⁠По следам Стива Бланка: Как видеть продукт во всём

Сейчас модно смотреть на всё «как на продукт». Я часто спрашиваю участников своих занятий: «Что такое продукт?» Ответ обычной такой: «Продукт — это то, что удовлетворяет потребность».

Что ж, близко к истине. Но, как аналитик, я цепляюсь к деталям. И здесь, мне кажется, важно увидеть и осознать разницу между потребностью и проблемой.

Судите сами. Проблема = боль. Потребность = желание. На решение своей проблемы мы готовы отдавать время, деньги и другие ресурсы. Удовлетворение потребностей - чаще вопрос отложенных инвестиций: не сейчас, я сделаю это завтра.

Проблема - это самый нижний из всех неудовлетворенных уровней Пирамиды Маслоу. Сложная мысль. Поживите с ней в течение дня и вы увидите, в какой из уровней Пирамиды Маслоу целится Ваш продукт.

Пример. Поисковики типа Яндекса и Google решают проблему пользователя «я хочу получить ответ на свой вопрос». Доставка еды из ресторанов решает проблему «я хочу качественную еду быстро и там, где я нахожусь».

Внизу по кнопке видео Стива Бланка 2013 года (на 3 мин) о том, что такое проблема, которую решает продукт и почему важно её определить.

⁠Как бы высоко не взлетали наши мечты по поводу перспектив анализа данных, пока не будет минимального порядка в аналитике (документации скриптов и описания базы данных, продуманных и описанных агрегатов из данных для нужд аналитиков, базы знаний по всем ad-hoc задачам, гибкого планирования), не получится нам улететь к звёздам. Сколько хожу по рынку, а везде - одно и тоже.

PS. На правах рекламы в течение месяца под каждым моим постом будет ссылка на курс по аналитике для товов и аналитиков. Лэндос пока не очень продающий (работаем), но зато скидки

Экономика доверия. Это понятие из последней книги Роба Фитцпатрика про воркшопы. Но! “Экономика доверия”- универсальный фреймворк. Мне он помогает в продажах и в контенте. А также в развитии других аналитиков и даже в личной жизни.

Экономика доверия строится на утверждении, что доверие и внимание эквиваленты. И вот формула юнит-экономики нематериальных благ (па-пам!):

{ДОВЕРИЕ} - {ВНИМАНИЕ}= 0 (1)

Это то, чему учит Фитцпатрик. Чтобы не потерять доверие, управляйте вниманием. Если теряете чье-то внимание, вероятно, теряете и доверие. Чтобы удерживать внимание, не допускайте скучный, однообразный или буллшит-контент.

Доверие неизмеримо. Когда аналитик во мне начал пытаться измерить доверие, я дополнила формулу Фитцпатрика:

{ДОВЕРИЕ_РУБ}* = {ВНИМАНИЕ_ЧАС}*x{ЦЕНА ЧАСА} + {ЦЕНА_ПРОДУКТА_ИЛИ_УСЛУГИ_РУБ} (2)

То есть люди отдадут вам свое активное время и может быть даже деньги, если у них сохранится доверие к вам или вашему продукту. Отдать небольшую сумму денег проще, чем отдать деньги и время. Вначале знакомства с человеком, продуктом, сервисом обычно есть кредит доверия, который довольно скоро утрачивается (дисконтируется по времени).

Доверие - сколько я готова доверить человеку денег. Заметьте, не оплатить труд. А доверить. Например, если доверяю разработчику сделать код для проекта на 300к, а плачу 100, то доверяю ему 200-300. Именно так оцениваются риски на перенайм или несдачу проекта.

Помимо рисков есть внимание. Его я оцениваю часами. Сколько часов я готова тратить на общение с человеком, его развитие и адаптацию в команде. Если говорить про личную жизнь, то сколько своего активного, вовлеченного и живого времени я готова отдать человеку, и будет моим активом внимания.

Формула юнит-экономики доверия тренирует не только осознанность. Она помогает принимать критические решения, не становясь восторженным одуваном или оценщиком людей! Потому что оценка людей - крайне токсичное занятие.

