​​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

​​В сети появился отличный пример рассчета уровня значимости результатов A/B-тестирования в BigQuery с применением user-defined functions.

@BigQuery

​​Денис Соловьев (@ds_im) поделился опытом построения системы маркетинговой аналитики на базе Google Cloud.

https://www.youtube.com/watch?v=mqE6Q3WmoCU

via @MarkeTech

​​О Кривой развлекательной ценности и об успехах TikTok:
https://www.reforge.com/blog/entertainment-value-curve

via @ProductAnalytics

​​Google представил базовый вводный онлайн-курс по #GA4. Он короткий, бесплатный, на русском языке и в виде интерактивной инфографики. Подойдет для всех, кто хочет начать изучение возможностей системы и отличий от предыдущих версий.

https://bit.ly/37uVUc6

via @WebAnalyst

О метриках, сегментации и монетизации в играх, и применении игровых механик в продуктах:
https://apptractor.ru/measure/user-analytics/make-sense-117.html

via @ProductAnalytics

​​Один из способов оценки нового функционала продукта:
https://rama-moyano.medium.com/measuring-feature-success-kpi-definition-for-product-managers-c9fc9cf569da

via @ProductAnalytics

​​Пример сегментации пользователей на основе их кликов с использованием BigQuery ML.

@BigQuery

​​Хорошее руководство по работе с данными Google Analytics 4 или Firebase с примерами SQL-запросов.

@BigQuery

​​Как замерять производительность продукта:
https://blog.amplitude.com/getting-your-product-team-to-a-growth-mindset-requires-kdis-not-kpis

"If you empower your team to learn as opposed to always hitting numbers, you are well on your way to a growth mindset."

via @ProductAnalytics

​​Как объединить общедоступные глобальные данные о погоде и данные Google Analytics в BigQuery, примеры SQL-запросов для Firebase (GA4) и Universal Analytics (GA 360).

@BigQuery

​​Analytics Engineering в Spotify. Кто они такие и какая их роль.

via @ProductAnalytics

Доклад Виталия Давыдова CEO Adapty на конференции Матемаркетинг-2020: "Как меняется мобильный маркетинг и как быть с подписками с iOS14?"

https://www.youtube.com/watch?v=4U2rprMzeWg

via @ProductAnalytics

​​Как получить больше ценности от продуктовой аналитики, набирает популярность новая роль в больших продуктовых командах (ProductOps).

via @ProductAnalytics

​​Основные задачи и компетенции ProductOps по ссылке.

via @ProductAnalytics

​​Кажется, Google нашел способ, как показывать рекламу по интересам не нарушая приватность пользователей. Новое решение называется — Federated Learning of Cohorts (FLoC), которое подразумевает, что ваши данные не будут отправляться на сервера, а будут обрабатываться локально на устройстве и подмешиваться в сегменты пользователей с похожими интересами. Google уже проводил эксперименты и утверждает, что новая технология способна обеспечить почти такое же количество конверсий от рекламы (95%), как и технология с использованием 3-party cookie. Я нашел хорошую статью с объяснением того, как работает FLoC и с примером Python-кода, который воспроизводит логику на демонстрационных данных.

via @MarkeTech

​​Хороший справочник по A/B-тестированию и выбору критериев с примерами кода на Python.

via @ProductAnalytics

​​Вчера прошла онлайн-конференция по рекламным технологиям — AdTalks. Там было много интересных докладов, но сейчас я бы хотел обратить ваше внимание на классный доклад про то, как подготовить ваш рекламный аккаунт в Facebook к выходу новой версии iOS, в которой будет несколько изменений по трекингу, влияющих всю индустрию мобильной рекламы (об этом я уже писал здесь).

Смотреть здесь: https://youtu.be/LF82ehkXkIA?t=5496

Так же, можете посмотреть еще один доклад на тему трекинга мобильной рекламы в iOS14.5 от AppsFlyer: https://www.bigmarker.com/appsflyer/IOS-14

via @MarkeTech