько еще всяких ad-hoc...

Давайте наберем 80 реакций огонечков 🔥 на этот пост и я поделюсь следующей подборкой must have отчетов для ежедневного отслеживания.

НЕ СДЕЛАЛ АНАЛИТИКУ - СЛИЛ БАБКИ (РЕАЛЬНАЯ ИСТОРИЯ) 😢

Свой канал я завел относительно недавно (кстати, если вы еще не читали пост про меня - обязательно посмотрите, хочется создать тут уютную атмосферу 🙂) и сейчас активно занимаюсь его продвижением. Но в Телеграме есть проблема - по сути, невозможно расти органически (здесь нет рилсов, виральных охватов и так далее). Почти единственный рычаг роста - закупка посевов в других каналах и кросс-постинг.

У нашей команды есть неплохой опыт в закупке посевов на вебинары, но это немного другое - мне нужно привлекать именно качественных подписчиков за недорого. Мы попробовали раз, два, три, потратили несколько десятков тысяч и поняли... что так дело не пойдет - результаты получаются ужасные, подписчик выходит золотым.

Поэтому сегодня ночью я потратил около 4 часов, изучая аналитику различных телеграм-каналов (других авторов и каналов с рекламой). Испытывал одновременно 2 чувства - драйв (я был в предвкушении, что сейчас наконец пойму секрет продвижения) и злость (а как продвигаться-то?!). Хочу поделиться с вами, что я анализировал (потому что я заглядывал чуть глубже, чем обычно оценивают каналы) и какие выводы сделал.

1. Начинал с базовых метрик канала, который продает рекламу - количество подписчиков, график прироста подписчиков, вовлеченность, охваты. На этом этапе по многим каналам понятно, что это шлак - 10к подписчиков и 100 просмотров на пост, ну камон.

2. Смотрел за последний месяц за каждый час количество подписок и отписок. Открыл для себя каналы, у которых рано утром стабильно каждый день идут пачки отписок. Я-то думал, это классные каналы, а это оказывается накрутки. Расстроился)

3. Отсматривал каждый рекламный пост, который был размещен в этом канале за последние пару месяцев. Смотрел охваты этого поста. Потом шел в канал, который рекламировался и смотрел динамику подписчиков в этот момент времени. Если после выхода поста новых подписчиков почти не прибавилось, значит канал - шляпа и не стоит покупать там рекламу.

Короче, проделал огромную работу, но сделал для себя очень много выводов. По итогу собрал калькулятор, в который можно вбить:

* средний охват поста
* стоимость поста
* % подписчиков от охвата (можно посмотреть на примере предыдущих рекламных интеграций в этом канале)

Калькулятор сам считает прогноз количества подписчиков и ожидаемую стоимость подписчика. Если такая стоимость нас устраивает - берем. Если нет - значит либо сбиваем цену, либо идем дальше.

Предположу, что для знатоков телеграма такой алгоритм может показаться элементарным. Но я не эксперт в этой нише и не проходил никаких курсов, дошел до этого сам, просто задавая себе вопросы, как я рассказывал в этом посте. И стоит отметить, что я не знаю ни одного маркетолога, который бы реально так подходил к выбору каналов для посевов. Обычно все ограничивается первым пунктом. Увы)

В общем, проанализировал по этому фреймворку все последние посевы, которые мы делали. Понял, что можно было сэкономить много денег, если бы действовали по этой методике сразу 🥲

💬

Ребят, а напишите в комментариях - как вы подписываетесь на другие каналы? Кого читаете? На какие посты реагируете и почему подписываетесь на новых авторов? Ваш ответ будет очень полезен для развития канала! ❤️

МОЙ ЛИЧНЫЙ ТОП MUST HAVE ОТЧЕТОВ [ЧАСТЬ 2] 📈

В первой части must have отчетов вы собрали почти в 2 раза больше реакций, чем было заявлено, поэтому пора публиковать вторую часть подборки отчетов, которые я смотрю каждый день (и всем рекомендую) 😎😎

Чекап-дашборд 🟢

Это не совсем «отчет» в классическом понимании - это скорее целая пачка отдельных метрик и отчетиков, которые позволяют вам верхнеуровнево оценить ситуацию в вашем бизнесе/отделе/процессе буквально за 5 минут.