Важно понимание, что экономика доверия - очень симметричная история. Ты доверяешь, доверяют тебе.
Я постоянно тренирую в себе способность чувствовать моменты, когда теряю чье-то доверие к себе или моей работе. Веду записи в дневнике во время встреч и воркшопов, или сразу после. Фиксирую все сомнительные места. Проверяю свои гипотезы через обратную связь. Так обнаруживаются точки роста как для контента, так и для таргета или качества коммуникации.

ПРО ПРОДУКТЫ. Когда пользователь приходит в продукт, то он приходит с кредитом доверия. Вот почему секунды, часы или дни до первой конверсии самые важные. Вот почему именно временем до первой конверсии стоит управлять, нежели самой конверсией. Почему так важно быть интересным, оправдывать себя, не утомлять и не спамить. Впрочем это уже не экономика доверия, а экология внимания. Немного другая тема.

⁠Культура. Всё чаще и больше мне кажется, что успех того или иного начинания, его результативность определяется не тем, КТО и даже не тем КАК, а КУЛЬТУРОЙ. Вот почему я всё меньше предлагаю компаниям мастер-классы по вау-аналитике. И всё чаще поворачиваю в сторону культуры:

💥порядок в данных
💥порядок в бэклоге
💥база знаний
💥среда развития
💥культура кода / визуализации / отчета / презентации / etc

Культуру тяжко внедрять там, где люди уже привыкли жить странно. Даже после объяснений, что 2 минуты на опрятный вид графика и добавление его в базу знаний вместе с выводами бережет вам и компании часы/дни/недели, я всё равно слышу:

😭 мы слишком быстро растем
😭 мы слишком заняты
😭 никто не будет это поддерживать
😭ой, да и так же все раньше работало

Культура легче прививается молодым аналитикам или компаниям, где у топов преобладает установка на рост (growth mindset).

Как найти баланс между упоротыми визуализациями из какого-то-нибудь BI, аптечно-роботным дизайном pandas и убогими Excel-графиками? Чаще всего рисователь графиков, хочет он того или нет палит самое главное – свой внутренний мир в момент размышления над конкретными числами.

Нет. Техника тут ни при чем.

#1 А не *ерунду* ли я делаю? Конечно важный вопрос. Но когда рисуешь графики, стоит спросить: Что я вообще тут делаю? На какой вопрос ищу ответ ? Какую историю хочу рассказать?

!!! Кстати обратите внимание. Есть аналитическая визуализация, а есть визуальная аналитика.

#2 Are you need this? Все элементы, которые не несут никакой дополнительной информации или информационно перегружают, надо удалить. Подписи, очевидные легенды, сетка.

#3 Минимализм размерностей. Я насчитала аж 6 доступных размерностей:

1) ось икс
2) ось игрек
3) цвет
4) толщина
5) форма
6) подписи

Но не стоит запихивать их все на один график. Мудрость в том, чтобы с высоты своего ума и технической оснащённости нарисовать простенький, но действенный график.

PS. Помните о том, что графики отражают ваш внутренний мир в момент решения задачи. Хотите вы навялить, спихнуть, понравиться, покрасоваться умом или умением делать импорт в пандас — все это читается сначала, а уже потом история, которая есть в графике. Любите себя в графиках, а не графики от себя.
Продолжение следует.

Я была дикарем, который строит культуру. Помню эту свою любимую фразу "Когда у меня нет ресурсов, я делаю себе крепкий кофе и открываю терминал".

Я помню, как интуитивно пришла к концепции DWH (Datawarehouse - хранилище данных). Пришла с идеей к руководству. Продавать сложные технологические идеи трудно. Во-первых, ты сам не до конца уверен в их правильности. Во-вторых, топ-менеджеры не могут контролировать всё, а мидлл-менеджеры нередко стали таковыми, убегая от проблем, порожденных технологическим несовершенством.

Получается, замкнутый круг. Нет точки опоры для принятия решения - фигачить и выделять бюджет. И нередко такой точкой опоры может стать герой-одиночка, коим я долгие годы и была. Я писала в ночи код для построения своей первой DWH.

В последствии мои самодельные DWH использовали и большие/растущие компании, и небольшие стартапы. Но всё это было дико. Надо признать, что КУЛЬТУРА делается не так. И не кодом продуктовых аналитиков.

