Отличная статья про Data Science в футболе https://berza.ru/analitika-futbola-kak-data-sajentisty-dayut-novyj-vzglyad-na-igru/.
Данные меняют спорт!

Ozon отчитался за 2020 год: GMV вырос на 144% до ₽197.4 млрд, а выручка увеличилась на 74% до ₽104.4 млрд. Такой рост впечатляет, однако чистый убыток тоже поднялся до ₽22.3 млрд (+15% г/г) и скорректированная EBITDA по-прежнему в жирном минусе. Ozon торгуется по мультипликаторам гораздо большим, чем у прибыльного Amazon, хотя в сравнения с Shopify его оценки можно назвать ещё скромными.

CFO Ozon заявил, что в 2020 году компания могла стать прибыльной, но, мол, было принято решение инвестировать в логистику и инфраструктуру. Напомню, что в 2019 году чистый убыток Ozon составлял более 30% от его выручки. Кто-нибудь когда-нибудь видел, чтобы в e-commerce или O2O в целом был такой резкий скачок к прибыльности?

Может инвестировать начали раньше? Но в 2018 году пропорция расходов и доходов была примерно такая же, как в 2019. В общем, заявление финансового директора про прибыльность в 2020 выглядит странным. А ещё я не понимаю, почему отчётности нет в SEC EDGAR по форме 10-К, её можно увидеть только в Google Docs по ссылке с IR странички компании.

​​В Яндекс.Метрике появилась возможность настраивать цели на клики по элементам просто отметив их на сайте (не обращаясь к разработчикам и даже без использования Tag Manager). Цели такого типа можно добавлять в любой отчёт Метрики и использовать для оптимизации рекламы в Директе. Кстати, это классная возможность попробовать новую модель оплаты в Яндекс.Директ и платить за клики, которые происходят уже на вашем сайте (после клика по рекламному объявлению).

Подробнее тут.

via @WebAnalyst

Cамый легкий способ обучиться Power BI в 2021 году БЕСПЛАТНО

20 и 21 апреля в 19:00 онлайн школа аналитики IQBI проводит самый масштабный интенсив по анализу данных в Power BI. Главный спикер интенсива - Дмитрий Соловьев - MVP Microsoft.

Проходить интенсив будет очень легко, потому что IQBI тщательно спланировали программу интенсива: все знания будут разложены по полочкам.

Посмотрите программу интенсива по ссылке: https://vk.cc/c0We08

Power BI помогает аналитикам, маркетологам, руководителям, финансистам и менеджерам:
- Упростить работу с Excel и 1С;
- Сократить ручной труд по сбору и анализу данных;
- Объединить данные из всех источников в одном окне;
- Автоматизировать всю работу с любыми видами отчетов;
- Спрогнозировать исходы управленческих решений.

🗓 Дата проведения: 20 и 21 апреля с 19:00 до 21:00
💻 Формат участия: Онлайн трансляция с преподавателями.

Записывайтесь прямо сейчас: https://vk.cc/c0WdRH

Ассоциированные конверсии и модели атрибуции - почти всегда довольно сложная тема для маркетологом и продакт-маркетинг менеджеров.

Внутри систем аналитики и рекламных кабинетах в подавляющем большинстве случаев происходит "присваивание" конверсии системой самой себе. Метрика "дружит" с Директом, Facebook "говорит", что именно реклама в Facebook привела к конверсии. Весь этот зоопарк мнений не всегда приводит к оптимальному маркетинговому сплиту расходов. Поэтому, в рамках подготовки к нашей конференции Aha!'21 мы попросили наших партнеров - Нетологию - предоставить нам своего спикера, который может подробно рассказать о том, как же на самом деле работает атрибуция.

В итоге получилось часовое видео с Максимом Кулишом, которое с этого момента доступно на нашем канале (и, конечно же, в нашей https://lms.matemarketing.ru)
Кроме этого, по промокоду AHA2021 скидка 50% до 31 мая 2021 от полной стоимости курса Нетологии по Маркетинговой аналитике, где преподает Макс.

@internetanalytics

Вчера прошел вебинар Анатолия Карпова про проблемы подглядывания в АБ тестах https://www.youtube.com/watch?v=jnFVmtaeSA0&t=2034s

В пятницу проходил Митап Яндекса Большая дата по поиску аномалий с данных и как это использовать. https://www.youtube.com/watch?v=9lebqtgFNio

Открытая трансляция ProductSense'21 🔥 — make sense show

Завтра на конференции ProductSense'21 мы проведем make sense show. Это как наш подкаст (make sense), только в прямом эфире. Ведет — Юра Агеев, гости и темы будут как всегда интересные, причем в новых форматах.

