Кто я и зачем вообще все это? ☺️
Меня зовут Андрон Алексанян, я предприниматель с сильной экспертизой в аналитике и Data Science. Сейчас я руковожу несколькими проектами, где мы юзаем все data-driven практики, которые я описываю в канале.
Вот несколько моих текущих проектов (про некоторые расскажу чуть позже вне этого поста):
* IT Resume — платформа с лучшей технологией автопроверки кода в Восточной Европе (и не только). Наши клиенты — топ edtech-компании из России и глобального рынка.
* Simulative — образовательные симуляторы, где мы учим людей не просто «писать код», а реально быть крутыми аналитиками.
Успеваю пилить аналитику в своих компаниях, провожу закрытые стримы для начинающих аналитиков, веду активную научную деятельность в области анализа временных рядов (например, мои статьи из Q2 журналов — вот и вот), преподаю магистрам в ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики и вообще много всего. Если у вас есть интересный проект - просто свяжитесь со мной🙂
Я считаю, что крутой и стабильный бизнес можно построить только за счет data-driven подхода, а «предпринимательское спокойствие» можно получить только за счет полной сквозной аналитики каждого процесса. Поэтому здесь я пишу про этот самый data-driven, сублимируя свой опыт и опыт моих коллег в маркетинге, продажах, продукте, найме и остальных сферах бизнеса.
Вот примеры, что вас ждет в этом канале:
* как правильно считать вовлеченность пользователей в продукте для разных ниш бизнеса
* как комплексно анализировать рекламную воронку без факапов, чтобы не слить бюджет и пару месяцев на нелепые тесты
* как перетащить best practices из онлайн-бизнеса в офлайн (я несколько раз строил аналитику с нуля в аптечной сети, медицинских бизнесах и не только)
* как оцифровать KPI сотрудника, чтобы он начал фигачить с первой недели и приносил ценность бизнесу уже с первого дня
Зачем вообще существует этот канал? Я общаюсь с десятками предпринимателей из разных стран и масштабов бизнеса и в 90% случаев их бизнес это guesswork:
* рекламные баннеры делаются по наитию рекламщиков
* рассылки отправляются по настроению SMM-щика
* KPI — это просто процент от выручки и то только для сейлзов
* а про остальное я вообще молчу
И надеюсь, что мои посты вдохновят такие компании стать чуть-чуть более data-driven и бустануться по выручке/прибыли и просто начать кайфовать от того, что весь бизнес как на ладони.
В канале нет новостей, мемов и дайджестов — я пишу только актуальный и полезный контент, который «не протухает» и готов к внедрению в любой бизнес прям здесь и сейчас.
А вам такое интересно? Тогда погнали!🔥
Меня зовут Андрон Алексанян, я предприниматель с сильной экспертизой в аналитике и Data Science. Сейчас я руковожу несколькими проектами, где мы юзаем все data-driven практики, которые я описываю в канале.
Вот несколько моих текущих проектов (про некоторые расскажу чуть позже вне этого поста):
* IT Resume — платформа с лучшей технологией автопроверки кода в Восточной Европе (и не только). Наши клиенты — топ edtech-компании из России и глобального рынка.
* Simulative — образовательные симуляторы, где мы учим людей не просто «писать код», а реально быть крутыми аналитиками.
Успеваю пилить аналитику в своих компаниях, провожу закрытые стримы для начинающих аналитиков, веду активную научную деятельность в области анализа временных рядов (например, мои статьи из Q2 журналов — вот и вот), преподаю магистрам в ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики и вообще много всего. Если у вас есть интересный проект - просто свяжитесь со мной
Я считаю, что крутой и стабильный бизнес можно построить только за счет data-driven подхода, а «предпринимательское спокойствие» можно получить только за счет полной сквозной аналитики каждого процесса. Поэтому здесь я пишу про этот самый data-driven, сублимируя свой опыт и опыт моих коллег в маркетинге, продажах, продукте, найме и остальных сферах бизнеса.
Вот примеры, что вас ждет в этом канале:
* как комплексно анализировать рекламную воронку без факапов, чтобы не слить бюджет и пару месяцев на нелепые тесты
* как перетащить best practices из онлайн-бизнеса в офлайн (я несколько раз строил аналитику с нуля в аптечной сети, медицинских бизнесах и не только)
* как оцифровать KPI сотрудника, чтобы он начал фигачить с первой недели и приносил ценность бизнесу уже с первого дня
* рассылки отправляются по настроению SMM-щика
* KPI — это просто процент от выручки и то только для сейлзов
* а про остальное я вообще молчу
В канале нет новостей, мемов и дайджестов — я пишу только актуальный и полезный контент, который «не протухает» и готов к внедрению в любой бизнес прям здесь и сейчас.
А вам такое интересно? Тогда погнали!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥66👍13❤6
Важнейшая метрика маркетинговой воронки 🔥
Чтобы долго не затягивать с первым постом, хочу рассказать про важнейшую метрику в любой маркетинговой воронке - конверсию в квалифицированного лида.
Если коротко - это % лидов, которые реально оказались целевыми. Про эту метрику редко пишут в учебниках и рассказывают на курсах, это приходит только с опытом (как правило горьким). Дальше на примерах покажу неправильные управленческие решения, если игнорировать эту метрику.
Кстати, учитывая не самую широкую распространенность, у этой метрики нет общепринятого названия (типа как CR1 или CR2). Я встречал CR-Q (от conversion rate и qualified), CQ (аналогично), vCR (от valid и conversion rate). Я обычно использую CR-Q.