Надо смотреть по миру, по рынку. Изучать элегантные решения технологических проблем и привлекать на помощь их носителей. Я вот даже не знала, что то, что я строю называется DWH. Я знаю одного сильного аналитика, которые везде и всюду строит DWH и не знает, что это так называется. А еще я знаю множество компаний, в которых DWH - это страх и слёзы. Потому что там аналитические хранилища строятся в отрыве от аналитики.

С другой стороны, ничего крайне сложного в построении аналитических хранилищ нет. И именно с них начинается культура data-driven.

Если и у вас тоже проблемы с данными, ставьте + и не стесняйтесь описать их в комментариях!

⁠Правда или действие? Ценность или данные!
Я всегда прошу своих клиентов перестать смотреть на пользователей в терминах систем веб-аналитики, мобильной аналитики и т.д. "Куки - не люди!" - говорю я им. И показываю кейсы, когда переход от визитов или транзакций к сессиям, характерных для потребления в конкретном бизнесе, давал множество прорывных инсайтов, помогал выявить реальные классы пользователей, роли, боли и т.д. (Кому стало очень интересно про равномерное/интервальное потребление, скоро будет статья - t.me/@close2sense)

Другая частая история - это управление конверсиями вверху воронки продаж с помощью работы над временем знакомства пользователя с продуктом. Очень часто его невозможно посчитать, так как мы имеем только "сессионные куки". То есть до какого-то момента "пользователь" и "Визит" - это одно и то же.

"Мы не можем (собирать логины/аккаунты в соцсетях/почты)" - говорят мне продакты. И вот здесь знания из классической экономической теории оказываются как нельзя кстати.

Мы можем! Во-первых, надо понимать, что покрыть всю базу пользователей логинами невозможно и не требуется. Наша цель - это репрезентативное покрытие. Во-вторых, надо помнить, что продуктовое взаимодействие с пользователем - это ОБМЕН БЛАГАМИ (понятие из классической экономики). Хочешь что-то забрать? Деньги, время, внимание, данные... Дай ценность!

Хотите взять данные? Сначала дайте ценность - разогрейте. И обязательно пообещайте ценность в конце. Пользователь должен знать, зачем он регистрируется в вашем сервисе/продукте.

ПРИМЕР. Сервис по подбору ипотеки. Пользователь заполняет важные поля, сервис дает информацию по предложению банков, исходя из условий пользователя. В момент, когда пользователь получил ценность (value в том, что теперь я знаю, какая ипотека и где мне светит) самое время дать ему еще больше ценности. Это может быть предложение получать уведомления об изменениях за регистрацию через соцсети или чек-лист получения одобрения ипотеки на почту или т.д.

Будьте ласковыми! Обратная противоположность - это сложные формы регистрации в начале воронки. Отказаться от этого бывает сложно из-за того, что решение убрать регистрацию на входе требует массу разработки и перепроектировку всего CJM. Поэтому лучше сразу делать хорошо. И помнить - хороших конверсий без ценности не бывает:

Сначала дайте ценность - потом регистрируйте.

PS. На худой конец всегда есть flash куки, которые живут годами в отличие от сессионных. Пользуйтесь - не благодарите!

⁠Топ 5 методов анализа данных, которые будут полезны каждому 🔥
Towards Data Science опубликовали отличный и (что важно) не попсовый текст про методы продуктовой аналитики. Поскольку все это очень удобные и полезные методы, но обычно не встречаются в одном материале и (как это принято говорить) в структурированном виде, делюсь:

https://towardsdatascience.com/top-5-data-analysis-methods-you-need-to-know-e83f95cae355

Ниже тезисно:

1) Формулы для связи и декомпозиции метрик

2) Метод сравнения метрик в динамике (по срезам)

3) Метод квадрантов для анализа аудитории/продаж/etc при различных значениях метрик. Например, низкая конверсия в корзину и высокая конверсия в выкуп (1) ; низкая конверсия в корзину и низкая конверсия в выкуп (2); высокая конверсия в корзину и высокая конверсия в выкуп (3);
высокая конверсия в корзину и низкая конверсия в выкуп (4))

4) Принцип Парето (правило 80/20): классификация пользователей/продаж с целью поиска наиболее доходного (и как правило) не основного сегмента. На практике это не всегда 80/20, иногда 70/30. По личному опыту Принцип Парето реализовавывается между 70/20 и 90/10.

