Forwarded from Trisigma — про эксперименты
Написали статью для ProductSense про то, как оценивать качество систем сплитования для A/B.
https://sense23.com/post/kejs-kak-opredelyat-kachestvo-sistemy-a-b-testirovaniya?fbclid=IwAR3hBiyRVXT7VIO8gHlWFr3N2Sf74Pzz5DDdjvK3aLx-uhEoWtAfQO5XNPw
А 10го июня в 20-00 на совместном митапе Experiment Fest
x karpov.courses прочитаем лекцию про то, что такое метрики здоровья экспериментов и как их считать.
https://www.experiment-fest.ru/expf_karpov
https://sense23.com/post/kejs-kak-opredelyat-kachestvo-sistemy-a-b-testirovaniya?fbclid=IwAR3hBiyRVXT7VIO8gHlWFr3N2Sf74Pzz5DDdjvK3aLx-uhEoWtAfQO5XNPw
А 10го июня в 20-00 на совместном митапе Experiment Fest
x karpov.courses прочитаем лекцию про то, что такое метрики здоровья экспериментов и как их считать.
https://www.experiment-fest.ru/expf_karpov
Блог ProductSense
Кейс: как определять качество системы A/B-тестирования
Коллеги из ExperimentFest рассказывают, чем объясняется качество системы сплитования трафика и как его определить. В своей работе компании часто сталкиваются с ситуациями, когда системы сплитования…
Forwarded from WebAnalytics (Осиюк Дмитрий)
Google уже почти два года как выкатила крутейшую фичу в Google Data Studio — Extract Data. Это такой тип Data Source, который позволяет вытаскивать какой-то кусок данных из ваших существующих источников, гибко настраивать диапазон дат для извлечения и автоматически обновлять эти данные по расписанию. Например, можно настроить ежедневное извлечение данных с 2020.01.01 по вчерашний день и создавать такие метрики, как на скрине (коннектор GA не позволяет делать такие формулы). Это позволяет создавать метрики, аналогичные целям в GA, только даже на исторических данных и даже на уровне пользователей (цели в GA работают на сеансах). Главное ограничение: извлеченные источники данных пока что могут содержать только до 100 МБ данных.
via @WebAnalyst
via @WebAnalyst
Forwarded from BigQuery Insights
Шаблон дашборда в DataStudio по мониторингу затрат на Google Cloud Platform с инструкцией применения.
@BigQuery
@BigQuery
Forwarded from WebAnalytics (Осиюк Дмитрий)
Очень толковая статья с советами по настройке событий в Google Analytics App+Web, а так же про их адаптацию из формата Universal Analytics. Спойлер: просто взять и перенести события указав что-то из Category, Action или Label в качестве параметров не всегда получится, так как есть лимиты на параметры событий и их количество.
https://bit.ly/2Cf0ijf
via @WebAnalyst
https://bit.ly/2Cf0ijf
via @WebAnalyst
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
"Подборка подборок" материалов для аналитиков
Ученики Яндекс.Практикума собрали библиотеку открытых материалов и полезные ссылки
Кроме этого, у Леши Макарова есть огромная подборка материалов про Pandas
+ обучающие материалы от SkyEng
+ гугл-таблица с материалами для перформанс маркетологов
+ "сокровищница аналитики" от Юры Борзило
@internetanalytics
Ученики Яндекс.Практикума собрали библиотеку открытых материалов и полезные ссылки
Кроме этого, у Леши Макарова есть огромная подборка материалов про Pandas
+ обучающие материалы от SkyEng
+ гугл-таблица с материалами для перформанс маркетологов
+ "сокровищница аналитики" от Юры Борзило
@internetanalytics
Forwarded from Beards Analytics (Andrey Osipov)
Felipe Hoffa сделал возможность просто строить pivot в bigquery)
А вообще, классный у него блог, подпишитесь.
https://link.medium.com/9yXl0TNfA7
А вообще, классный у него блог, подпишитесь.
https://link.medium.com/9yXl0TNfA7
Forwarded from WebAnalytics (Осиюк Дмитрий)
15 крутых фишек для построения дашбордов в Google Data Studio. Даже если вы продвинутый пользователь системы, вероятно, все равно найдете пару интересных хаков для себя)
https://bit.ly/3dwIrS3
via @WebAnalyst
https://bit.ly/3dwIrS3
via @WebAnalyst
Forwarded from Lena Seregina 📈🧘♀️♥️
Как аналитику погружаться в новый продукт/компанию. #вопрос\_ответ
Q: Как аналитику погружаться в новый продукт/компанию ? С чего начинать ? Как правильно подойти к процессу погружения и онбординга в продукт/данные ?