Мы поговорим о том, как продуктовые компании пережили 2020 год, обсудим новости растущих отраслей и индустрий и, конечно, поговорим про деньги.

Смотрите трансляцию шоу на нашем сайте, оба дня конференции с 10:30 до 17:30 в понедельник и до 13:00 во вторник.

⚡ Расписание шоу 19 апреля
10:30 — «‎Менеджер продуктов: Быть или казаться». Гости: Анастасия Иванова, старший продюсер направления «Высшее образование» в Нетологии; Павел Волощук, академический руководитель программы «Управление цифровыми продуктами», руководитель лаборатории дизайн-мышления ВШБ НИУ ВШЭ
11:00 — «‎От установки до первой конверсии: что работает, а что нет» с Андреем Михайлюком, VP Product, Flo
11:30 — «‎Что происходит на рынке стримингов» с Евгенией Петровой, Chief Product Officer, IVI
12:00 — «‎Что происходит на рынке инструментов продуктивности» с Анной Бояркиной, Head of Product, Miro
12:30 — «‎Из офлайна в онлайн: трансформация продуктовой культуры» с Михаилом Трутневым, CEO, WSM Group
16:00 — Интервью: «‎Идеи, тренды, революции: откуда берутся и как распознать» с Николаем Белоусовым, Founder&CEO, Madrobots.ru

⚡ Расписание шоу 20 апреля
10:30 — «‎Продуктовые эксперименты: нарушаем правила, оставаясь в рамках» с Павлом Лоуцкером, Head of Growth Team, Райффайзенбанк
11:00 — «‎Подписка: запуск от 0 к 1 в вопросах и ответах» с Александром Краюшкиным, Product Owner, IVI
11:30 — «‎Что происходит в FinTech продуктах» с Надеждой Авданиной, Исполнительным директором, API Bank
12:00 — «‎Что происходит в EdTech индустрии и куда она движется». Участники: Владимир Алешин, Head of Education, ВКонтакте; Александр Туриллин, Сооснователь Skillfactory; Рамиль Альшин, Директор по Контенту, Uchi.ru
12:30 — Кейс «‎Запуск Skysmart: продуктовые решения в реалтайм» с Дмитрием Абрамовым, Chief Product Officer, Skysmart

​​5 навыков аналитика от Паши Левчука:

1/ business needs understanding
Часто аналитику говорят как дедать, а не что. И в результате решается другая задача. А значит нужно погружаться и задавать вопросы. В конечном итоге задача должна быть перефразированна и подтверждена клиентом.

2/ knowledge of infrastructure
Знание источников данных, потоков обработки, и конкретных таблиц является залогом того, можно ли сразу, на совещании, ответить на вопрос если у нас данные для поиска ответа.

3/ engineering skills
Даже с DWH, данные крайне редко находятся в нужном виде. А значит трансформация данных и написание эффективного кода определяют как быстро вы можете приблизиться к ответу, как легко сможете воспроизводить анализ и вносить правки для будущих нужд.

4/ summary/visualization skills
Хороший отчёт или исследование это всегда структура и стройность мысли, понятное введение и поддерживающие таблицы и графики. Если этого нет, то результ часто обречен быть непонятым и не рассмотренным серьезно.

5/ recommendations skills
Даже если отчёт удачно сложен, рекомендации это первое что попросит у вас заказчик. Если их нельзя синтезировать, то работа сделана лишь наполовину.

via @ProductAnalytics

​​Нашел классный инструмент Pipelinica, который позволяет настроить автоматизированный обмен данными между системами Facebook Ads, Campaign Manager, Display & Video, RTB House, Criteo и Google Analytics, Google BigQuery, Google Sheets. Отличное решение для тех, у кого в команде нет data engineer, но постоянно нужно иметь под рукой свежие данные. Там есть Basic тариф, который позволяет бесплатно настроить до 3 потоков данных с ежедневным обновлением и 31-дневным окном исторических данных: https://bit.ly/39s3Mga

via @WebAnalyst

Пока у подкаста IT-шниками не рождаются только 2 выпуска, но они просто отличные.
Ссылка: https://podcast.ru/1559594773.
И это не реклама.

