Закон Тваймана — возможно, самый важный закон во всём анализе данных. Чем необычнее или интереснее данные, тем больше вероятность, что они получены в результате ошибки того или иного рода.
— Формулировка закона Тваймана от К. Марш и Д. Эллиотт
Это закон про интересную особенность аналитиков — когда твоё исследование приводит к сильным положительным результатам, ты радуешься и спешишь поделиться со всеми, показать прорыв. Но если результат резко отрицательный — стараешься найти ошибку.
Я раньше часто так делал, наверное, чтобы показать свою ценность. Со временем всё реже и реже, пока в голове окончательно не улеглась мысль о том, что у меня нет цели гоняться за прорывами. Суть моей работы не в том, чтобы порадовать заказчика, а в том, чтобы предоставить ему объективную картину. И лучше дважды перепроверить, чем ошибочно обнадежить 🙂
#funfact
👍18🤔2❤1
🔗 Руководство по проведению анализа и продуктовых исследований
Приветики, вчера ничего не выкладывал, потому что заканчивал вот эту статью про процесс организации продуктовых исследований, как это делаю я.
Хоть и получилось объёмно, всё равно в теме очень много нюансов и мест для манёвра. Но основной флоу описать получилось.
По уровню там ничего сложного, просто задачи на большие рисерчи новичкам редко ставят.
Приятного прочтения 🍿
https://habr.com/p/781466/
Приветики, вчера ничего не выкладывал, потому что заканчивал вот эту статью про процесс организации продуктовых исследований, как это делаю я.
Хоть и получилось объёмно, всё равно в теме очень много нюансов и мест для манёвра. Но основной флоу описать получилось.
По уровню там ничего сложного, просто задачи на большие рисерчи новичкам редко ставят.
Приятного прочтения 🍿
https://habr.com/p/781466/
Habr
Краткое руководство по анализу данных и проведению продуктовых исследований
Обложка любезно предоставлена DALL-E Привет. Я занимаюсь продуктовой аналитикой уже довольно давно, и так получилось, что чаще всего в работе мне прилетают именно продуктовые рисёрчи. Иногда нужно...
❤18👍7
Вы, наверное, уже нарешали миллион всяких тренировочных задачек, а хотите боевую?
Прилетела сегодня из маркетинга. В общих чертах задачка про моделирование.
📎 Вводная: Маркетплейс, там ты можешь заказать всякие товары с доставкой. Цена доставки не фиксирована и зависит от кучи разных факторов (загруженность курьеров, расстояние и т.д.). Планируется выделять деньги для покрытия части цены доставки, чтобы она была привлекательнее для клиента. К тому же, если цена доставки будет ниже, мы можем увеличить конверсию в покупку.
📎 Дано: Опытным путём установлено, что комфортная цена — N (известно). Мы готовы выделять M денег на один заказ (не известно), сколько это — зависит от итогового бюджета, который тоже не известен. Мы будем брать в эту программу компенсации только те заказы, где при добавлении к расчётной сумме из M столько денег, чтобы получить N в итоге. Если сумма сильно больше N (и даже вся M не поможет прийти к N), мы игнорируем такие заказы.
Чем больше M, тем больше заказов будут смотреться выгоднее и тем больше конверсия в покупку, но тем выше итоговый бюджет на всё это дело, т.к. количество заказов растёт. Снижая M, мы уменьшаем конверсию и тотал заказов, снижая бюджет.
💛 Что нужно на выходе: Нужна модель, которая вычислит оптимальный баланс размера M, бюджета и ожидаемой конверсии. Сроки как обычно, вчера, поэтому имплементировать какого-нибудь Байеса или NLP не вариант, максимально быстрая реализация в небольшой ущерб точности.
Нестандартная задачка, как мы любим, размять мозги 🧐
Прилетела сегодня из маркетинга. В общих чертах задачка про моделирование.
Чем больше M, тем больше заказов будут смотреться выгоднее и тем больше конверсия в покупку, но тем выше итоговый бюджет на всё это дело, т.к. количество заказов растёт. Снижая M, мы уменьшаем конверсию и тотал заказов, снижая бюджет.
Нестандартная задачка, как мы любим, размять мозги 🧐
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3🤔3
Я твой продукт анализировал
Вы, наверное, уже нарешали миллион всяких тренировочных задачек, а хотите боевую? Прилетела сегодня из маркетинга. В общих чертах задачка про моделирование. 📎 Вводная: Маркетплейс, там ты можешь заказать всякие товары с доставкой. Цена доставки не фиксирована…
Расскажу в какую сторону мы пошли.
🔖 Для начала определяем то, что можем определить. У нас есть прогноз траффика на период и история заказов с ценами на доставку.
🔖 Из исторических цен строим гистограмму, как x0 берем наш N, крайний порог x1 вычисляем на глаз — режем выбросы, распределение получается плюс-минус колоколообразным, режем по 2-3 сигмам. Это крайнее значение фиксируем как x1. Мы назвали этот интервал слоном (не спрашивайте).