A: Мой чеклист на онбординг таков:
0) выявить людей, чьи чертоги разума есть документация и база знаний по аналитике
1) выявить стейкхолдеров в продукте/проекте и пообщаться с ними
2) пообщаться с тем, кто решал до тебя задачи, которые тебе предстоит делать - узнать про данные, доки и скрипты/BI , которые можно изучить и мб переиспользовать
3) найти быстрый ответ на вопрос, где бизнес зарабатывает и где больше всего теряет
4) на какие графики, регулярные отчёты смотрят
5) какие самые значимые за последние 2-3 года аналитические исследования помнят стейкхолдеры и твои потенциальные заказчики
6) подружиться с разработкой, ux исследователями/маркет рисерчерами и менеджерами
7) узнать про все маркетинговые исследования, проводимые в компании за последние 2-3 года
😍 проверить данные на консистентность, выявить к людей из пункта 0 все, что плохого они могут сказать о данных и багах продукта
Что забыла?
Q: Как аналитику погружаться в новый продукт/компанию ? С чего начинать ? Как правильно подойти к процессу погружения и онбординга в продукт/данные ?
A: Мой чеклист на онбординг таков:
0) выявить людей, чьи чертоги разума есть документация и база знаний по аналитике
1) выявить стейкхолдеров в продукте/проекте и пообщаться с ними
2) пообщаться с тем, кто решал до тебя задачи, которые тебе предстоит делать - узнать про данные, доки и скрипты/BI , которые можно изучить и мб переиспользовать
3) найти быстрый ответ на вопрос, где бизнес зарабатывает и где больше всего теряет
4) на какие графики, регулярные отчёты смотрят
5) какие самые значимые за последние 2-3 года аналитические исследования помнят стейкхолдеры и твои потенциальные заказчики
6) подружиться с разработкой, ux исследователями/маркет рисерчерами и менеджерами
7) узнать про все маркетинговые исследования, проводимые в компании за последние 2-3 года
😍 проверить данные на консистентность, выявить к людей из пункта 0 все, что плохого они могут сказать о данных и багах продукта
Что забыла?
Forwarded from Lena Seregina 📈🧘♀️♥️
Почти год не писала статей. И кажется, за это время, нас здесь стало на порядок больше. А значит, нужно немного ликбеза. Поэтому сегодня будет чтиво на 3 минуты о том, что самого важного стоит знать про метрики.
Прежде чем вы пойдёте по ссылке читать, я хочу обозначить 2 момента:
Момент #1. В статье я ставила целью очертить границы знания и незнания. Показать структуру темы. Далеко не всему в этой жизни надо учиться по лекциям, далеко не всё надо вычитывать в книгах. Иногда (а на самом деле чаще всего) достаточно увидеть структуру темы, чтобы разобрать в ней самостоятельно путём рассуждений и правильно поставленных экспериментов.
Момент #2. В этом посте экспериментально отключены реакции (aka лайки). Потому что лайки для этого канала не только пустая, но и *возможно* плохая метрика. А потому избавлю себя и вас от инфо-шума.
Ссылка 👉 "Три важных слова в аналитике, если время простых решений истекло"
Прежде чем вы пойдёте по ссылке читать, я хочу обозначить 2 момента:
Момент #1. В статье я ставила целью очертить границы знания и незнания. Показать структуру темы. Далеко не всему в этой жизни надо учиться по лекциям, далеко не всё надо вычитывать в книгах. Иногда (а на самом деле чаще всего) достаточно увидеть структуру темы, чтобы разобрать в ней самостоятельно путём рассуждений и правильно поставленных экспериментов.
Момент #2. В этом посте экспериментально отключены реакции (aka лайки). Потому что лайки для этого канала не только пустая, но и *возможно* плохая метрика. А потому избавлю себя и вас от инфо-шума.
Ссылка 👉 "Три важных слова в аналитике, если время простых решений истекло"
Forwarded from WebAnalytics (Осиюк Дмитрий)
15 крутых фишек для построения дашбордов в Google Data Studio. Даже если вы продвинутый пользователь системы, вероятно, все равно найдете пару интересных хаков для себя)
https://bit.ly/3dwIrS3
via @WebAnalyst
https://bit.ly/3dwIrS3
via @WebAnalyst
Forwarded from A/B testing
Математика A/B-тестирования с примером кода на Python:
https://towardsdatascience.com/the-math-behind-a-b-testing-with-example-code-part-1-of-2-7be752e1d06f
via @ABtesting
https://towardsdatascience.com/the-math-behind-a-b-testing-with-example-code-part-1-of-2-7be752e1d06f
via @ABtesting
Medium
The Math Behind A/B Testing with Example Python Code
While taking the A/B testing course by Google on Udacity, I had some questions about some of the mathematical steps that were not clearly…
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Забавно, что некоторые выводы из исследования по удержанию сотрудников перекликаются с выводами из статьи по формированию data-driven культуры.
