пока я готовлю новые карточки решил записать видео, https://youtu.be/GosYQUJbxO8 технически это второе видео в этом году, фактически первое.
YouTube
Дерево метрик, или как применять юнит-экономику
Дерево метрик как инструмент связи метрик между собой.
Мой блог — https://khanin.info
Редактор дерева метрик — https://khanin.info/mt
Калькулятор юнит-экономики — https://uecalc.com
Книга про юнит-экономику — https://khanin.info/books
https://news.1rj.ru/str/d2decisions…
Мой блог — https://khanin.info
Редактор дерева метрик — https://khanin.info/mt
Калькулятор юнит-экономики — https://uecalc.com
Книга про юнит-экономику — https://khanin.info/books
https://news.1rj.ru/str/d2decisions…
1👍4😁1
Всем привет, пока мои карточки на паузе, я решил, что стоит рассказать вам о других людях, которые делают полезное для общества. Сегодня у нас в гостях Егор Болконский, автор канала @cardsmoneykpi, если вам интересно узнать о том, как использует свои знания для работы с сегментами лидов, то подписывайтесь на него. Ниже он рассказывает о том, как он может быть вам полезен.
Сегодняшний рынок уже не просто про количество лидов. В B2B конкуренция достигла той точки, когда «имя, должность, телефон и e-mail» перестали быть информацией. Это базовый минимум, который есть у всех. Чтобы стать лидером, надо копать глубже: понимать не только, кто человек, но и как устроен его бизнес, какие у него боли и какие процессы внутри команды.
Один и тот же «директор по маркетингу» может быть либо формальной фигурой, либо реальным стратегом с полномочиями. Одна и та же «компания из Москвы» может оказаться стартапом на стадии выживания или зрелым игроком с миллиардным оборотом.
Я хочу поделиться фреймворком анализа качества лидов, который мы сами используем в своем компании и в работе над проектами. Возможно, коллегам будет полезно.
Его основа — это сегментация + персонализация. Набор категорий внутри присваивает каждому лиду баллы — вес: кто он, насколько он релевантен и готов к сделке. Уровень балльной оценки назначаете вы сами исходя из ценности для компании, а конечный результат существенно помогает вам усилить маркетинг и правильно масштабировать каналы.
Сегодня выигрывают не те, кто собрал базу контактов, а те, кто умеет превращать её в карту приоритетов.
Сегодняшний рынок уже не просто про количество лидов. В B2B конкуренция достигла той точки, когда «имя, должность, телефон и e-mail» перестали быть информацией. Это базовый минимум, который есть у всех. Чтобы стать лидером, надо копать глубже: понимать не только, кто человек, но и как устроен его бизнес, какие у него боли и какие процессы внутри команды.
Один и тот же «директор по маркетингу» может быть либо формальной фигурой, либо реальным стратегом с полномочиями. Одна и та же «компания из Москвы» может оказаться стартапом на стадии выживания или зрелым игроком с миллиардным оборотом.
Я хочу поделиться фреймворком анализа качества лидов, который мы сами используем в своем компании и в работе над проектами. Возможно, коллегам будет полезно.
Его основа — это сегментация + персонализация. Набор категорий внутри присваивает каждому лиду баллы — вес: кто он, насколько он релевантен и готов к сделке. Уровень балльной оценки назначаете вы сами исходя из ценности для компании, а конечный результат существенно помогает вам усилить маркетинг и правильно масштабировать каналы.
Сегодня выигрывают не те, кто собрал базу контактов, а те, кто умеет превращать её в карту приоритетов.
❤3👍2🔥1
Друзья, я все-таки взялся за большой материал про историю финансового моделирования на компьютерах, решил делать не только текст, но и видео.
Хочу показать, как изменялся подход к моделированию с использование компьютеров.
Первая часть уже ушла в монтаж (будет несколько подъсемов и ретро вставок, но главное уже сделано).
В первой части у нас 80-е, я сначала хотел раздобыть оригинальный VisiCalc и Apple II, но в итоге сдался, найти удалось только Lotus 1-2-3 под DOS, но найти компьютер под него не удалось (то не работают дисководы то еще что-то).