Такую штуку нужно иметь абсолютно в любом бизнесе - от мобильных игр до торговли. Например, если вы селлер на WB, то вот ваш состав чекап-дашборда:

* Воронка продаж (Посмотрел - Положил в корзину - Заказал - Купил - Отказал - Вернул)
* Выполнение плана с прогнозом
* Заказы, Продажи, Возвраты, Отмены, Валовая прибыль, Маржинальность (все показатели в рублях и штуках)
* Динамика основных метрик (продажи, заказы и т.д.)
* % выкупов, отказов
* Товарный остаток
* Упущенная из-за out of stock выручка/прибыль
* Топы товаров с основными метриками (продано руб/шт, прибыль)

Каждый показатель желательно выводить с динамикой за предыдущий аналогичный период. Желательно иметь фильтр по датам и артикулам.

Кстати, если вы торгуете на WB и вам нужен такой дашборд - напишите мне в ЛС, у нас есть готовое решение 😏

ABC/XYZ-анализ 🟢

Сейчас, в силу специфики текущего бизнеса (у нас маленькая ассортиментная линейка и мы работаем в сфере услуг) я этот отчет не смотрю. Но совмещенный ABC/XYZ-анализ, на мой взгляд, один из самых мощных отчетов - на основании него можно реально нагенерировать очень много выводов.

Когда я работал в бизнесе, связанным с торговлей, мы смотрели его на еженедельной основе. В примере с WB, который я приводил выше - это тоже, кстати, обязательный отчет - без него не должен делаться ни один заказ!

Отчет по CJM 🟢

Для онлайн-бизнеса, в котором клиенты приходят с разных маркетинговых активностей (онлайн-образование - как раз такая ниша), очень важно понимать - какие этапы клиент прошел, пока грелся к покупке.

В среднем у нас человек участвует в 3 маркетинговых активностях перед покупкой - например, приходит на вебинар, затем проходит бесплатный курс, а потом покупает с акции. И в долгосрочной перспективе очень важно отслеживать:

* какие активности лучше всего работают в качестве первого контакта
* какие активности лучше всего работают в качестве транзитных (прогревают)
* какие активности лучше всего триггерят к покупке

Это отслеживать довольно сложно, но мы у себя собрали несколько сводных таблиц, которые позволяют эту информацию в удобном виде визуализировать.

💬

Как вам вторая подборка, зашла? Давайте наберем 100 реакций огонечков 🔥 на этот пост и я расскажу про то, как можно проапгрейдить стандартные отчеты (например, ABC/XYZ) и сделать их в несколько раз эффективней!

Хей, гайз (и герлс), вы возможно видели недавний рейтинг «За кем следят аналитики» от NewHR. Я изначально посмотрел только пресс-релиз, а тут наткнулся на прямую ссылку на подборку. И знаете, что я там увидел? Свой канал на 4 месте 🥲

По какому признаку ранжировался этот рейтинг - я так и не понял. Но это и не важно - канал создан всего 4 месяца назад, а здесь уже почти 2к подписчиков!

Будем считать, что каналы ранжировались по крутости и ламповости подписчиков. Вы - офигенные ❤️ Я правда тогда не понял, почему он не на 1 месте?! 😂

Спасибо вам, работаем дальше 🚀

КАК Я ХАКНУЛ СТАНДАРТНЫЕ ОТЧЕТЫ - ЛИЧНЫЙ ОПЫТ 🆒

Я много пишу про то, какие отчеты помогают вести бизнес и принимать решения. Например, мой личный топ отчетов часть 1 и часть 2. Но важно не только содержание - очень сильно на восприятие и выводы влияет форма и визуализация. Например:

* Слишком много сухих цифр сложно анализировать - из огромного табличного отчета можно сделать выводы, но для этого надо уже прокачаться
* Слишком пестрые графики/диаграммы/дашборды классно смотрятся на картинках, но по факту скорее перегружают визуал и теряется смысл
* В отчете может быть слишком мало вводных или слишком много лишних данных - целое искусство оставить только действительно важное

И сегодня я хочу поделиться с вами несколькими лайфхаками, которые я для себя выработал на опыте. Я многократно переделывал совершенно стандартные отчеты под себя, чтобы они приносили больше пользы. И, кажется, получилось 😊

🟢 ABC-анализ

Почти всегда ABC-анализ делается за период времени и выводится группа каждого товара за этот период. Однако основная цель ABC-анализа (подробно разбирали это тут) - вытянуть каждый товар в группу повыше, например, из С в В. Получается, мы проводим анализ, чтобы группа улучшалась со временем и не смотрим данные в динамике? Просто гениально...

