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

RR поведенческая матрица - как следующий шаг после RF-матрицы, или как поведенческий сигнал может сильно изменить представление о том, что можно было бы сделать в качестве следующего шага:
https://ecommerce-in-ukraine.blogspot.com/2019/05/rr-rf.html

О том откуда появляется #bias в #ML и как с ним бороться:
https://parametric.press/issue-01/the-myth-of-the-impartial-machine/

via @ProductAnalytics

Русскоязычный перевод книги The Growth Handbook от Intercom.

Книга хороша для детального понимания процессов работы над ростом. Включает шесть разделов:

1. Привлечение
2. Активация
3. Удержание
4. Монетизация
5. Тестирование и оптимизация
6. Метрики и измерения

«Данная книга преподносит полный пакет идей, предложений и уроков по всему спектру роста – от привлечения до активации. Благодаря информации, любезно предоставленной людьми, которые вырастили свой бизнес с нуля до многих миллиардов долларов выручки, в ней излагаются проверенные временем советы для всех, кто работает в сфере продуктов, маркетинга и продаж» (с) Чамат Палихапитийя, первый Вице-президент Facebook по росту.

Ссылка для скачивания: https://yadi.sk/i/56LBNABD33vIww

5 отличных научных докладов про анализ поведения в играх с примерами:
http://progamedev.net/5-analytics-meetup/

Шпаргалка по тому, какой статистический критерий(/тест) использовать в разных случаях.

via @ABtesting

О том, когда Пирамида Метрик действительно эффективна и что делать, когда она too much:
https://medium.com/@elenest/metrics-frameworks-d7c800f91246

⁠Инженеры из Samsung AI показали модель нейросети, способную оживить лицо используя всего лишь одно статичное фото.
До этого использовали набор фото или даже видео. Выглядит потрясающее:
https://www.youtube.com/watch?feature=youtu.be&v=p1b5aiTrGzY

​​Отличный пример решения задачи анализа тональности текстов в социальных сетях на примере публикаций в Twitter во время выхода последней серии Game of Thrones (EN).

via @BigQuery

Осваиваем парсинг сайта: короткий туториал на Python:
https://proglib.io/p/web-scraping/

10 примеров по увеличению конверсии в 2 и более раз:
https://keplerleads.com/blog/10-sovetov/

Обновленная книга об онбординге от Intercom.

В книге 11 глав, из которых вы узнаете:

• Как произвести отличное первое впечатление
• Фреймворк для создания вашей стратегии онбординга
• Как спроектировать ваш поток онбординга и соответствующее повествование
• Как показать пользователям ценность и увеличить удержание
• Идеи по масштабированию и переходу на новый уровень

И многое другое:
https://www.intercom.com/books/onboarding

Как использовать Python и Plotly для статистической визуализации:
https://towardsdatascience.com/practical-statistics-visualization-with-python-plotly-770e96e35067

​​Google приобрел облачный BI инструмент Looker за 2.6 млрд. Теперь у GCP будет полноценное решение для BI. Google Data Studio остается упрощенным и удобным инструментом для локального использования.

via @BigQuery

Anaconda сделали инструмент для создания дашбордов в вебе - Panel.

По функционалу получилась штука сильно похожая на Dash или на Shiny в R. Радует, что в отличие от Dash, конфигурация дашбордов достаточно высокоуровневая (посмотрите пример построения простенького дашборда).

Помимо создания дашбордов, одной из задач, которую предлагается решать с помощью Panel - это создание простеньких прототипов приложений, работающих с данными. К примеру, с помощью Panel аналитики могут создавать собственные сервисы, предоставляющие UI к пайплайну обработки данных.

https://medium.com/@philipp.jfr/panel-announcement-2107c2b15f52

Примеры использования Data Science, которые изменили мир:
https://data-flair.training/blogs/data-science-use-cases/