В итоге, я решил, поручить задачу LLM Grok, и вуа-ля, за примерно 8 часов (почти также, как и оригинальная версия VisiCalc) был создан простой табличный редактор, который позволяет работать с формулами, импортировать и экспортировать файлы и т.д.
Редактор специально создан в ретростиле, зеленым по черному, как оригинальный VisiCalc – задача, показать, как раньше приходилось работать. Я не ручаюсь, что интерфейс полностью соответствует тому, что было тогда, например, графики я рисую именно как график, но не уверен, что такое было тогда.
В любом случае, подписчики на мой блог https://khanin.info/oldcalc могут уже пользоваться данным творением и использовать его в своих целях.
В целом это очень простой не прихотливый редактор электронных таблиц.
Ограничения: 80 столбцов и 250 строк, это кажется даже больше, чем было в VisiCalc.
Когда я смонтирую видео — то вы сможете увидеть, как с помощью такого редактора, я создаю параметрическую финансовую модель.
Хочу показать, как изменялся подход к моделированию с использование компьютеров.
Первая часть уже ушла в монтаж (будет несколько подъсемов и ретро вставок, но главное уже сделано).
В первой части у нас 80-е, я сначала хотел раздобыть оригинальный VisiCalc и Apple II, но в итоге сдался, найти удалось только Lotus 1-2-3 под DOS, но найти компьютер под него не удалось (то не работают дисководы то еще что-то).
В итоге, я решил, поручить задачу LLM Grok, и вуа-ля, за примерно 8 часов (почти также, как и оригинальная версия VisiCalc) был создан простой табличный редактор, который позволяет работать с формулами, импортировать и экспортировать файлы и т.д.
Редактор специально создан в ретростиле, зеленым по черному, как оригинальный VisiCalc – задача, показать, как раньше приходилось работать. Я не ручаюсь, что интерфейс полностью соответствует тому, что было тогда, например, графики я рисую именно как график, но не уверен, что такое было тогда.
В любом случае, подписчики на мой блог https://khanin.info/oldcalc могут уже пользоваться данным творением и использовать его в своих целях.
В целом это очень простой не прихотливый редактор электронных таблиц.
Ограничения: 80 столбцов и 250 строк, это кажется даже больше, чем было в VisiCalc.
Когда я смонтирую видео — то вы сможете увидеть, как с помощью такого редактора, я создаю параметрическую финансовую модель.
🔥8❤4
Вот уже который год силами NEWHR проводиться исследование рынка аналитиков, а я помогаю узнать об этом.
По этому прошу вас откликнуться и помочь с исследованием.
( пройти опрос )
результаты прошлых лет можно найти тут 2019, 2020, 2022, 2023, 2024.
P. S. Пожалуйста, поделись ссылкой на опрос с коллегами-аналитиками! Чем больше участников, тем точнее и интереснее результаты
По этому прошу вас откликнуться и помочь с исследованием.
( пройти опрос )
результаты прошлых лет можно найти тут 2019, 2020, 2022, 2023, 2024.
P. S. Пожалуйста, поделись ссылкой на опрос с коллегами-аналитиками! Чем больше участников, тем точнее и интереснее результаты
Alchemer
Исследование рынка аналитиков (NEWHR, 2025)
Исследование рынка аналитиков (NEWHR, 2025).
👍7⚡5❤1
Друзья, я записал ролик про историю финансового моделирование, это не сколько исторический ролик, а скорее демонстрация того, что могли системы того времени, на сколько это реально было показать. https://www.youtube.com/watch?v=KPD_aK0HY2s
👍5❤2
Друзья, понимаю что коснется не всех, но если вы в Барселоне, то приглашаю вас на мероприятие где вы сможете лично познакомиться с одним из самых молодых лидеров Data Science в Европе — Алексом Турпиным Авилесом, директором по AI Capability в AstraZeneca.
🎯 Карьера в Data Science - за рамкам дата-анализа и хайпа.