5) Анализ воронок. Воронка - это универсальный фрейморк для решения множества задач в аналитике, где есть этапы и потери на этих этапах. Это не обязательно продажи или уровни игры. Это может быть задача передачи данных, прохождения онбординга и даже найма специалистов.

⁠Недавно узнала, что потребление бывает двух видов:

✅интервальное
✅равномерное

При этом в одном продукте всегда есть оба типа потребления (см. картинку). Но! Можно выделить пользователей, которые чаще потребляют продукт интервалами (покупают или просто заходят на сайт) или равномерно. И обычно это две разные аудитории.

Простейшая по исполнению, но мощнейшая по эффекту для бизнеса классификация пользователей сводится к тому, чтобы выделить перечисленные выше два сегмента.

Интервальное потребление: пользователи "частят" и потом на продолжительное время исчезают. Например, у клиента есть периоды ежедневной активности, между которыми проходит 9-15 месяцев.

Равномерное потребление: пользователей, которые совершают разовые покупки/действия в продукте с характерными интервалами примерно одного порядка. Например, клиент появляется в продукте каждые 2-7 недель.

КАК выделяются эти типы потребления? Есть 2 подхода к работе с этой историей.

Первый - шаманский. Мы миксуем качественный анализ и несложную статистику. Так мы узнаем, как выглядит реальное потребление в продукте и получаем набор гипотез для глубинных интервью и, например, кластеризации пользователей.

Второй - ещё хуже. Он «ботанский». Мы делаем всё то же самое, но потом добавляем статистику и анализ данных, постоянно помешивая и разбавляя шаманскими методами.

⁠Метод квадрантов на наглядном примере

Источник: "Harvard Business Review: Самоирония: правила безопасности" https://hbr-russia.ru/karera/lichnye-kachestva-i-navyki/767857?

Цитата:

"В 2009 году группа ученых под руководством Рене Пройера из Университета Цюриха опубликовала результаты масштабного исследования гелотофобии. Изучив 73 страны, они расположили их на диаграмме, где по оси абсцисс — страх быть осмеянным, по оси ординат — мнительность, то есть ощущение, что смеются именно над тобой.

Быть осмеянными меньше всего боятся жители Англии, Норвегии, Австралии, Гонконга, США. Россия, что интересно, тоже находится в левой половине диаграммы — гелотофобия нам свойственна в небольшой степени.

По данным другого исследования, проведенного группой психологов под руководством Сергея Ениколопова, в России наблюдается зависимость между размером города и уровнем гелотофобии: чем меньше населенный пункт — тем сильнее страх быть осмеянным. Похожая связь отмечается и в США."

Отсылка: Ранее метод квадрантов упоминался мной в посте "⁠Топ 5 методов анализа данных, которые будут полезны каждому"

⁠Учиться, учиться и ещё раз учиться! Нет, это не Владимир Ильич расписывает ручку, это рынок Образования нам напоминает, прирастая почти на 5% в год. Не то, чтобы это был грандиозный рост. Рынок игр например растёт быстрее. Но всё же. Образование пленит. Технологии в нём способны произвести революцию, однако их там по-прежнему не то, чтобы много.

Тем временем, мне попалась занятная статья про метрики в Образовании. Прочитайте, если ещё нет: https://fh.school/tpost/ktsrsf1j80-tsar-metrika-onlain-obucheniya-chto-skri

Я по большей части согласна с авторами, поэтому делюсь ей с Вами. Вот метрики, которые они предлагаю смотреть в Образовании, с моими комментариями:

1) Традиционная, почти NSM образования ("The One Metric That Matters" - напутствие из Lean Analytics ~ по бОльшей части чушь, как уже понимает всё цивилизованное человечество) -это COR (Completion Rate) ИЛИ «доходимость курса до конца» (для массовых бесплатных курсов она составляет 3-5%, для платных - 30-40%)

