Forwarded from Я у мамы аналитик (Stas Valuev)
"Browser-Based Database Clients" - обзорная статья про варианты подключения к базам данных через браузер:
🔸SQL-клиенты гиперскейлеров (AWS, GCP, Azure);
🔸ноутбукоподобные клиенты (Count.co, Databricks SQL notebook, Franchise);
🔸BI-инструменты, которые могут в SQL (Redash, Metabase, Superset);
🔸Другое (SQLPad, PopSQL, JackDB).
С инструментами из последней категории сталкиваюсь впервые, кажется могут подойти для базовых сценариев, когда дашборды не нужны.
🔗Ссылка
#базы_данных #инструменты
🔸SQL-клиенты гиперскейлеров (AWS, GCP, Azure);
🔸ноутбукоподобные клиенты (Count.co, Databricks SQL notebook, Franchise);
🔸BI-инструменты, которые могут в SQL (Redash, Metabase, Superset);
🔸Другое (SQLPad, PopSQL, JackDB).
С инструментами из последней категории сталкиваюсь впервые, кажется могут подойти для базовых сценариев, когда дашборды не нужны.
🔗Ссылка
#базы_данных #инструменты
Только сегодня досмотрел митап от EXPF и СберМаркет - https://youtu.be/1blbhx9BYxk.
Для меня самым интересным был доклад Виталия Черемисина про чувствительность метрик. Виталий очень доступно все разжевал и рассказал о том, как оценивать эту самую чувствительность метрик. Ниже небольшой конспект этой части его выступления.
Для того, что оценить чувствительность той или иной метрики, нужно моделировать рост нашей метрики на некоторой выборке и оценивать, при каком условии чувствительность максимальная.
1. Нужно взять некоторую группу пользователей, разбить ее на две группы, так, чтобы в обеих группах наша метрика была равна.
2. Выбрать несколько значений uplift. Шаг может быть разным, исходя из эмпирического опыта.
3. И по каждому из значений uplift нужно произвести операции:
- В одной из выборок (пусть она будет B) увеличить значение метрики на величину uplift. Это нужно делать не коэффициентом умножить на вреднее, а некоторым пользователям добавить конверсии, каким-то убрать. В результате получится полноценная выборка с дополнительными конверсиями.
- Делать множественные подвыборки (например, 1000) из обеих групп, сравнивать их показатели, рассчитывать pvalue.
- В результате у нас получится 1000 значений pvalue. Считаем, какой в каком проценте из них pvalue был ниже 0,05. Например, их будет 65%. Вот это процент и есть чувствительность нашей метрики при увеличении на некоторую величину.
- Фиксируем данные. И то же самое теперь производим с остальными значениям uplift.
4. В результате у нас получится таблица, в которой у нас посчитана чувствительность метрики при разных значениях ее увеличения. И можно сделать вывод, при каком росте конверсии можно рассчитывать зафиксировать эффект, если он есть.
Для чего это можно использовать:
1. Чтобы сделать вывод, нужно при проводить эксперимент. Например, выяснится, что, чтобы получить чувствительность 80%, нужно увеличить конверсию на 30%, что считается невозможным при данных изменениях. Значит, на данный момент нужно отказаться от тестирования данной гипотезы.
2. Чтобы приоритизировать гипотезы для проведения экспериментов. Проверив чувствительность многих метрик и предполагая их увеличение на определенный процент, можно понимать, какие гипотезы про какие метрики являются более перспективными с точки зрения возможности увидеть положительный эффект. Становится понятно, с каких метрик и каких гипотез лучше начать тестирование изменений.
Для меня самым интересным был доклад Виталия Черемисина про чувствительность метрик. Виталий очень доступно все разжевал и рассказал о том, как оценивать эту самую чувствительность метрик. Ниже небольшой конспект этой части его выступления.
Для того, что оценить чувствительность той или иной метрики, нужно моделировать рост нашей метрики на некоторой выборке и оценивать, при каком условии чувствительность максимальная.
1. Нужно взять некоторую группу пользователей, разбить ее на две группы, так, чтобы в обеих группах наша метрика была равна.
2. Выбрать несколько значений uplift. Шаг может быть разным, исходя из эмпирического опыта.
3. И по каждому из значений uplift нужно произвести операции:
- В одной из выборок (пусть она будет B) увеличить значение метрики на величину uplift. Это нужно делать не коэффициентом умножить на вреднее, а некоторым пользователям добавить конверсии, каким-то убрать. В результате получится полноценная выборка с дополнительными конверсиями.
- Делать множественные подвыборки (например, 1000) из обеих групп, сравнивать их показатели, рассчитывать pvalue.
- В результате у нас получится 1000 значений pvalue. Считаем, какой в каком проценте из них pvalue был ниже 0,05. Например, их будет 65%. Вот это процент и есть чувствительность нашей метрики при увеличении на некоторую величину.
- Фиксируем данные. И то же самое теперь производим с остальными значениям uplift.
4. В результате у нас получится таблица, в которой у нас посчитана чувствительность метрики при разных значениях ее увеличения. И можно сделать вывод, при каком росте конверсии можно рассчитывать зафиксировать эффект, если он есть.
Для чего это можно использовать:
1. Чтобы сделать вывод, нужно при проводить эксперимент. Например, выяснится, что, чтобы получить чувствительность 80%, нужно увеличить конверсию на 30%, что считается невозможным при данных изменениях. Значит, на данный момент нужно отказаться от тестирования данной гипотезы.
2. Чтобы приоритизировать гипотезы для проведения экспериментов. Проверив чувствительность многих метрик и предполагая их увеличение на определенный процент, можно понимать, какие гипотезы про какие метрики являются более перспективными с точки зрения возможности увидеть положительный эффект. Становится понятно, с каких метрик и каких гипотез лучше начать тестирование изменений.
YouTube
online meetup EXPF x СберМаркет
online meetup EXPF x СберМаркет
18:00–18:30, Платформа А/Б тестирований: создание универсальной системы для проведения экспериментов на онлайн платформах
Станислав Романихин, head of DS sever x
18:30–19:00, Метрики для метрик
Виталий Черемисинов, co…
18:00–18:30, Платформа А/Б тестирований: создание универсальной системы для проведения экспериментов на онлайн платформах
Станислав Романихин, head of DS sever x
18:30–19:00, Метрики для метрик
Виталий Черемисинов, co…
Многие, наверное, играли в шахматы сами с собой. Мне приходилось, когда брат отказывался играть. И играешь за обе стороны. Не очень интересно, но лучше, чем ничего. К чему я это. Обещал рассказать про проблемы, с которыми сталкивается работодатель, когда нанимает аналитика. Так как мой хороший знакомый искал аналитика, и я ему немного помогал, у меня есть небольшой опыт игры за обе стороны.