Вот примеры признака «квалификации» лидов для разных бизнесов и воронок:
* Вебинарная/автовебинарная воронка - лид пришел на вебинар
* Заявка на консультацию - лид оставил нормальные контакты, он действительно заинтересован в продукте или услуге
* Бесплатный курс по нейросетям (от школы digital-маркетинга) - лид начал проходить курс и его интересуют нейросетки именно в контексте маркетинга
* Экскурсия в идеальный отдел продаж/маркетинга (от консалтинговой фирмы) - лид имеет N рублей выручки в месяц и у него реально болит пересобрать свой отдел продаж
Вообще каждый бизнес и каждая воронка могут диктовать свои определения квалифицированного лида. Надо исходить из вопроса «А какой когорте людей мы собираемся продавать». Если любой посетитель вебинара - это потенциальный клиент, то вот и квал лид. А если «только тот зритель, кто зарабатывает не менее 500к в месяц» - здесь уже определение квал лида будет другим.
Давайте рассмотрим простейший пример неправильных управленческих решений из-за игнорирования этой метрики.
Допустим, мы запустили рекламную кампанию из 2 баннеров на новый продукт. На каждый баннер потратили 100к рублей. Анализируем статистику и принимаем решение.
* Баннер А: 1000 лидов, CPL 100 рублей.
* Баннер Б: 333 лида, CPL 300 рубля.
Кажется, ответ очевиден - отключаем баннер Б, т.к. он генерит лиды в 3 раза дороже баннера А.
Поздравляем, вы ошиблись и слили бюджет. Классика!
А что если добавить метрику CR-Q и CPQL (cost per qualified lead)? И видим такую картинку:
* Баннер А: 1000 лидов, CPL 100 рублей, CR-Q 1%, 10 квал лидов, CPQL 10 000 рублей.
* Баннер Б: 333 лидов, CPL 300 рублей, CR-Q 50%, 166 квал лидов, CPQL 602 рубля.
Game changer, правда? Теперь видим, что по факту за квалифицированного лида мы платим аж в 17 раз дешевле с баннером Б, чем с баннером А! И, получается, отключать надо баннер А, а в Б вливать дополнительный бюджет🥲
Примечание: Пример, конечно, немного утопичный, в жизни цифры обычно сильно ближе друг к другу, но для демонстрации хорошо подойдет 🙂
Поэтому не забивайте смотреть на CPQL и CR-Q, друзья, берегите свои деньги😏
В следующих постах расскажу - почему CR-Q может быть хреновым и почему в этом посте мы все равно сделали неверные выводы))
Чтобы долго не затягивать с первым постом, хочу рассказать про важнейшую метрику в любой маркетинговой воронке - конверсию в квалифицированного лида.
Если коротко - это % лидов, которые реально оказались целевыми. Про эту метрику редко пишут в учебниках и рассказывают на курсах, это приходит только с опытом (как правило горьким). Дальше на примерах покажу неправильные управленческие решения, если игнорировать эту метрику.
* Вебинарная/автовебинарная воронка - лид пришел на вебинар
* Заявка на консультацию - лид оставил нормальные контакты, он действительно заинтересован в продукте или услуге
* Бесплатный курс по нейросетям (от школы digital-маркетинга) - лид начал проходить курс и его интересуют нейросетки именно в контексте маркетинга
* Экскурсия в идеальный отдел продаж/маркетинга (от консалтинговой фирмы) - лид имеет N рублей выручки в месяц и у него реально болит пересобрать свой отдел продаж
Вообще каждый бизнес и каждая воронка могут диктовать свои определения квалифицированного лида. Надо исходить из вопроса «А какой когорте людей мы собираемся продавать». Если любой посетитель вебинара - это потенциальный клиент, то вот и квал лид. А если «только тот зритель, кто зарабатывает не менее 500к в месяц» - здесь уже определение квал лида будет другим.
Давайте рассмотрим простейший пример неправильных управленческих решений из-за игнорирования этой метрики.
Допустим, мы запустили рекламную кампанию из 2 баннеров на новый продукт. На каждый баннер потратили 100к рублей. Анализируем статистику и принимаем решение.
* Баннер А: 1000 лидов, CPL 100 рублей.
* Баннер Б: 333 лида, CPL 300 рубля.
Кажется, ответ очевиден - отключаем баннер Б, т.к. он генерит лиды в 3 раза дороже баннера А.
* Баннер А: 1000 лидов, CPL 100 рублей, CR-Q 1%, 10 квал лидов, CPQL 10 000 рублей.
* Баннер Б: 333 лидов, CPL 300 рублей, CR-Q 50%, 166 квал лидов, CPQL 602 рубля.
Game changer, правда? Теперь видим, что по факту за квалифицированного лида мы платим аж в 17 раз дешевле с баннером Б, чем с баннером А! И, получается, отключать надо баннер А, а в Б вливать дополнительный бюджет
Примечание: Пример, конечно, немного утопичный, в жизни цифры обычно сильно ближе друг к другу, но для демонстрации хорошо подойдет 🙂
Поэтому не забивайте смотреть на CPQL и CR-Q, друзья, берегите свои деньги
В следующих постах расскажу - почему CR-Q может быть хреновым и почему в этом посте мы все равно сделали неверные выводы))
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥23👍7🆒6❤3🤔1🌚1👾1
Как тестить гипотезы быстро? ⚡️
У любого бизнеса, который растет, есть закономерное желание - генерировать много гипотез и быстро их проверять. А дальше компании делятся на 4 типа:
* кто так и не внедрил проверку гипотез
* кто думает, что тестит гипотезы, но делает это неправильно
* кто использует A/B тесты
* кто хакнул систему и использует не только A/B тесты😏
Про первые 3 пункта я расскажу потом отдельно, а сегодня хочется зайти с конца, с четвертого, и поделиться с вами лайфхаком.
Давайте коротко о том, как проводят классический A/B тест: выбирают одну фичу, делают 2 варианта этой фичи, запускают параллельный тест на сопоставимых выборках и оценивают, какой вариант зашел круче.
Пример: Берем рекламный баннер, фиксируем картинку, фиксируем текст, делаем его в двух цветах и запускаем на одинаковую аудиторию.
Плюсы: супер точный результат (возможно). Минусы: долго + если вариантов много, то это слабо подходит.