Найдя эту статью на HBR, я был уверен, что в ней много сути и "мяса", но оказалось, что 10 шагов к data-driven культуре от Harvard Business Review это всего-навсего несложные советы, которые укладываются в здравый смысл. Но на всякий случай - напишем. Возможно, кому-то они помогут. Справедливости ради, отмечу, что советы 2, 5 и 10 действительно ценные.
= = =
1. Важность данных для принятия решений должна транслироваться сверху: топ-менеджерам стоит взять за правило рассматривать только те предложения от сотрудников, которые подкреплены крепкими аргументами и числами.
2. Используйте метрику 'predictive accuracy through time', то есть оценивайте постфактум, насколько точны ваши метрики. Это дисциплинирует.
3. Не изолируйте дата саентистов от топ-менеджмента. А еще лучше поставьте обязательным требованием для найма в компанию на любую должность наличие навыков программирования и количественного анализа.
4. Предоставьте аналитикам максимум данных, не ограничивайте их горсткой метрик, которые считаете важными.
5. Просите аналитиков оценивать качество предлагаемых ими моделей. Задаваясь вопросом "Насколько я действительно могу доверять своей модели?", аналитик глубже разберется в деталях, а в идеале и предложит альтернативы для экспериментов. Не бойтесь экспериментов.
6. Создавайте простые решения, которые легко быстро раскатать на прод, а затем уже усложняйте и уточняйте их.
7. Проводите обучение в компании релевантное ближайшим задачам, чтобы сотрудники могли сразу применить полученные знания, а не забыть их навсегда.
8. Не центрируйте обучение сотрудников вокруг улучшения продукта или бизнеса. Обучайте сотрудников тем навыкам, которые помогут им в работе: сэкономят время, помогут избежать переделок или позволят набрать недостающие данные.
9. Выберите единые метрики и единый язык программирования для всей компании. Это облегчит как коммуникацию в целом, так и ускорит анализ данных, агрегированных из разных отделов.
10. К любому решению должен прилагаться список отвергнутых моделей и причины, по которым они сработали хуже. Таким образом рассматривается больше вариантов действий, а решения принимаются более осознанно.
@internetanalytics
Найдя эту статью на HBR, я был уверен, что в ней много сути и "мяса", но оказалось, что 10 шагов к data-driven культуре от Harvard Business Review это всего-навсего несложные советы, которые укладываются в здравый смысл. Но на всякий случай - напишем. Возможно, кому-то они помогут. Справедливости ради, отмечу, что советы 2, 5 и 10 действительно ценные.
= = =
1. Важность данных для принятия решений должна транслироваться сверху: топ-менеджерам стоит взять за правило рассматривать только те предложения от сотрудников, которые подкреплены крепкими аргументами и числами.
2. Используйте метрику 'predictive accuracy through time', то есть оценивайте постфактум, насколько точны ваши метрики. Это дисциплинирует.
3. Не изолируйте дата саентистов от топ-менеджмента. А еще лучше поставьте обязательным требованием для найма в компанию на любую должность наличие навыков программирования и количественного анализа.
4. Предоставьте аналитикам максимум данных, не ограничивайте их горсткой метрик, которые считаете важными.
5. Просите аналитиков оценивать качество предлагаемых ими моделей. Задаваясь вопросом "Насколько я действительно могу доверять своей модели?", аналитик глубже разберется в деталях, а в идеале и предложит альтернативы для экспериментов. Не бойтесь экспериментов.
6. Создавайте простые решения, которые легко быстро раскатать на прод, а затем уже усложняйте и уточняйте их.
7. Проводите обучение в компании релевантное ближайшим задачам, чтобы сотрудники могли сразу применить полученные знания, а не забыть их навсегда.
8. Не центрируйте обучение сотрудников вокруг улучшения продукта или бизнеса. Обучайте сотрудников тем навыкам, которые помогут им в работе: сэкономят время, помогут избежать переделок или позволят набрать недостающие данные.
9. Выберите единые метрики и единый язык программирования для всей компании. Это облегчит как коммуникацию в целом, так и ускорит анализ данных, агрегированных из разных отделов.
10. К любому решению должен прилагаться список отвергнутых моделей и причины, по которым они сработали хуже. Таким образом рассматривается больше вариантов действий, а решения принимаются более осознанно.
@internetanalytics
Harvard Business Review
10 Steps to Creating a Data-Driven Culture
For many companies, a strong, data-driven culture remains elusive, and data are rarely the universal basis for decision making. Why is it so hard? Our work in a range of industries indicates that the biggest obstacles to creating data-based businesses aren’t…
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
И про продакт-менеджеров. На неделе я встретил ссылку на статью и иллюстрацию к ней в посте Паши Левчука (а Паша постит только полезные вещи, не то, что некоторые 😊)
Так вот, речь идет о превращении из роли Product Manager в роль Product Leader.