Тут какие проблемы у нанимающей стороны:
1. Руководство слабо понимает, какую ценность несет в себе аналитик. Кому-то кажется, что у него есть кнопка, на которую можно нажать и деньги посыпятся сами. Как понять, что это хорошая аналитика? Прежде, чем кого-то искать, нужно ответить на вопрос - зачем. Если нет ответа, не нужна вам аналитика.
2. Впоследствии это должен быть целый отдел, значит, мы должны сейчас нанять того, кто его потом возглавит. Поэтому это должен быть человек, которому мы можем доверять, с ним можно планировать любые планы.
3. Как как аналитики как таковой не было, непонятно, как ставить задачи, какие ставить задачи, как их принимать, как контролировать работу.
4. А тут еще и удаленка. Компания не в Москве, никто не поедет в областной город n. Возвращаемся к пункту 3. И как ему (ей) вообще доверять. Почему-то никто не думает, что в офисе не хуже можно валять дурака.
5. Как оценить компетенции и навыки специалиста. Тестовое задание - необходимо, но недостаточно. Как понять, что он готов тащить?
6. А не продаст ли он наши чертовски важные данные.
7. Сколько денег заплатить? А 200 тыс. не много?
и многие другие...
К сожалению, универсального средства решить все эти проблемы и сомнения нет. А первые да пункта самые главные. Нужно, чтобы у руководства было нормальное понимание, что они хотят получать не от конкретного аналитика, а, в целом, от аналитики. И сперва нанять "правильного человека", не обязательно сильного специалиста, но он обязательно должен понимать, куда он идет и почему. И, конечно, доверие руководства к этому первому специалисту должно быть максимальным.
На остальные вопросы тогда, наверное, ответы придут сами.
К сожалению, когда-то я по неопытности ошибся и пришел в компанию, где с этими пунктами было грустно. Все закончилось быстро, получил отличный опыт, как не надо делать.
Тут какие проблемы у нанимающей стороны:
1. Руководство слабо понимает, какую ценность несет в себе аналитик. Кому-то кажется, что у него есть кнопка, на которую можно нажать и деньги посыпятся сами. Как понять, что это хорошая аналитика? Прежде, чем кого-то искать, нужно ответить на вопрос - зачем. Если нет ответа, не нужна вам аналитика.
2. Впоследствии это должен быть целый отдел, значит, мы должны сейчас нанять того, кто его потом возглавит. Поэтому это должен быть человек, которому мы можем доверять, с ним можно планировать любые планы.
3. Как как аналитики как таковой не было, непонятно, как ставить задачи, какие ставить задачи, как их принимать, как контролировать работу.
4. А тут еще и удаленка. Компания не в Москве, никто не поедет в областной город n. Возвращаемся к пункту 3. И как ему (ей) вообще доверять. Почему-то никто не думает, что в офисе не хуже можно валять дурака.
5. Как оценить компетенции и навыки специалиста. Тестовое задание - необходимо, но недостаточно. Как понять, что он готов тащить?
6. А не продаст ли он наши чертовски важные данные.
7. Сколько денег заплатить? А 200 тыс. не много?
и многие другие...
К сожалению, универсального средства решить все эти проблемы и сомнения нет. А первые да пункта самые главные. Нужно, чтобы у руководства было нормальное понимание, что они хотят получать не от конкретного аналитика, а, в целом, от аналитики. И сперва нанять "правильного человека", не обязательно сильного специалиста, но он обязательно должен понимать, куда он идет и почему. И, конечно, доверие руководства к этому первому специалисту должно быть максимальным.
На остальные вопросы тогда, наверное, ответы придут сами.
К сожалению, когда-то я по неопытности ошибся и пришел в компанию, где с этими пунктами было грустно. Все закончилось быстро, получил отличный опыт, как не надо делать.
Forwarded from Krasinsky: growth, marketing & product, analytics
Всем салют! Нас в канале уже больше 10 000 🎉
Целых 10 000 небезразличных ребят, которым важно разобраться, где прячутся точки роста бизнеса и как не допустить распространенных ошибок в маркетинге, продукте и аналитике. И это очень круто!
Собрал в одном посте подборку лучших материалов, в том числе других авторов, которых я часто рекомендую командам.
Изучайте, делитесь, сохраняйте в закладки ❤️ Пишите в комментариях, что еще хочется, чтобы разобрал ↓
🤓 Команда и управление:
· Интервью с Ваней Замесиным о том, как думать системно. Рассказываю о своих принципах мышления и как развивать мышление у команды.
· Огненный прямой эфир с Аней Булдаковой и Костей Баяндиным из Tomi.аi — про продуктовые процессы в B2B.
· Как искать кратный рост компании через команду Заботы (Customer Success или саппорт). И здесь же — классная статья Ани Булдаковой о JTBD-сценариях и наш шаблон в гугл-таблице, где мы собираем исходные вопросы от клиентов, превращаем их в JTBD-сценарии и внедряем в продукт.
· Продуктовый дизайн, 1-я сессия, игровые циклы и почему классические книги: «Об интерфейсе» Алана Купера, «Дизайн привычных вещей» — вводят дизайнеров в заблуждение.
· Интервью с Галиной Сартан — о самоходных, кросс-функциональных командах.
· Интервью с Сергеем Колосковым — про консультирование и аутсорс продакт менеджмента.
· Дискуссия на ProductCamp про продуктовый вижн с Ромой Абрамовым, Мишей Карповым и Димой Орловым. Часто «вижн» — это галлюцинация, которая вредит команде. Например, можно не толкать «виженом» команду, команда может найти решение самостоятельно.
· Подкаст для ProductSense — о продуктовых фреймворках, границах применимости и заблуждениях.
💵 Юнит-экономика:
· Интервью для Высшей Школы Финансового Директора — как юнит-экономика и когорты связаны с финансовым планированием.
· Интервью с Максимом Спиридоновым — рассказываю на пальцах о юнит-экономике, точках роста бизнеса и управлении продуктом. Читайте также пост — почему важно уделять внимание конверсии.
· Различие между ARPU (ARPPU) и AMPU (AMPPU)
📈Точки роста в аналитике:
· Гайд: топ-10 распространенных ошибок в планировании маркетингового бюджета, которые приводят к потере миллионов рублей и невыполнению плана продаж. Опыт для гайда наработан за годы 💪
· Конверсия: отрицание, гнев, торг, депрессия, принятие. Вы можете не верить в конверсию. Но те, кто верят — обгоняют вас на аукционах. Смотрите карточки и пост, почему важно считать конверсию по людям, а не по заказам, сессиям, целям.