А теперь давайте рассмотрим типичную задачу - email-рассылки. Очень часто email-маркетинг достаточно хаотичный и не data-driven и это легко объясняется:письмо состоит из десятка признаков - заголовок, тема, завязка, CTA, стилистика и так далее. Если тестировать письма в стиле классических A/B тестов, на это не хватит ни времени, ни денег, ни базы, ни терпения 🤡
Поэтому для таких штук есть классный прием - многопараметрическое тестирование или MVT. С его помощью мы можем одновременно протестировать сразу много гипотез.
Давайте рассмотрим на примере рассылок:
1. Выписываем, какие признаки мы будем тестировать. Например, 3 разных темы письма, 2 разных Call to action, 3 разных главных мысли в письме.
2. Формируем комбинации - всего получается 3*2*3=18 вариантов.
3. Придумываем 18 разных писем по заданным признакам и отправляем их по разным группам нашей базы (но группы должны быть сопоставимыми, как и в A/B тестах).
4. Делаем табличку, куда заносим все вариации и собираем статистику через пару дней.
Вот и все. После этого вы можете легко в разрезе каждой фичи посмотреть среднее/максимальное/минимальное/медианное/суммарное значение выбранной метрики (например, open rate или clicks). То, на что с A/B тестами вы бы потратили вечность, с MVT вам хватило пару дней с учетом написания писем, настройки рассылок и анализа результатов. Не круто ли?!🔥
Основной минус MVT - требует большего бюджета (т.к. тестим сразу много вариантов), больше ресурсов на подготовку и большую базу (в случае с email-рассылками). Короче, если вам нужно что-то протестить суперточечно и получить конкретный ответ - тогда вам в A/B тесты. А если нужно быстро проверить гипотезу и понять, в какую сторону двигаться, то это MVT.
Кстати, для теста рекламных баннеров MVT тоже классно подойдет - на старте кампании можно протестить сразу кучу вариаций стилистик, дизайнов, цветов, офферов и аудиторий и сразу отобрать самый топовые. В моменте денег потратите больше, но зато потом кампания будет бить четко в яблочко.
Дам еще ссылочку на статью - ссылка. Здесь супер подробно и с примерами все описано - остается только внедрять 😏
У любого бизнеса, который растет, есть закономерное желание - генерировать много гипотез и быстро их проверять. А дальше компании делятся на 4 типа:
* кто так и не внедрил проверку гипотез
* кто думает, что тестит гипотезы, но делает это неправильно
* кто использует A/B тесты
* кто хакнул систему и использует не только A/B тесты
Про первые 3 пункта я расскажу потом отдельно, а сегодня хочется зайти с конца, с четвертого, и поделиться с вами лайфхаком.
Давайте коротко о том, как проводят классический A/B тест: выбирают одну фичу, делают 2 варианта этой фичи, запускают параллельный тест на сопоставимых выборках и оценивают, какой вариант зашел круче.
Пример: Берем рекламный баннер, фиксируем картинку, фиксируем текст, делаем его в двух цветах и запускаем на одинаковую аудиторию.
Плюсы: супер точный результат (возможно). Минусы: долго + если вариантов много, то это слабо подходит.
А теперь давайте рассмотрим типичную задачу - email-рассылки. Очень часто email-маркетинг достаточно хаотичный и не data-driven и это легко объясняется:
Давайте рассмотрим на примере рассылок:
1. Выписываем, какие признаки мы будем тестировать. Например, 3 разных темы письма, 2 разных Call to action, 3 разных главных мысли в письме.
2. Формируем комбинации - всего получается 3*2*3=18 вариантов.
3. Придумываем 18 разных писем по заданным признакам и отправляем их по разным группам нашей базы (но группы должны быть сопоставимыми, как и в A/B тестах).
4. Делаем табличку, куда заносим все вариации и собираем статистику через пару дней.
Вот и все. После этого вы можете легко в разрезе каждой фичи посмотреть среднее/максимальное/минимальное/медианное/суммарное значение выбранной метрики (например, open rate или clicks). То, на что с A/B тестами вы бы потратили вечность, с MVT вам хватило пару дней с учетом написания писем, настройки рассылок и анализа результатов. Не круто ли?!
Основной минус MVT - требует большего бюджета (т.к. тестим сразу много вариантов), больше ресурсов на подготовку и большую базу (в случае с email-рассылками). Короче, если вам нужно что-то протестить суперточечно и получить конкретный ответ - тогда вам в A/B тесты. А если нужно быстро проверить гипотезу и понять, в какую сторону двигаться, то это MVT.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍20🔥15❤4🤩3
Как сделать Х к прибыли за счет RFM-анализа и персонализированного маркетинга 💃
Хочу сегодня рассказать про классный, очень простой и недооцененный фреймворк - RFM-анализ.
Это исследование, в котором вы классифицируете своих клиентов по признакам Recency (давность, как давно у вас покупали), Frequency (частота, как часто у вас покупали), Monetary (деньги, сколько денег вам занесли).
Максимально у вас получается 27 групп - каждый клиент относится к одной из них. Группы выглядят примерно так:
* покупал давно - ходил часто - были хорошие чеки
* покупал недавно - ходит часто - маленькие чеки
* покупал давно - ходил редко - были огромные чеки
* и так еще 24 раза 🙂
* зачем слать на базе из 20к контактов одинаковое письмо, если можно отправить 27 супер релевантных писем, которые точно откроют и сделают целевое действие?
* зачем отправлять по базе из 100к клиентов с бонусными картами продуктового магазина смс-ки с тупой акцией, если можно персонализировано отправить супер целевое предложение и получить высокую конверсию?
* зачем сейлзам обзванивать старую базу из 5к лидов и предлагать всем одно и то же, если можно сделать точечный оффер и поднять конверсию?