Рассуждают Fareed Mosavat (Slack, Instacart, Zynga) и Casey Winters (CPO Eventbrite, Growth Lead Pinterest, адвайзор Tinder, Hipcamp, Reddit, Canva, Pocket). В общем, довольно крутые парни.
Существует множество определений роли Product Manager, обязанности отличаются из компании в компанию, критерии размыты и слишком субъективны. "Product Manager" в Airbnb будет называться "Senior Product Manager" в компании LinkedIn или "Head of Product" в молодом стартапе. Ступеньки карьеры разных позиций в известных компаниях можно посмотреть здесь: www.levels.fyi (для продуктов тут)
Кроме того существует скрытая ловушка прямо посередине карьерной лестницы, в которую попадают многие PM'ы на своем пути. Речь идет о моменте перехода из роли Senior Product Manager к роли Product Leader (может также называться Group Product Manager, Director of Product, Product Lead).
Дело в том, что навыки, которые определяют вас как PM, это не те навыки, которые нужны PL. Например, если раньше задача монетизации представлялась как доработка страницы прайсинга или чекаута, то теперь вам придется решать, какие фичи в какой тариф включить. Проблему с активацией вы обычно решаете анализом данных, тогда как PL проверит, а правильно ли вообще собираются и интерпретируются данные, правильно ли определена ЦА маркетинговых компаний.
Самое печальное — вы не найдете списка новых нужных навыков в описании вакансии PL, и у вас не спросят о них на собеседовании. Но зато мы готовы поделиться несколькими советами по опыту PL крупных компаний.
Итак, смените фокус в следующих вещах:
1. Вместо углубления в один тип продуктовой работы растите вширь, освойте все: проработку нового функционала, захват текущего рынка, масштабирование, выход на смежный рынок со смежным продуктом. PL должен знать, как увеличить ROI одновременно по каждому из этих направлений.
2. Вместо того, чтобы хорошо справляться со своей работой, начните учить других хорошо справляться со своей работой. Часто оказывается, что в вещах, которые мы делаем интуитивно, мы меньше всего разбираемся. Наставничество поможет систематизировать собственный опыт, плюс вы научитесь чему-то у коллег. Кроме того может оказаться, что ваши знания могли бы облегчить чью-то работу и сэкономить время всей компании. Не оставляйте самую тяжелую работу только для себя.
3. Вместо того, чтобы решать задачи имеющимися ресурсами, учитесь перераспределять ресурсы и привлекать новых людей к решению задач, то есть влиять. Нужно принять тот факт, что руководство больше не оценивает ваш личный успех, оно оценивает успех вашей команды, за которую вы несете ответственность.
4. Переключитесь с поиска возможностей для собственного роста на возможности для роста компании. Вы можете сколько угодно вкладывать сил и времени в решение одной проблемы, например, улучшение чекаута или повышение конверсии Free to Paid, но хороший PL просто расширит команду и делегирует черную работу, а себе оставит только руководство. При этом PL сможет одновременно руководить решением сразу нескольких задач несколькими командами, и наверняка оптимальное решение будет лежать на пересечении. Хороший PL смотрит сверху, видит все проблемы и закрывает их чужими руками. Но не забывайте о балансе: сотрудники тоже должны решать проблемы и принимать решения, чтобы развиваться.
= = =
Нехитрые, по большому счету, советы. Боюсь, многим они, как и шаги к data-driven культуре, покажутся банальными и незначительными, но ведь правильного ответа на вопрос как быстро расти, прокачиваться и строить карьеру просто нет или же его тщательно скрывают от нас 😊.
@internetanalytics
Так вот, речь идет о превращении из роли Product Manager в роль Product Leader.
Рассуждают Fareed Mosavat (Slack, Instacart, Zynga) и Casey Winters (CPO Eventbrite, Growth Lead Pinterest, адвайзор Tinder, Hipcamp, Reddit, Canva, Pocket). В общем, довольно крутые парни.
Существует множество определений роли Product Manager, обязанности отличаются из компании в компанию, критерии размыты и слишком субъективны. "Product Manager" в Airbnb будет называться "Senior Product Manager" в компании LinkedIn или "Head of Product" в молодом стартапе. Ступеньки карьеры разных позиций в известных компаниях можно посмотреть здесь: www.levels.fyi (для продуктов тут)
Кроме того существует скрытая ловушка прямо посередине карьерной лестницы, в которую попадают многие PM'ы на своем пути. Речь идет о моменте перехода из роли Senior Product Manager к роли Product Leader (может также называться Group Product Manager, Director of Product, Product Lead).