· Цели Google Analytics давно устарели — листайте карточки с разбором.
· Кейс о недонастроенной сквозной аналитике — как можно снизить стоимость заказа CPO в 5 раз и потерять за полгода 2,3 млн рублей.
· Кейс, как с помощью когорт международная команда сократила цикл сделки и подняла выручку с новых клиентов на 6,5 млн рублей в неделю. Часть первая, вторая и третья.
· Как маркетологи используют сквозную аналитику и увеличивают продажи: кейс CMO Нетологии, кейс performance-маркетолога Капсулы от VK, и наш директор по маркетингу поделился: на что обратить внимание, когда снижается ROMI кампаний.
· Почему ассоциированные конверсии Google Analytics дают ошибку, или еще 1 способ ошибиться в оценке эффективности онлайн-рекламы.
· Матемаркетинг 2019 — как маркетологам считать эффективность кампаний с учетом юнит-экономики и когорт, где прячется кратный рост.
· Матемаркетинг 2018 — как на самом деле работает Google Analytics, и почему самописные системы сквозной аналитики — это долго и больно.
📖 Мой топ-3 книг, обязательных к прочтению:
· Элияху Голдратт, Цель
· Джозеф О’Коннор, Искусство системного мышления
· James Clear, Atomic Habits: An Easy & Proven Way to Build Good Habits & Break Bad Ones
Целых 10 000 небезразличных ребят, которым важно разобраться, где прячутся точки роста бизнеса и как не допустить распространенных ошибок в маркетинге, продукте и аналитике. И это очень круто!
Собрал в одном посте подборку лучших материалов, в том числе других авторов, которых я часто рекомендую командам.
Изучайте, делитесь, сохраняйте в закладки ❤️ Пишите в комментариях, что еще хочется, чтобы разобрал ↓
🤓 Команда и управление:
· Интервью с Ваней Замесиным о том, как думать системно. Рассказываю о своих принципах мышления и как развивать мышление у команды.
· Огненный прямой эфир с Аней Булдаковой и Костей Баяндиным из Tomi.аi — про продуктовые процессы в B2B.
· Как искать кратный рост компании через команду Заботы (Customer Success или саппорт). И здесь же — классная статья Ани Булдаковой о JTBD-сценариях и наш шаблон в гугл-таблице, где мы собираем исходные вопросы от клиентов, превращаем их в JTBD-сценарии и внедряем в продукт.
· Продуктовый дизайн, 1-я сессия, игровые циклы и почему классические книги: «Об интерфейсе» Алана Купера, «Дизайн привычных вещей» — вводят дизайнеров в заблуждение.
· Интервью с Галиной Сартан — о самоходных, кросс-функциональных командах.
· Интервью с Сергеем Колосковым — про консультирование и аутсорс продакт менеджмента.
· Дискуссия на ProductCamp про продуктовый вижн с Ромой Абрамовым, Мишей Карповым и Димой Орловым. Часто «вижн» — это галлюцинация, которая вредит команде. Например, можно не толкать «виженом» команду, команда может найти решение самостоятельно.
· Подкаст для ProductSense — о продуктовых фреймворках, границах применимости и заблуждениях.
💵 Юнит-экономика:
· Интервью для Высшей Школы Финансового Директора — как юнит-экономика и когорты связаны с финансовым планированием.
· Интервью с Максимом Спиридоновым — рассказываю на пальцах о юнит-экономике, точках роста бизнеса и управлении продуктом. Читайте также пост — почему важно уделять внимание конверсии.
· Различие между ARPU (ARPPU) и AMPU (AMPPU)
📈Точки роста в аналитике:
· Гайд: топ-10 распространенных ошибок в планировании маркетингового бюджета, которые приводят к потере миллионов рублей и невыполнению плана продаж. Опыт для гайда наработан за годы 💪
· Конверсия: отрицание, гнев, торг, депрессия, принятие. Вы можете не верить в конверсию. Но те, кто верят — обгоняют вас на аукционах. Смотрите карточки и пост, почему важно считать конверсию по людям, а не по заказам, сессиям, целям.
· Цели Google Analytics давно устарели — листайте карточки с разбором.
· Кейс о недонастроенной сквозной аналитике — как можно снизить стоимость заказа CPO в 5 раз и потерять за полгода 2,3 млн рублей.
· Кейс, как с помощью когорт международная команда сократила цикл сделки и подняла выручку с новых клиентов на 6,5 млн рублей в неделю. Часть первая, вторая и третья.
· Как маркетологи используют сквозную аналитику и увеличивают продажи: кейс CMO Нетологии, кейс performance-маркетолога Капсулы от VK, и наш директор по маркетингу поделился: на что обратить внимание, когда снижается ROMI кампаний.
· Почему ассоциированные конверсии Google Analytics дают ошибку, или еще 1 способ ошибиться в оценке эффективности онлайн-рекламы.
· Матемаркетинг 2019 — как маркетологам считать эффективность кампаний с учетом юнит-экономики и когорт, где прячется кратный рост.
· Матемаркетинг 2018 — как на самом деле работает Google Analytics, и почему самописные системы сквозной аналитики — это долго и больно.
📖 Мой топ-3 книг, обязательных к прочтению:
· Элияху Голдратт, Цель
· Джозеф О’Коннор, Искусство системного мышления
· James Clear, Atomic Habits: An Easy & Proven Way to Build Good Habits & Break Bad Ones
Прекрасная штука - обида. В чем-то она стала одним из признаков нашего времени. Кто-то кого-то просит извиниться, кто-то молча грустит, а кто-то говорит "Ты что же это, не уважаешь меня!?"
К чему это все. В очередной раз в нашем любимом ламповом (и иногда немного токсичном) чате с вакансиями кто-то обиделся на якобы заниженную зарплатную вилку. Люблю вопросы типа "вы думаете, за 120 кого-то найдете" или "150 к за такие требования - это смешно".
Кому-то обидно, что его ценность занижают. Почему-то кажется, что у этих обиженных не очень много квалификации и опыта. Ведь, если ты уверен в своей квалификации, скиллах, то не будешь из себя строить обиженку. И, если это не твой ценник, то просто проходишь мимо, это просто не твое. А место, где тебя по достоинству оценят, точно есть, и не одно, и даже не два. По моему имхо мнению, обиженки просто выдают свою неуверенность.
Да, и не будем забывать, что у аналитиков, так-то, ничего ЗП, и все это знают. Так рыночек порешал. И сейчас порешает - наниматели просто не найдут людей на низкую ЗП и поднимут ее или снизят требования.