Есть подозрение, что где-то глубине души Валерий Бабушкин все еще рассчитывает стать колдуном. Ну уж очень заразительно рассказывает о детских мечтах.

3 вебинара в ближайшее время

1. Сегодня в 18:00 универсальные и наиболее выгодные способы расширения систем аналитики, первоначально построенных на дорогостоящих платформах, с целью снижения издержек по эксплуатации и гибкому наращиванию систем хранилища данных, а также построению высокопроизводительной системы кэш-аналитики на платформе Exasol.
https://www.webinar.malenfor.com/

2. Завтра (28 апреля с 19:00 до 21:00) Роман Нестер проводит встречу с ребятами из Dialog.X5 - системы data-driven маркетинга и аналитики. С нами будут Максим Прусов и Максим Сивоконь. Регистрируйтесь здесь: https://incomm.timepad.ru/event/1624573/
+ вышли интервью с Олегом Дорожком (Ozon.ru), Ильей Щировым (вице-президент Raiffeisen Bank). Смотреть здесь https://bit.ly/peacedata20

3. Вебинар с Wheely про dbt. Насколько реально создать прозрачную структуру из качественных и актуальных данных, на которых можно смело принимать бизнес-решения? Ответ знает Артемий Козырь, Senior Data Engineer в Wheely. Уже более двух лет он успешно использует data build tool (dbt) для управления DWH компании. 28 апреля в 17:00 он расскажет, как этого добиться, в чем преимущества этого инструмента и почему важно правильно структурировать свои данные. https://www.owox.com/c/54q

Цели Google Analytics — когда они искоренятся? 😭

Всем салют! Это второй пост, о котором я мечтал 🔥 Как и обещал — подробно разберем каждую ошибку из гайда про самые частые ошибки в расчете метрик.

Мы начали гайд с целей Google Analytics — и сегодня, наконец, разберем цели. Ведь в каждой второй статье для интернет-маркетологов пишут, как по целям посчитать количество лидов, заказов, CPL, CPO, конверсию — а это верный способ сделать неверные выводы 😞 Мы собрали большую статью, почему так нельзя делать и как себя проверить.

Самое главное, что важно знать про цели:

1.
По целям в Google Analytics нельзя посчитать ни одну бизнес-метрику. Ни одну.

Количество лидов, количество заказов, стоимость лида CPL, стоимость заказа CPO, конверсия с большой вероятностью посчитаются с ошибкой. Иногда расхождения могут быть небольшими, но часто расчет этих метрик по числу достижения целей дает погрешность в 1,3...1,5 раза.

2.
В реальности: лидов меньше, чем число достигнутых целей. А заказов больше.

Поэтому стоимость лида CPL по целям занижена, а стоимость заказа CPO — завышена.

Из-за этого маркетолог неверно считает CPL, CPO, ROMI или ДРР — и усиливает слабые каналы и кампании, при этом ослабляет сильные.

3.
Почему так вышло?

Эти расхождения появляются из-за алгоритмов Google Analytics (да и Яндекс Метрики), по которым засчитывается только одно достижение цели в сессию:

· Когда пользователь оставляет несколько заказов — цели врут.

· Когда пользователь оставляет заявку разными способами: пишет в чат, звонит, заполняет форму — цели врут.

· Когда срабатывает дубли заказов в javanoscript коде на сайте или через GTM — а это нередко случается — цели врут.

Команды вводятся в заблуждение → неверно считают конверсию → неверно считают стоимость лида или заказа и эффективность каналов → усиливают слабые кампании, ослабляют сильные → не могут найти точки роста → меняют команду маркетинга:(

Try. Die. Repeat.