📅 16 октября (четверг), 17:30
📍 La Fábrica & Co, Барселона
💬 Рабочий язык: английский
💡 Участие: бесплатное, но регистрация обязательна
Поговорим о том,
— как построить карьеру в Data Science, c опытом, или без опыта,
— какие навыки действительно важны, надо ли получать PHD,
— и как будет меняться самая востребованная сегодня профессия в ближайшие годы.
Кого мы приглашаем: профессионалы, студенты и энтузиасты AI — отличная возможность задать вопросы и расширить свой нетворк.
👉 Ссылка регистрации
🎯 Карьера в Data Science - за рамкам дата-анализа и хайпа.
📅 16 октября (четверг), 17:30
📍 La Fábrica & Co, Барселона
💬 Рабочий язык: английский
💡 Участие: бесплатное, но регистрация обязательна
Поговорим о том,
— как построить карьеру в Data Science, c опытом, или без опыта,
— какие навыки действительно важны, надо ли получать PHD,
— и как будет меняться самая востребованная сегодня профессия в ближайшие годы.
Кого мы приглашаем: профессионалы, студенты и энтузиасты AI — отличная возможность задать вопросы и расширить свой нетворк.
👉 Ссылка регистрации
Матемаркетинг’25: AI & ML, поведенческая аналитика, новые решения и технологии для работы с данными
20–21 ноября в Москве пройдёт Матемаркетинг’25 — восьмой раз одна из крупнейших конференций по маркетинговой и продуктовой аналитике соберёт ведущих экспертов индустрии.
Для более чем 2 000 участников подготовили 12 тематических потоков и свыше 100 докладов, мастер-классов и экспертных сессий, а также множество интерактивов от организаторов и партнеров.
Среди спикеров — Олег Бартунов (сооснователь и президент Postgres Professional), Денис Димитров (создатель линейки моделей Kandinsky, СБЕР), Фёдор Вирин (партнер Data Insight), Максим Андреев (руководитель аналитики привлечения и платформы атрибуции Т-Банк), Вячеслав Марков (основатель TargetADS) и многие другие.
Ключевые темы этого года:
— AI-аналитика и оптимизация процессов в условиях сжатия экономики.
— Data-платформы и CVM: новые подходы к инфраструктуре и персонализации клиентского опыта.
— Аналитические агенты, нейроассистенты и алгоритмы оптимизации на базе машинного обучения.
— A/B-тестирование и автоматизация маркетинга: как ускорить эксперименты и повысить эффективность.
— BI и визуализация данных: превращение массивов данных и цифр в продуктовые инсайты.
— Презентации новых продуктов и технологий от Яндекс и Tengri Data.
Помимо деловой программы участников будут ждать стенды технологических брендов и тематические зоны: чайные церемонии, настольные игры, шахматный турнир, карьерные консультации от экспертов HeadHunter, Го с роботами и запись живого подкаста.
Дополнительно каждый гость получит 6-месячный доступ к онлайн-платформе конференции с материалами более чем 500 докладов прошлых лет.
Место проведения: Кластер «Ломоносов» МГУ, Раменский бульвар 1.
Подробности и регистрация — на сайте мероприятия.
Ну и главное, для подписчиков канала Промокод на 10% —
20–21 ноября в Москве пройдёт Матемаркетинг’25 — восьмой раз одна из крупнейших конференций по маркетинговой и продуктовой аналитике соберёт ведущих экспертов индустрии.
Для более чем 2 000 участников подготовили 12 тематических потоков и свыше 100 докладов, мастер-классов и экспертных сессий, а также множество интерактивов от организаторов и партнеров.
Среди спикеров — Олег Бартунов (сооснователь и президент Postgres Professional), Денис Димитров (создатель линейки моделей Kandinsky, СБЕР), Фёдор Вирин (партнер Data Insight), Максим Андреев (руководитель аналитики привлечения и платформы атрибуции Т-Банк), Вячеслав Марков (основатель TargetADS) и многие другие.
Ключевые темы этого года:
— AI-аналитика и оптимизация процессов в условиях сжатия экономики.