Дело в том, что навыки, которые определяют вас как PM, это не те навыки, которые нужны PL. Например, если раньше задача монетизации представлялась как доработка страницы прайсинга или чекаута, то теперь вам придется решать, какие фичи в какой тариф включить. Проблему с активацией вы обычно решаете анализом данных, тогда как PL проверит, а правильно ли вообще собираются и интерпретируются данные, правильно ли определена ЦА маркетинговых компаний.
Самое печальное — вы не найдете списка новых нужных навыков в описании вакансии PL, и у вас не спросят о них на собеседовании. Но зато мы готовы поделиться несколькими советами по опыту PL крупных компаний.
Итак, смените фокус в следующих вещах:
1. Вместо углубления в один тип продуктовой работы растите вширь, освойте все: проработку нового функционала, захват текущего рынка, масштабирование, выход на смежный рынок со смежным продуктом. PL должен знать, как увеличить ROI одновременно по каждому из этих направлений.
2. Вместо того, чтобы хорошо справляться со своей работой, начните учить других хорошо справляться со своей работой. Часто оказывается, что в вещах, которые мы делаем интуитивно, мы меньше всего разбираемся. Наставничество поможет систематизировать собственный опыт, плюс вы научитесь чему-то у коллег. Кроме того может оказаться, что ваши знания могли бы облегчить чью-то работу и сэкономить время всей компании. Не оставляйте самую тяжелую работу только для себя.
3. Вместо того, чтобы решать задачи имеющимися ресурсами, учитесь перераспределять ресурсы и привлекать новых людей к решению задач, то есть влиять. Нужно принять тот факт, что руководство больше не оценивает ваш личный успех, оно оценивает успех вашей команды, за которую вы несете ответственность.
4. Переключитесь с поиска возможностей для собственного роста на возможности для роста компании. Вы можете сколько угодно вкладывать сил и времени в решение одной проблемы, например, улучшение чекаута или повышение конверсии Free to Paid, но хороший PL просто расширит команду и делегирует черную работу, а себе оставит только руководство. При этом PL сможет одновременно руководить решением сразу нескольких задач несколькими командами, и наверняка оптимальное решение будет лежать на пересечении. Хороший PL смотрит сверху, видит все проблемы и закрывает их чужими руками. Но не забывайте о балансе: сотрудники тоже должны решать проблемы и принимать решения, чтобы развиваться.
= = =
Нехитрые, по большому счету, советы. Боюсь, многим они, как и шаги к data-driven культуре, покажутся банальными и незначительными, но ведь правильного ответа на вопрос как быстро расти, прокачиваться и строить карьеру просто нет или же его тщательно скрывают от нас 😊.
@internetanalytics
Reforge
A Product Manager's Career Path to Product Leadership — Reforge
How does a product manager become a product leader? Product experts Fareed Mosavat & Casey Winters walk us through how.
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Вчера @NightWolf121 в своем Facebook рассуждал на тему собственного аналитического стека. Пишет о том, что Яндекс.Метрика может быть лучших выбором по соотношению цены/ясности, бесплатного доступа к логам вплоть до каждого визита . + решение для развертывания хранилища данных на ClickHouse так как опенсорсный и не нужно не за что платить. (С данными Google Analytics чтобы все было также быстро к расширенной версии Google Analytics ($150k в год) нужно ещё купить BigQuery и остальной стек технологий для построения полноценного пайплайна данных).
После всего этого, Адиль задает вопрос о развертывании хранилища данных с нуля и ему отвечает Сергей Довганич (renta.im):
"1. Руководство по развертыванию и настройке КХ: https://renta.im/ru/blog/clickhouse/
2. Инструкция по импорту данных Метрики в КХ на базе Renta:
https://renta.im/docs/metrica-clickhouse/
Касательно open source — обманчиво. КХ нужно разворачивать на сервере, а он стоит денег и обычно это дороже BigQuery. И точно сложнее, если место/памяти не хватает в рамках одной машины".
Пост открыт только для друзей
После всего этого, Адиль задает вопрос о развертывании хранилища данных с нуля и ему отвечает Сергей Довганич (renta.im):
"1. Руководство по развертыванию и настройке КХ: https://renta.im/ru/blog/clickhouse/
2. Инструкция по импорту данных Метрики в КХ на базе Renta:
https://renta.im/docs/metrica-clickhouse/
Касательно open source — обманчиво. КХ нужно разворачивать на сервере, а он стоит денег и обычно это дороже BigQuery. И точно сложнее, если место/памяти не хватает в рамках одной машины".
Пост открыт только для друзей
Forwarded from Тёмная сторона / Темнографика
Квадратно-гнездовой метод Ансоффа
1. Вчера на планерке со стартапом поймали себя на мысли, что мы уже пару месяцев подряд обсуждаем только а) план/факт по выручке по текущему продукту или б) гипотезы новых продуктов на новых рынках.