Надеюсь, никто на эту писанину не обиделся. А если обиделся, так тому и быть - неважно это все.
К чему это все. В очередной раз в нашем любимом ламповом (и иногда немного токсичном) чате с вакансиями кто-то обиделся на якобы заниженную зарплатную вилку. Люблю вопросы типа "вы думаете, за 120 кого-то найдете" или "150 к за такие требования - это смешно".
Кому-то обидно, что его ценность занижают. Почему-то кажется, что у этих обиженных не очень много квалификации и опыта. Ведь, если ты уверен в своей квалификации, скиллах, то не будешь из себя строить обиженку. И, если это не твой ценник, то просто проходишь мимо, это просто не твое. А место, где тебя по достоинству оценят, точно есть, и не одно, и даже не два. По моему имхо мнению, обиженки просто выдают свою неуверенность.
Да, и не будем забывать, что у аналитиков, так-то, ничего ЗП, и все это знают. Так рыночек порешал. И сейчас порешает - наниматели просто не найдут людей на низкую ЗП и поднимут ее или снизят требования.
Надеюсь, никто на эту писанину не обиделся. А если обиделся, так тому и быть - неважно это все.
Telegram
Работа ищет аналитиков // Вакансии
Крупнейшая конференция для аналитиков - Матемаркетинг - 20-21 ноября 2025 года - https://matemarketing.ru
Программа: bit.ly/mm25-program
Билеты: https://bit.ly/mm25-ticket
Вопросы: @a_nikushin // info@matemarketing.ru
Программа: bit.ly/mm25-program
Билеты: https://bit.ly/mm25-ticket
Вопросы: @a_nikushin // info@matemarketing.ru
Сегодня настойчиво занимался настройкой отслеживание через GTM скролла на странице. По пути наткнулся на пару полезных статей на эту тему:
- https://www.simoahava.com/analytics/customize-scroll-depth-trigger/
- https://analytics-tips.com/scroll-depth-tracking-with-google-tag-manager/
- https://www.simoahava.com/analytics/customize-scroll-depth-trigger/
- https://analytics-tips.com/scroll-depth-tracking-with-google-tag-manager/
Simo Ahava's blog
Customize The Scroll Depth Trigger In Google Tag Manager
Some tips and tricks on how to customize the scroll depth trigger in Google Tag Manager.
Forwarded from Время Валеры
Сколько себя помню, каждый раз когда я пересекался с маркетологами дольше получаса, постоянно поднималась проблема аллокации маркетингового бюджета и вопрос про инкремент.
Например, почти два года назад во время ужина, тогдашний и нынешний маркетинговый директор Е-Аптеки, Наталья, задавала мне этот вопрос, надеясь что я смогу ей как то помочь. Я ей что-то напредлагал через causal impact, но особо мы ничего не сделали. Проблема аллокации настолько классическая, что есть даже избитая цитата: Half the money I spend on advertising is wasted; the trouble is I don’t know which half.
К слову, раньше ужины с Натальей мне нравились гораздо больше, ведь она была директором по маркетингу Тануки с 50% скидочной картой
Как альтернатива решения этой задачи в моей голове всегда лежала статья 2019 от чувяков из Alibaba - A Unified Framework for Marketing Budget Allocation
Недавно я наткнулся на гораздо более многообещающую и в тоже время простую штуку, которая называется MMM Robyn, выпущенная компанией Meta (aka Facebook)
https://facebookexperimental.github.io/Robyn/
К сожалению МММ означает всего лишь Marketing Mix Modeling
Попробуем разобраться что же под капотом из зачем нужен Robyn
Если взять максимальный уровень абстракции сверху - загоняем в модель данные на какой канал сколько денег потратили, сколько с него пришло пользователей и сопутствующую информацию, умная машина говорит нам что делать
Попробуем пойти чуть глубже и начнем с данных
Зависимая переменная - метрика которая нас интересует, KPI - например продажи или GMV
Независимые переменные - признаки, которые влияют на зависимую переменную: медиа маркетинг, Non-media marketing(промо, скидки), сезонность (выходные, праздники, погода и тп.), макроэкономические факторы и многое многое другое
Подробнее о данных
Медиа активность:
Цифровые каналы - идеально количество impressions, не клики, так как показы имеют накопительный эффект и тоже могут привести к конверсиям без клика
Для Радио и ТВ Gross Rating Points (GRPs) или Target Audience Rating Points (TARPs).
Для печати - количество подписчиков/проданных единиц
Учитывать ли органику? Обычно советует включать только платный трафик, теоретически можно включить и органику
Non-media marketing:
Бинарный флаг, означающий наличие или отсутствие определенного типа промо - стоит подумать над регулярностью и какие промо заслуживают своего собственного флага
Временной ряд стоимости товаров/услуг
Сезонность и праздники:
Robyn предлагает использовать для выделения этих компонент встроенный prophet
Либо считать самостоятельно и указывать дополнительными бинарными флагами различные праздники, также можно использовать температуру для явного разделения сезонов (лето/зима)
Макроэкономика:
ВВП, безработица, инфляция, в наших реалиях, наверняка курс валюты
Например, почти два года назад во время ужина, тогдашний и нынешний маркетинговый директор Е-Аптеки, Наталья, задавала мне этот вопрос, надеясь что я смогу ей как то помочь. Я ей что-то напредлагал через causal impact, но особо мы ничего не сделали. Проблема аллокации настолько классическая, что есть даже избитая цитата: Half the money I spend on advertising is wasted; the trouble is I don’t know which half.
К слову, раньше ужины с Натальей мне нравились гораздо больше, ведь она была директором по маркетингу Тануки с 50% скидочной картой
Как альтернатива решения этой задачи в моей голове всегда лежала статья 2019 от чувяков из Alibaba - A Unified Framework for Marketing Budget Allocation
Недавно я наткнулся на гораздо более многообещающую и в тоже время простую штуку, которая называется MMM Robyn, выпущенная компанией Meta (aka Facebook)
https://facebookexperimental.github.io/Robyn/
К сожалению МММ означает всего лишь Marketing Mix Modeling
Попробуем разобраться что же под капотом из зачем нужен Robyn
Если взять максимальный уровень абстракции сверху - загоняем в модель данные на какой канал сколько денег потратили, сколько с него пришло пользователей и сопутствующую информацию, умная машина говорит нам что делать
Попробуем пойти чуть глубже и начнем с данных
Зависимая переменная - метрика которая нас интересует, KPI - например продажи или GMV
Независимые переменные - признаки, которые влияют на зависимую переменную: медиа маркетинг, Non-media marketing(промо, скидки), сезонность (выходные, праздники, погода и тп.), макроэкономические факторы и многое многое другое
Подробнее о данных
Медиа активность:
Цифровые каналы - идеально количество impressions, не клики, так как показы имеют накопительный эффект и тоже могут привести к конверсиям без клика
Для Радио и ТВ Gross Rating Points (GRPs) или Target Audience Rating Points (TARPs).