🔖 Выделяем интеграл от слона, распределяем по гистограмме ещё раз, для удобства. Каждый бин гистограммы это некая категория, в которую, с определённой вероятностью может попасть какая-то цена. Считаем вероятности каждого бина, в сумме это 1 — это будут наши веса. Зная миддл бина и его вес, можем посчитать взвешенную среднюю цену в диапазоне x0-x1. Или вычесть заранее из каждой цены N — это будет взвешенная средняя сумма субсидии.
🔖 Теперь конверсии. Для начала строим линейную модель регрессии (или предсказательную модель, у нас и регрессия и RF плюс-минус выдали похожую точность), чтобы найти взаимосвязь между конверсией и стоимостью доставки. Получается скошенное вправо распределение. Его так же делим на бины, таким образом, что зная средневзвешенную стоимость, мы можем по графику отследить какая конверсия там может быть.
🔖 Зная прогнозируемый траффик, взвешенную цену и конверсию, можем прикинуть бюджет.
Бетка модели готова. Теперь изменяя x1 ("худея" слона) на какой-нибудь шаг, мы можем пересчитывать все остальные показатели. Таким образом мы получаем какое-то множество результатов, которое уже можно визуализировать или прогнать какой-нибудь моделью, в поисках подходящего.
Не то чтобы решение получилось самое изящное из возможных, но в условиях сроков вполне рабочее 🙂
Бетка модели готова. Теперь изменяя x1 ("худея" слона) на какой-нибудь шаг, мы можем пересчитывать все остальные показатели. Таким образом мы получаем какое-то множество результатов, которое уже можно визуализировать или прогнать какой-нибудь моделью, в поисках подходящего.
Не то чтобы решение получилось самое изящное из возможных, но в условиях сроков вполне рабочее 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7
📌 Типы компаний
Куда пойти работать, в стабильного IT-гиганта или амбициозный ламповый стартап?
Часто вижу как новички рассуждают про какой-нибудь Яндекс, как будто это предел мечтаний и все туда хотят.
Мне довелось поработать в разных компаниях, больших и не очень, с сильной культурой аналитики и с отсутствующей в принципе. И там и там есть свои плюсы и минусы. Давай разбираться.
Но различия всё таки есть.
Какие я вижу плюсы и минусы корпораций:
💛 Ты в отделе не один — есть с кем обменяться опытом
💛 Обычно это более серьёзная школа аналитики
💛 Нижний квартиль ЗП (важно для новичков) часто выше
💛 Устоявшаяся аналитическая культура, все знают зачем это и умеют с этим работать
💛 Буст технических навыков
💛 Ты мало значишь как единица в контексте продукта, часто тебя нанимают под единственную задачу
💛 Инфраструктура устоявшаяся, живёшь с ней
Плюсы и минусы стартапов:
💛 Гибкость во всём, от выбора удобных тебе инструментов, до построения процессов работы
💛 Огромная свобода действий и степень влияния на продукт
💛 Множество возможностей карьерного роста, хочешь вообще организуй свой отдел и будь там лидом
💛 Ламповая атмосфера
💛 Буст лидовских/организационных навыков
💛 Ты сам себе ревьюер, не с кем обсудить вопросы. Б0льшая цена ошибки
💛 Слабая культура аналитики, тебе придётся учить компанию работать с тобой
💛 “Дух стартапа” — творческий хаос, результаты нужны вчера, а трекеры ещё не работают
Я сам не могу определиться что мне больше нравится. Работая в маленькой компании, начинаешь хотеть суеты, в большой — ламповости 🙂
Куда пойти работать, в стабильного IT-гиганта или амбициозный ламповый стартап?
Часто вижу как новички рассуждают про какой-нибудь Яндекс, как будто это предел мечтаний и все туда хотят.
Мне довелось поработать в разных компаниях, больших и не очень, с сильной культурой аналитики и с отсутствующей в принципе. И там и там есть свои плюсы и минусы. Давай разбираться.
Главная причина, почему мы в этом IT вообще собрались, это деньги. Поэтому сразу определимся — они есть и в стартапах и у гигантов, по этому критерию я бы не выбирал категорию компаний. Мне пишут как HR-ы из корпораций в несколько тысяч человек с вилкой до 4к$, так и стартапы, которые только получили инвестиции и ещё даже не запустили продукт, с вилкой от 7к$. Это очень индивидуальная штука.
Но различия всё таки есть.
Какие я вижу плюсы и минусы корпораций:
Плюсы и минусы стартапов:
Я сам не могу определиться что мне больше нравится. Работая в маленькой компании, начинаешь хотеть суеты, в большой — ламповости 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
👍11
Куда планируете податься или уже работаете?
