На Степике стартовал курс "Введение в Data Science и машинное обучение":
https://stepik.org/course/4852/promo

​​Алексей Куличевский написал очень хорошую статью, как самостоятельно сделать когортный анализ на Python с помощью одной из самых популярных библиотек для работы с данными Pandas. Также, несколькими днями ранее в его блоге появилась большая подробная шпаргалка по этой библиотеке. Рекомендую сохранить в закладки!

via @WebAnalyst

Серия вебинаров по дашбордам от Tableau (EN):
https://www.tableau.com/learn/series/dashboards

Лёгкое субботнее чтение.

Лёша Долотов, долгое время бывший главным аналитиком Яндекса, написал статью о своём пути внутри компании и даёт важные советы тем, кто принимает решения на основе данных.

https://habr.com/ru/company/yandex/blog/447822/

@internetanalytics

​​В BigQuery ML появилась возможность использовать алгоритм K-Means.
Как это помогает находить инсайты в данных, с шаблонами SQL-запросов, описано на примере публичных данных велопроката Лондона (EN).

via @BigQuery

Из последних обновлений в Google Cloud, которых что-то около 112, один из интересных это recommendation AI (https://cloud.google.com/recommendations/), который позволяет с помощью google shopping загрузить фид, с помощью GTM действия пользователя (как обычно: detail, search, addtocart и тп) и назад получить персонализированные списки рекомендованных товаров (формируемые по разным правилам). Мега вещь, которая может убить несколько бизнесов, которые делают тоже самое. И стоит это $.35 / 1000 predictions, причём первые 20k бесплатно

Процессы и место аналитика в продукте / Евгений Гильманов:
https://www.youtube.com/watch?v=Q0SOSZ3LDFg

У тебя есть $7, собери себе аналитика:

- Анализирует A/B тесты - $12
- Сам выдвигает гипотезы - $22
- Окупает свою зарплату - $11
- Работает с SQL - $9
- Знает R/Python - $12
- Знает Excel - $2
- Отвечает за качество данных - $8
- Ведёт Телеграм канал - $3
- Общается с коллегами - $2
- Пишет своё имя без ошибок - $1

via @ProductAnalytics

Всемирный заговор продактов

Настало время раскрыть одну из главных тайн: всемирный заговор продактов действительно существует! Несколько лет назад мы собрались и договорились, что будем делать вид, якобы продакт менеджер это очень сложная профессия, мы делаем кастомер джорней мап, работаем по скраму и ОКР, ищем боль пользователей, проверяем продуктовые гипотезы через A/B тесты, строим продуктовую стратегию. И что за это нужно платить кучу бабла. Вы не представляете, насколько сложно с серьезным лицом рассуждать обо всем этом на конференциях или встречах.

Этот пранк зашёл слишком далеко, настало время раскрыть правду.

1. В большинстве компаний продакт менеджеры вообще не нужны. Это лишнее звено между людьми, которые отвечают за бизнес компании, и разработкой продукта. Убери продакт менеджера с его кастомер джорней мап из этой цепочки и отправь, например, на прямые продажи - бизнес будет только в выигрыше.

2. Я уже писал, что лучшие продакт менеджеры - аналитики. В 2014 году ко мне в ivi пришла на собеседование на позицию продакта Маша и сказала, что она работает в крупной компании аналитиком и ее бесит, что она раскладывает все продуктовые метрики и показывает точки роста, а дальше продакт менеджер (тот самый, который состоит в заговоре) говорит что это не приоритет и профукивает задачу. Тогда я понял, кого мне нужно брать: людей, которые лучше всех на цифрах понимают как работает продукт, и имеют огромное желание свои исследования превратить в реальные продуктовые изменения. С того момента в ivi я не взял больше ни одного продакта с опытом работы продактом, только аналитиков. Маша, если ты это читаешь, спасибо тебе.

3. Самые лучшие продакт менеджеры - предприниматели. Но их фиг схантишь, потому что продакт, который сделал свой продукт и заработал на нем 500 тысяч рублей за месяц (это реально несложно), не понимает зачем идти в найм на меньшие или сопоставимые деньги, где ему ещё будут говорить что делать и на какие митинги ходить.

Превратите аналитиков в продакт менеджеров, а продакт менеджеров в предпринимателей внутри компании и будет вам счастье.

