Кто я и зачем вообще все это? ☺️

Меня зовут Андрон Алексанян, я предприниматель с сильной экспертизой в аналитике и Data Science. Сейчас я руковожу несколькими проектами, где мы юзаем все data-driven практики, которые я описываю в канале.

Вот несколько моих текущих проектов (про некоторые расскажу чуть позже вне этого поста):

* IT Resume — платформа с лучшей технологией автопроверки кода в Восточной Европе (и не только). Наши клиенты — топ edtech-компании из России и глобального рынка.
* Simulative — образовательные симуляторы, где мы учим людей не просто «писать код», а реально быть крутыми аналитиками.

Успеваю пилить аналитику в своих компаниях, провожу закрытые стримы для начинающих аналитиков, веду активную научную деятельность в области анализа временных рядов (например, мои статьи из Q2 журналов — вот и вот), преподаю магистрам в ИАТЭ НИЯУ МИФИ на кафедре Прикладной математики и вообще много всего. Если у вас есть интересный проект - просто свяжитесь со мной 🙂

Я считаю, что крутой и стабильный бизнес можно построить только за счет data-driven подхода, а «предпринимательское спокойствие» можно получить только за счет полной сквозной аналитики каждого процесса. Поэтому здесь я пишу про этот самый data-driven, сублимируя свой опыт и опыт моих коллег в маркетинге, продажах, продукте, найме и остальных сферах бизнеса.

Вот примеры, что вас ждет в этом канале:

* как правильно считать вовлеченность пользователей в продукте для разных ниш бизнеса
* как комплексно анализировать рекламную воронку без факапов, чтобы не слить бюджет и пару месяцев на нелепые тесты
* как перетащить best practices из онлайн-бизнеса в офлайн (я несколько раз строил аналитику с нуля в аптечной сети, медицинских бизнесах и не только)
* как оцифровать KPI сотрудника, чтобы он начал фигачить с первой недели и приносил ценность бизнесу уже с первого дня

Зачем вообще существует этот канал? Я общаюсь с десятками предпринимателей из разных стран и масштабов бизнеса и в 90% случаев их бизнес это guesswork:

* рекламные баннеры делаются по наитию рекламщиков
* рассылки отправляются по настроению SMM-щика
* KPI — это просто процент от выручки и то только для сейлзов
* а про остальное я вообще молчу

И надеюсь, что мои посты вдохновят такие компании стать чуть-чуть более data-driven и бустануться по выручке/прибыли и просто начать кайфовать от того, что весь бизнес как на ладони.

В канале нет новостей, мемов и дайджестов — я пишу только актуальный и полезный контент, который «не протухает» и готов к внедрению в любой бизнес прям здесь и сейчас.

А вам такое интересно? Тогда погнали! 🔥

Важнейшая метрика маркетинговой воронки 🔥

Чтобы долго не затягивать с первым постом, хочу рассказать про важнейшую метрику в любой маркетинговой воронке - конверсию в квалифицированного лида.

Если коротко - это % лидов, которые реально оказались целевыми. Про эту метрику редко пишут в учебниках и рассказывают на курсах, это приходит только с опытом (как правило горьким). Дальше на примерах покажу неправильные управленческие решения, если игнорировать эту метрику.

Кстати, учитывая не самую широкую распространенность, у этой метрики нет общепринятого названия (типа как CR1 или CR2). Я встречал CR-Q (от conversion rate и qualified), CQ (аналогично), vCR (от valid и conversion rate). Я обычно использую CR-Q.

Вот примеры признака «квалификации» лидов для разных бизнесов и воронок:

* Вебинарная/автовебинарная воронка - лид пришел на вебинар
* Заявка на консультацию - лид оставил нормальные контакты, он действительно заинтересован в продукте или услуге
* Бесплатный курс по нейросетям (от школы digital-маркетинга) - лид начал проходить курс и его интересуют нейросетки именно в контексте маркетинга
* Экскурсия в идеальный отдел продаж/маркетинга (от консалтинговой фирмы) - лид имеет N рублей выручки в месяц и у него реально болит пересобрать свой отдел продаж

Вообще каждый бизнес и каждая воронка могут диктовать свои определения квалифицированного лида. Надо исходить из вопроса «А какой когорте людей мы собираемся продавать». Если любой посетитель вебинара - это потенциальный клиент, то вот и квал лид. А если «только тот зритель, кто зарабатывает не менее 500к в месяц» - здесь уже определение квал лида будет другим.

Давайте рассмотрим простейший пример неправильных управленческих решений из-за игнорирования этой метрики.

Допустим, мы запустили рекламную кампанию из 2 баннеров на новый продукт. На каждый баннер потратили 100к рублей. Анализируем статистику и принимаем решение.

* Баннер А: 1000 лидов, CPL 100 рублей.
* Баннер Б: 333 лида, CPL 300 рубля.

Кажется, ответ очевиден - отключаем баннер Б, т.к. он генерит лиды в 3 раза дороже баннера А.

Поздравляем, вы ошиблись и слили бюджет. Классика!

А что если добавить метрику CR-Q и CPQL (cost per qualified lead)? И видим такую картинку:

* Баннер А: 1000 лидов, CPL 100 рублей, CR-Q 1%, 10 квал лидов, CPQL 10 000 рублей.
* Баннер Б: 333 лидов, CPL 300 рублей, CR-Q 50%, 166 квал лидов, CPQL 602 рубля.