2) Уровень сложности. Авторы предлагают снимать его через опросы и глубинные интервью. Сама по себе идея норм, но без чёткой методологии может обернуться для компании профанацией. Тем не менее метрика относится к важным Оффлайн метрикам качества, о которых я довольно часто напоминаю гражданам. Пример - Rel (релевантность ссылок по запросу в Поиске). Методология в данном случае - единая инструкция для асессоров и репрезентативная группа асессоров* / *асессор - тот, кто оффлайн оценивает качество ответов Поиска за запросы

3) Ожидания и реальность. Это конечно уже не совсем про метрики, но точно про русские образовательные программы. Как правило, сначала создается лендинг (одними людьми), а затем обучающая программа (вторыми людьми) и обучение собственно (третьими людьми). Ну вы сами всё понимаете. Круто, что авторы про это пишут.

4) Темп и нагрузка. Здесь, кажется, и так ясно, что я думаю из предыдущих комментариев.

5) Время просмотра контента. Да, да, да! И глубина. Хотите учиться у лидеров, погуглите, как это делает Medium.

6) Количество выполненных домашних заданий. И доля. Потому что доли - это "good metrics"))

7) Качество усвоения материала. Говорят, как измерять это, есть методология. Пока не разбиралась.

8) Активность участия в обсуждениях. Да, да, да! Только вот как бы это явление измерить? Что думаете? Допустим, у нас есть логи Slack. Пишите в комментариях!

9) Трудоустройство. А также повышение по службе или рост ЗП. Пожалуй, самая важная метрика. Однако трудно измеримая.


Картинка отсюда: https://www.holoniq.com/edtech/10-charts-that-explain-the-global-education-technology-market/

⁠Data Аналитики и консультанты в этой теме в США зарабатывают 10 000 - 15 000 $ в месяц и совсем не похожи на наших типичных аналитиков.

См. занятное видео (на английском): "What Does A Data Analyst Do? ($80,000+ Starting Salary)" https://youtu.be/OF132jIS8XM

Кстати, давно вынашиваю идею подобного видео-проекта. Хотите короткие видео про аналитику в разных компаниях?

Для одного из курсов в Высшей Школе Экономики меня попросили собрать материалы, которые слушатели могут изучить до семинаров. Собрала. Делюсь с вами:

🔰Продуктовая аналитика

👉Книга «Lean Analytics» [Ангоязычная книга / бумажная версия https://clck.ru/MAZmy и перевод в PDF https://yadi.sk/i/RV0Uca3r8bo7HA]

🔰Метрики:

На русском:

👉NSM и метрики ценности продукта https://clck.ru/MAZmb
👉Иерархия метрик VS Пирамида метрик https://clck.ru/Fxp2W
Тихомирова статья

На английском:

👉AARRR Framework- Metrics That Let Your StartUp Sound Like A Pirate Ship https://clck.ru/MAZqW
👉The Five Mobile Marketing Metrics That Matter Most https://clck.ru/MAZpm

🔰Tableau:

Если Вы еще не посмотрели что такое Tableau, то можете изучить короткие видео тут:

👉https://public.tableau.com/en-us/s/resources

❗️Особенно рекомендую эти:

3. Connecting to Google Sheets (3:15)
8. Data Preparation – Pivoting your Data (4:54)
7. Data Preparation – The Data Interpreter (4:29)
10. Data Preparation – Joins and Unions (6:28)
11. Creating Your First Chart (2:34)
12. Using the Show Me Tool Bar (4:15)
15. Adding Interactivity to Dashboards (4:30)
13. Understanding the Logic of Charts (5:05)


В скобочках время в минутах, которое вы потратите на эти видео. Если не знаете английский или нет наушников, не беда - 80% информации - это визуальный ряд. Суммарно речь идет об обучающих видео на 30-35 минут.