Почему все верят в метрику Всевластия, и как её найти. Презентация с ProductSense'19:
http://datalatte.ru/absolute_power_metrics

Пирамида метрик — это отличный инструмент анализа для того, чтобы понимать, из каких ключевых метрик состоит ваш продукт: в чем заключается North Star, как он декомпозируется на ключевые метрики.
Развернутая статья про пирамиду метрик:
http://sergeytikhomirov.ru/piramida-metrik/

Метрики надо не собирать. Их надо мониторить, анализировать и действовать.

Как часто люди приходят на позицию аналитиков и наводят кучу активности: новые евенты, новые метрики, «давайте поменяем систему аналитики или вообще напишем свою!». И потом 3 месяца ничего не делают, потому что еще не разработали систему аналитики, или не внедрили новую, или не прописали новые евенты. Ну и можно покурить бамбук.

Но как часто выясняется, что, в принципе, эту инфу можно достать из текущих данных. Да, не с такой гранулярность. Да, не с такой точностью. Но можно. и можно сделать выводы и провести «маленькую победоносную войну». Вот этого хочется: комбинацию быстрых результатов в краткосрочном периоде и системных изменений, которые в долгосрочном периоде значительно увеличат (может быть, скорее всего, я верю что) вероятность большой Победы.

Как ускорить работу с API на языке R с помощью параллельных вычислений:
https://habr.com/en/post/448404/

Лайфхак для аналитика:

В одном из мобильных операторов была задача определить пол абонентов. Предлагались разные ресурснозатратные варианты решения. Решили задачу просто: проанализировали входящие и исходящие смс сообщения на 8 марта.

via @ProductAnalytics

Леонид Кулигин из Google учит правильно работать с данными и рассказывает про частые ошибки в проведении экспериментов:
https://apptractor.ru/info/media/podlodka-108-analitika-i-eksperimenty.html

О том, как метаданные помогают работать с данными на примере Lyft:
https://eng.lyft.com/amundsen-lyfts-data-discovery-metadata-engine-62d27254fbb9

​​Павел Левчук написал хорошую статью про построение когорт в R, с примерами решений других популярных задач по аналитике продаж.

via @WebAnalyst

Интересный подход к измерению retention:
https://engineering.shopify.com/blogs/engineering/how-shopify-merchants-can-measure-retention

Как и любая технология, аналитика бывает поддерживающей и прорывной. Проблема 90% компаний и людей, которые просят консультаций по аналитике, - попытка смешивать два разных по процессу и результату понятия. Проблема компаний, которые оказались в тупике роста, сидя на золотых приисках данных, - их иллюзия относительно той аналитики, что они сумели выстроить.

Поддерживающая аналитика – это всем знакомая аналитика с её привычным жизненным циклом:

- полный хаос,
- налаженный сбор данных,
- система дэшбордов,
- этап рисерчей,
- этап предиктивных моделей и ML для персонализации.

Традиционная аналитика - это механизм по поддержке текущего варианта бизнес-модели или продукта.

Почему мы иногда ожидаем прорыров от неё? Если что-то перестало умирать, мы склонны воспринимать подобное явление как прорыв. Реанимация, во благо которой работает вся (поддерживающая) аналитика – это поддержка того, что есть.

Прорыв (а правильнее, подрыв) нужен, когда в компании есть признаки вырождения старой бизнес-модели, такие как замедление роста, выгорание маржинальных каналов и т.п. Прорывная аналитика - это когда вы можете в данных посмотреть, надо ли делать другой продукт и какой именно. Когда числа указывают:

- Меняйте бизнес-модель вот на такую.

Я тоже раньше думала, что это "космические корабли", оказалось, просто другая технология. И только.

Да-да. Забудьте все, чему вас учили. Это относилось к традиционной - поддерживающей аналитике. А именно то, что аналитика как работа патологоанатома, что аналитика имеет границы применимости, и про точки роста, которые не в данных надо искать, а через формирование нейронных связей у продактов и топов.
© Елена Серёгина

Новая статья на Go Practice!

"Slack в цифрах. Самое интересное из S-1 заявки Slack"

Недавно компания Slack подала заявку на публичное размещение на бирже. Меня эта история заинтересовала по простой причине. В августе 2016 года я присоединился к еще незапущенному публично Workplace by Facebook – прямому конкуренту Slack, и работал над продуктом 2.5 года.

Slack в своей S-1 заявке на почти 200 листов раскрыл мало нового. Но если совместить представленную информацию и знания о рынке, которые получилось набрать за время работы над их конкурентом, то вскрываются интересные детали и получается более целостная картина.

https://gopractice.ru/slack-in-numbers/

​​Руководство по использованию pandas для анализа больших наборов данных.

via @BigQuery