— Data-платформы и CVM: новые подходы к инфраструктуре и персонализации клиентского опыта.
— Аналитические агенты, нейроассистенты и алгоритмы оптимизации на базе машинного обучения.
— A/B-тестирование и автоматизация маркетинга: как ускорить эксперименты и повысить эффективность.
— BI и визуализация данных: превращение массивов данных и цифр в продуктовые инсайты.
— Презентации новых продуктов и технологий от Яндекс и Tengri Data.
Помимо деловой программы участников будут ждать стенды технологических брендов и тематические зоны: чайные церемонии, настольные игры, шахматный турнир, карьерные консультации от экспертов HeadHunter, Го с роботами и запись живого подкаста.
Дополнительно каждый гость получит 6-месячный доступ к онлайн-платформе конференции с материалами более чем 500 докладов прошлых лет.
Место проведения: Кластер «Ломоносов» МГУ, Раменский бульвар 1.
Подробности и регистрация — на сайте мероприятия.
Ну и главное, для подписчиков канала Промокод на 10% —
D2DECISIONS10взяли тут у меня интервью, с точки зрения того, что такое Data driven https://probero.com/interviews/conveyor-belt-growth
Probero
The Conveyor Belt of Growth
🔥4
Всем привет! решил напомнить о себе, что не пропал.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
🔥8👍5
Питер Тиль продал всю свою долю в Nvidia. Все уже активно обсуждают пузырь AI. И сравнивают его с крахом доткомов. Я же хочу поднять другой вопрос.
Когда в 2000 году случился крах доткомов, инвесторы забирали деньги из NASDAQ и несли их в другие биржи (компании, рынки, ресурсы). И в целом крах затронул только раздутые IT компании. Те, кто вывел деньги сохранил их.
В этот раз ситуация несколько иная, современные IT компании стоят больше, чем все остальные рынки вместе взятые. И возникает вопрос, а куда собственно будут выводить деньги инвесторы? Ведь такого места просто нет, куда можно перелить столько денег. Значит ли это, что инвесторы массово потеряют деньги?
Что думаете?
Когда в 2000 году случился крах доткомов, инвесторы забирали деньги из NASDAQ и несли их в другие биржи (компании, рынки, ресурсы). И в целом крах затронул только раздутые IT компании. Те, кто вывел деньги сохранил их.
В этот раз ситуация несколько иная, современные IT компании стоят больше, чем все остальные рынки вместе взятые. И возникает вопрос, а куда собственно будут выводить деньги инвесторы? Ведь такого места просто нет, куда можно перелить столько денег. Значит ли это, что инвесторы массово потеряют деньги?
Что думаете?
🤯6
пост не про принятие решений, но про данные. я считаю, что нужно очень аккуратно относиться к данным и тому, как с ними работать. По этому история про самую маленькую игру.
Ни для кого не секрет, что современная разработка порождает огромным размер кода, современные программы, игры и т.д. занимают гигабайты, иногда даже сотни гигабайт.
Но знаете, ли вы, что в мире есть еще умельцы, например, рабочая игра шахматы (кто из вайбкодеров не умеющих кодить сможет вообще в целом написать игру шахматы?), которая занимает 270 Bytes, для тех, кто не в курсе, компьютер хранит всю информацию в битах (бинарное состояние 0 или 1), 1 байт это 8 битов, 1 килобайт это 1024 байта, 1 мегабайт это 1024 килобайта и так далее... Так вот полноценная игра в шахматы, которая занимает 270 байт, менее одного килобайта. Это фантастика.
Игра называется ChesSkelet.
Ни для кого не секрет, что современная разработка порождает огромным размер кода, современные программы, игры и т.д. занимают гигабайты, иногда даже сотни гигабайт.
Но знаете, ли вы, что в мире есть еще умельцы, например, рабочая игра шахматы (кто из вайбкодеров не умеющих кодить сможет вообще в целом написать игру шахматы?), которая занимает 270 Bytes, для тех, кто не в курсе, компьютер хранит всю информацию в битах (бинарное состояние 0 или 1), 1 байт это 8 битов, 1 килобайт это 1024 байта, 1 мегабайт это 1024 килобайта и так далее... Так вот полноценная игра в шахматы, которая занимает 270 байт, менее одного килобайта. Это фантастика.