Поэтому небольшая фишка - сделайте ABC-анализ, где одновременно будете выводить группу каждого товара в динамике, например, за последние 12 месяцев. Товар Х в январе был в группе C, в феврале тоже, в марте перешел в B, а с апреля попал в С. Вот это полезно - а что можно увидеть в табличке, где данные за 1 месяц только? А главное, я только такую форму и встречал...

🟢 Когортный анализ LTV

Когортный анализ LTV - супер полезный отчет. Он показывает, как наша база лидов покупает со временем. Если 100 человек пришло на вебинар в январе, а купили всего 3, то никто не мешает остальным 97 купить в феврале, марте и так далее. Т.е. мы видим, сколько денег мы зарабатываем с каждой когорты с течением времени.

Но в этом отчете мне всегда не нравилось, что я не понимаю, насколько окупились инвестиции в маркетинг. Ну ок, спустя полгода я заработал 5 000 000 с январской когорты. Это много или мало? Я окупил свои вложения? Приходилось идти в другой отчет и смотреть когортный анализ ROMI. Но с ним другая проблема - я не понимал, сколько я вложил. ROMI 500% - это круто, но это на рекламном бюджете в 1 млн или 10 млн?

Короче, теперь я совмещаю эти 3 отчета в один. Около каждой когорты прописываю потраченный маркетинговый бюджет, а в ячейках пишу пару значений - LTV и ROMI. Это в разы наглядней и удобней!

💬

Как вам, зашло?) Рекомендую сохранить этот пост - если вам это актуально прямо сейчас, то попробуйте внедрить, сразу оцените эффект, а если пока не актуально - когда-нибудь точно пригодится, так что не потеряйте.

Кстати, у меня почти готовы шаблоны этих отчетов - давайте наберем 100 реакций огонечков 🔥 на этот пост и я опубликую их здесь отдельным постом!

ПРОБЛЕМА СОВРЕМЕННОЙ АНАЛИТИКИ, ПРО КОТОРУЮ ВСЕ ЗАБЫЛИ 🔴

Аналитика - это, безусловно, важно. Я здесь много пишу про важность правильной визуализации, про принятие правильных решений и так далее. Но почти во всех современных компаниях есть большая проблема, о которой редко говорят.

Эта проблема - огромное количество источников данных.

Этапу построения дашбордов и выводов всегда предшествует долгий и кропотливый труд по настройке сбора данных из разных источников и автоматизация всего этого дела. А сделать это иногда очень непросто - на курсах нас учат, что данные уже аккуратно сложены в базу, а тем временем мы собираем данные из:

* Рекламных систем (ВК, FB, Яндекс, посевы в Телеграме, партнеры и т.д.)
* Вебинарные сервисы (Bizon, YotTube, LiveDigital и т.д.)
* Системы CRM-маркетинга (Bothelp, Unisender и т.д.)
* AmoCRM
* Сайт
* Несколько наших внутренних ЛМС
* Социальные сети
* много еще всего разного

Далеко не у всего есть API. Далеко не всегда можно понять, что чувак Х, который пришел на вебинар, это тот же чувак Y из твоей CRM-системы. В общем, как говорит один мой хороший знакомый: «зис ис э трэш» 😱

Даже взять рекламные системы - ВК, FB и прочие. В их API можно сломать обе ноги. А если ты хочешь делать data-driven маркетинг, то нужно в режиме реального времени понимать - какие баннера работают, сколько тратят денег, на какую аудиторию заходят и так далее. Смотреть это в рекламных кабинетах - неудобно. Намного лучше, если это все сведено в одно место. А если вы потом собираетесь раскладывать картинки/тексты на признаки (писал про это тут), чтобы как-то изучать (например, чтобы выделить самый круто перформящий цвет баннера), то здесь вообще без интеграции не обойтись.

💬

В общем, что могу сказать - учите Python, SQL, автоматизацию и много еще всего, если хотите справляться с такими задачками. Кстати, мы когда создавали свой обучающий Симулятор по аналитике, нашей задачей было сделать программу, чтобы на выходе выпускать студентов, которые могут это все сделать в одиночку. Если вам актуально - приходите, научим)

UPD. К слову, у нас уже есть готовые интеграции с FB и ВК. Если вам это актуально, но вы не хотите страдать полгода - приходите ко мне в личку, обсудим)

НУЖНА ЛИ АНАЛИТИКАМ МАТЕМАТИКА? 🔴

В комментариях к моим постам уже несколько раз поднимали интересный вопрос:

А нужна ли аналитикам математика? И если нужна, то какая?