А вот примеры, как «перевести» результаты RFM-анализа в портреты и конкретные предложения🔥 :
* покупал давно - ходил часто - были хорошие чеки → разочарованный фанат → нужно реактивировать его лояльность → надо предложить ему в подарок то, что он покупал раньше чаще всего
* покупал давно - ходил редко - были огромные чеки → упущенный жирный клиент → деньги для него не проблема, важно внимание → «вы у нас часто покупали эти классные витаминки, но давно не приходили - наверняка они закончились и мы для вас их заказали, приходите, забирайте»
* покупал недавно - покупает часто - хорошие чеки → лояльный клиент → чувствует себя причастным к компании, она вписана в его график жизни → предложить вступить в VIP-клуб
Как-то так. И вот на последок ссылочка на статью с подробным разбором - как делать RFM-анализ. Обязательно внедряйте 😉
P.S. Канал завел только на этой неделе и уже 3 поста - сам от себя не ожидал) Нас здесь уже много - накидайте на этот пост 10 реакций огонечков 🔥 и в следующем посте я расскажу про то, как и зачем считать retention.
Хочу сегодня рассказать про классный, очень простой и недооцененный фреймворк - RFM-анализ.
Это исследование, в котором вы классифицируете своих клиентов по признакам Recency (давность, как давно у вас покупали), Frequency (частота, как часто у вас покупали), Monetary (деньги, сколько денег вам занесли).
Максимально у вас получается 27 групп - каждый клиент относится к одной из них. Группы выглядят примерно так:
* покупал давно - ходил часто - были хорошие чеки
* покупал недавно - ходит часто - маленькие чеки
* покупал давно - ходил редко - были огромные чеки
* зачем слать на базе из 20к контактов одинаковое письмо, если можно отправить 27 супер релевантных писем, которые точно откроют и сделают целевое действие?
* зачем отправлять по базе из 100к клиентов с бонусными картами продуктового магазина смс-ки с тупой акцией, если можно персонализировано отправить супер целевое предложение и получить высокую конверсию?
* зачем сейлзам обзванивать старую базу из 5к лидов и предлагать всем одно и то же, если можно сделать точечный оффер и поднять конверсию?
А вот примеры, как «перевести» результаты RFM-анализа в портреты и конкретные предложения
* покупал давно - ходил часто - были хорошие чеки → разочарованный фанат → нужно реактивировать его лояльность → надо предложить ему в подарок то, что он покупал раньше чаще всего
* покупал давно - ходил редко - были огромные чеки → упущенный жирный клиент → деньги для него не проблема, важно внимание → «вы у нас часто покупали эти классные витаминки, но давно не приходили - наверняка они закончились и мы для вас их заказали, приходите, забирайте»
* покупал недавно - покупает часто - хорошие чеки → лояльный клиент → чувствует себя причастным к компании, она вписана в его график жизни → предложить вступить в VIP-клуб
Как-то так. И вот на последок ссылочка на статью с подробным разбором - как делать RFM-анализ. Обязательно внедряйте 😉
P.S. Канал завел только на этой неделе и уже 3 поста - сам от себя не ожидал) Нас здесь уже много - накидайте на этот пост 10 реакций огонечков 🔥 и в следующем посте я расскажу про то, как и зачем считать retention.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥67👍9❤1
3 простых шага для увеличения retention 🔥
Сегодня хочу поговорить про retention и рекуррентность продукта. Только не про то, как считать retention и чем отличается n-day от rolling. А про то, какие штуки реально влияют на удержание пользователей.
Прочитайте эти три пункта ниже и ответьте на вопросы:
* Реализовано ли это у вас?
* Как вы можете реализовать это в своей работе?
Гарантирую - если вы проработаете в своём продукте эти 3 пункта, то через полгода ваш retention будет втрое выше, чем был 😏
Кстати: тут всего 3 пункта, но у меня в запасе ещё 20 - если пост зайдет, сделаю еще подборку.
1. Продукт должен закрывать низменную потребность - например, лень или эго.
Пример 1: многие дизайнеры пересели с Фотошопа на Canva, потому что тупо лень. Ну и что, что не Фотошоп. Зато быстро и без напряга.
Пример 2: слышали про соревновательную платформу по Data Science - Kaggle? Ее основная сильная сторона в одной фиче - рейтинге участников. Крутыши пишут у себя в профилях «Kaggle Grandmaster». А остальные смотрят, завидуют и хотят также. Эгоизм в чистом виде.
2. Точек боли должно быть мало.
Если чтобы войти в сервис, нужно станцевать с бубном - половина пользователей выберет другой продукт. А если таких танцев во время использования много - каждая из них режет вам клиентов.
Здесь речь и про UX/UI, и про скорость, и про насколько продукт вообще решает задачу.
Пример: допустим вы хотите купить курс и выбираете между двумя компаниями, которым доверяете одинаково. Согласитесь - в итоге вы купите у того, кто позволяет оплатить сразу, а не через консультацию менеджера 🙂
3. Много aha-моментов
Aha-момент - это когда во время использования продукта вы вскрикиваете «нихера себе оно умеет!»😏 Чем чаще вскрикиваете - тем дольше будете пользоваться продуктом.
Пример: пользуюсь Todoist как одним из основных инструментов личного тайм-менеджмента. И даже в бесплатной версии периодически офигеваю, что они умеют. Вот буквально сегодня в очередной раз подумал - ого, а так можно было?!
На секундочку - я использую его уже 3 года и перепробовал порядка 7 разных сервисов. Они просто выбили всех из моей жизни за счёт этого пункта.
Давайте накидаем 20 пальцев вверх 👍🏻 на этот пост и в следующий раз будет лайфхак - как сделать аналитику «превентивной», чтобы было мало adhoc, ASAP и горящей задницы всех вокруг 🤡
Сегодня хочу поговорить про retention и рекуррентность продукта. Только не про то, как считать retention и чем отличается n-day от rolling. А про то, какие штуки реально влияют на удержание пользователей.
Прочитайте эти три пункта ниже и ответьте на вопросы:
* Реализовано ли это у вас?