Anonymous Poll
39%
В крупняк, серьёзно и стабильно
10%
В стартап, весело и многозадачно
22%
Вообще всё равно, где оффер жирнее
29%
Хоть куда-нибудь бы уже позвали(
Каждый раз, когда прихожу в новую компанию, всегда переделываю разметку. Иногда немного допиливаю, иногда прям полностью переписываю.
Вы знали что разметка это не про трек каждой кнопочки вообще? Там прям логика есть и разные методологии проектирования. Из одного грамотного события можно строить целые дашборды, а spotify долгое время почти всё анализировал на плюс-минус 10 ивентах.
Думаю написать лонгрид про это, как организовать эту задачу так, чтобы он из рутинной стала интересной, данные не заливали таблицы непрерывным потоком а ивенты были реиспользуемые для разных задач.
Делаем? 🙂
Вы знали что разметка это не про трек каждой кнопочки вообще? Там прям логика есть и разные методологии проектирования. Из одного грамотного события можно строить целые дашборды, а spotify долгое время почти всё анализировал на плюс-минус 10 ивентах.
Думаю написать лонгрид про это, как организовать эту задачу так, чтобы он из рутинной стала интересной, данные не заливали таблицы непрерывным потоком а ивенты были реиспользуемые для разных задач.
Делаем? 🙂
🔥32👍9
📌 За деньги — да? Этичность сфер.
Привет, у меня вчера был ДР, поэтому я хотел написать что-то личное, но свою историю я уже выкладывал. Ещё хотел развить предыдущий пост про типы компаний, но с точки зрения их сфер. В итоге объединю, пусть будет про сферы в моём пути 🙂
Так ли важно аналитику, в какой сфере он работает (в отрыве от личных предпочтений)?
Когда я только начинал, я был уверен — “пойду в тот продукт, которым бы я сам пользовался”. Когда продукт хороший, его как-будто легче анализировать. Как минимум, тебе легче эмпатировать юзерам и понимать что их бесит, а что наоборот цепляет. Да и работать в понятном продукте (в плане закрытия потребностей юзеров) в целом как-то проще.
Но, почему-то, ни Netflix ни Rockstar Games не спешили приносить мне офферы. И пришлось пойти куда позвали. Мой первый продукт не был близок лично мне, но у него была небольшая аудитория, которая его обожала. Да и в целом с этической стороны он был норм. Это был конструктор сайтов, локальный конкурент всяких тильд.
А вот дальше (иногда) были более сомнительные продукты. Например форекс брокер. Даже два. Про первый и рассказывать нечего, я выгорел через неделю и даже испыталку не закончил. Потом (не сразу) был второй, с очень уж хорошим оффером, а я в то время как раз хотел сменить обстановку. Ну и после первого опыта финтеха уже прошло достаточно времени и я поднабрался опыта.
И не пожалел. Классная команда, сильная аналитика, крутые задачи. Кто бы мог подумать. Я вот не мог. Хоть с этической стороны это было почти казино.
Вообще, на мой взгляд, чем больше в компании денег, тем важнее аналитика для продукта, тем круче технологии и тем быстрее ты растёшь. А больше всего денег, к сожалению или к счастью, в крипте, финтехе и разного рода скаме.
А насколько вам принципиально работать в социально-одобряемых продуктах? Или х2-х3 оффер от условных криптовиков интереснее? 🙂
Привет, у меня вчера был ДР, поэтому я хотел написать что-то личное, но свою историю я уже выкладывал. Ещё хотел развить предыдущий пост про типы компаний, но с точки зрения их сфер. В итоге объединю, пусть будет про сферы в моём пути 🙂
Так ли важно аналитику, в какой сфере он работает (в отрыве от личных предпочтений)?
Когда я только начинал, я был уверен — “пойду в тот продукт, которым бы я сам пользовался”. Когда продукт хороший, его как-будто легче анализировать. Как минимум, тебе легче эмпатировать юзерам и понимать что их бесит, а что наоборот цепляет. Да и работать в понятном продукте (в плане закрытия потребностей юзеров) в целом как-то проще.
Но, почему-то, ни Netflix ни Rockstar Games не спешили приносить мне офферы. И пришлось пойти куда позвали. Мой первый продукт не был близок лично мне, но у него была небольшая аудитория, которая его обожала. Да и в целом с этической стороны он был норм. Это был конструктор сайтов, локальный конкурент всяких тильд.
А вот дальше (иногда) были более сомнительные продукты. Например форекс брокер. Даже два. Про первый и рассказывать нечего, я выгорел через неделю и даже испыталку не закончил. Потом (не сразу) был второй, с очень уж хорошим оффером, а я в то время как раз хотел сменить обстановку. Ну и после первого опыта финтеха уже прошло достаточно времени и я поднабрался опыта.
И не пожалел. Классная команда, сильная аналитика, крутые задачи. Кто бы мог подумать. Я вот не мог. Хоть с этической стороны это было почти казино.