2. Сегодня наткнулся на матрицу Ансоффа, которая подсказывает, что все размышления о путях движения вперед стоит раскладывать по четырем корзинам:
— Market Penetration Strategy. Как повысить проникновение существующего продукта на существующем рынке потенциальных клиентов? Например, как увеличить конверсию из охвата в покупку? Что для этого надо изменить в воронке продаж?
— Market Development Strategy. Как перенести существующий продукт на другой рынок или другую аудиторию? Оказалось, что это требует четкого понимания, что же у нас за продукт. А это не всегда просто сформулировать под углом того, что же является ноу-хау, которое можно переносить на другой рынок.
— Product Development Strategy. Какой новый продукт можно предложить нашей существующей аудитории? Что они еще покупают? Где? Как выбирают?
— Diversification Strategy. Какой новый продукт для какого нового рынка мы можем создать? А это уже тот самый полет в космос.
3. В общем, чтобы не метаться в своих раздумьях из крайности в крайность — полезно по очереди глубоко и с фантазией обсуждать каждый квадрат. Тогда мы более эффективно капитализируем то, что у нас уже есть сейчас. А то всё время тянет оставить то, что есть — таким, каким оно есть. И улететь в космос. Оттолкнувшись от воздуха.
1. Вчера на планерке со стартапом поймали себя на мысли, что мы уже пару месяцев подряд обсуждаем только а) план/факт по выручке по текущему продукту или б) гипотезы новых продуктов на новых рынках.
2. Сегодня наткнулся на матрицу Ансоффа, которая подсказывает, что все размышления о путях движения вперед стоит раскладывать по четырем корзинам:
— Market Penetration Strategy. Как повысить проникновение существующего продукта на существующем рынке потенциальных клиентов? Например, как увеличить конверсию из охвата в покупку? Что для этого надо изменить в воронке продаж?
— Market Development Strategy. Как перенести существующий продукт на другой рынок или другую аудиторию? Оказалось, что это требует четкого понимания, что же у нас за продукт. А это не всегда просто сформулировать под углом того, что же является ноу-хау, которое можно переносить на другой рынок.
— Product Development Strategy. Какой новый продукт можно предложить нашей существующей аудитории? Что они еще покупают? Где? Как выбирают?
— Diversification Strategy. Какой новый продукт для какого нового рынка мы можем создать? А это уже тот самый полет в космос.
3. В общем, чтобы не метаться в своих раздумьях из крайности в крайность — полезно по очереди глубоко и с фантазией обсуждать каждый квадрат. Тогда мы более эффективно капитализируем то, что у нас уже есть сейчас. А то всё время тянет оставить то, что есть — таким, каким оно есть. И улететь в космос. Оттолкнувшись от воздуха.
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
В Москве дождь и вечер пятницы. Сыро, пасмурно и уныло... Начался вебинар по математике «Математика для Data Science». Он общедоступный. То есть смотреть можно прямо сейчас.
ведёт Петр Лукьянченко. Он 10 лет преподаёт высшую математику в ВШЭ и работал в Lamoda на должности Team Lead Analytics.
Самое время задать любые вопросы по математике и Data Science и узнать подробности о хардкорной программе курса, формате обучения и выпускном проекте.
Вебинар уже начался: https://otus.pw/eCna/
А по этой ссылке тест, чтобы проверить прикладной уровень своих знаний математики : https://otus.pw/uLHH/
ведёт Петр Лукьянченко. Он 10 лет преподаёт высшую математику в ВШЭ и работал в Lamoda на должности Team Lead Analytics.
Самое время задать любые вопросы по математике и Data Science и узнать подробности о хардкорной программе курса, формате обучения и выпускном проекте.
Вебинар уже начался: https://otus.pw/eCna/
А по этой ссылке тест, чтобы проверить прикладной уровень своих знаний математики : https://otus.pw/uLHH/
Forwarded from Библиотека питониста | Python, Django, Flask
⚡️3 июля в 20:00 мск пройдет День открытых дверей курса «Математика для Data Science» в рамках которого:
● вы познакомитесь с преподавателем и автором курса Петром Лукьянченко. Пётр уже более 10 лет преподаёт высшую математику в ВШЭ и имеет богатый опыт работы в DS (в частности, работал в Lamoda на должности Team Lead Analytics);
● сможете задать любые вопросы по математике и Data Science;
● узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
● расскажем о карьерных перспективах.