Game changer, правда? Теперь видим, что по факту за квалифицированного лида мы платим аж в 17 раз дешевле с баннером Б, чем с баннером А! И, получается, отключать надо баннер А, а в Б вливать дополнительный бюджет 🥲

Примечание: Пример, конечно, немного утопичный, в жизни цифры обычно сильно ближе друг к другу, но для демонстрации хорошо подойдет 🙂

Поэтому не забивайте смотреть на CPQL и CR-Q, друзья, берегите свои деньги 😏

В следующих постах расскажу - почему CR-Q может быть хреновым и почему в этом посте мы все равно сделали неверные выводы))

Как тестить гипотезы быстро? ⚡️

У любого бизнеса, который растет, есть закономерное желание - генерировать много гипотез и быстро их проверять. А дальше компании делятся на 4 типа:

* кто так и не внедрил проверку гипотез
* кто думает, что тестит гипотезы, но делает это неправильно
* кто использует A/B тесты
* кто хакнул систему и использует не только A/B тесты 😏

Про первые 3 пункта я расскажу потом отдельно, а сегодня хочется зайти с конца, с четвертого, и поделиться с вами лайфхаком.

Давайте коротко о том, как проводят классический A/B тест: выбирают одну фичу, делают 2 варианта этой фичи, запускают параллельный тест на сопоставимых выборках и оценивают, какой вариант зашел круче.

Пример: Берем рекламный баннер, фиксируем картинку, фиксируем текст, делаем его в двух цветах и запускаем на одинаковую аудиторию.

Плюсы: супер точный результат (возможно). Минусы: долго + если вариантов много, то это слабо подходит.

А теперь давайте рассмотрим типичную задачу - email-рассылки. Очень часто email-маркетинг достаточно хаотичный и не data-driven и это легко объясняется: письмо состоит из десятка признаков - заголовок, тема, завязка, CTA, стилистика и так далее. Если тестировать письма в стиле классических A/B тестов, на это не хватит ни времени, ни денег, ни базы, ни терпения 🤡

Поэтому для таких штук есть классный прием - многопараметрическое тестирование или MVT. С его помощью мы можем одновременно протестировать сразу много гипотез.

Давайте рассмотрим на примере рассылок:

1. Выписываем, какие признаки мы будем тестировать. Например, 3 разных темы письма, 2 разных Call to action, 3 разных главных мысли в письме.
2. Формируем комбинации - всего получается 3*2*3=18 вариантов.
3. Придумываем 18 разных писем по заданным признакам и отправляем их по разным группам нашей базы (но группы должны быть сопоставимыми, как и в A/B тестах).
4. Делаем табличку, куда заносим все вариации и собираем статистику через пару дней.

Вот и все. После этого вы можете легко в разрезе каждой фичи посмотреть среднее/максимальное/минимальное/медианное/суммарное значение выбранной метрики (например, open rate или clicks). То, на что с A/B тестами вы бы потратили вечность, с MVT вам хватило пару дней с учетом написания писем, настройки рассылок и анализа результатов. Не круто ли?! 🔥

Основной минус MVT - требует большего бюджета (т.к. тестим сразу много вариантов), больше ресурсов на подготовку и большую базу (в случае с email-рассылками). Короче, если вам нужно что-то протестить суперточечно и получить конкретный ответ - тогда вам в A/B тесты. А если нужно быстро проверить гипотезу и понять, в какую сторону двигаться, то это MVT.

Кстати, для теста рекламных баннеров MVT тоже классно подойдет - на старте кампании можно протестить сразу кучу вариаций стилистик, дизайнов, цветов, офферов и аудиторий и сразу отобрать самый топовые. В моменте денег потратите больше, но зато потом кампания будет бить четко в яблочко.

Дам еще ссылочку на статью - ссылка. Здесь супер подробно и с примерами все описано - остается только внедрять 😏

Как сделать Х к прибыли за счет RFM-анализа и персонализированного маркетинга 💃

Хочу сегодня рассказать про классный, очень простой и недооцененный фреймворк - RFM-анализ.

Это исследование, в котором вы классифицируете своих клиентов по признакам Recency (давность, как давно у вас покупали), Frequency (частота, как часто у вас покупали), Monetary (деньги, сколько денег вам занесли).

Максимально у вас получается 27 групп - каждый клиент относится к одной из них. Группы выглядят примерно так:

* покупал давно - ходил часто - были хорошие чеки
* покупал недавно - ходит часто - маленькие чеки
* покупал давно - ходил редко - были огромные чеки
* и так еще 24 раза 🙂

А после этого остается только написать "портрет" каждой группы и сформировать персонализированное предложение. И это как раз то, что на практике не делает почти никто. А зря. Я видел десятки проведенных RFM-анализов, где классификация была приведена для галочки. А это же отличная возможность выстроить персонализированный маркетинг в большом количестве областей:

* зачем слать на базе из 20к контактов одинаковое письмо, если можно отправить 27 супер релевантных писем, которые точно откроют и сделают целевое действие?
* зачем отправлять по базе из 100к клиентов с бонусными картами продуктового магазина смс-ки с тупой акцией, если можно персонализировано отправить супер целевое предложение и получить высокую конверсию?
* зачем сейлзам обзванивать старую базу из 5к лидов и предлагать всем одно и то же, если можно сделать точечный оффер и поднять конверсию?

А вот примеры, как «перевести» результаты RFM-анализа в портреты и конкретные предложения 🔥:

* покупал давно - ходил часто - были хорошие чеки → разочарованный фанат → нужно реактивировать его лояльность → надо предложить ему в подарок то, что он покупал раньше чаще всего
* покупал давно - ходил редко - были огромные чеки → упущенный жирный клиент → деньги для него не проблема, важно внимание → «вы у нас часто покупали эти классные витаминки, но давно не приходили - наверняка они закончились и мы для вас их заказали, приходите, забирайте»
* покупал недавно - покупает часто - хорошие чеки → лояльный клиент → чувствует себя причастным к компании, она вписана в его график жизни → предложить вступить в VIP-клуб

Как-то так. И вот на последок ссылочка на статью с подробным разбором - как делать RFM-анализ. Обязательно внедряйте 😉

P.S. Канал завел только на этой неделе и уже 3 поста - сам от себя не ожидал) Нас здесь уже много - накидайте на этот пост 10 реакций огонечков 🔥 и в следующем посте я расскажу про то, как и зачем считать retention.