Вообще, на мой взгляд, чем больше в компании денег, тем важнее аналитика для продукта, тем круче технологии и тем быстрее ты растёшь. А больше всего денег, к сожалению или к счастью, в крипте, финтехе и разного рода скаме.
А насколько вам принципиально работать в социально-одобряемых продуктах? Или х2-х3 оффер от условных криптовиков интереснее? 🙂
Ровно месяц каналу 🙂
Решил собрать здесь основные, на мой взгляд, посты, чтобы вы ничего не пропустили:
Специализации аналитиков
Типы продуктовых задач
Необходимые навыки
Грейды
Взаимодействия внутри команды
АБ-тесты
Испытательный срок
Продуктовые исследования
Спасибо вам за лайки-комменты, благодаря им я понимаю, что вам интересно, а что не очень.
Если есть какие-то вопросы, по которым можно сделать пост, самое время накидать, пока январь не спланирован 🙂
#дайджест
Решил собрать здесь основные, на мой взгляд, посты, чтобы вы ничего не пропустили:
Специализации аналитиков
Типы продуктовых задач
Необходимые навыки
Грейды
Взаимодействия внутри команды
АБ-тесты
Испытательный срок
Продуктовые исследования
Спасибо вам за лайки-комменты, благодаря им я понимаю, что вам интересно, а что не очень.
Если есть какие-то вопросы, по которым можно сделать пост, самое время накидать, пока январь не спланирован 🙂
#дайджест
👍17🎉6
🔗 Разметка событий
Обещал написать про разметку событий, ловите. Надеюсь там не слишком запутанно, старался сделать пошагово.
Приятного прочтения 🍿
https://telegra.ph/Razmetka-01-03
Обещал написать про разметку событий, ловите. Надеюсь там не слишком запутанно, старался сделать пошагово.
Приятного прочтения 🍿
https://telegra.ph/Razmetka-01-03
Telegraph
Разметка событий
Понятная разметка — лучший друг любого продуктового аналитика. То, как собираются данные, какие есть события и какие у них свойства, во многом определяет сколько боли будет в вашей работе. По важности — одна из топовых задач. Осложняет дело ещё и тот факт…
👍14🔥10❤1🤔1
Я тут задумал небольшой пет-проект по поднятию простой системы аналитики только под веб пока. Суть в чем, нужно скрафтить небольшой сайт, на него повесить трекер ивентов, оттуда по API стянуть данные для ETL и сложить в БД, потом её натянуть на какой-то BI. Всё просто, но я таким не занимался никогда чтобы прям с нуля 🙂
План пока такой:
1. Взять трекер типа GA или Segment
2. Даги написать на Airflow
3. Как БД поднять Clickhouse
4. Ну с базовым BI там всё просто, тот же Redash залетит
Есть тут инженеры, насколько такой выбор оптимален? Затрат там пока видится максимум на 120$ за КХ на минимальном тарифе. Или имеет смысл хранить данные отдельно в каком-нибудь Redshift? В идеале потом ещё трекер сменить на самописный, но его сначала надо написать 😅
План пока такой:
1. Взять трекер типа GA или Segment
2. Даги написать на Airflow
3. Как БД поднять Clickhouse
4. Ну с базовым BI там всё просто, тот же Redash залетит
Есть тут инженеры, насколько такой выбор оптимален? Затрат там пока видится максимум на 120$ за КХ на минимальном тарифе. Или имеет смысл хранить данные отдельно в каком-нибудь Redshift? В идеале потом ещё трекер сменить на самописный, но его сначала надо написать 😅
👍4🔥2🤯2🤔1
📌 Что значит “знать SQL”?
В одном чатике возник такой вопрос. Спектр ответов был от “знать оконки” до “писать трехэтажные запросы”.
Давай разбираться 🧐
В русскоязычном комьюнити очень сильно смещён фокус на хард скилы. Но что такое SQL по сути? Это прикладной навык, инструмент, с помощью которого ты решаешь часть задачи. Точнее — всего лишь добываешь данные для анализа.
В работе тебе никто не говорит: “достань мне из базы вот такие данные по таким колонкам и чтобы запрос был пожирнее”.
Говорят: “мы выкатили фичу, и она, кажется, не работает”.
Твоя задача намного, намного глубже — нужно определиться с критериями, что вообще значит “не работает”? А как понять что работает? Есть ли у неё перспектива? Надо ли переделывать? Тут намного больше тонкостей в аналитическом мышлении.
Все эти вопросы нужно переводить на язык данных. “Посчитаем, значит вот это, это и вон то” — можешь достать эти данные из базы, не потратив на это неделю? Поздравляю, у тебя нормальный рабочий уровень SQL 🥳
Да, некоторые вещи используются чаще — например подзапросы или CTE, джоины и оконки. Некоторые реже — какой-нибудь локальный мэппинг, lead/lag и т.д. Но это ты со временем сам обнаружишь.