* Как вы можете реализовать это в своей работе?
Гарантирую - если вы проработаете в своём продукте эти 3 пункта, то через полгода ваш retention будет втрое выше, чем был 😏
Пример 1: многие дизайнеры пересели с Фотошопа на Canva, потому что тупо лень. Ну и что, что не Фотошоп. Зато быстро и без напряга.
Пример 2: слышали про соревновательную платформу по Data Science - Kaggle? Ее основная сильная сторона в одной фиче - рейтинге участников. Крутыши пишут у себя в профилях «Kaggle Grandmaster». А остальные смотрят, завидуют и хотят также. Эгоизм в чистом виде.
2. Точек боли должно быть мало.
Если чтобы войти в сервис, нужно станцевать с бубном - половина пользователей выберет другой продукт. А если таких танцев во время использования много - каждая из них режет вам клиентов.
Здесь речь и про UX/UI, и про скорость, и про насколько продукт вообще решает задачу.
Пример: допустим вы хотите купить курс и выбираете между двумя компаниями, которым доверяете одинаково. Согласитесь - в итоге вы купите у того, кто позволяет оплатить сразу, а не через консультацию менеджера 🙂
3. Много aha-моментов
Aha-момент - это когда во время использования продукта вы вскрикиваете «нихера себе оно умеет!»
Пример: пользуюсь Todoist как одним из основных инструментов личного тайм-менеджмента. И даже в бесплатной версии периодически офигеваю, что они умеют. Вот буквально сегодня в очередной раз подумал - ого, а так можно было?!
Please open Telegram to view this post
VIEW IN TELEGRAM
👍74🔥8❤5
«Превентивная аналитика» или управляемый хаос 🤩
Знаете, что такое «превентивная медицина»? Это когда ты идешь к врачу не когда у тебя отвалился нос или всю еду съедают глисты и тебе ничего не остается. А когда ты ежедневно делаешь всякие штуки, которые сохраняют тебе здоровье.
Вот и с аналитикой так. В основном все занимаются «спонтанной» аналитикой (это модно называть ad-hoc, но я бы назвал это «рандом»). Обычно этот процесс выглядит так:
руководитель генерирует рандомную гипотезу → менеджер кидает ее в аналитика с пометкой ASAP → аналитик не вникает и возвращает какой-то «кусок аналитики» → менеджер пересылает этот кусок аналитики руководителю → тот даже не читает, потому что гипотеза была рандомная и вообще не до нее
Э - эффективность, короче. Исправить ситуацию можно очень просто - достаточно внести небольшую правку в должностную инструкцию аналитика, изложив ее примерно так:
Основная обязанность аналитика - ежедневно мониторить собранные им дашборды, генерировать идеи и гипотезы на основании увиденного, а главное - сразу же встраивать мониторинг найденных инсайтов в общую систему дашбордов и передавать их в работу команде, если гипотеза подтвердилась.
То есть видите разницу, да? Раньше - никакого фокуса на результат, чисто процесс. Теперь - замкнутый пайплайн генерации и тестирования гипотез с моментальным запуском в работу.
Простой пример:
В результате ежедневного мониторинга дашборда с рекламой аналитик предположил, что цвет рекламного объявления очень сильно влияет на перформанс баннера. Проверил - реально так.
Значит следующие правильные шаги:
1. добавить в общую систему рекламных дашбордов график, который будет наглядно отображать эту зависимость всем членам команды в real time
2. обратить внимание рекламщиков на это и предложить протестировать эту гипотезу в бою
Если руководствоваться таким подходом, то количество ad-hoc будет сведено к минимуму, просто потому что команда будет сфокусирована на проработке тех инсайтов, которые нашел аналитик, а не на выдумывании новых бесполезных «гениальных идей». Каждый будет качественно заниматься своей работой.
Получается, что все это можно описать одной простой фразой.
Аналитик - это не чел, который умеет в Python и дашборды. Это член команды, KPI-ем которого является количество превентивно сгенерированных и донесенных до команды в понятной форме гипотез, которые привели к реальному росту метрик в бизнесе.
Кстати, получается, у этого есть upside и для самого сотрудника -вместо «писал выгрузки на SQL» в резюме он сможет смело отразить «снизил CPL на 30% и увеличил маржу на 15%» и на деле показать, что это не булши т 😏
Знаете, что такое «превентивная медицина»? Это когда ты идешь к врачу не когда у тебя отвалился нос или всю еду съедают глисты и тебе ничего не остается. А когда ты ежедневно делаешь всякие штуки, которые сохраняют тебе здоровье.
Вот и с аналитикой так. В основном все занимаются «спонтанной» аналитикой (это модно называть ad-hoc, но я бы назвал это «рандом»). Обычно этот процесс выглядит так:
руководитель генерирует рандомную гипотезу → менеджер кидает ее в аналитика с пометкой ASAP → аналитик не вникает и возвращает какой-то «кусок аналитики» → менеджер пересылает этот кусок аналитики руководителю → тот даже не читает, потому что гипотеза была рандомная и вообще не до нее
Э - эффективность, короче. Исправить ситуацию можно очень просто - достаточно внести небольшую правку в должностную инструкцию аналитика, изложив ее примерно так:
Основная обязанность аналитика - ежедневно мониторить собранные им дашборды, генерировать идеи и гипотезы на основании увиденного, а главное - сразу же встраивать мониторинг найденных инсайтов в общую систему дашбордов и передавать их в работу команде, если гипотеза подтвердилась.
То есть видите разницу, да? Раньше - никакого фокуса на результат, чисто процесс. Теперь - замкнутый пайплайн генерации и тестирования гипотез с моментальным запуском в работу.
Простой пример:
В результате ежедневного мониторинга дашборда с рекламой аналитик предположил, что цвет рекламного объявления очень сильно влияет на перформанс баннера. Проверил - реально так.