Для печати - количество подписчиков/проданных единиц
Учитывать ли органику? Обычно советует включать только платный трафик, теоретически можно включить и органику
Non-media marketing:
Бинарный флаг, означающий наличие или отсутствие определенного типа промо - стоит подумать над регулярностью и какие промо заслуживают своего собственного флага
Временной ряд стоимости товаров/услуг
Сезонность и праздники:
Robyn предлагает использовать для выделения этих компонент встроенный prophet
Либо считать самостоятельно и указывать дополнительными бинарными флагами различные праздники, также можно использовать температуру для явного разделения сезонов (лето/зима)
Макроэкономика:
ВВП, безработица, инфляция, в наших реалиях, наверняка курс валюты
facebookexperimental.github.io
Robyn
Our mission is to democratise modeling knowledge, inspire the industry through innovation, reduce human bias in the modeling process & build a strong open source marketing science community.
Forwarded from Lena Seregina 📈🧘♀️♥️
Что такое продуктовый подход и продуктовая аналитика? «Вот, если в компании продуктовые менеджеры и отделы, поделенные по продуктовым направлениям, — это уже продуктовый подход? И ещё нет? Вот если в компании настроили сбор данных и наняли людей, которых называют продуктовыми аналитиками, это уже аналитика продуктов или еще нет?"
Такие вопросы мне задают каждый день. Студенты, клиенты и знакомые. Люблю математически показывать, что "как бы продуктовые" танцы с бубнами никакого отношения к продуктовому подходу не имеют. А как же наш директор по продукту? Ответ у бабушки, которая к забору подошла. Буря эмоций на эту тему так захлестывает, что давайте по порядку. Буду брать паузы, чтобы успокоиться. На лекциях или в диалогах этих паузы не беру. И собеседников накрывает лавина «Лена про продуктовый подход».
Начнем с основ. Что такое продукт. Знаю, банально. Продукт — это то, что решает проблему пользователя или клиента. Когда говорят "продуктовый подход", видимо, хотят иметь в виду либо«проблемный подход», либо «клиентский» или «пользовательский».
Мне нравится развивать ценностно-ориентированный подход к продуктам. Но я верю в то, что понимаю математические (вернее, физические) причины того, почему продуктовый подход на хайпе. Продуктовый подход — надежнейший из изученных способ прийти к экспоненциальному росту бизнеса. Это я разложу по полочка в следующем тексте по теме.
Пока скажу, что причина того, почему продуктовый подход даёт выраженный эффект для роста бизнеса не в ценности. Работа с ценностью - инструмент продуктового подхода. Из двух вариантов, что же такое продуктовый подход — развитие ценности или развитие отношений с клиентами, могу уверенно сказать. Это развитие отношений с клиентами.
Часто клиенты бюро Datalatte говорят:
-Да, не измеряем и не растим ценность, которую даем нашим пользователям. Но наш бизнес растет!
Что переводится как «Thank you! And fck you». И хотя для это значит, что они, кажется, не купили услуги по проработке метрик ценности и качества. Эти чертяки правы. Бизнес может расти и без ценностно-ориентированных методов. Правда, не так быстро, как мог бы. Впрочем, тут черт в деталях. Если основатель -- восторженный одуван, не советую ему продавать ценностно-ориентированный подход. Есть риск сделать хуже.
Резюмируем. Продуктовый подход — это пользовательский или клиентский подход. Думает ли конкретная компания про пользователей? Вокруг чего выстроены бизнес-процессы и структура? Если вокруг клиентов, их нужд и контекстов, это продуктовый подход. Если вокруг проектов и «идей» стейкхолдеров, это проектный или стейхолдерский подход. В последнем случае основатель или генеральный — главный пользователь игрушки под названием «Продукт, который мы создаем».
А что с аналитикой? Когда изучают поведение, контекст и нужды пользователей, это продуктовая аналитика. Когда уходят в АБ-тестирование эффективности фич, которые принесены с очередной планерки с можно, это стейхолдерская аналитика. Не верю в её эффективность для роста бизнеса.
PS:
92% компаний, согласно McKinsey сливают бюджеты на аналитику. А чего вы ждёте от традиционной -- она стейхолдерской аналитики про она про игрушку для менеджеров? Больно признаться. Но я давно отреклась от церкви, к которой формально принадлежу.
Меня часто называют «поэтом-математиком», но слова поэт и математик звучат как «болтать не мешки ворочать». А я, как мне кажется, ворочаю иногда грузовики, даже не мешки. Все чаще последнее время меня называют врачом бизнесов. И это мне нравится. Мне всегда казалось, что аналитик должен быть именно врачом. Не лаборантом, который разнюхивает и пробует на вкус очередную кучку данных (потому что микроскопы опять не завезли). Здесь наверное сказывается то, что я воспитана врачом. Во врачебной этике. И замечаю, что сильные аналитики подчас имеют медицинское прошлое (врачи, медсестры) или воспитаны во врачебной среде.
Но в следующих главах мы поговорим про математику успеха и её связь с продуктовым подходим. Потому что я все-таки не врач. А физик.
Такие вопросы мне задают каждый день. Студенты, клиенты и знакомые. Люблю математически показывать, что "как бы продуктовые" танцы с бубнами никакого отношения к продуктовому подходу не имеют. А как же наш директор по продукту? Ответ у бабушки, которая к забору подошла. Буря эмоций на эту тему так захлестывает, что давайте по порядку. Буду брать паузы, чтобы успокоиться. На лекциях или в диалогах этих паузы не беру. И собеседников накрывает лавина «Лена про продуктовый подход».
Начнем с основ. Что такое продукт. Знаю, банально. Продукт — это то, что решает проблему пользователя или клиента. Когда говорят "продуктовый подход", видимо, хотят иметь в виду либо«проблемный подход», либо «клиентский» или «пользовательский».
Мне нравится развивать ценностно-ориентированный подход к продуктам. Но я верю в то, что понимаю математические (вернее, физические) причины того, почему продуктовый подход на хайпе. Продуктовый подход — надежнейший из изученных способ прийти к экспоненциальному росту бизнеса. Это я разложу по полочка в следующем тексте по теме.
Пока скажу, что причина того, почему продуктовый подход даёт выраженный эффект для роста бизнеса не в ценности. Работа с ценностью - инструмент продуктового подхода. Из двух вариантов, что же такое продуктовый подход — развитие ценности или развитие отношений с клиентами, могу уверенно сказать. Это развитие отношений с клиентами.