Все функции наизусть никто не знает, и это нормально. Да что там знать, большей частью функций из документации ты никогда не воспользуешься даже. А если вдруг и понадобится что-то хитрое — есть гугл.
В одном чатике возник такой вопрос. Спектр ответов был от “знать оконки” до “писать трехэтажные запросы”.
Давай разбираться 🧐
В русскоязычном комьюнити очень сильно смещён фокус на хард скилы. Но что такое SQL по сути? Это прикладной навык, инструмент, с помощью которого ты решаешь часть задачи. Точнее — всего лишь добываешь данные для анализа.
Разгоним музыкальную метафору. Вот есть барабанщик. Его задача играть ритм в композиции. Для этого он использует палочки, которыми стучит по сету. Эти палочки и есть его SQL. Он может понять как их держать и как извлекать звук, а потом перейти, собственно, к музыке. А может годами оттачивать трюки, подкидывать их, крутить и т.д., к музыке так и не приступив. И когда он приходит в группу с таким крутым скиллом — его не берут. Потому что группе надо ритм держать, а не палочками выпендриваться.
В работе тебе никто не говорит: “достань мне из базы вот такие данные по таким колонкам и чтобы запрос был пожирнее”.
Говорят: “мы выкатили фичу, и она, кажется, не работает”.
Твоя задача намного, намного глубже — нужно определиться с критериями, что вообще значит “не работает”? А как понять что работает? Есть ли у неё перспектива? Надо ли переделывать? Тут намного больше тонкостей в аналитическом мышлении.
Все эти вопросы нужно переводить на язык данных. “Посчитаем, значит вот это, это и вон то” — можешь достать эти данные из базы, не потратив на это неделю? Поздравляю, у тебя нормальный рабочий уровень SQL 🥳
Да, некоторые вещи используются чаще — например подзапросы или CTE, джоины и оконки. Некоторые реже — какой-нибудь локальный мэппинг, lead/lag и т.д. Но это ты со временем сам обнаружишь.
Все функции наизусть никто не знает, и это нормально. Да что там знать, большей частью функций из документации ты никогда не воспользуешься даже. А если вдруг и понадобится что-то хитрое — есть гугл.
🔥14👍7❤2
📌 Аналитические кейсы на собесах, 1
Листал линк недавно, много жалоб на собесы. Правда в основном DA, но у этих всегда какое-то мясо творится, даже лезть страшно. Давай порассуждаем про собесы продуктовых аналитиков.
Обычно тех интервью состоит из части по SQL, Питону и решению кейсов.
Вообще, если бы я писал сценарий собеса, я бы вырезал первые 2 части из интервью — SQL легко проверить даже на скрининге с HR, а Питон проще отдать на мини-тестовое по решению кейса, на час-два.
💭 Хоть я и не люблю тестовые, по ним легко проверить умение пользоваться языком. Даже если там всё написано будет через GPT — главное что написано, и как решено. Если не знать что вообще делать, GPT не поможет. А в работе-то пожалуйста, используй.
Другое дело — решение кейсов. Эта штука самая простая и самая сложная одновременно. А если вам нужен аналитик для решения задач — ещё и самая полезная.
Суть кейсов в следующем: интервьюер даёт какие-то вводные, описывает проблему, с которой столкнулся бизнес, а кандидат должен порассуждать как бы он эту проблему решал.
Я обожаю кейсы💛 . Чаще всего пока интервьюер рассказывает задачу, у меня в голове уже всплывает реальная похожая ситуация из практики, и я просто рассказываю как делал в тот раз. И это не потому что я динозавр и всё застал, а потому что кейсы редко оригинальные или далекие от реальности. Чаще всего это типичные рабочие ситуации — “ты приходишь на работу в понедельник и видишь что за выходные мы сильно просели по деньгам. Как найти проблему?”
Кейсы сложно обмануть. Ты можешь хоть 40 лет накрутить 🐺 — спалишься на них моментально. Зато они прекрасно проверяют аналитическое мышление. Даже если SQL пройден кое-как, хороший результат на кейсах — всё ещё причина задуматься о найме.
Листал линк недавно, много жалоб на собесы. Правда в основном DA, но у этих всегда какое-то мясо творится, даже лезть страшно. Давай порассуждаем про собесы продуктовых аналитиков.
Обычно тех интервью состоит из части по SQL, Питону и решению кейсов.
Вообще, если бы я писал сценарий собеса, я бы вырезал первые 2 части из интервью — SQL легко проверить даже на скрининге с HR, а Питон проще отдать на мини-тестовое по решению кейса, на час-два.
💭 Хоть я и не люблю тестовые, по ним легко проверить умение пользоваться языком. Даже если там всё написано будет через GPT — главное что написано, и как решено. Если не знать что вообще делать, GPT не поможет. А в работе-то пожалуйста, используй.