Игра называется ChesSkelet.
Прогнозирование когорт на основе исторических данных
Задача прогнозирования будущего в бизнесе является достаточно сложной и важной. Прогнозирование позволяет понимать какие ресурсы необходимы бизнесу для достижения целевых показателей, как они будут тратиться и как будут достигаться цели. Все это позволяет уменьшить риски в работе, и принимать управленческие решения основываясь на данных, а не вслепую.
Идеальный вариант, построить прогнозную модель изменения бизнес процессов, по которой построить прогнозные планы прибылей и убытков (P&L), движения денежных средств (CF) и баланса. Однако, задача построения прогноза для этих документов достаточно сложна и трудоемка. Однако, использование юнит-экономики позволяет решить эту задачу в более простом виде, так как вся модель строиться на небольшом количестве показателей, которые связаны с понятными бизнесу бизнес процессами, которые проще контролировать и планировать.
Для этого, используя теорию ограничений Голдратта, можно прогнозировать оптимальную конфигурацию метрик юнит-экономики, которая необходима для достижения планового значения целевого показателя, например, маржинальной прибыли, прибыли или оборота. На основе прогнозной юнит-экономики можно построить продуктовый план — план изменения метрик юнит-экономики для каждого месяца плана. А уже на основе продуктового плана легко построить P&L, CF и баланс.
Однако использовании юнит-экономики добавляет предпринимателю новую задачу, понимание и прогнозирование когорт. Дело в том, что юнит-экономика, работает в когортах. Все метрики показывают значения для когорт, а не для интервалов времени. При этом бизнес живет, ведет учет и отчитывается перед государством в календарных периодах, месяцах, кварталах и годах.
Поэтому задача моделирования когорт в будущем является крайне важной для бизнеса, и она рассматривается в рамках этой статьи.
Задача прогнозирования будущего в бизнесе является достаточно сложной и важной. Прогнозирование позволяет понимать какие ресурсы необходимы бизнесу для достижения целевых показателей, как они будут тратиться и как будут достигаться цели. Все это позволяет уменьшить риски в работе, и принимать управленческие решения основываясь на данных, а не вслепую.
Идеальный вариант, построить прогнозную модель изменения бизнес процессов, по которой построить прогнозные планы прибылей и убытков (P&L), движения денежных средств (CF) и баланса. Однако, задача построения прогноза для этих документов достаточно сложна и трудоемка. Однако, использование юнит-экономики позволяет решить эту задачу в более простом виде, так как вся модель строиться на небольшом количестве показателей, которые связаны с понятными бизнесу бизнес процессами, которые проще контролировать и планировать.
Для этого, используя теорию ограничений Голдратта, можно прогнозировать оптимальную конфигурацию метрик юнит-экономики, которая необходима для достижения планового значения целевого показателя, например, маржинальной прибыли, прибыли или оборота. На основе прогнозной юнит-экономики можно построить продуктовый план — план изменения метрик юнит-экономики для каждого месяца плана. А уже на основе продуктового плана легко построить P&L, CF и баланс.
Однако использовании юнит-экономики добавляет предпринимателю новую задачу, понимание и прогнозирование когорт. Дело в том, что юнит-экономика, работает в когортах. Все метрики показывают значения для когорт, а не для интервалов времени. При этом бизнес живет, ведет учет и отчитывается перед государством в календарных периодах, месяцах, кварталах и годах.
Поэтому задача моделирования когорт в будущем является крайне важной для бизнеса, и она рассматривается в рамках этой статьи.
❤6👍1🔥1
так как не все читали мою статью, которую я написал выше, в предыдущем посту, по этому публикуем дальше открытый материал, и только в канале, так что приглашайте друзей, это полезный контент.
И так, я придумал механизм прогнозирования когортных данных на основе исторических данных когорт.