Часто клиенты бюро Datalatte говорят:
-Да, не измеряем и не растим ценность, которую даем нашим пользователям. Но наш бизнес растет!
Что переводится как «Thank you! And fck you». И хотя для это значит, что они, кажется, не купили услуги по проработке метрик ценности и качества. Эти чертяки правы. Бизнес может расти и без ценностно-ориентированных методов. Правда, не так быстро, как мог бы. Впрочем, тут черт в деталях. Если основатель -- восторженный одуван, не советую ему продавать ценностно-ориентированный подход. Есть риск сделать хуже.
Резюмируем. Продуктовый подход — это пользовательский или клиентский подход. Думает ли конкретная компания про пользователей? Вокруг чего выстроены бизнес-процессы и структура? Если вокруг клиентов, их нужд и контекстов, это продуктовый подход. Если вокруг проектов и «идей» стейкхолдеров, это проектный или стейхолдерский подход. В последнем случае основатель или генеральный — главный пользователь игрушки под названием «Продукт, который мы создаем».
А что с аналитикой? Когда изучают поведение, контекст и нужды пользователей, это продуктовая аналитика. Когда уходят в АБ-тестирование эффективности фич, которые принесены с очередной планерки с можно, это стейхолдерская аналитика. Не верю в её эффективность для роста бизнеса.
PS:
92% компаний, согласно McKinsey сливают бюджеты на аналитику. А чего вы ждёте от традиционной -- она стейхолдерской аналитики про она про игрушку для менеджеров? Больно признаться. Но я давно отреклась от церкви, к которой формально принадлежу.
Меня часто называют «поэтом-математиком», но слова поэт и математик звучат как «болтать не мешки ворочать». А я, как мне кажется, ворочаю иногда грузовики, даже не мешки. Все чаще последнее время меня называют врачом бизнесов. И это мне нравится. Мне всегда казалось, что аналитик должен быть именно врачом. Не лаборантом, который разнюхивает и пробует на вкус очередную кучку данных (потому что микроскопы опять не завезли). Здесь наверное сказывается то, что я воспитана врачом. Во врачебной этике. И замечаю, что сильные аналитики подчас имеют медицинское прошлое (врачи, медсестры) или воспитаны во врачебной среде.
Но в следующих главах мы поговорим про математику успеха и её связь с продуктовым подходим. Потому что я все-таки не врач. А физик.
Обнаружил, что давненько ничего не писал. Вроде проснулся уже.
Сделал небольшой скрипт для импорта контентной статистики из Яндекс Метрики и загрузки ее в Google BigQuery: https://github.com/a-efimov/api-yandex-metrica-content.
Может, кому-то пригодится.
Сделал небольшой скрипт для импорта контентной статистики из Яндекс Метрики и загрузки ее в Google BigQuery: https://github.com/a-efimov/api-yandex-metrica-content.
Может, кому-то пригодится.
GitHub
GitHub - a-efimov/api-yandex-metrica-content: Небольшая программа для импорта контентной статистики из Яндекс Метрики и загрузки…
Небольшая программа для импорта контентной статистики из Яндекс Метрики и загрузки данных в Google BigQuery - GitHub - a-efimov/api-yandex-metrica-content: Небольшая программа для импорта контентно...
Наверное, это брюзжание, но все же правильно называть теория вероятностей, но не вероятности. Мелочь, но выдает отношение к делу и уровень компетенций. Особенно, если кто-то кого-то чему-то пытается обучить.
Скриншот с сайта одного такого обучальщика.
Скриншот с сайта одного такого обучальщика.
Forwarded from WebAnalytics (Осиюк Дмитрий)
Возможно, вы уже слышали, что австрийский надзорный орган по GDPR признал незаконной установку Google Analytics Universal и передачу данных европейских пользователей в US. Подробнее об этом (есть даже ссылка на оригинал решения суда) можно почитать здесь: https://tutanota.com/blog/posts/google-analytics/.
Ребята из Telegram-канала LEFT JOIN изучили интересный тред о различных open-source аналогах для Google Analytics и поделились такими находками (если вы тоже знаете классные аналоги GA — пишите о них в комментариях):
▪️PostHog — наверное, самая известная и нашумевшая сейчас платформа для продуктовой аналитики, анализа воронки, записи сеансов, пометок функций и многого другого.
▪️GoatCounter — удобная платформа для веб-аналитики без отслеживания личных данных пользователей. Бесплатна для некоммерческого использования.
▪️Piwik — достаточно олдскульный уже инструмент для анализа пути клиента по веб-сайтам и приложениям. Вновь важной частью является акцент на конфиденциальность пользователей и безопасность данных и отказ от продажи данных третьим лицам.
▪️Plausible — инструмент, который не использует cookie и полностью соответствует GDPR, CCPA и PECR. Гораздо быстрее, чем Google Analytics (как заявляют создатели: скрипт в 45 раз меньше), а, значит, сайт с 10 000 посетителей в месяц может сократить выбросы CO2 на 4,5 кг в год за счет перехода.
▪️Matomo — 100% точные отчеты, рекомендации от службы поддержки, которая отвечает очень быстро а также возможность импортировать данные GA непосредственно в свой Matomo. Нет ограничений на количество сайтов, пользователей, сегментов и объем хранимых данных.
▪️Open Web Analytics — полностью бесплатная платформа веб-аналитики, которая позволяет вам строить аналитические дашборды, изучать тепловые карты кликов пользователей и изучать сведения об использовании любой веб-страницы, включая предыдущие и следующие просмотренные страницы.
▪️Countly — аналитическая платформа для понимания и оптимизации пути клиентов в веб-приложениях, настольных и мобильных приложениях. Countly можно установить локально или в безопасном частном облаке. В любом случае вы сохраняете 100% права собственности на собранные данные и получаете прямой доступ к детализированным необработанным аналитическим данным о продукте.
▪️Umami — простое и удобное в использовании решение для веб-аналитики с собственным хостингом. Цель состоит в том, чтобы предоставить вам более удобную, ориентированную на конфиденциальность альтернативу Google Analytics и бесплатную альтернативу платным решениям с открытым исходным кодом. Umami собирает только те показатели, которые вам интересны, и все умещается на одной странице.
▪️Ackee — аналитический инструмент на основе Node.js для тех, кто заботится о конфиденциальности. Работает на вашем собственном сервере, анализирует трафик ваших сайтов и предоставляет полезную статистику. Позволяет анализировать столько доменов и приложений, сколько вы хотите. Интерфейс Ackee поможет вам оставаться сосредоточенным, не путаться в сотнях диаграмм и параметрах фильтрации.