3 простых шага для увеличения retention 🔥

Сегодня хочу поговорить про retention и рекуррентность продукта. Только не про то, как считать retention и чем отличается n-day от rolling. А про то, какие штуки реально влияют на удержание пользователей.

Прочитайте эти три пункта ниже и ответьте на вопросы:

* Реализовано ли это у вас?
* Как вы можете реализовать это в своей работе?

Гарантирую - если вы проработаете в своём продукте эти 3 пункта, то через полгода ваш retention будет втрое выше, чем был 😏

Кстати: тут всего 3 пункта, но у меня в запасе ещё 20 - если пост зайдет, сделаю еще подборку.

1. Продукт должен закрывать низменную потребность - например, лень или эго.

Пример 1: многие дизайнеры пересели с Фотошопа на Canva, потому что тупо лень. Ну и что, что не Фотошоп. Зато быстро и без напряга.

Пример 2: слышали про соревновательную платформу по Data Science - Kaggle? Ее основная сильная сторона в одной фиче - рейтинге участников. Крутыши пишут у себя в профилях «Kaggle Grandmaster». А остальные смотрят, завидуют и хотят также. Эгоизм в чистом виде.

2. Точек боли должно быть мало.

Если чтобы войти в сервис, нужно станцевать с бубном - половина пользователей выберет другой продукт. А если таких танцев во время использования много - каждая из них режет вам клиентов.

Здесь речь и про UX/UI, и про скорость, и про насколько продукт вообще решает задачу.

Пример: допустим вы хотите купить курс и выбираете между двумя компаниями, которым доверяете одинаково. Согласитесь - в итоге вы купите у того, кто позволяет оплатить сразу, а не через консультацию менеджера 🙂

3. Много aha-моментов

Aha-момент - это когда во время использования продукта вы вскрикиваете «нихера себе оно умеет!» 😏 Чем чаще вскрикиваете - тем дольше будете пользоваться продуктом.

Пример: пользуюсь Todoist как одним из основных инструментов личного тайм-менеджмента. И даже в бесплатной версии периодически офигеваю, что они умеют. Вот буквально сегодня в очередной раз подумал - ого, а так можно было?!

На секундочку - я использую его уже 3 года и перепробовал порядка 7 разных сервисов. Они просто выбили всех из моей жизни за счёт этого пункта.

Давайте накидаем 20 пальцев вверх 👍🏻 на этот пост и в следующий раз будет лайфхак - как сделать аналитику «превентивной», чтобы было мало adhoc, ASAP и горящей задницы всех вокруг 🤡

«Превентивная аналитика» или управляемый хаос 🤩

Знаете, что такое «превентивная медицина»? Это когда ты идешь к врачу не когда у тебя отвалился нос или всю еду съедают глисты и тебе ничего не остается. А когда ты ежедневно делаешь всякие штуки, которые сохраняют тебе здоровье.

Вот и с аналитикой так. В основном все занимаются «спонтанной» аналитикой (это модно называть ad-hoc, но я бы назвал это «рандом»). Обычно этот процесс выглядит так:

руководитель генерирует рандомную гипотезу → менеджер кидает ее в аналитика с пометкой ASAP → аналитик не вникает и возвращает какой-то «кусок аналитики» → менеджер пересылает этот кусок аналитики руководителю → тот даже не читает, потому что гипотеза была рандомная и вообще не до нее

Э - эффективность, короче. Исправить ситуацию можно очень просто - достаточно внести небольшую правку в должностную инструкцию аналитика, изложив ее примерно так:

Основная обязанность аналитика - ежедневно мониторить собранные им дашборды, генерировать идеи и гипотезы на основании увиденного, а главное - сразу же встраивать мониторинг найденных инсайтов в общую систему дашбордов и передавать их в работу команде, если гипотеза подтвердилась.

То есть видите разницу, да? Раньше - никакого фокуса на результат, чисто процесс. Теперь - замкнутый пайплайн генерации и тестирования гипотез с моментальным запуском в работу.

Простой пример:

В результате ежедневного мониторинга дашборда с рекламой аналитик предположил, что цвет рекламного объявления очень сильно влияет на перформанс баннера. Проверил - реально так.

Значит следующие правильные шаги:

1. добавить в общую систему рекламных дашбордов график, который будет наглядно отображать эту зависимость всем членам команды в real time
2. обратить внимание рекламщиков на это и предложить протестировать эту гипотезу в бою

Если руководствоваться таким подходом, то количество ad-hoc будет сведено к минимуму, просто потому что команда будет сфокусирована на проработке тех инсайтов, которые нашел аналитик, а не на выдумывании новых бесполезных «гениальных идей». Каждый будет качественно заниматься своей работой.

Получается, что все это можно описать одной простой фразой.

Аналитик - это не чел, который умеет в Python и дашборды. Это член команды, KPI-ем которого является количество превентивно сгенерированных и донесенных до команды в понятной форме гипотез, которые привели к реальному росту метрик в бизнесе.

Кстати, получается, у этого есть upside и для самого сотрудника - вместо «писал выгрузки на SQL» в резюме он сможет смело отразить «снизил CPL на 30% и увеличил маржу на 15%» и на деле показать, что это не булшит 😏

Если вы тоже согласны с таким определением, давайте накидаем 25 единорогов 🦄 на этот пост, и в следующий раз я расскажу вам про аналитику в продажах и ABCD-сегментацию клиентов.

Метрики отдела продаж 🔥

Последнее время мы много обсуждали рекламные и маркетинговые метрики, а сегодня я предлагаю нырнуть в пучину операционки любого бизнеса и поговорить про метрики отдела продаж.

