​​Презентация по вовлечению с мероприятия KDD 2020 и хорошая краткая выжимка от Павла Левчука:

1/ Существует 3 уровня вовлечения:
-- involvement (Presence of a user);
-- interaction (Action of a user);
-- contribution (Input of a user).

Ретеншн является производной от вовлечения. Поэтому наращивать ретеншн можно разными способами влияя на цепочку involvement → interaction → contribution.

2/ На 3 вышеописанных уровня вовлечения можно смотреть по-разному:
-- intra-sessions (измерять активность пользователя в продукте во время сессии);
-- inter-sessions (измерять привычку пользователя и лояльность за длительный период времени);

3/ Оценивать результаты А/Б-тестов только по intra-session метрикам опасно. Поэтому выработать и смотреть на долгие метрики (inter-sessions) - необходимость.

4/ Возможно, одна из самых недооцененных метрик в inter-sessions это метрика absence time.

Хотя, если вернуться к Reforge Retention Framework, то формирование привычки там определяется по схеме N действий за M дней, что неявно включает в себя absence time.

5/ Метрика Number of Days (а по-сути) гистограмма пользования (power user smile curve), о которой писал еще Andrew Chen, становится одним из стандартных способов качественной оценки вовлеченности. Правда, нужно понимать цикл повторного использования продукта, чтобы делать правильные выводы.

via @ProductAnalytics

​​Как находить инсайты в данных?

В сети опубликовали примеры SQL-запросов для решения заданий Insights from Data with BigQuery от Qwiklabs.

@BigQuery

​​Крутая подборка Python-скриптов для автоматизации рутинных задач SEO-специалиста: https://vc.ru/seo/91963-nabor-python-skriptov-dlya-avtomatizacii-rutinnyh-zadach-seo-specialista

via @MarkeTech

Бесплатный курс про A/B-тесты от Devtodev, рассматриваются правила работы с гипотезами: как их искать и находить, как определять приоритеты, как отбрасывать ненужные, когда A/B-тест нужен, а когда нет: https://www.devtodev.com/education/online-course/ab-tests-from-a-to-b-part1

via @ABtesting

​​Как мобильная аналитика улучшает экономику приложения:

https://www.cossa.ru/special/mobile/274100/

via @ProductAnalytics

​​Отличный туториал по построению оптимизации в продукте:

https://onlineuserengagement.github.io

via @ProductAnalytics

Что такое продуктовая аналитика? Все про когорты, удержание и аб тесты. Артем Чистяков

https://www.youtube.com/watch?v=PjReZ4N5GrM

via @ProductAnalytics

A-ha моменты в продукте: системный подход к поиску:
https://ecommerce-in-ukraine.blogspot.com/2020/09/aha-via-woe-iv.html

via @ProductAnalytics

​​Google представил новый бесплатный онлайн-курс по аналитике игровых приложений в Google Analytics: https://bit.ly/300rLyh

via @WebAnalyst

​​Хорошая статья о том, как работают с удержанием пользователей в Microsoft.

via @ProductAnalytics

A/B-тесты - не единственный инструмент для понимания причинно-следственной связи: квазиэксперименты и контрфакты - альтернативные инструменты для причинного вывода:
https://medium.com/data-shopify/how-to-use-quasi-experiments-and-counterfactuals-to-build-great-products-487193794da

via @ABtesting

​​Интересная заметка о том, как находить аномалии в данных, используя закон Бенфорда. Применяется для контроля качества данных, определения мошенничества и даже фальсификаций на выборах.

@BigQuery

​​Вчера был тот день, когда Google официально объявил Universal Analytics устаревшей версией Google Analytics и представил новый Google Analytics 4 (ранее он назывался Google Analytics App+Web). Вот краткая выжимка из того, что известно на данный момент по новым возможностям:

- #GA4 сможет работать вообще без cookie;
- В GA4 можно будет проводить cross-platform анализ (например, мерять конверсии после просмотра видео на YouTube);
- Новая настройка интеграции с Google BigQuery, в которой можно выбрать из каких data streams экспортировать сырые данные и как часто (ежедневно и почти real-time streaming), а также можно выбрать локацию для данных (это важно, потому что данные из разных локаций запрашивать в одном запросе нельзя);
- В GA4 будет фокус на автоматизации, прогнозировании на базе ML алгоритмов Google и cross-device аналитике;
- В GA4 появится новый Measurement Protocol, импорт данных, междоменное отслеживание и абсолютно новая фича — редактирование событий.

Google обещает постепенно выкатывать новый функционал в ближайшее время, потому следите за апдейтами.

via @WebAnalyst

Искать инсайты и ответы в данных аналитики — ключевой навык в работе с продуктом. Часто именно в этом — потенциал роста для многих продактов.

Чтобы апгрейдить этот навык, полезно не только анализировать данные в своем продукте, но и изучать кейсы других.

Команда @epicgrowth запускают образовательный IT-сериал — Epic Growth SEASONS. Сериал для всех, кто занимается развитием и ростом продуктов.

Каждую неделю — новые кейсы роста от экспертов из быстрорастущих компаний, таких как Netflix, Miro, HubSpot, Яндекс GO, SoundCloud, Flo, Revolut и других.

💥 В программе — кейсы по продуктовой аналитике, A/B-тестам, метрикам экспериментов и многое другое. Мощная программа докладов уже опубликована.

Старт — 28 октября.

Новые серии SEASONS будут доступны в подписке. Узнать больше и оформить подписку http://bit.ly/seasons-analytics

​​Хорошая база знаний по А/Б-тестам:
https://exp-platform.com

via @ABtesting

​​Интересный опыт выбора структуры команды аналитиков:
https://medium.com/snaptravel/how-should-our-company-structure-our-data-team-e71f6846024d

via @ProductAnalytics

​​Основные выводы об удержании и ускорении роста Saas-компаний из Reforge Growth Series от Продуктового Аналитика Xero:
https://annailtiakov.medium.com/how-retention-separates-the-top-1-9b54373d090d

via @ProductAnalytics

​​Хороший пример сегментации клиентов с использованием BigQuery ML и модели k-means.

@BigQuery

​​Инструкция по парсингу данных веб-страниц с помощью Python.

via @ProductAnalytics

​​Подборка способов, как можно ускорить анализ данных на Python:
https://towardsdatascience.com/five-ways-for-faster-data-analysis-801a043bfea9

via @ProductAnalytics

​​Как поддерживать рост через монетизацию старых пользователей

Проблема многих команд — нужно поддерживать постоянный рост выручки. Команда Flo решила протестировать гипотезу: если старые пользователи любят продукт и готовы платить деньги за долгосрочную ценность, они будут возвращаться.

Результат — работает! Команда Flo получила >50% от общего роста выручки за 2020 год за счет конверсий за пределами онбординга (то есть старых пользователей).

Что сделали:
Показатели DAU, WAU, MAU разложили на компоненты. Использовали методику, которая помогает оценить потенциал роста аудитории. Показатели MAU разбили на категории:
— новые пользователи (new users);
— пользователи, которые возвращаются из месяца в месяц (retained users);
— пользователи, которые пользовались продуктом, потом перестали, и через какое-то время снова вернулись к пользованию (resurrected users);
— пользователи, которые перестали пользоваться продуктом (churned users).

Когда вы построите такой график, можно сделать следующие выводы:
— насколько высокий MAU Retention Rate;
— каков объем потенциальной аудитории, с которой можно работать.

В своем докладе для @epicgrowth Дима Золотухин, Head of Analytics во Flo поделился, как эта стратегия работает на конкретных кейсах.

Как монетизировать старых пользователей: https://bit.ly/analytics-flo