Для начала важно понимать, что я сам прикладной математик по образованию, довольно активно занимаюсь научными исследованиями в области обработки временных рядов и не только. Например, вот моя статья про морфологический разбор временного ряда, а вот про классификацию лиц с помощью нейронки и PCA. А не сегодня-завтра пойду защищать кандидатскую по математике. Я к чему - мое мнение может быть немного субъективным 😂

Далее - зайду с конца. Я на 101% убежден, что математика нужна ML и DS специалистам. Если вы занимаетесь машинным обучением, нейронками и всяким таким - вы обязаны глубоко понимать математику. Причем не только статистику, но и основы анализа, интегралы, производные, линейную алгебру. Не обязательно уметь доказывать теоремы, но знать весь этот аппарат, а главное понимать его и его применимость в тех алгоритмах, что вы используете - необходимо. А если вы просто используете всякие штуки из scipy и pytorch - это так себе DS.

А теперь про аналитиков. Здесь позиция более мягкая - зависит от того, в какой специфике работает аналитик. Если вы проводите A/B-тесты или другого рода эксперименты (здесь писал про 3 способа тестить гипотезы без A/B), то знать математику обязательно нужно. Но уже в меньшем объеме - достаточно будет глубокого изучения статистики. Но ее нужно знать прям отлично - благо это почти самый интересный раздел математики. Если вы такими штуками не промышляете - можно обойтись и базовым пониманием описательных статистик (среднее, мода, медиана), интерпретацией боксплота/скрипичной диаграммы и прочими мелочами.

💬

А как вы считаете? Согласны с такими тезисами или мое мнение все-таки очернено годами обучения математике? 😁 Напишите в комментариях!

С КАЖДЫМ ДНЕМ АНАЛИТИКА СТАНОВИТСЯ ВСЕ СЛОЖНЕЙ ☔️

Это правда так - от месяца к месяцу в компаниях собирается все больше данных, конкуренты начинают работать все эффективней, а значит тебе приходится делать все более глубокую аналитику. Это бесконечная гонка, которую мы запустили 20-30 лет назад и все никак не остановимся.

Раньше, чтобы заработать, было достаточно запустить рекламу на всю Россию, а теперь нужно 3 месяца упарываться в аналитику, чтобы хоть как-то сбить цену заявки. Я могу сходу назвать несколько компаний, которые закрылись буквально в прошлом году, потому что не перестроились на новую реальность и действовали по-старинке.

Как это изменение рынка повлияет на нас с вами? Назову пункты, которые я явно вижу в индустрии уже сегодня - это не прогноз от диванного эксперта, а очевидный факт))

1. Требования к аналитикам все выше. Раньше, если ты знал базовый SQL - ты был красавчиком. Так было еще 7 лет назад. Сейчас требования к джунам, как к миддлам минимум. И это нормально - компаниям нужно, чтобы человек здесь и сейчас начал приносить пользу. А это иногда очень непросто сделать.

2. Аналитики и продакты постепенно станут едиными. Пока это еще 2 разных профессии, но все больше спрос на одного комбинированного человека - чтобы глубоко понимал в развитие продукта и сразу же мог посмотреть все нужное в базе данных или запрогать на питоне.

3. Классические сервисы аналитики уходят в прошлое. Аналитические тулы формата «на тебе личный кабинет, тыкай графики сам» постепенно будут умирать. Идет новое поколение сервисов - которые сами дают «подсказки» клиенту, на что обратить внимание. И это не обязательно сложный AI, порой это достаточно понятные алгоритмы.

Со всем этим возникает резонный вопрос:

Стоит ли сейчас идти в аналитику или продолжать в ней работать?

Я думаю, точно стоит. Всю дорогу аналитики считались относительно «неэлитными» представителями IT. Объективно, прогать на С++ сложней (говорю по опыту).

Но в скором времени это будет комбинированная должность, которая причем будет максимально близка к руководству компании. Программисты просто пишут код, а аналитики-продакты будут как бы советниками основателей и C-level менеджеров. А значит и к деньгам поближе))) Ну и это я молчу про то, что сама по себе область - полный кайф, очень интересная.

💬

Ну что, согласны со мной? Дайте огня, если готовы к входу в этот прекрасный капиталистический мир 🔥