Аналитикой ОП часто пренебрегают и считают только выручку. А зря. Можно приводить бесконечно много лидов, но если твой отдел продаж работает плохо - нет никакого смысла в крутом маркетинге. Я не буду писать про базовые метрики (выручка, средний чек и т.д.) - давайте лучше обсудим более экзотические и неочевидные метрики, но которые обязательно нужно замерять в своем отделе продаж.

✔️ SLA

SLA (service-level agreement) - в данном случае речь про скорость реагирования на новую заявку. В некоторых бизнесах счет идет на минуты. Встречал случаи, когда 2-3 минуты промедления стоили компании потерянных клиентов, например, на покупку автомобиля или элитной недвижимости.

В хорошем ОП нужно контролировать SLA на все входящие заявки с разбивкой по менеджерам. В среднем скорость реакции не должна превышать 10-15 минут. А лучше звонить сразу же 🙂

✔️ % в КЭВ

КЭВ - ключевой этап воронки. Например, если вы продаете B2B SaaS платформу, то вашим КЭВом может быть демо-презентация в Zoom. Соответственно, % конверсии в КЭВ показывает - сколько лидов из общей массы вы конвертируете в КЭВ.

Это очень важный показатель, именно от него зависят финальные продажи. Сами посмотрите, что лучше: 1000 лидов и 0.5% конверсии в КЭВ или 100 лидов и 30% конверсии в КЭВ?

✔️ Длительность пребывания сделки на этапе воронки

Вся ваша воронка продаж разбита на этапы. Например - Новая заявка, Контакт инициирован, Квалификация пройдена, Счет выставлен и так далее. Процесс продажи - постепенное перемещение карточки клиента от этапа к этапу. И супер важно понимать - сколько времени в среднем карточка висит на каждом из этапов.

Эта метрика позволяет выявить слабое место в воронке продаж, допилить скрипты, усилить контроль или вообще поменять систему продаж. Пример - если у вас везде средний срок ~ 1 день, а между этапами Счет отправлен и Оплачен - 15 дней, значит вы жестко теряете деньги и вам нужно придумать, как дожимать людей оплачивать выставленные счета. Каждый день запал клиента падает и ждать 15 дней - непозволительная роскошь. Например, можно договориться с менеджерами звонить такому человеку каждый второй день после выставления счета. Или в случае неуплаты в течение 3 дней предлагать бонус при оплате день в день. В общем, это крутая пища для размышления.

✔️ Воронка продаж

Здесь под «воронкой продаж» я имею ввиду не просто этапы, а наглядная визуализация перехода между этими этапами в %. Например:

* сколько конвертируется из «Новая сделка» в «Контакт инициирован»?
* сколько конвертируется из «Контакт инициирован» в «Квалификация пройдена»?
* сколько конвертируется из «Счет отправлен» в «Оплачено»?

Наглядная воронка продаж с % по каждому этапу позволяет понять - на каком этапе просадка и куда надо бежать: то ли лидов мало, то ли они некачественные, то ли менеджеры по продажам тупо их сливают, то ли надо изменить скрипт (как на примере выше).

✔️ Заключение

Разумеется, это не все операционные метрики, а лишь самые поверхностные - на самом деле их намного больше.

Если вам зашел этот пост, давайте наберем на него 60 реакций 🔥 и я расскажу про очень важный и полезный фреймворк в аналитике маркетинга и продаж - декомпозицию.

Вы считаете корреляцию неправильно! 😱

Сегодня хочу поговорить про корреляцию. А точней про ошибки, которые связаны с расчетом этой метрики.

За последнее время во время разговора с людьми я встретился сразу с большим количеством ошибок, связанных с расчетом корреляции. И казалось бы - где тут ошибаться, это же просто число, которое показывает наличие/отсутствие и силу связи между переменными. Но сейчас я покажу вам обратное на примере 2 типовых ошибок.

❌ Ошибка 1: Неправильный выбор переменных

С этой ошибкой я столкнулся сразу несколько раз, когда проверял тестовое задание на позицию junior-аналитика. Там нужно было оценить влияние составляющих рекламного баннера (главный цвет, вспомогательные цвета, пропорции картинки, слова и т.д.) на целевую метрику - например, CTR.

Что важно - некоторые признаки были представлены в виде массивов, например, массив вспомогательных цветов. Так вот некоторые ребята объединяли все значения массива в одну строку и считали это за одну переменную. Например, был массив ['красный', 'синий', 'зеленый'], а получилась строка 'красный, синий, зеленый'.

Итого, вместо оценки влияния каждого отдельного вспомогательного цвета на CTR, они оценивали влияние «строки цветов». При этом в 95% случаев эта строка была уникальной, потому что 'красный, синий, зеленый' и 'зеленый, синий, красный' у них - конечно же, разные сочетания (хотя по факту нет).

Как надо делать: сначала, сформировать «длинный» датафрейм, разбив каждую строку на несколько, чтобы в одной ячейке всегда был только один цвет, а потом посчитать влияние изменения цвета на CTR обычным способом.

❌ Ошибка 2: Категориальные переменные

Корреляцию считают только для числовых признаков - это все знают. Но часто нам приходится работать с категориальными переменными (как в предыдущем пункте). И люди делают одну и ту же ошибку - просто применяют one-hot encoding, т.е. кодируют категориальные переменные (например, цвета) числами. Был «зеленый» - стал «1», был «красный» - стал «2».

А дальше применяется стандартный расчет корреляции - логично же, у нас ведь два числовых признака. Однако, взгляните на 2 набора признаков. В скобочках указано закодированное значение, а справа - значение CTR.