перед вами пример, использования этого подхода к прогнозированию когорты 03.2025 года и сравнение прогноза с фактом. Сам прогноз строился на базе когорт 2024 года.
И так, я придумал механизм прогнозирования когортных данных на основе исторических данных когорт.
перед вами пример, использования этого подхода к прогнозированию когорты 03.2025 года и сравнение прогноза с фактом. Сам прогноз строился на базе когорт 2024 года.
❤3👍3🔥1
Привет, друзья!
Как вы уже поняли, последнее время, я занимаюсь тем, что применяю юнит-экономику (и не только) для продуктовой аналитики и принятия решений в действующем бизнесе.
И если вы со мной давно, то знаете, что я разработал методику прогнозирования юнит-экономики в будущем с использованием теории ограничений Голдратта. Данная методика, позволяет найти конфигурацию метрик юнит-экономики с учетом рыночных и компетационных ограничений, при этом достигая поставленных целей.
Однако, главный минус подхода был в том, что юнит-экономика живет в когортах, а это значит, разворот данных юнит-экономики в календарные периоды надо было сделать. Это необходимо для того, чтобы планировать бизнес в привычных нам календарных периодах.
В итоге в течении последнего месяца я придумал, как имея исторические данные получать представление о том, как ведут себя когорты и применять это поведение для предсказания поведения модельных когорт (значения которых я получаю с использованием теорий ограничений Голдратта).
Получив поведение когорт я легко разворачиваю когортные значения в календарные и могу строить уже привычные бизнесу отчеты, например, P&L, CF и Balance.
На картинке иллюстрация применения подхода. Синяя линия — это модель, а красная факта. Лично для меня это очень хороший результат.
Мой план строился исключительно на данных юнит-экономики, которые описывают компетенции команды в соответствующих бизнес процессах. А отклонение красной линии от синей, позволяет мне понимать, в каком именно процессе происходит отклонение и, какие нужно предпринять действия для улучшения показателей.
Ну и главное, завтра я буду снимать видео ролик про использование всех этих знаний в продуктовой аналитики для бизнеса, который уже имеет активность, продажи и растет.
Чтобы не пропустить ролик, подписывайтесь на мой ютуб канал https://www.youtube.com/@DataDrivenDecisions мне очень нужны подписчики.
Как вы уже поняли, последнее время, я занимаюсь тем, что применяю юнит-экономику (и не только) для продуктовой аналитики и принятия решений в действующем бизнесе.
И если вы со мной давно, то знаете, что я разработал методику прогнозирования юнит-экономики в будущем с использованием теории ограничений Голдратта. Данная методика, позволяет найти конфигурацию метрик юнит-экономики с учетом рыночных и компетационных ограничений, при этом достигая поставленных целей.
Однако, главный минус подхода был в том, что юнит-экономика живет в когортах, а это значит, разворот данных юнит-экономики в календарные периоды надо было сделать. Это необходимо для того, чтобы планировать бизнес в привычных нам календарных периодах.
В итоге в течении последнего месяца я придумал, как имея исторические данные получать представление о том, как ведут себя когорты и применять это поведение для предсказания поведения модельных когорт (значения которых я получаю с использованием теорий ограничений Голдратта).
Получив поведение когорт я легко разворачиваю когортные значения в календарные и могу строить уже привычные бизнесу отчеты, например, P&L, CF и Balance.
На картинке иллюстрация применения подхода. Синяя линия — это модель, а красная факта. Лично для меня это очень хороший результат.
Мой план строился исключительно на данных юнит-экономики, которые описывают компетенции команды в соответствующих бизнес процессах. А отклонение красной линии от синей, позволяет мне понимать, в каком именно процессе происходит отклонение и, какие нужно предпринять действия для улучшения показателей.
Ну и главное, завтра я буду снимать видео ролик про использование всех этих знаний в продуктовой аналитики для бизнеса, который уже имеет активность, продажи и растет.
Чтобы не пропустить ролик, подписывайтесь на мой ютуб канал https://www.youtube.com/@DataDrivenDecisions мне очень нужны подписчики.
👍7🔥3🥰2❤1🏆1