🎁Первые 20 участников, зарегистрировавшихся на этот вебинар, получат сертификат на скидку. Еще 10 будут распределены во время вебинара. Регистрируйтесь на сайте: https://otus.pw/906j/
☝🏻А пока есть время, пройдите тест, чтоб узнать свой уровень и сделать выбор между базовым и продвинутым курсом: https://otus.pw/Tn5i/
● вы познакомитесь с преподавателем и автором курса Петром Лукьянченко. Пётр уже более 10 лет преподаёт высшую математику в ВШЭ и имеет богатый опыт работы в DS (в частности, работал в Lamoda на должности Team Lead Analytics);
● сможете задать любые вопросы по математике и Data Science;
● узнаете подробнее о хардкорной программе курса, формате обучения и выпускном проекте;
● расскажем о карьерных перспективах.
🎁Первые 20 участников, зарегистрировавшихся на этот вебинар, получат сертификат на скидку. Еще 10 будут распределены во время вебинара. Регистрируйтесь на сайте: https://otus.pw/906j/
☝🏻А пока есть время, пройдите тест, чтоб узнать свой уровень и сделать выбор между базовым и продвинутым курсом: https://otus.pw/Tn5i/
Forwarded from Growth Lab / Артём Сайгин
Наблюдая за работой множества маркетинговых команд, заметил, что многие допускают одни и те же ошибки в процесс поиска, приоритизации и тестирования гипотез.
Написал статью, где пошагово расписываю весь процесс. Старался дать сложный материал максимально просто.
Из статьи вы узнаете, как формировать бэклог гипотез и приоритизировать их по ICE Score и PXL-фреймворку. Как проводить A/B-тестирование. Научитесь рассчитывать размер выборки, доверительный интервал, статистическую мощность и статистическую значимость.
При написании я ориентировался на маркетинговые и Growth-команды, учтите, что для других команд процесс может не подойти.
https://proroas.ru/growth-process
Изучайте сами и делитесь с коллегами.
Всем знаний!
Написал статью, где пошагово расписываю весь процесс. Старался дать сложный материал максимально просто.
Из статьи вы узнаете, как формировать бэклог гипотез и приоритизировать их по ICE Score и PXL-фреймворку. Как проводить A/B-тестирование. Научитесь рассчитывать размер выборки, доверительный интервал, статистическую мощность и статистическую значимость.
При написании я ориентировался на маркетинговые и Growth-команды, учтите, что для других команд процесс может не подойти.
https://proroas.ru/growth-process
Изучайте сами и делитесь с коллегами.
Всем знаний!
Forwarded from Growth Lab / Артём Сайгин
Друзья, делюсь с вами крутым сервисом для маркетологов.
Он содержит 374 бесплатных шаблонов, так необходимых нам в работе.
Тут вы найдете шаблоны контент-планов, стратегий, анализа конкурентов, SEO-аудита и многое другое.
Забирайте: 374 Free Resources for Marketing
Он содержит 374 бесплатных шаблонов, так необходимых нам в работе.
Тут вы найдете шаблоны контент-планов, стратегий, анализа конкурентов, SEO-аудита и многое другое.
Забирайте: 374 Free Resources for Marketing
Forwarded from IT лекции
Введение в анализ данных
1. Введение в Python - Смотреть
2. Библиотека Numpy - Смотреть
3. Библиотека PANDAS - Смотреть
4. Визуализация данных - Смотреть
5. Углубленный Python. Часть 1 - Смотреть
6. Углубленный Python. Часть 2 - Смотреть
@itlecture
1. Введение в Python - Смотреть
2. Библиотека Numpy - Смотреть
3. Библиотека PANDAS - Смотреть
4. Визуализация данных - Смотреть
5. Углубленный Python. Часть 1 - Смотреть
6. Углубленный Python. Часть 2 - Смотреть
@itlecture
YouTube
1. Введение в Python. Курс «Введение в анализ данных»
«Техносфера Mail.ru Group» при МГУ им. М. В. Ломоносова.
Курс «Введение в анализ данных».
Лекция № 1 «Введение в Python».
Цель курса — познакомить слушателей со сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается…
Курс «Введение в анализ данных».
Лекция № 1 «Введение в Python».
Цель курса — познакомить слушателей со сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается…
Forwarded from мамкин Data Scientist
Первым делом сюда (❗️❗️❗️)
Легкого пути в МЛ не бывает, но и сильно затягивать тоже не надо. Для нормального входа в профессию, тебе нужно хорошо знать питон и несколько разделов математики. То в каком порядке это делать — дело каждого, некоторым удобно параллельно, некоторые любят поочередно. Да, сучара, без этого никак, не надо думать, что это по сложности, как проебывать пары философии.
Вот минимум, после которого вилки зп становятся шестизначными. Любой из вариантов хорош, отличаются лишь сложностью и актуальностью, но приводят примерно к одному результату.