* зеленый (1) - 15%, красный (2) - 35%, синий (3) - 25%
* зеленый (3) - 15%, красный (2) - 35%, синий (1) - 25%

А теперь посчитаем корреляцию для 1 и 2 группы. В первом случае получаем 50%, а во втором -50%. Странно, да? Ничего не изменилось, а результаты полярно разные.

Как надо делать: для расчета корреляции лучше использовать коэффициент Спирмена, если мы на 100% не уверены, что кодирование категориальных переменных числами будет отражать увеличение/уменьшение значения признака. Соответственно, например, для цветов такое кодирование слабо применимо.

✔️ Заключение

Корреляция - мощная метрика, но использовать ее нужно с умом, а не слепо писать формулу.

Если вам этот пост зашел - поделитесь им с друзьями / отправьте в чатики, где вы сидите или в коммьюнити людей, кому это может быть интересно - пусть они тоже не делают таких ошибок ❤️

Ваш репост здорово поможет мне развивать канал! А как только мы пробьем планку в 1000 подписчиков, я расскажу про 3 частую ошибку - ложную корреляцию!

Топ крутых метрик для аналитики SMM 💃

Все мы знаем стандартные метрики - CPL, CR, ARPU, LTV и прочее. Про них уже рассказано тысячи раз. Однако, в бизнесе есть много процессов, которые тоже нуждаются в оцифровке, а сделать это довольно сложно. К ним относятся PR, SMM, HR, email-рассылки и прочее.

Поэтому сегодня в формате короткой заметки я хочу поделиться с вами несколькими крутыми метриками для аналитики SMM и постов в социальных сетях, которые мы для себя выработали на опыте своего бизнеса.

✔️ LOVE RATE

Чтобы вам было интересней читать этот пост, начну с нестандартной метрики - Love Rate (LR).

Определение: Коэффициент привлекательности

Формула расчета: Количество лайков / Количество подписчиков * 100%

Что метрика показывает: Насколько аудитория активно «одобряет» ваш контент - ставит лайки, делает репосты, пишет комментарии.

Почему важно отслеживать: Во-первых, это главный маркер интересности вашего контента - если показатель низкий, то вы что-то делаете не так. Во-вторых, все социальные сети (кроме ТГ 🤡) вирусят контент только с большим LR, поэтому если хотите бесплатных подписчиков - работайте над Love Rate.

Примечание: Нужно отслеживать именно положительные реакции, а то можно сделать неверный вывод 🙂

✔️ ER

А теперь вернемся к бессмертной классике - все-таки это одна из основных метрик для оценки эффективности группы/канала.

Определение: Engagement Rate (ER) - коэффициент вовлеченности

Формула расчета: Реакции / Подписчики * 100%

Что метрика показывает: Насколько аудитории интересен контент, насколько активно она на него реагирует.

Почему важно отслеживать: Оценка этой метрики поможет как в составлении контент-плана (низкая вовлеченность - не делаем такие посты), так и при закупке рекламы. Например, когда мы закупаем посевы в Телеграм, мы всегда смотрим на ER каждого канала.

Кейс: Мой близкий товарищ по бизнесу не оценивал ER (и ERR) и попал в глупую ловушку. Он купил за 50к рекламу в канале с 15к подписчиками и низким ERR, когда можно было купить за 2к в канале с 3к подписчиков и огромной вовлеченностью.

✔️ ORGANIC FOLLOWERS

Это очень простая метрика, но только вдумайтесь, насколько она важна!

Определение: Organic Followers (OF) - органические подписчики

Формула расчета (для расчета динамики): Органические подписчики за отчетный период / Органические подписчики за предыдущий период * 100%

Что метрика показывает: Насколько велик приток новой аудитории, которые сами вас нашли (или социальная сеть «подсунула»).

Почему важно отслеживать: Если динамика OF отрицательная, то ваш контент стал менее интересным (а значит упала виральность), а также недалек тот час, когда вам придется тратить деньги, чтобы привлекать новых подписчиков.

✔️ AMPLIFICATION RATE

Определение: Amplification Rate - коэффициент виральности контента.

Формула расчета: Кол-во шерингов / Кол-во постов * 100%

Что метрика показывает: Коэффициент распространения постов за счет репостов.

Почему важно отслеживать: В некоторых сетях (например, ВК) алгоритмы охотнее дают виральные охваты постам с большим количеством шерингов. А в некоторых сетях (например, в Телеграме), это вообще единственный способ бесплатного продвижения.

Кейс: Когда мы только начали вести группу ВК, мы не понимали, как работают алгоритмы. А потом мы увидели, что посты с высоким AR получают много вирального охвата - и стали концентрироваться на таких постах. В итоге мы за 2 месяца выросли больше, чем за весь прошлый год.

✔️ ЗАКЛЮЧЕНИЕ

Конечно, это не все метрики - их намного больше. Давайте наберем 60 реакций огонечков 🔥 и я выложу вторую часть подборки крутых метрик для SMM!

Хочешь сделать понятней - усложни! 😏

1. Графики и отчеты смотреть сложно - знаю по себе. Бывает, открываю дашборд, смотрю в него и закрываю. А потом думаю: «Ну ты же ничего там не увидел, открывай заново!»

2. Причина проста: создатели дашбордов ставят перед собой неправильный вопрос. Строя очередной график, они спрашивают себя: «А могу ли я ответить на вопрос Х, смотря на этот график?»

3. А какой вопрос тогда правильный? Не в этом ли суть дашборда - наглядно отобразить данные с помощью графиков, чтобы находить ответы на вопросы бизнеса?

4. На самом деле нет. Чтобы правильно описать суть дашборда, нужно добавить всего одно слово - «легко».

5. Получается: Суть дашборда - наглядно отобразить данные с помощью графиков, чтобы легко находить ответы на вопросы бизнеса.

6. Согласитесь, смысл поменялся? И теперь стало наконец понятно, в чем разница между голой экселькой и дашбордом. Да и вообще, зачем нам аналитик в компании. Чтобы делать «легко»!

