Статья с интересным примером прикладного анализа данных. Автор Олег Юрьев исследует характеристики, рейтинг и стоимость светодиодных ламп, сопровождая всё подробными комментариями.

http://rweather.ru/blog/all/veselaya-analitika-lamptest/

Друзья, смотрим полезный туториал:

https://habr.com/ru/post/483408/

Статья о том как важно для аналитика данных автоматизировать свои рутинные задачи, писать функции, которые будут использоваться из проекта в проект. В статье есть несколько примеров таких функций, например, для объединения csv-файлов или переименования колонок датафреймов.

https://towardsdatascience.com/automate-boring-tasks-with-your-own-functions-a32785437179

Зачем ограничивать себя в точности отчетов, если можно воспользоваться Google BigQuery?

Инструкция, которая поможет вам выгрузить сырые данные из Google Ads в Google BigQuery для более качественной оценки эффективности рекламы.

Сегодня техническо-аналитическая подборка.
🔹 Гайд по GTM в трех частях:

1️⃣ Что это, кому нужно и как начать работу.
https://pengstud.com/blog/gtm-1/

2️⃣ Создание и настройка тегов на примере Google Analytics.
https://pengstud.com/blog/gtm-2/

3️⃣ Миграция установленных напрямую на сайт тегов в GTM.
https://pengstud.com/blog/gtm-3/

Думаю, что будет продолжение. Следите за выпусками.

🔹 Подборка обучающих материалов для начинающего аналитика:
https://netpeak.net/ru/blog/podborka-obuchayushchikh-materialov-dlya-nachinayushchego-analitika/

#Analytics

​​Полезный пример SQL-запроса, позволяющий распарсить и транспонировать данные json-образной структуры из строк в колонки.

via @BigQuery

Как повысить продуктивность при анализе данных? 25 неочевидных инструментов
https://proglib.io/p/kak-povysit-produktivnost-pri-analize-dannyh-25-neochevidnyh-instrumentov-2020-01-16

via @ProductAnalytics

Что будет драйвить eCommerce в 2020?

В декабре компания 2Checkout [которая обеспечивает работу PayPal и других платежных сервисов] опубликовала результаты исследования, обозначив проблемы и задачи более 1200 eCommerce-компаний на 2020 год.

Важность каждого из критериев для успеха в сфере электронной коммерции определялась количеством упоминаний этого критерия респондентами.

В зоне повышенного внимания на сегодняшний день — потребительский опыт (user expiriense). 43% респондентов считают его драйвером для бизнеса и используют UX-анализ для оптимизации своих платформ. Чем проще и понятнее сервис, тем выше конверсия в клиента или покупателя.

Следующим драйвером eCommerce 31% опрошенных компаний считают аналитику, которая помогает оптимизировать интерфейс сайта и рекламу на основе полных данных о поведении пользователей как онлайн, так и оффлайн.

Вкладывают усилия в работу над узнаваемостью бренда 32% компаний и используют для этого в качестве основных инструментов платную рекламу (53%), социальные медиа (34%) и контент-маркетинг (19%). Считают целесообразными затраты на организацию мероприятий и PR 9% опрошенных.

На сегодняшний день самой проблемной областью eCommerce-компании называют оптимизацию воронки продаж (35%) с целью повышения конверсии. 22% респондентов считают необходимыми усилия по привлечению целевого трафика, удержанию клиентов (21%) и персонализации предложения (19%).

Поэтому среди внедряемых технологий в приоритете окажутся инструменты таргетинга (37%), оптимизации пользовательского пути (34%) и чат-боты (30%). К инструментам дополненной и виртуальной реальности, наоборот, респонденты относятся со скептицизмом — всего 19% намереваются использовать их в 2020 году.

Посмотреть инфографику 2Checkout подробнее можно здесь.

via @analyticsroom

​​Отличное разширение для chrome для работы с BigQuery от сервиса superQuery. Позволяет в бесплатной версии сохранять результаты запросов на 5-ти вкладках, контролировать затраты и нагрузку, искать по результатам, кешировать при повторном запросе, выгружать csv больше 6М строк, переходить в интерфейс superQuery и там строить простые графики.

via @BigQuery

Vit Cheremisinov и Iskandar Mirmakhmadov составили подборку книг, блогов и статей, рекомендуемых для погружения в область экспериментов и математической статистики. Однозначно в закладки!

Библиотека D-Tale позволяет отображать датафрейм в удобной таблице с возможностью сортировки и фильтрации. Чем-то похоже на Qgrid, но более навороченный. Ведь D-Tale умеет не просто отображать данные в ноутбуке, но и создавать в один клик веб-сервис, в котором таблица датафрейма будет доступна для обзора по URL. Это удобно для работы с данными из различных IDE, которые не поддерживаю pretty-вывод датафреймов.

https://github.com/man-group/dtale

​​В сети появилось новое решение на Python для экспорта данных Search Console в BigQuery с простым и доступным описанием.

via @BigQuery

Все что вам нужно знать про web-аналитику

Собрал для вас все самое основное, что нужно для аналитики digital-маркетинга

1. Чек лист проверки настройки Google Analytics
2. Чек лист проверки настройки Яндекс.Метрики
3. Сквозная аналитика: что это, зачем и как сложно создать. По мнению аналитиков, маркетологов и продактов. Часть один, два, три.
4. A/B тесты: зачем они нужны и как их проводить
5. Google Data Studio: зачем он нужен и как с ним работать
6. Когорный анализ: зачем он нужен бизнесу
7. Google Tag Manager: основные функции, чем он полезен

Большие обучающие видео:
1. Яндекс.Метрика: как настроить и как эффективно анализировать
2. Атрибуция в Google Analytics и Google Ads
3. Google Analytics: как настроить и как эффективно анализировать

Обзор пяти простых, но эффективных, методов pandas: shift, mask, value_counts, nlargest, nsmallest

https://towardsdatascience.com/5-elegant-python-pandas-functions-a4bf395ebef4

Углубленный курс по Python.

https://youtu.be/QLTdOEn79Rc

Воронка метрик AARRR

Несмотря на то, что концепция воронки AARRR была сформулирована еще в 2007 году (автор – Дэйв МакКлюр, основатель 500 Srartups), она все еще остается актуальной для многих типов продуктов.

Суть воронки в том, чтобы разбить путь пользователя на пять отдельных этапов, отслеживать разные метрики и экспериментировать на каждом из них:

Аcquisition – привлечение
Аctivation – активация
Retention – удержание
Revenue – монетизация
Referral – виральность

Подробный материал с разбором этапов воронки и примеры экспериментов: https://tgraph.io/Primenenie-voronki-AARRR-02-13

Статья с интересными примерами использования pandas для тестирования алгоритмов сбора и обработки данных

https://habr.com/ru/post/486756/

​​Пример прогнозирования позитивных или негативных настроений отзывов пользователей с помощью BigQuery ML и новой функции ML.NGRAMS.

via @BigQuery

Статья с интересными примерами использования pandas для тестирования алгоритмов сбора и обработки данных

https://habr.com/ru/post/486756/