▪️Fugu — аналитический инструмент с платной (managed version) и бесплатной (self-hosting) версией. Как и все остальные, Fugu не отслеживает какую-либо личную информацию пользователей. Fugu создан для людей, которым не нужны причудливые инструменты аналитики продуктов, но которые предпочитают набор простых в использовании функций сложному пользовательскому интерфейсу. Fugu полностью финансируется исключительно из собственных средств. Единственным источником дохода является абонентская плата в размере 9 долларов США в месяц за сервис с поддержкой.
Ребята из Telegram-канала LEFT JOIN изучили интересный тред о различных open-source аналогах для Google Analytics и поделились такими находками (если вы тоже знаете классные аналоги GA — пишите о них в комментариях):
▪️PostHog — наверное, самая известная и нашумевшая сейчас платформа для продуктовой аналитики, анализа воронки, записи сеансов, пометок функций и многого другого.
▪️GoatCounter — удобная платформа для веб-аналитики без отслеживания личных данных пользователей. Бесплатна для некоммерческого использования.
▪️Piwik — достаточно олдскульный уже инструмент для анализа пути клиента по веб-сайтам и приложениям. Вновь важной частью является акцент на конфиденциальность пользователей и безопасность данных и отказ от продажи данных третьим лицам.
▪️Plausible — инструмент, который не использует cookie и полностью соответствует GDPR, CCPA и PECR. Гораздо быстрее, чем Google Analytics (как заявляют создатели: скрипт в 45 раз меньше), а, значит, сайт с 10 000 посетителей в месяц может сократить выбросы CO2 на 4,5 кг в год за счет перехода.
▪️Matomo — 100% точные отчеты, рекомендации от службы поддержки, которая отвечает очень быстро а также возможность импортировать данные GA непосредственно в свой Matomo. Нет ограничений на количество сайтов, пользователей, сегментов и объем хранимых данных.
▪️Open Web Analytics — полностью бесплатная платформа веб-аналитики, которая позволяет вам строить аналитические дашборды, изучать тепловые карты кликов пользователей и изучать сведения об использовании любой веб-страницы, включая предыдущие и следующие просмотренные страницы.
▪️Countly — аналитическая платформа для понимания и оптимизации пути клиентов в веб-приложениях, настольных и мобильных приложениях. Countly можно установить локально или в безопасном частном облаке. В любом случае вы сохраняете 100% права собственности на собранные данные и получаете прямой доступ к детализированным необработанным аналитическим данным о продукте.
▪️Umami — простое и удобное в использовании решение для веб-аналитики с собственным хостингом. Цель состоит в том, чтобы предоставить вам более удобную, ориентированную на конфиденциальность альтернативу Google Analytics и бесплатную альтернативу платным решениям с открытым исходным кодом. Umami собирает только те показатели, которые вам интересны, и все умещается на одной странице.
▪️Ackee — аналитический инструмент на основе Node.js для тех, кто заботится о конфиденциальности. Работает на вашем собственном сервере, анализирует трафик ваших сайтов и предоставляет полезную статистику. Позволяет анализировать столько доменов и приложений, сколько вы хотите. Интерфейс Ackee поможет вам оставаться сосредоточенным, не путаться в сотнях диаграмм и параметрах фильтрации.
▪️Fugu — аналитический инструмент с платной (managed version) и бесплатной (self-hosting) версией. Как и все остальные, Fugu не отслеживает какую-либо личную информацию пользователей. Fugu создан для людей, которым не нужны причудливые инструменты аналитики продуктов, но которые предпочитают набор простых в использовании функций сложному пользовательскому интерфейсу. Fugu полностью финансируется исключительно из собственных средств. Единственным источником дохода является абонентская плата в размере 9 долларов США в месяц за сервис с поддержкой.
Нашел у себя ссылки с информацией о том, как настроить стриминг данных с сайта в BQ, аналогично тому, как работает Google Analytics.
Пару лет назад эксперимент прошел вполне удачно, но многих данных, которые есть при стриминге из GA, не будет.
https://web-analytics.me/streaming_in_bigquery
https://websitelytics.top/blog/bigquery-streaming/
Пару лет назад эксперимент прошел вполне удачно, но многих данных, которые есть при стриминге из GA, не будет.
https://web-analytics.me/streaming_in_bigquery
https://websitelytics.top/blog/bigquery-streaming/
web-analytics.me
Стриминг данных из Google Analytics в BigQuery
Решение Евгения Черного по возможности самостоятельно загружать данные из Google Analytics в Google BigQuery
Послушал предпоследний выпуск подкаста Айтишниками на рождаются с Андреем Кротких. Отличный гость, отличный выпуск.
Помимо других интересных штук отмечу два важных нюанса в работе для Андрея:
- в процессе работы нужно генерировать новое знание, не только для себя
- и нужно пробивать потолок
И то, и другое он повторил несколько раз.
Почему это важно?
Потому что просто выполнять задачи - это немного грустно. И, если ты не приносишь никакой пользы и постоянно не развиваешься профессионально, ни к чему это все.
Помимо других интересных штук отмечу два важных нюанса в работе для Андрея:
- в процессе работы нужно генерировать новое знание, не только для себя
- и нужно пробивать потолок
И то, и другое он повторил несколько раз.
Почему это важно?
Потому что просто выполнять задачи - это немного грустно. И, если ты не приносишь никакой пользы и постоянно не развиваешься профессионально, ни к чему это все.
Forwarded from AB тесты и все вот про это вот все
Небольшой чек-лист для проведение АБ теста. Полезно им руководствоваться, чтобы не упустить какую-нибудь "мелочь".
https://www.notion.so/AB-dc3c2f5b1c394124ba65ef7f6100bbee
https://www.notion.so/AB-dc3c2f5b1c394124ba65ef7f6100bbee
Alexandr's Notion on Notion
Проведение AB теста
Этапы проведения AB теста
Прекрасно, когда руководитель говорит подчиненному (который что-то рабочее делает, в чем-то копается) что-то типа:
- а вот так ты можешь?
- а вот это сможешь сделать?
- а давай попробуем вот такую штуку.
Однажды мне сказали что-то подобное, и вскоре я стал аналитиком.
Мораль здесь проста - иногда способности и потенциальные возможности сотрудника неочевидны, и огромный плюс в том, чтобы их заметить, выявить, развить. На словах это нужно всем, а на деле - конечно, нет.
- а вот так ты можешь?
- а вот это сможешь сделать?
- а давай попробуем вот такую штуку.