7. А как сделать легко? Один из моих любимых приемов - добавить линию.

8. Чтобы упростить график, нужно добавить линию - это абсурд?! А вот и нет. Добавив линию правильно, вы поможете мозгу находить ответ на вопрос Х легко - а это и есть основная суть дашборда, как мы выяснили.

В комментариях прикрепил пример такой трансформации - классический график динамики выручки и тот же график с дополнительной линией среднего. Согласитесь - именно на графике с дополнительной линией вы легко и моментально увидели дни просадки и дни пиковой выручки, а на первой картинке вам пришлось «прищуриться» для этого.

А вы согласны с этим тезисом? Уже придумали, где «усложнить» свой дашборд? 😉

Как мы хакнули вебинары 🚨

Как найти тему для вебинара, который будет лучше всего отрабатывать для достижения целей по CAC (стоимость привлечения клиента)?

Мы внедрили офигенную тему, которая помогла нам получать супер дешевые лиды и снизить CAC в несколько раз. Как это было - рассказывает Иван, наш партнер по рекламе и автор крутого телеграм-канала про маркетинг (личная рекомендация, подписывайтесь, сам подписан с первых дней).

✅ КАКУЮ ЗАДАЧУ РЕШАЛИ

В работе над проектом Simulative (симулятор Аналитик данных) мы пробовали запускать разные варианты рекламы: прямая на курс, на бесплатный курс, на вебинары. Последнее работало лучше всего, но все равно стоимость клиента выходила выше KPI 🥲

Тут было несколько гипотез, что можно улучшать:

⁃ дизайн баннеров
⁃ оффер, через который вели на вебинар
⁃ тему самого веба

Тему тестировать сложнее всего, потому что нужно готовить много вебинаров, каждый из которых требует значимых финансовых инвестиций в рекламу, для статистически значимых цифр, чтобы подтвердить гипотезу — работает он или нет с точки зрения продаж. Так как предыдущие гипотезы уже были опробованы, мы перешли к тесту тем.

✅ КАК СПРОЕКТИРОВАЛИ ТЕСТ

Как запускали: Делали по модели MVP: придумали темы, сделали несколько разных ботов под каждый вебинар, несколько вариаций баннеров и офферов. На каждую тему запускали трафик из двух источников.

На что ориентировались: Успешным результатом тестов считали высокую кликабельность объявлений, низкий CPL. Референсом были значения по предыдущему вебинару.

Классный лайфхак: Вебинары мы не проводили. Для проекта это слишком дорого. Поэтому после недельного теста во все боты отправили сообщение о том, что вебинар не состоится. В качестве извинений сделали небольшие подарки в виде полезных информационных материалов. И дальше сделали рассылку с приглашением на вебинар, который победил по метрикам, описанным выше.

Вебинар провели и сравнили не только первичные показатели, но и доходимость, а также стоимость привлечения клиента.

Можно еще сильнее удешевить этот тест, сравнивая только кликабельность и стоимость клика, заходя все дальше и дальше по воронке с победителем тестов. Это дольше, поэтому выбирать стратегию нужно, отталкиваясь от маркетингового бюджета.

✅ ЗАКЛЮЧЕНИЕ

Процесс выбора темы для вебинара - один из многих тестов, которые мы запускаем. Если вам зашел этот пост - давайте наберем на него 50 реакций сердечек ❤️ и я расскажу про другие лайфхаки, которые мы используем для тестирования маркетинга!

ТОП-4 признака, которые влияют на успешность рекламного баннера 🎉

В одном из моих проектов за последние полгода мы проанализировали около 250 000 разных рекламных объявлений в разных нишах бизнеса - от онлайн-образования до элитной недвижимости и эротики.

Наша задача была - выявить признаки, которые работают лучше всего и научиться с высокой вероятностью делать рекламные баннера с классным CTR / CPL / CAC.

Для анализа мы пробовали разные продвинутые алгоритмы и подходы - дисперсионный анализ, ANOVA, бустинг, коэффициенты корреляции и многое другое. Потом мы все это комбинировали, нормировали и представляли в виде понятной диаграммы, по которой однозначно можно понять: что работает лучше, а что хуже (пример диаграммы - в комментариях).

И вот несколько общих выводов, которые я сделал за это время:

✔️ Текст почти всегда важней визуала. Картинка и цвета влияет только на пробитие баннерной слепоты, не более того - остальные метрики почти никак не зависят от объектов и цветов.

✔️ Очень сильно влияет оффер (например, упоминаете ли вы на баннере явную точку Б клиента). Тексты «Обучись аналитике данных» и «Стань аналитиком с зп в Х рублей и работай удаленно» покажут совершенно разные результаты при одинаковом визуале.

✔️ Наличие CTA (call to action) в тексте почти всегда влияет. Как ни крути - лучше написать «Записывайся на вебинар», чем не написать этого.

✔️ Наличие вопроса в текста тоже почти всегда влияет - но не всегда это влияние очевидно. Зависит от клиента - иногда лучше написать «Хочешь стать аналитиком?», а иногда это категорически противопоказано.

Конечно, это очень общие выводы, важность признаков меняется даже для одного и того же клиента в разрезе разных рекламных кампаний. Однако эти 4 пункта встречаются чаще остальных - обязательно учитывайте это при анализе рекламных объявлений.

Давайте соберем 60 реакций огонечков 🔥 на этот пост и я поделюсь еще 7 инсайтами по этому поводу.