🔰Unit-экономика и Экономика продукта

👉Олег Тиньков «Бизнес без MBA» https://clck.ru/MAZrC

👉Все лекции и выступления Ильи Красинского (полезно любое)
https://www.youtube.com/results?search_query=красинский
👉Конспект лекций Ильи Красинского https://clck.ru/F6vug

🔰Анализ рынка

👉Оценивать рынки как. Или “Не участвуй в собрании статистиков и не сотвори греха социологии” https://clck.ru/MAZru

ЗЫ. Сегодня записала тьюториал по анализу открытых данных на примере темы коронавируса 😷 Может быть, сюда что-то запишу

⁠Не так давно выяснилось, что понятие «данные», с которым мы все ежедневно сталкиваемся и работаем одновременно очевидно для всех и абсолютно не понятно. Даже опытные аналитики не смогли объяснить, что такое те самые «данные», с которыми они работают.

Почему важно разобраться в вопросе? Во-первых, для глубины понимания своей собственной работы, если вы аналитик, или понимания возможностей коллег-аналитиков. Во-вторых, для избавления от ложных мечт и ожиданий, которыми полон не до конца оцифрованный рынок оффлайн. А это, на секундочку, всё ещё преобладающая часть мировой экономики.

Лично для меня вопрос никогда не стоял в том, что такое «данные». Пока я не увидела, что в некоторых оффлайн-компаниях не просто не понимают, что это. Я увидела категорически опасное и неправильное понимание слова «данные»:

ДАННЫЕ == ИНФОРМАЦИЯ

Возможно, вам покажется это правильным или бредом. Однако,

ДАННЫЕ - это собрание сырых (не обработанных) фактов и чисел, подлежащих упорядочивания и обработке с целью получения информации, то есть метрик (упорядоченных и пригодных для анализа чисел), графиков, выводов и так далее.

К сожалению, часто я наблюдаю попытку строить аналитику не на данных, а на информации. Например, аналитик работает только с аналитической базой и не понимает, как возникли агрегаты в ней. Или менеджер имеет доступ только к дашбордам без возможности в любой момент сделать drill down до конкретного пользователя или строчки в данных.

Важно понимать, что подобные случаи являют интерпретацией информации. Аналитика данных - упорядочивание и сведение данных в информацию - уже случилась частично или полностью РАНЕЕ.

Почему часто интерпретация аналитической информации ведет к неверным выводам или медленной работе? Мне кажется, нередко потому, что забывается:

ДАННЫЕ != ИНФОРМАЦИЯ

Относитесь адекватно ко всему доступному вам арсеналу средств и не путайте мух с котлетами.

⁠С праздником, дорогие подписчики!
Желаю вам Настоящей Аналитики и Взаимного Data-driven 🌞

⁠Экспериментальная рубрика #вопрос_ответ (Ваши голоса решат её будущее).

Q: Лена привет, а подскажи пожалуйста что ты понимаешь под actionable метрикой?
Например, метрика ROI в отделе маркетинга может быть actionable, если видим что наше ROI ниже плана, то можем выключать канал.
Или екшенебл метрика, это условно алгоритм, который мы прописываем заранее.

A: Моё личное понимание таково. Actionable метрика должна указывать что делать => из этого следует, что:

1) мы должны быть способы на нее влиять (она упала, а мы знаем что делать, чтобы она выросла)
2) чувствительность метрики (мы что-то сделали или не сделали, а она это отразила)
3) интрепретируемость и/или декомпозируемость (метрика изменилась, а мы можем локализовать причину - дело в том, что редко когда одного только показателя хватает для понимания причин измений) - здесь полезно и заранее изучить метрику, и продумать для неё иерахическое разложение (без фанатизма, конечно же)

Q: Встречались еще какие-то примеры из digital мира ?
A: Ну например доля на рынке в ситуациях, когда её умеют считать. все важные истории она хорошо ловит (изменение цен, большие релизы, демпинг конкурентов).

#вопрос_ответ
#метрики_основы
#продуктовая_аналитика

То, что должно быть в мозге настоящего аналитика у меня не всегда включается. Это называется – системное внимание к деталям. 🔥 НЕ ПУТАТЬ с обычным вниманием к деталям. Я вижу мелкие проблемы (вниманием деталям) и вижу за деревьями лес (think outside the box). Но не вижу ВСЕ пеньки в лесу (системное внимание к деталям).