Другое дело — решение кейсов. Эта штука самая простая и самая сложная одновременно. А если вам нужен аналитик для решения задач — ещё и самая полезная.
Суть кейсов в следующем: интервьюер даёт какие-то вводные, описывает проблему, с которой столкнулся бизнес, а кандидат должен порассуждать как бы он эту проблему решал.
Я обожаю кейсы
Реже — более креативные, у меня один раз был такой: “В высотном здании есть 2 лифта, которые движутся по разным алгоритмам. Первый — строго в том порядке, в каком нажаты кнопки. Второй — в порядке следования по этажам, останавливаясь там, где кнопка была нажата. Какой алгоритм удобнее?”
Кейсы сложно обмануть. Ты можешь хоть 40 лет накрутить 🐺 — спалишься на них моментально. Зато они прекрасно проверяют аналитическое мышление. Даже если SQL пройден кое-как, хороший результат на кейсах — всё ещё причина задуматься о найме.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍11
📌 Аналитические кейсы на собесах, 2
Так чего интервьюер ждёт от таких задач?
Они абстрактные, здесь не выдают конкретику, а хотят просто посмотреть на твоё мышление.
Возьмём, для примера, предыдущий кейс про падение доходов, и попробуем поразмышлять.
🌀 Во-первых, нужно понять было ли вообще падение, или это простое колебание в рамках допустимого? А если и было, то насколько критичное. Для детектирования аномалии можно использовать плавающие дов. интервалы, в нашем случае окно в 7 дней хорошо подойдёт. Покажи, что умеешь отличать колебания от аномалий.
Дальше варианты — упало в 0 или просто резко снизилось? Если в 0, то скорее всего это технические проблемы — от сломанной кнопки “купить” до полного падения серверов.
🌀 Допустим, падение резкое, но не полное. Тут начинается блок про экономику. Для начала нужно разложить доход на метрики поменьше. Из чего он состоит? В зависимости от бизнеса, конечно, но глобально это количество денег от юзеров. Нужно рассмотреть эти составляющие отдельно.
🌀 Первое направление — траффик. Может быть такое, что в эти выходные было падение траффика, тогда при неизменных чеках и конверсиях мы увидим падение дохода. Бывает, что траффик падает по внешним причинам, например в стране, где у нас больше всего юзеров — выборы. Но внешние причины редко сильно влияют. Чаще это изменения в маркетинге.
Если объёмы в норме, стоит посмотреть на состав траффика — может он изменился со старичков, которые платят много, на новичков, при этом количество юзеров особо не поменялось.
🌀 Если с траффиком и его составом всё ок, стоит глянуть на средние показатели по юзерам — изменился ли чек? А может было несколько источников дохода (например, подписка и доп. продажи) и изменился какой-то из них? А может что-то произошло не везде, а в каком-то сегменте, например, на вебе или в Испании?
🌀 Если средние метрики в норме, стоит изучить конверсии. Можно зайти с воронок, возможно проблема появилась на каком-то определённом шаге.
И т.д. Можно ещё долго разгонять, в этом суть таких задач.
#собесы
Так чего интервьюер ждёт от таких задач?
Они абстрактные, здесь не выдают конкретику, а хотят просто посмотреть на твоё мышление.
Возьмём, для примера, предыдущий кейс про падение доходов, и попробуем поразмышлять.
Дальше варианты — упало в 0 или просто резко снизилось? Если в 0, то скорее всего это технические проблемы — от сломанной кнопки “купить” до полного падения серверов.
Если объёмы в норме, стоит посмотреть на состав траффика — может он изменился со старичков, которые платят много, на новичков, при этом количество юзеров особо не поменялось.
И т.д. Можно ещё долго разгонять, в этом суть таких задач.
#собесы
Please open Telegram to view this post
VIEW IN TELEGRAM
❤16👍7😎2
📌 Что делать со “срочными” задачами?
Однажды я работал в одной там компании, ничего особенного, кроме CDO. Очень крутой мужик был, многому меня научил. И вот мы как-то сидели с ним на созвоне, обсуждали всякое, и зашёл вопрос о срочности задач.
У любого заказчика, как правило, своя задача самая важная. И хорошо когда у тебя заказчик один, он хотя бы для себя может приоритизировать свои задачи. А если их, скажем 5, то тут начинается хаос. Всем всё нужно вчера, без конкретно этой задачи отдел не функционирует!
И вот тогда тот мой CDO научил меня как это правильно организовать — ответ убил: да забей просто. “Интересная мысль от CDO” — тогда подумал я 🙂
Но смысл там, конечно, не совсем прямой. Он говорит: “я как делаю обычно — прилетает мне задача уровня важности 10/10. И я её отправляю мариноваться на пару дней. Если за эти пару дней заказчик не пришёл уточнить как там дела — значит не очень-то и надо было, и теперь её можно спокойно запланировать в график. А если каждый день приходит, то, видимо, и правда срочно, можно отложить остальные дела.”