Как правильно выбирать метрику для анализа и причем тут воронка? ⬆️

Помню, когда я был профаном и записывал свой первый курс по аналитике данных, там был урок про маркетинговую воронку. Я был сапожником без сапог - у меня не было глубинного понимания, в чем ценность этой штуки. Ну есть этапы маркетинга, есть этапы продаж - что тут интересного? Я, конечно, рассказал про нее, показал пару картиночек, но ни я, ни мои студенты ничего не поняли. Однако потом, работая в других компаниях (а уж тем более, когда появился свой собственный бизнес) я осознал, насколько это важная вещь.

1. Основная ценность воронки - она показывает «узкое горлышко» в компании. То есть вы сразу видите, где у вас плохо работает - на этапе лидогенерации или менеджеры сливают заявки.

2. Но зачем нужно понимать эти узкие места? Почему планомерно нельзя работать над улучшением воронки в целом?

3. Потому что это расфокус. Вы не можете сразу улучшать все метрики. А если и улучшите, то не поймете, что сработало, а что нет - успех повторить и масштабировать не получится.

4. Получается, что воронка - это просто способ выбрать ключевую метрику для улучшения. Нашли узкое место, описали его с помощью метрики, сгенерировали гипотезы по улучшению, проверили их - вот так выглядит правильный пайплайн работы с воронкой.

Причем воронка - не всегда набор верхнеуровневых этапов. Иногда (точней почти всегда) воронку нужно дробить на более мелкие этапы, чтобы понять, где проседание и куда бить.

Пример

Лиды - 1000, заявки - 500, продажи - 5

В компании много лидов и крутая конверсия в заявку (50%). Но всего лишь 1% продаж - это очень мало. Вывод - надо бить менеджеров палкой. Однако, если добавить этап «Квалификация лида», то можно увидеть такую картину:

Лиды - 1000, заявки - 500, прошли квалификацию - 50, продажи - 5

И это уже совсем другая история - получается, маркетинг приводит нецелевых лидов (например, с слишком маленьким доходом или у них не «горит» прямо сейчас). Соответственно, работать надо не над CR2, а над CR-Q.

Заключение

Итак, несколько выводов:

1. Воронка - способ выделить слабое место и найти метрику, которую нужно улучшать
2. Воронка должна содержать максимально подробную разбивку по этапам, чтобы определить метрику правильно

На эту тему можно написать еще много мыслей - пожалуй, это чуть ли не основная штука в любом бизнесе.

Если вам зашел этот пост - давайте наберем на него 70 реакций сердечек ❤️, и я на конкретных примерах покажу правильные и неправильные выводы при анализе воронки.

Как бустануть выручку на 75 млн или анализ воронки продаж 💵

На прошлый пост вы уже набрали больше 100 реакций - а значит, как и обещал, выкладываю конкретные примеры правильных и неправильных выводов при анализе воронки продаж.

✔️ ДАНО

Давайте специально возьмем воронку, никак не связанную с моим бизнесом, чтобы показать, что правильные/неправильные выводы одинаково работают в любой ситуации. Итак, допустим, мы занимаемся оптовой продажей текстиля для магазинов. Средний чек заказа у нас - 250 000 рублей. Lifetime - 20 заказов. Процесс продажи у нас выглядит так:

клиент звонит менеджеру → менеджер узнает потребность → менеджер формирует прайс-лист под клиента и отправляет ему → клиент знакомится с прайсом → клиент отправляет первый заказ менеджеру → происходит отгрузка → клиент делает повторные заказы

А вот наша воронка (в более общем виде) в цифрах:

* Поступило звонков - 100 шт
* Первых заказов - 15 шт (15%)
* Повторных заказов - 5 шт (33%)

✔️ ОШИБКА 1: СЛИШКОМ ОБЩАЯ ВОРОНКА

О чем речь: Воронка продаж содержит сильно меньше этапов, чем процесс продажи на самом деле. Из-за этого мы не видим, где именно срезается конверсия.

Ошибка: Клиентам не нравится наш прайс-лист, нужно провести кастдев, поменять ассортимент, сделать прайс-лист в более удобном виде.

Правильный вывод (возможный): Менеджеры просто очень долго формируют прайс-лист под клиента, из-за чего они находят другого поставщика и начинают с ним работать.

✔️ ОШИБКА 2: ПОСПЕШНЫЙ ВЫВОД

О чем речь: При анализе мы забываем про ограниченность ресурсов компании и делаем вывод, который был на поверхности (см. мой пост про ошибку поверхностных выводов), но далеко не самый эффективный.

Ошибка: Мы зарабатываем мало, потому что у нас маленький поток входящих лидов. Нужно увеличить их со 100 до 600, тогда у нас будет 30 клиентов. Врубаем маркетинг!

Правильный вывод (возможный): Мы видим, что на первом этапе воронки у нас маленькая конверсия - всего 15%. А что если мы увеличим ее хотя бы до 30% (кажется, это вполне возможно). Тогда мы получим те же 30 клиентов, только не потратив ни копейки дополнительно.

✔️ ОШИБКА 3: КРИВАЯ ВОРОНКА

О чем речь: Обратите внимание, что в процессе продажи очень много пунктов, которые должен сделать клиент. Найти телефон компании - сам. Утвердить прайс - сам. Сделать первый заказ - сам. Второй заказ - тоже сам. Компания, по сути, только копипастит прайс-листы и принимает звонки. Очень удобно.

Ошибка: Пытаться тюнинговать хреновую воронку.

Правильный вывод (возможный): Сначала нужно пересобрать воронку так, чтобы она была рабочей. Или как минимум более эффективной. Классно, что текущая воронка дает какие-то результаты - но она объективно кривая, клиенту нужно сделать много усилий, чтобы стать платящим клиентом - так быть не должно. Рассказывал про эту штуку в заметке про 3 простых шага по увеличению retention (если еще не читали - обязательно посмотрите)

✔️ ЗАКЛЮЧЕНИЕ

Короче, с помощью неправильных выводов можно разрушить компанию или долго топтаться на месте. А с помощью правильных - бустануть LTV на 75 млн рублей при вложениях в 0 рублей (посчитайте на данном примере, с учетом роста конверсии до 30%, среднего чека и lifetime). Как вам такое?!