Значит следующие правильные шаги:
1. добавить в общую систему рекламных дашбордов график, который будет наглядно отображать эту зависимость всем членам команды в real time
2. обратить внимание рекламщиков на это и предложить протестировать эту гипотезу в бою
Если руководствоваться таким подходом, то количество ad-hoc будет сведено к минимуму, просто потому что команда будет сфокусирована на проработке тех инсайтов, которые нашел аналитик, а не на выдумывании новых бесполезных «гениальных идей». Каждый будет качественно заниматься своей работой.
Получается, что все это можно описать одной простой фразой.
Аналитик - это не чел, который умеет в Python и дашборды. Это член команды, KPI-ем которого является количество превентивно сгенерированных и донесенных до команды в понятной форме гипотез, которые привели к реальному росту метрик в бизнесе.
Кстати, получается, у этого есть upside и для самого сотрудника -
Please open Telegram to view this post
VIEW IN TELEGRAM
🦄82🔥4👍3❤2
ABCD-сегментация клиентов или «не наш клиент» 😱
✅ Пролог
Однажды я пришел к знакомому (пусть его зовут Артем) на строительный рынок за краской. И стал свидетелем удивительной картины - к нему зашел вполне платежеспособный взрослый мужчина и спросил банку за 10 000 рублей. У меня в глазах уже замелькали доллары и радость, что у Артема «бизнес прет». А Артем тем временем с серьезным видом ответил:
Краски нет, посмотрите в другом магазине.
Я был в шоке, потому что эта краска стояла прямо около моего носа. Я законно возмутился:
Тёма, как же так, вот она стоит - зачем ты ему отказал?!
А Артем спокойно ответил:
Таких тут сотни ходят. Это просто не мой клиент.
Тогда я подумал, что Артем просто не умеет продавать да и вообще дурак. А на деленет - и дальше я расскажу почему.
✅ Сегментация клиентов для продаж
Представьте, что у вас в день приходит 1000 лидов, а ваш отдел продаж может обработать только 100. Как быть? Очень просто - внедрить ABCD-сегментацию и первичную квалификацию клиентов. Это простая череда вопросов, где вы выясняете:
1. Насколько клиенту актуален ваш продукт
2. Насколько срочно клиенту нужно решить проблему
3. Готов ли он за нее заплатить стоимость вашего продукта
Найти ответы на них можно в ненавязчивом диалоге через вспомогательные вопросы (или анкета-опрос после заполнения заявки на сайте). Например, такой вопрос позволит косвенно узнать - рассматривает ли человек платные курсы и какой ценовой диапазон он выбрал:
Подскажите, вы уже смотрели какие-то платные курсы, помимо нашего? Какие вам больше всего приглянулись?
А далее делим всех клиентов на 3-4-5 групп, в зависимости от ответов (классика - ABCD, 4 группы):
* A - у них болит, нужно срочно, готовы платить
* B - у них болит, но либо не очень срочно, либо не совсем устраивает цена
* C - боль не ярко выражена, не горит, по цене не совсем устраивает
* D - вообще проходили мимо
Соответственно, далее отдел продаж связывается с клиентами в порядке приоритета, закрывая только самые горячие сделки.
✅ Сегментация клиентов для аналитики
Но ABCD-сегментация полезна не только для продаж, но и для аналитики. Пример аналитических выводов на основании такой сегментации:
* Много сегмента C/D и мало A/B - плохой верх воронки, т.е. рекламный трафик
* Много сегмента A/B и мало продаж - плохая работа отдела продаж
* Сплошной сегмент A/B - либо срочно нужно расширяться, либо вам врут 🙂
✅ Эпилог
В общем, ABCD-сегментация клиентов - очень важная штука и внедрять ее нужно в каждом бизнесе, в каждой нише. А тот, кто пропушит ее внедрение в компании, станет героем и причиной быстрого роста бизнеса 😉
А Артем, получается, не дурак, аsenior-аналитик чертов рыночный гений!
Давайте соберем на этом посте 30 сердечек ❤️, и в следующий раз я расскажу про гранулярность признаков и аналитику в SMM.
✅ Пролог
Однажды я пришел к знакомому (пусть его зовут Артем) на строительный рынок за краской. И стал свидетелем удивительной картины - к нему зашел вполне платежеспособный взрослый мужчина и спросил банку за 10 000 рублей. У меня в глазах уже замелькали доллары и радость, что у Артема «бизнес прет». А Артем тем временем с серьезным видом ответил:
Тёма, как же так, вот она стоит - зачем ты ему отказал?!
А Артем спокойно ответил:
Таких тут сотни ходят. Это просто не мой клиент.
Тогда я подумал, что Артем просто не умеет продавать да и вообще дурак. А на деле
Представьте, что у вас в день приходит 1000 лидов, а ваш отдел продаж может обработать только 100. Как быть? Очень просто - внедрить ABCD-сегментацию и первичную квалификацию клиентов. Это простая череда вопросов, где вы выясняете:
1. Насколько клиенту актуален ваш продукт
2. Насколько срочно клиенту нужно решить проблему
3. Готов ли он за нее заплатить стоимость вашего продукта
Найти ответы на них можно в ненавязчивом диалоге через вспомогательные вопросы (или анкета-опрос после заполнения заявки на сайте). Например, такой вопрос позволит косвенно узнать - рассматривает ли человек платные курсы и какой ценовой диапазон он выбрал:
Подскажите, вы уже смотрели какие-то платные курсы, помимо нашего? Какие вам больше всего приглянулись?
А далее делим всех клиентов на 3-4-5 групп, в зависимости от ответов (классика - ABCD, 4 группы):
* A - у них болит, нужно срочно, готовы платить
* B - у них болит, но либо не очень срочно, либо не совсем устраивает цена
* C - боль не ярко выражена, не горит, по цене не совсем устраивает
* D - вообще проходили мимо
Соответственно, далее отдел продаж связывается с клиентами в порядке приоритета, закрывая только самые горячие сделки.