Такая, вроде бы, простая мысль, но как же она снизила уровень стресса в моей работе, а за счёт осознанного отказа прыгать туда-сюда и концентрироваться на текущей задаче, неплохо так повышается продуктивность.
И почти ушли ситуации, когда нужно что-то завтра, ты всё бросаешь, делаешь, а послезавтра спрашиваешь “ну как там?” и получаешь ответ “да я чёт ещё не посмотрел” 🤨 (лайк если бесит)
Однажды я работал в одной там компании, ничего особенного, кроме CDO. Очень крутой мужик был, многому меня научил. И вот мы как-то сидели с ним на созвоне, обсуждали всякое, и зашёл вопрос о срочности задач.
У любого заказчика, как правило, своя задача самая важная. И хорошо когда у тебя заказчик один, он хотя бы для себя может приоритизировать свои задачи. А если их, скажем 5, то тут начинается хаос. Всем всё нужно вчера, без конкретно этой задачи отдел не функционирует!
И вот тогда тот мой CDO научил меня как это правильно организовать — ответ убил: да забей просто. “Интересная мысль от CDO” — тогда подумал я 🙂
Но смысл там, конечно, не совсем прямой. Он говорит: “я как делаю обычно — прилетает мне задача уровня важности 10/10. И я её отправляю мариноваться на пару дней. Если за эти пару дней заказчик не пришёл уточнить как там дела — значит не очень-то и надо было, и теперь её можно спокойно запланировать в график. А если каждый день приходит, то, видимо, и правда срочно, можно отложить остальные дела.”
Такая, вроде бы, простая мысль, но как же она снизила уровень стресса в моей работе, а за счёт осознанного отказа прыгать туда-сюда и концентрироваться на текущей задаче, неплохо так повышается продуктивность.
И почти ушли ситуации, когда нужно что-то завтра, ты всё бросаешь, делаешь, а послезавтра спрашиваешь “ну как там?” и получаешь ответ “да я чёт ещё не посмотрел” 🤨 (лайк если бесит)
👍23❤6🔥5
📦 Мои любимые книги
Курсы это конечно хорошо, но они, как правило, только задают вектор развития, не вдаваясь глубоко в темы.
А вот покопаться детальнее отлично помогают книги.
Хочу поделиться с тобой моим любимым списком книг, некоторые из которых вообще настольные, к которым можно возвращаться постоянно:
📎 По АБ-тестам не так давно вышла книга “Доверительное А/В-тестирование” от Рона Кохави, Дианы Тан и Я Сюй. Думаю многие уже читали её, но если ещё не, рекомендую. Не то чтобы закроет прям все вопросы, но очень многое точно прояснит.
📎 “Работа с данными в любой сфере” от Кирилла Еременко — отличная книга после курсов, когда ты впитал тонну информации, эта небольшая книжка помогает уложить всё по полочкам. Особенно хорошо раскрывается тема исследований. Полезна как новичкам, так и при первых симптомах выгорания 🙂
📎 Ещё одна суперпопулярная книга “Графики, которые убеждают всех” от Александра Богачева, про тонкости визуализаций. Если ты много работаешь с BI и не читал эту книгу, то ты где-то свернул не туда.
📎 “Big Data” от Анналина Ына — очень маленький обзорный справочник по алгоритмам ML, они не разбираются детально с точки зрения реализации, но там очень доходчиво описано зачем какой алгоритм нужен, какие задачи он решает и как ты можешь применять их своей практике. Алгоритмы там не супер сложные, все хорошо ложатся в практику продуктовой аналитики.
📎 “Практическая статистика для специалистов Data Science” от Питера и Эндрю Брюсов. Шикарная книга по статистике на практике, в которой разбираются 50 важнейших понятий на R и Python, от EDA до ML. Но она чуть сложнее в понимании, требует небольшой базы.
📎 “Аналитическая культура” Карла Андерсона — наверное, одна из моих любимых. Почти пошаговая инструкция как сделать из компании, которая знать не знала про аналитику — показательную data-driven компанию. От нюансов организации сбора данных до найма и бизнес-результатов.
Здесь я не стал писать про книги по языкам, но они тоже крайне полезны. Это скорее для общего развития.
Закидывайте своих фаворитов 🙂
Курсы это конечно хорошо, но они, как правило, только задают вектор развития, не вдаваясь глубоко в темы.
А вот покопаться детальнее отлично помогают книги.
Хочу поделиться с тобой моим любимым списком книг, некоторые из которых вообще настольные, к которым можно возвращаться постоянно:
Здесь я не стал писать про книги по языкам, но они тоже крайне полезны. Это скорее для общего развития.
