Аналитика. Это просто – Telegram
Аналитика. Это просто
969 subscribers
120 photos
3 videos
4 files
517 links
Канал об аналитике. Web, мобильная, продуктовая. По любым вопросам можно писать - @ealexandr
Download Telegram
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/
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
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.
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.
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.
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/
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.
Небольшой чек-лист для проведение АБ теста. Полезно им руководствоваться, чтобы не упустить какую-нибудь "мелочь".
https://www.notion.so/AB-dc3c2f5b1c394124ba65ef7f6100bbee
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.
Отличная реклама, а главное, креативная!
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.
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.
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!
Интересную штуку нашел в контентных отчетах Яндекс Метрики. Есть показатель Доля просмотров материалов с дочтением. Рассчитывается как просмотры с дочтением / все просмотры. Но не все так просто
Вот есть статья. У нее 2030 просмотров и 334 просмотра с дочтением, получаем 16%. Но не все так просто. Переходим не страницу подробной статистикой по статье. Здесь этот показатель указан 2 раза.

И в одном 16%, а в другом 70%. И вот в чем вопрос: это баг или все же какие-то разные показатели? Пока ответа не нашел.
Forwarded from Этюды для программистов на Python (Дима Федоров)
🐍 После длительного перерыва вернулся с хорошими новостями.

Разместил свой полный курс видео по Python и анализу данных: https://dfedorov.spb.ru/python3/
Недавно прошел вебинар по теме продуктовой аналитики https://youtu.be/oquId6GPadw. Новичкам будет полезно, чтобы понять, что это такое и что значит быть продуктовым аналитиком.
Ниже основные тезисы вебинара

Что делает продуктовый аналитик:
- исследует поведения пользователей
- контролирует корректность сбора данных
- проверяет гипотезы
- разрабатывает систему метрик
- строит дашборды

Что плохо для работы продуктового аналитика:
- быть не в команде продукта
- работать с несвязанными между собой продуктами
- перегрузка ad-hoc запросами

Что хорошо для работы продуктового аналитика:
- работать с одним продуктом или связанными продуктами
- быть частью продуктовой команды
- успевать делать много исследовательских задач

Что важно понимать про компанию:
- подробно про продукт и задачи, от чего зависит круг задач
- орг. структура компании
- зрелость компании, продукта
- размер команды

Какие вопросы задать на собеседовании:
- с каким продуктом буду работать, в какой команде
- какой стек
- кто будет помогать
- что уже есть и что нужно строить
- какова стратегия продукта, куда он движется, какие приоритеты
- для каких задач нужен аналитик