✅ Сегментация клиентов для аналитики
Но ABCD-сегментация полезна не только для продаж, но и для аналитики. Пример аналитических выводов на основании такой сегментации:
* Много сегмента C/D и мало A/B - плохой верх воронки, т.е. рекламный трафик
* Много сегмента A/B и мало продаж - плохая работа отдела продаж
* Сплошной сегмент A/B - либо срочно нужно расширяться, либо вам врут 🙂
✅ Эпилог
В общем, ABCD-сегментация клиентов - очень важная штука и внедрять ее нужно в каждом бизнесе, в каждой нише. А тот, кто пропушит ее внедрение в компании, станет героем и причиной быстрого роста бизнеса 😉
А Артем, получается, не дурак, а
Давайте соберем на этом посте 30 сердечек ❤️, и в следующий раз я расскажу про гранулярность признаков и аналитику в SMM.
❤61👍5🔥2
«Перфекционизм - первый враг аналитики» или гранулярность признаков 🔥
Я перфекционист. Если я пишу код - я сразу пишу с конфигами, автотестами и докером. Если пишу текст - упарываюсь в смайлики, отступы, форматирование и так далее. Это классное качество, но когда его слишком много - это сильно мешает жить. А еще мешает делать качественную аналитику.
Приведу несколько примеров, чтобы показать, как это проявляется:
1. Какое-то время назад мы решили внедрить аналитику в перформанс-рекламу - научились разбирать каждый баннер на цвета (основной и вспомогательные), объекты (кошка/пианино/китаянка), отдельные слова (купи/приходи/вебинар/на/скидка) и кучу других признаков (порядка 50). После этого мы собрали дашборд и понаделали кучу фильтров - можно было отсортировать и фильтрануть абсолютно все, что угодно. Кажется, это успех.
2. Аналогично мы сделали с email-рассылками - по каждому письму мы выделяли формат (контент/промо/опрос), тему, содержание (истории успеха, социальные доказательства, навыки аналитика) и CTA (купи, подпишись, регистрируйся). Получилось в итоге порядка 40-50 значений признаков - мы буквально знали о каждом письме все.
3. Не поверите, но с SMM-постами в социальные сети мы сделали также - у нас была куча групп: шпаргалка, туториал, заметка, опрос, лайфхак и так далее. Разумеется, все было в удобной табличке, с кросс-фильтрации, разными представлениями и сортировкой.
И знаете, что объединяет все эти 3 истории? Кроме того, что мы потратили на это уйму времени -МЫ НИХРЕНА НЕ СМОГЛИ ПРОАНАЛИЗИРОВАТЬ . И это парадокс - как так, вроде же у нас максимально детализировано все было разбито + удобно подготовлено для аналитики: фильтры, представления, подсветка, разбивка на группы и т.д.
Мы обдумали все и поняли - нас сгубила лишняя гранулярность признаков: мы слишком подробно раздробили признаки, из-за чего у нас тупо было недостаточно данных для проведения анализа. Чтобы получить какие-то статзначимые выводы, надо было отправить условно миллион писем или открутить миллион разных баннеров. Сам фреймворк рабочий, но мы стали заложниками своей же детализации.
Плюс в жизни зачастую не низкоуровневые структуры влияют на результат (например, отдельное слово вряд ли напрямую влияет на перформанс баннера), а более общие - например, «смыслы», упоминание чего-то в тексте, наличие триггеров в тексте и так далее.
Теперь во всех проектах мы стараемся объединять признаки в группы. Это непростой процесс, порой уходит несколько итераций, чтобы результат получился качественным. Например, весь «экспертный» контент в наши соцсети мы ужали до двух категорий: «шпаргалка» и «образовательный контент». Чтобы это сделать, у нас ушло несколько итераций обсуждений с кучей примеров и легким спором. Зато в конце у нас получилась исчерпывающая картинка и мы даже дали формальное определение каждой группе!
В общем, мораль такая: будьте осторожны при проведении аналитики - не дробите признаки слишком сильно и старайтесь обобщать, чтобы получать «необходимый и достаточный» (всем математикам привет 🙂) набор признаков.
А когда этот пост наберет 100 огонечков 🔥, я поделюсь с вами шаблоном таблицы, которую мы используем для проведения аналитики по email-рассылкам!
Я перфекционист. Если я пишу код - я сразу пишу с конфигами, автотестами и докером. Если пишу текст - упарываюсь в смайлики, отступы, форматирование и так далее. Это классное качество, но когда его слишком много - это сильно мешает жить. А еще мешает делать качественную аналитику.
Приведу несколько примеров, чтобы показать, как это проявляется:
1. Какое-то время назад мы решили внедрить аналитику в перформанс-рекламу - научились разбирать каждый баннер на цвета (основной и вспомогательные), объекты (кошка/пианино/китаянка), отдельные слова (купи/приходи/вебинар/на/скидка) и кучу других признаков (порядка 50). После этого мы собрали дашборд и понаделали кучу фильтров - можно было отсортировать и фильтрануть абсолютно все, что угодно. Кажется, это успех.
2. Аналогично мы сделали с email-рассылками - по каждому письму мы выделяли формат (контент/промо/опрос), тему, содержание (истории успеха, социальные доказательства, навыки аналитика) и CTA (купи, подпишись, регистрируйся). Получилось в итоге порядка 40-50 значений признаков - мы буквально знали о каждом письме все.
3. Не поверите, но с SMM-постами в социальные сети мы сделали также - у нас была куча групп: шпаргалка, туториал, заметка, опрос, лайфхак и так далее. Разумеется, все было в удобной табличке, с кросс-фильтрации, разными представлениями и сортировкой.
И знаете, что объединяет все эти 3 истории? Кроме того, что мы потратили на это уйму времени -
Мы обдумали все и поняли - нас сгубила лишняя гранулярность признаков: мы слишком подробно раздробили признаки, из-за чего у нас тупо было недостаточно данных для проведения анализа. Чтобы получить какие-то статзначимые выводы, надо было отправить условно миллион писем или открутить миллион разных баннеров. Сам фреймворк рабочий, но мы стали заложниками своей же детализации.