Однажды мне сказали что-то подобное, и вскоре я стал аналитиком.
Мораль здесь проста - иногда способности и потенциальные возможности сотрудника неочевидны, и огромный плюс в том, чтобы их заметить, выявить, развить. На словах это нужно всем, а на деле - конечно, нет.
Forwarded from Fless
Новый эпизод #Нанято с собесом на дата-аналитика в Ситимобил!
Как вам новый формат?
https://youtu.be/ZQsVYbVq_gE
Как вам новый формат?
https://youtu.be/ZQsVYbVq_gE
YouTube
Все о работе технаря в Ситимобил | Собеседование дата-аналитика | #Нанято S1E06RU
Пройди собес в Ситимобил: https://city-mobil.ru/career .
Симулируем интервью кандидата в аналитику данных Ситимобил! Рассказываем, чем и зачем занимаются аналитики данных в ведущем сервисе городской мобильности.
Канал Насти Miracle6 https://www.youtube.com/c/miracl6…
Симулируем интервью кандидата в аналитику данных Ситимобил! Рассказываем, чем и зачем занимаются аналитики данных в ведущем сервисе городской мобильности.
Канал Насти Miracle6 https://www.youtube.com/c/miracl6…
Немного спортивной аналитики:
- рассказ сотрудников Hudl о построении аналитики данных в футбольном клубе: https://www.youtube.com/watch?v=WoWQCsbwsdg
- подкаст о применении Data Science в футболе: https://www.youtube.com/watch?v=MsuLggu3hu4
Во всем этом очень огорчает уровень проникновения Data Science в спорт.
В обычном бизнесе все давно привыкли к скорингу, рекомендательным системам, временным рядам и многим другим вариантам использования данных для увеличения эффективности.
Спорт намного более консервативен в этом плане, и в эту область работа с данными только приходит. И, скорее всего, будет ходить, танцевать на тех же граблях, что 10 и более лет назад в других областях нашей жизни. А жаль.
- рассказ сотрудников Hudl о построении аналитики данных в футбольном клубе: https://www.youtube.com/watch?v=WoWQCsbwsdg
- подкаст о применении Data Science в футболе: https://www.youtube.com/watch?v=MsuLggu3hu4
Во всем этом очень огорчает уровень проникновения Data Science в спорт.
В обычном бизнесе все давно привыкли к скорингу, рекомендательным системам, временным рядам и многим другим вариантам использования данных для увеличения эффективности.
Спорт намного более консервативен в этом плане, и в эту область работа с данными только приходит. И, скорее всего, будет ходить, танцевать на тех же граблях, что 10 и более лет назад в других областях нашей жизни. А жаль.
YouTube
Выстраивание Data-стратегии в футбольном клубе (Hudl x Build up School)
Скачать презентацию тут: https://buildup-school.ru/presentation_meetup
Возможности и ограничения данных в футболе (Евгений Шевелев и Сергей Титов): https://youtu.be/atOM0TbPpp8
Наши контакты:
Сайт школы: https://buildup-school.ru
Александр Моисеев (основатель):…
Возможности и ограничения данных в футболе (Евгений Шевелев и Сергей Титов): https://youtu.be/atOM0TbPpp8
Наши контакты:
Сайт школы: https://buildup-school.ru
Александр Моисеев (основатель):…
Forwarded from Никита Кричевский
Выводы климатологов ошибочны.
6 февраля этого года в The Wall Street Journal опубликована статья Роберта Хоца (Robert Lee Hotz) Climate Scientists Limits of Computer Models, Bedeviling Policy, в которой на основе многочисленных комментариев ученых говорится, что все предыдущие прогнозы глобального потепления были ошибочными.
🔹 даже самые лучшие имеющиеся инструменты не могут моделировать климат с той уверенностью, которая необходима миру;
🔹 по меньшей мере 20 старых, более простых моделей климата давали результаты, отличающиеся от того, что говорит новая модель с открытым исходным кодом NCAR;
🔹 повышенная чувствительность климата от облаков ошибочна;
🔹 модели по-прежнему подвержены техническим сбоям и их работу затрудняет неполное понимание переменных, содержащих реакцию планеты на парниковые газы;
🔹 «ретроспективное прогнозирование» (ледниковый период, пр.) дало неверные заключения;
🔹 в зависимости от облаков будущие температуры могут бы как выше, так и ниже;
🔹 ученые обнаружили ошибку в том, как базовая модель CESM2 моделировала взаимодействие влаги с сажей, пылью или частицами морских брызг;
🔹 климатическая модель, способная уловить эффекты облачных систем, штормов, лесных пожаров и океанических течений, потребует в тысячу раз больше компьютерной мощности.
Парижское соглашение по климату 2015 г. и Декларация саммита в Глазго 2021 г. составлены по неверным климатическим моделям и прогнозам. Что только подтверждает тезис о финансово-спекулятивной природе климатической озабоченности.
Мы боремся неизвестно с чем.
6 февраля этого года в The Wall Street Journal опубликована статья Роберта Хоца (Robert Lee Hotz) Climate Scientists Limits of Computer Models, Bedeviling Policy, в которой на основе многочисленных комментариев ученых говорится, что все предыдущие прогнозы глобального потепления были ошибочными.
🔹 даже самые лучшие имеющиеся инструменты не могут моделировать климат с той уверенностью, которая необходима миру;
🔹 по меньшей мере 20 старых, более простых моделей климата давали результаты, отличающиеся от того, что говорит новая модель с открытым исходным кодом NCAR;
🔹 повышенная чувствительность климата от облаков ошибочна;
🔹 модели по-прежнему подвержены техническим сбоям и их работу затрудняет неполное понимание переменных, содержащих реакцию планеты на парниковые газы;
🔹 «ретроспективное прогнозирование» (ледниковый период, пр.) дало неверные заключения;
🔹 в зависимости от облаков будущие температуры могут бы как выше, так и ниже;
🔹 ученые обнаружили ошибку в том, как базовая модель CESM2 моделировала взаимодействие влаги с сажей, пылью или частицами морских брызг;
🔹 климатическая модель, способная уловить эффекты облачных систем, штормов, лесных пожаров и океанических течений, потребует в тысячу раз больше компьютерной мощности.
Парижское соглашение по климату 2015 г. и Декларация саммита в Глазго 2021 г. составлены по неверным климатическим моделям и прогнозам. Что только подтверждает тезис о финансово-спекулятивной природе климатической озабоченности.
Мы боремся неизвестно с чем.
Очень показательная история про то, как в угоду распилу инвестиций и прочих бюджетов зеленое лобби подгоняет факты под идею. А потом вдруг оказывается, что это все неправда. Ну надо же!