1. Классическая классика. Покрывает все нужные темы, погружает жестко, медленно, словно маньяк. Эффективно. Для понимания нужна некоторая математическая интуиция.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
2. Вариант чуть сложней первого, более самобытный, требует самостоятельности и понимания чем ты вообще собираешься заниматься. Нет проверок ДЗ. Требуется хороший уровень некоторых разделов математики. Слабо подходит нубам.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
3. Самый модный, молодежный вариант. Погружает не больно, но достаточно быстро. Можно использовать как вариант, если tupoy. Зумеры, ваша тема.
Убираем страх → Теор.вер → Мат. Статистика: Гланц Медико-Биологическая статистика (основы) → Питон→ МЛ.
После прохождения этих этапов, надо залетать на работу, для этого мы уже сделали сервис с вопросами интервью и некоторые ответы на них. Не стесняемся добавлять свои вопросы, перцы.
Сервис с вопросами → https://interview-mds.ru/
Вопросы с ответами → жми
А теперь база данных по каналу. Тут собрано гигантское количество курсов/ресурсов/ и пр. Это не значит, что надо смотреть все подряд, в таком случае ты выйдешь на работу примерно через N жизней. Это база создается для того, что бы ты знал куда обратиться в случае возникновения проблемы по тому или иному направлению. Возникла потребность, смотрим.
Математика, та тетка из твоих кошмаров, по совместительству царица наук.
0. Что вообще надо?
1. Необходимая литература для начала
2. Курс по линейной алгебре
3. Курс по теор. вер.
4. Курс по статистике
5. Супер понятная линейная алгебра
6. Интенсивы мат. анализ
7. Два Подхода к изучению статистики
8. Линейная алгебра для DL от MIT
9. Базовый Теор. Вер. МФТИ
10. План по мат. анализу
11. Основательный подход к статистике
Питон, это не тот python, которого ты душишь под одеялом.
1. Необходимые для старта курсы
2. Питон не для начинающих
Data Science, с ним будешь первый парень на деревне.
1. Стартовые курсы на выбор
2. ML курс от Физтеха
3. ML курс от института Биоинформатики
Легкого пути в МЛ не бывает, но и сильно затягивать тоже не надо. Для нормального входа в профессию, тебе нужно хорошо знать питон и несколько разделов математики. То в каком порядке это делать — дело каждого, некоторым удобно параллельно, некоторые любят поочередно. Да, сучара, без этого никак, не надо думать, что это по сложности, как проебывать пары философии.
Вот минимум, после которого вилки зп становятся шестизначными. Любой из вариантов хорош, отличаются лишь сложностью и актуальностью, но приводят примерно к одному результату.
1. Классическая классика. Покрывает все нужные темы, погружает жестко, медленно, словно маньяк. Эффективно. Для понимания нужна некоторая математическая интуиция.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
2. Вариант чуть сложней первого, более самобытный, требует самостоятельности и понимания чем ты вообще собираешься заниматься. Нет проверок ДЗ. Требуется хороший уровень некоторых разделов математики. Слабо подходит нубам.
Убираем страх → Основы мат. анализа → Лин.Алгебра → Теор.вер → Питон→ МЛ.
3. Самый модный, молодежный вариант. Погружает не больно, но достаточно быстро. Можно использовать как вариант, если tupoy. Зумеры, ваша тема.
Убираем страх → Теор.вер → Мат. Статистика: Гланц Медико-Биологическая статистика (основы) → Питон→ МЛ.
После прохождения этих этапов, надо залетать на работу, для этого мы уже сделали сервис с вопросами интервью и некоторые ответы на них. Не стесняемся добавлять свои вопросы, перцы.
Сервис с вопросами → https://interview-mds.ru/
Вопросы с ответами → жми
А теперь база данных по каналу. Тут собрано гигантское количество курсов/ресурсов/ и пр. Это не значит, что надо смотреть все подряд, в таком случае ты выйдешь на работу примерно через N жизней. Это база создается для того, что бы ты знал куда обратиться в случае возникновения проблемы по тому или иному направлению. Возникла потребность, смотрим.
Математика, та тетка из твоих кошмаров, по совместительству царица наук.
0. Что вообще надо?
1. Необходимая литература для начала
2. Курс по линейной алгебре
3. Курс по теор. вер.
4. Курс по статистике
5. Супер понятная линейная алгебра
6. Интенсивы мат. анализ
7. Два Подхода к изучению статистики
8. Линейная алгебра для DL от MIT
9. Базовый Теор. Вер. МФТИ
10. План по мат. анализу
11. Основательный подход к статистике
Питон, это не тот python, которого ты душишь под одеялом.
1. Необходимые для старта курсы
2. Питон не для начинающих
Data Science, с ним будешь первый парень на деревне.
1. Стартовые курсы на выбор
2. ML курс от Физтеха
3. ML курс от института Биоинформатики