Плюс в жизни зачастую не низкоуровневые структуры влияют на результат (например, отдельное слово вряд ли напрямую влияет на перформанс баннера), а более общие - например, «смыслы», упоминание чего-то в тексте, наличие триггеров в тексте и так далее.
Теперь во всех проектах мы стараемся объединять признаки в группы. Это непростой процесс, порой уходит несколько итераций, чтобы результат получился качественным. Например, весь «экспертный» контент в наши соцсети мы ужали до двух категорий: «шпаргалка» и «образовательный контент». Чтобы это сделать, у нас ушло несколько итераций обсуждений с кучей примеров и легким спором. Зато в конце у нас получилась исчерпывающая картинка и мы даже дали формальное определение каждой группе!
В общем, мораль такая: будьте осторожны при проведении аналитики - не дробите признаки слишком сильно и старайтесь обобщать, чтобы получать «необходимый и достаточный» (всем математикам привет 🙂) набор признаков.
А когда этот пост наберет 100 огонечков 🔥, я поделюсь с вами шаблоном таблицы, которую мы используем для проведения аналитики по email-рассылкам!
🔥112👍7
Челлендж: анализируем рекламную воронку 🔥
Анализировать маркетинг — всегда очень сложно. Сколько бы я это не делал — никогда еще не получалось находить однозначные ответы, из которых можно сделать четкий вывод и сразу же его внедрить. Всегда есть какой-то «нюанс».
И в этот пятничный вечер предлагаю устроить небольшой интерактив-конкурс, почелленджить боевую задачку. Правила простые:
1. Я описываю задачу
2. Вы выбираете правильный вариант ответа
3. В комментариях пишите - почему вы считаете его верным
4. Победитель выбирает тему следующего поста - какую он/она скажет, про это пост и напишу 😁
ДАНО
Представим ситуацию, будто у нас запущена вебинарная воронка:
люди видят рекламу ВКонтакте → переходят на сайт → записываются на вебинар → проваливаются в телеграм-бота → им приходит приглашение на вебинар → на вебинаре даем контент + окно продаж → люди покупают
Мы замерили показатели рекламы:
* CTR (конверсия из показа объявления в клик) — 2% (среднее по рынку — 0.5%)
* CPL (стоимость лида) — 100 руб (среднее по рынку — 200 руб)
* CR1 (конверсия из посетителя сайта в лида) — 35% (среднее по рынку — 15%)
* CR-Q (доходимость до вебинара) — 15% (средняя по рынку — 40%)
* CR2 (конверсия из зрителя в оплату) — 10% (средняя по рынку — 1.5%)
На данный момент наша воронка убыточная — на рекламу мы тратим больше, чем зарабатываем.
ЗАДАЧА
Не обладая больше никакой информацией, какой набор выводов кажется вам более правильным?
# 1
* Оффер в объявлении и на сайте слишком кликбейтный
* Контент на вебинаре не совпадает с обещанным на сайте
* Но сам вебинар супер качественный
# 2
* Тема вебинара людям не интересна
* Нужно поменять настройки таргетинга (гео, возраст, интересы), чтобы лиды были более целевые
* Вебинар нельзя запускать на большую аудиторию, т.к. мы просто сольем бюджет и экономика не сойдется
ЗАКЛЮЧЕНИЕ
Если вам кажется правильным #1 вариант - ставьте реакцию огонечка 🔥, а если #2 - реакцию сердечка ❤️ А также не забудьте написать в комментариях — почему вы выбрали именно этот вариант!
Анализировать маркетинг — всегда очень сложно. Сколько бы я это не делал — никогда еще не получалось находить однозначные ответы, из которых можно сделать четкий вывод и сразу же его внедрить. Всегда есть какой-то «нюанс».
И в этот пятничный вечер предлагаю устроить небольшой интерактив-конкурс, почелленджить боевую задачку. Правила простые:
1. Я описываю задачу
2. Вы выбираете правильный вариант ответа
3. В комментариях пишите - почему вы считаете его верным
4. Победитель выбирает тему следующего поста - какую он/она скажет, про это пост и напишу 😁
ДАНО
Представим ситуацию, будто у нас запущена вебинарная воронка:
люди видят рекламу ВКонтакте → переходят на сайт → записываются на вебинар → проваливаются в телеграм-бота → им приходит приглашение на вебинар → на вебинаре даем контент + окно продаж → люди покупают
Мы замерили показатели рекламы:
* CTR (конверсия из показа объявления в клик) — 2% (среднее по рынку — 0.5%)
* CPL (стоимость лида) — 100 руб (среднее по рынку — 200 руб)
* CR1 (конверсия из посетителя сайта в лида) — 35% (среднее по рынку — 15%)
* CR-Q (доходимость до вебинара) — 15% (средняя по рынку — 40%)
* CR2 (конверсия из зрителя в оплату) — 10% (средняя по рынку — 1.5%)
На данный момент наша воронка убыточная — на рекламу мы тратим больше, чем зарабатываем.
ЗАДАЧА
Не обладая больше никакой информацией, какой набор выводов кажется вам более правильным?
# 1
* Оффер в объявлении и на сайте слишком кликбейтный
* Контент на вебинаре не совпадает с обещанным на сайте
* Но сам вебинар супер качественный
# 2
* Тема вебинара людям не интересна
* Нужно поменять настройки таргетинга (гео, возраст, интересы), чтобы лиды были более целевые
* Вебинар нельзя запускать на большую аудиторию, т.к. мы просто сольем бюджет и экономика не сойдется
ЗАКЛЮЧЕНИЕ
Если вам кажется правильным #1 вариант - ставьте реакцию огонечка 🔥, а если #2 - реакцию сердечка ❤️ А также не забудьте написать в комментариях — почему вы выбрали именно этот вариант!
❤33🔥17👍4
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