4.
Что можно сделать

Перестать использовать цели 😨 Мы сделали подробную статью-инструкцию, как проверить расхождения между целями, лидами и заказами, и что использовать вместо целей — и написали ее так, чтобы маркетологи или собственники могли самостоятельно проверить себя и команду за несколько минут:

🔗 читать статью

Сохраните статью и карточки себе в закладки, и когда увидите, что кто-то использует цели для расчета CPL, CPO, конверсии, показывайте этот пост и инструкцию — пусть меньше маркетологов совершает ошибки и больше маркетологов считает метрики правильно 🙏🙏🙏

Как всегда — присылайте комментарии и пишите вопросы ❤️

Свежая статься Искандера Мирмахмадова про работу с социальными эффектами при работе с АБ тестами, https://bit.ly/3tYNWlr

Как автоматизировать А/В-тестирование и сократить время аналитика на полный цикл до 3-х часов? Тут ребята из Data Science Delivery Club рассказали о своем опыте: отказе от Firebase Console, экспериментах и важных метриках оценки результата.

via @ABtesting

​​Недавно в BigQuery добавили оператор для транспонирования строк в столбцы. Раньше это делали сложнее, описывал пример в канале, или через Dynamic SQL или UDF.
Пример использования новых операторов

(UN)PIVOT

и

QUALIFY

.

@BigQuery

Признаюсь честно, что у меня очень плохо с тем, что некоторые назвали бы «серьёзной математикой»: я плохо читаю сложные формулы, не могу сразу же схватить их физический смысл, путаюсь в разных «значочках и закорючках». Поэтому никогда не хотел стать data scientist'ом — казалось, что без знания математики в Data Science делать нечего. Позже я, конечно, узнал что это не так и можно шарить и приносить пользу в определенных разделах DS и без сильного углубления в линейную алгебру или теорию оптимизации (например, NLP)

Но что мне всегда помогало понять сложные концепции — это «пощупать» их в виде реальных данных или кода. Кажется, что это «практическое ощущение» математики у меня «проклёвывалось» ещё в универе: я спокойно мог закодить какой-нибудь метод половинного деления или Монте-Карло на занятиях по численным методам, когда понимал его как алгоритм, а вот решить дифференциальное уравнение для меня было подобно реверс-инжинирингу инопланетной технологии (это и сейчас так)

Уже позже в работе меня не раз выручал этот подход: не понимаешь как что-то работает в теории — напрограммируй это или найди чужой код. Не понимаю что такое центральная предельная теорема? Значит надо найти примеры кода, в которых ЦПТ применяется для анализа настоящих данных. Сложно понять что такое марковские цепи? Поищу как можно симулировать марковские цепи с помощью кода на Python. Запустил несколько раз симуляцию на разных входных данных и начинаешь понимать как эти шестеренки внутри крутятся. С таким подходом мне, конечно, никогда не светит писать white-papers в научные журналы. Зато многие штуки получалось применять в работе, а ещё появилась математическая интуиция и умение видеть красоту в математических концепциях

Это я всё к чему? Наткнулся на потрясный репозиторий на гитхабе, где математические нотации объяснены с помощью Python-кода. Очень кайфово

https://github.com/Jam3/math-as-code/blob/master/PYTHON-README.md

Наткнулся на отличную серию видео о том, как работают видеоаналитики Дортмунда U19. Показан полный цикл подготовки к конкретному матчу - что происходит до игры, во время игры и после игры. Инфраструктура и процессы выстроены ровно так, как это должно быть - до матча тренировки снимаются блоком камер, к которым можно получить доступ с айпада в реальном времени и подкорректировать упражнения и ход тренировок. Сам матч в лайве снимает оператор (на что-то вроде Panasonic AG-CX350), а аналитик связывается с ассистентом через гарнитуру и нарезает перед перерывом нужные моменты. Через 2 дня после матча проводится обычный видеоразбор игры.

Детали по ссылке, все видео идут в сумме полчаса (есть английские субтитры).
https://www.youtube.com/watch?v=9qNvzoLjQEg

В одном из каналов увидел рекламу небольшого курса питона для футбольной аналитики. Ссылки не будет, это не реклама. Заинтересовался, пообщался с представителем. Оказалось, что этот курс скорее предназначен для футбольных аналитиков, которые хотят начать использовать использовать в работе питон, так как это сейчас вполне себе тренд. Курс не очень большой, и, насколько понял, именно изучение работы с данными (прежде всего, pandas и matplotlib) занимает до 70% времени. И, хоть аудитория не очень большая, спрос есть.
Мне не хватает времени нормально смотреть футбол. А вот с питоном нормально. И хотелось бы, наоборот, понимать, какие есть механики и нюансы работы именно с футбольной статистикой. И таких, как мне сказали, совсем мало. Да и курс такой не подойдет.

​​Еще один хороший материал о преобразовании таблиц через PIVOT в BigQuery на русском языке от Алексея Селезнева.

@BigQuery