Вообще, сколько я консультирую, нанимаю, менторю, работаю - вижу 3 проблемы:

1️⃣ люди при найме аналитика ищут внимание к отдельным пенькам и умение видеть за деревьями лес
2️⃣ находят людей типа меня
3️⃣ не проверяют умение видеть все пеньки в лесу – я называю это 🔥системное внимание к деталям 🔥

Пока я не обнаружила людей, которые видят все пеньки, думала, что их не существует!

Это очень редкий тип профессионалов в нашей среде. Но без них вся ваша аналитика будет переливанием из пустого в порожнее. Вам же очень хорошо знакома ситуация, когда числа не сходятся, в данных бардак, а аналитики говорят что-то вроде «у вас не база, а болото!»

Проблема в том, что системному вниманию к деталям не учили в наших школах, нет про это тренингов, нет похоже даже книг.

⁉️ КАК проверить человека на наличие системного внимания к деталям?

Дайте ему домашнее задание не с выхолощенным датасетом. А максимально анонимизированное ваше естественное ботото данных. Попросите посчитать MAU, Retention. Ну, а дальше очевидно:

1) просто посчитал – не аналитик
2) попытался поискать проблемы в данных перед расчетами – классический аналитик
3) нашёл все косяки в данных и усомнился, что вам вообще надо на данном этапе считать Retention, потому что эта Метрика всегда сбоит – человек с системным вниманием к деталям.🔥

В этом эксперименте есть только один момент. Обычно наниматель находится на этапе 2. Но это уже совсем другая история.

#слайды Показываю кусочек презентации с сегодняшнего Митапа по метрикам от Product Sense.

Выступила с апдейтом по моей Пирамиде Метрик, о которой впервые рассказала на площадке ProductSense в 2018 году, на той же площадке - митапе от организаторов ProductSense.

Все, кто скопировал мои лекции, пропагандируют устаревший вариант пирамиды. За годы интеграции фреймворка в разные компании я многое переосознала. И часть этих инсайтов в видео:

https://www.youtube.com/watch?v=d5lV2KXVPfU

Как найти ментора по аналитике #вопрос_ответ

Q: Добрый день, хотел спросить у вас как у эксперта по аналитике по одному вопросу.
Я ищу наставника / ментора, чтобы быстрее вырасти как специалист.
Мне бы хотелось найти человека, который поможет мне фиксировать мои результаты, консультироваться по сложным вопросам.
Было бы здорово, если вы направили)

A: Как и где искать ментора. Есть 2 стратегии:

1️⃣ лучшее из доступного (лучший специалист из Вашего окружения)
2️⃣ доступное из лучшего (лучший специалист на рынке, которого Вы смогли привлечь в свой круг общения)

Частно рассуждаю с собой на тему того, как распознать по внешним признакам сильного специалиста.

Очевидно, но напомню, что не стоит полагаться на:

🙃Конференции
🙃Наличие блога
🙃Должность

Это признаки умения создавать личный бренд. Что же касается профессии, то я знаю только один надежный способ найти спеца:

☝️Селективное сарафанное радио

Это значит, что вы изначально слушаете не всех, а только людей, в чем профессионализме (а не личном бренде) вы не сомневаетесь. Личный эксперимент показал:

☝️Имена, которые у всех на слуху, и имена, которые называют реальные спецы, - плохо пересекающиеся множества.

Допустим, у вас появился список из кандидатов на роль вашего наставника. Следующий шаг - найти того, кому будет интересно именно с вами. Частая ошибка - искать крутого, в то время как надо искать своего. Да и тренер олимпийского чемпиона не обязательно должен быть сам чемпионом.

Итак, у вас случился Match. Наставник хочет помогать вам расти, вы уверены в профессиональных и человеческих качествах этого человека. Что дальше? Проверьте, что готовы к тому, что:

🙌Ментор - это не психотерапевт
🙌Ментор - не божество или гений (он будет ошибаться - это нормально, ваша задача быть критичным)
🙌Вы готовы к тому, что наступит момент скуки или завала на основной работе, когда не будет сил делать домашние задания и покажется бессмысленным идти на встречу. Если вы понимаете, что в этом случае перестанете работать, то стоит ли начитать?

Удачи!