Если вам зашел этот пост - давайте наберем на него 80 реакций огонечков 🔥 и я расскажу про то, как правильно делать выводы на основании ABC-анализа (на днях проводил вебинар на эту тему, хочу поделиться с вами инсайтами)!

Как делать ABC-анализ правильно 💊

Недавно я проводил вебинар по ABC-анализу и уделил особое внимание тому, как извлекать из него правильные выводы. Причем некоторые из них вообще не лежат на поверхности, их нужно «раскопать».

Учитывая, что с ABC-анализа начался мой путь в аналитике (я работал в региональной торговой сети, там это был основной инструмент) - я на 100% уверен, что с помощью одного лишь ABC можно круто забустить бизнес. Итак, давайте рассмотрим конкретные примеры.

Представьте, что мы провели ABC по трем параметрам: выручка, количество проданных штук, маржинальность.

✔️ Пример 1: группа ААА

Как делают обычно: Группа AAA - абсолютный лидер. А значит его просто не трогают. И так все классно.

Как можно делать: дополнительно посмотреть XYZ-анализ и принять решение о поднятии цены. Если спрос стабильный (группа Х), то можно провести короткий тест и поднять цену. Если спрос не упал, то мы на ровном месте стали зарабатывать еще больше 🙂

✔️ Пример 2: группы CCA, CBA, CBB и другие

С этими группами надо быть аккуратней - они вроде аутсайдеры, но причины могут быть совсем разные. Например, когда я анализировал датасет на вебинаре, я предложил следующие контринтуитивные штуки.

В группе CCA было сразу 3 товара, при этом у всех 3 хорошая доходность (А). Чтобы увеличить количество, давайте просто сократим кол-во позиций в ассортименте до 2 или даже 1. В итоге останется 1 товар с хорошей маржой, а кол-во продаж возрастет и товар может перейти даже в группу ААА!

Есть и другой способ увеличить продажи в группе CCA (и других) - можно сделать акцию 1+1 или 2+1. Т.к. маржинальность у нас в группе А, мы можем себе это позволить. Итого мы не даем дополнительную скидку (почти), но стимулируем покупать больше и «вытягиваем» товар из группы С по количеству в группу А.

✔️ Пример 3: группа ССС

Этот пример не связан напрямую с хитрыми аналитическими приемами, но хорошо показывает, насколько важно иногда «приземляться».

Как-то давно у нас был товар и по ABC-анализу он стабильно был в группе ССС. Мы что только не делали - опускали цену, делали акции, перепробовали все на свете. Но мы ни разу не спросили - а товар вообще есть на полке.

Как оказалось, товар просто не выставили. Нерадивые продавцы видели акцию, не находили товар и забивали болт. Вот тебе и аналитика. А надо было просто сходить за ним на склад.

✔️ Заключение

Про ABC-анализ я могу рассказывать очень долго - это, на первый взгляд, очень простая штука, но толковый аналитик из нее может извлечь просто тонну пользы.

Хочется поделиться с вами полными результатами того ABC-анализа, про который я рассказал в посте, чтобы вы сами смогли все посмотреть и изучить. Так что когда этот пост наберет 100 реакций огонечков 🔥 - я выложу сюда полную версию этого ABC-анализа и мы с вами ее подробно разберем!

Мой персональный топ нестандартных книг, связанных с аналитикой 🦮

Недавно общался с одним из наших студентов и невольно родился топ книг, которые я рекомендую почитать всем, кто хоть как-то связан с аналитикой. Причем абсолютно не важно - вы аналитик, data-driven маркетолог или предприниматель: книги написаны в формате научпоп с интересным изложением, никаких специфических знаний вам не потребуется.

Обязательно сохраняйте себе - это не всем привычные книги, типа «Статистика и котики», это реально необычная, рафинированная подборка.

✔️ Идеи с границы познания: Эйнштейн, Гёдель и философия науки, Джим Холт

Это одна из самых моих любимых книг! Не пугайтесь имен физиков и слова «философия» в названии - ничего сложного там не будет. Куча интересных исторических фактов (например, узнаете, почему фашизм придумали математики), а также непростые вещи в супер понятной и наглядной форме (например, что ваши разовые успехи не всегда гарантируют их повторение из-за регрессии к среднему).

✔️ Ложь, наглая ложь и статистика, Тим Харфорд

Грамотный аналитик может подать даже убыток в компании как праздник и большую радость. Эта книга - как раз про такие фокусы: эффект страуса, 10 правил Харфорда и многое другое. Для всех финансистов - must read перед годовым отчетом.

✔️ Идеальная ставка, Адам Кучарски

Книга одновременно и про теорию вероятности, и про математику, и про литературное повествование. Я читал эту книгу на одном дыхании - она была такой же интересной, как фильм «21», где математики обыгрывали казино за счет подсчетов. Очень рекомендую!

А если вы планируете заглянуть в Монте-Карло на новогодних праздниках - заранее прочитайте эту книгу.

✔️ Математическое невежество и его последствия, Джон Аллен Паулос

В этой книге автор на максимально жизненных примерах рассказывает про применение статистики в разных сферах: от выборов до медицины и казино. В качестве стимула прочитать эту книгу приведу просто один из отзывов, дальнейшие комментарии будут лишними:

Я купил эту книгу и сразу же отп**дил ей парочку астрологов. Спасибо. Жду издания на более плотной бумаге, чтобы опиз*юлить еще нумерологов и психологов.

Ничего не имеем против этих ребят - просто цитируем восторг читателя 😁

✔️ Заключение

Ну как вам подборка, зашла? А какие книги вы бы сюда добавили? Напишите в комментариях 🔝