Закидывайте своих фаворитов 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
👍22❤11🔥7
📦 Книги не про аналитику (но это не точно)
Продолжу тему книг, но на этот раз не про аналитику (на первый взгляд).
Продуктовая аналитика, в отличие от какой-нибудь чистой дата-, лежит на стыке классического анализа, продуктового менеджмента и дизайна. На первый взгляд там задействовано меньше хардов (на самом деле нет), а на практике хороший продуктовый подход требует намного большего понимания смежных сфер.
На курсах эти темы редко затрагиваются, но их более глубокое понимание часто очень сильно помогает в работе.
С чего можно начать?
📎 “Интерфейсы” от Алана Купера — пожалуй лучшая книга по проектированию интерфейсов, Купер вообще один из отцов-основателей подхода к проектированию через UX. Книга огромная, но без воды. Крайне рекомендую, если у тебя проблемы с генерацией гипотез на тему “почему эта фича не взлетела”.
📎 “Психбольница в руках пациентов” Алана Купера — ещё одна книга Купера про UX в интерфейсах. Отлично дополняет его же “Интерфейсы”.
📎 “Дизайн. Книга для недизайнеров” от Робина Уильямса — небольшая книга про восприятие дизайна мозгом. Автор называет себя “нейродизайнером”, и в процессе чтения ты начинаешь понимать почему. Очень много полезных фишечек, да и сама по себе книга очень интересная. Мы же поведение юзеров в продукте исследуем, а оно очень сильно зависит и от дизайна.
📎 “Разработка требований к програмному обеспечению” Карла Виггерса. Как-то я состоял (да и сейчас вроде не выписан) в тайном обществе небезызвестного Лёхи Бородкина, и вот эта книга там была чуть ли не местной библией. И не зря. Для системных аналитиков и проектировщиков вообще обязательна, а для продуктовых там тоже много полезной информации на тему как эта ваша разработка вообще устроена и почему именно так.
Продолжу тему книг, но на этот раз не про аналитику (на первый взгляд).
Продуктовая аналитика, в отличие от какой-нибудь чистой дата-, лежит на стыке классического анализа, продуктового менеджмента и дизайна. На первый взгляд там задействовано меньше хардов (на самом деле нет), а на практике хороший продуктовый подход требует намного большего понимания смежных сфер.
На курсах эти темы редко затрагиваются, но их более глубокое понимание часто очень сильно помогает в работе.
С чего можно начать?
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10👍7❤1
🔗 Шаблон резюме
Когда я уходил с прошлого места работа, там бонусом была такая штука как оценка резюме штатными HR-ами. Я закинул им своё, и они там не поправили ничего, сказали вообще не трогать 🙂
Я его подпилил, чтобы получился базовый шаблон и добавил комментарии. Можете брать на вооружение.
Примерно в таком же стиле (но в местном формате) у меня HH и линк.
Ссылка здесь
Когда я уходил с прошлого места работа, там бонусом была такая штука как оценка резюме штатными HR-ами. Я закинул им своё, и они там не поправили ничего, сказали вообще не трогать 🙂
Я его подпилил, чтобы получился базовый шаблон и добавил комментарии. Можете брать на вооружение.
Примерно в таком же стиле (но в местном формате) у меня HH и линк.
Ссылка здесь
❤20👍6🔥5
📌 Популярные инструменты, БД
Я довольно много с кем общаюсь в сфере на тему стека, и собрал некоторую статистику по популярности инструментов в разных компаниях (за исключением всяких там бигтехов). Ну как статистику, скорее сформировал мнение 🙂
Давай разберём, опыт работы с чем именно наиболее вероятно пойдёт в плюс на собесах, по моим субъективным ощущениям, конечно:
Базы данных.
Понятно, что классический SQL везде плюс-минус одинаковый, а если ты не работал с базой, то пару вечеров почитай документацию и нет проблем, но в целом по пулярности я бы поставил так.
1️⃣ Clickhouse — в РФ, наверное, самая популярная БД для продуктовой аналитики. Она колоночная, за счёт чего быстро работает с большим объёмом данных. Моё любимое это возможность дописать -if в любую агрегацию, вместо расписывания кейсов. Но там вообще полно удобных функций, тот же маппинг или ретеншн.
2️⃣ BigQuery — в последние пару лет прям частое явление, раньше встречал очень редко. Гибкая, легко ставится, приятный набор функций. Но геморная в масштабировании. Ещё и платная по запросам, поэтому с BQ не очень удобно работать через внешние окружения.
3️⃣ Vertica — к минусам я бы отнёс довольно скудный набор функций и цену, а к плюсам скорость на больших объёмах.
4️⃣ MS SQL — я лично ни разу не работал с ним, так что особо ничего не прокомментирую, но в последнее время часто натыкаюсь на ребят с этой базой в качестве основной для ПА.
Как ни странно, но за последние года 2 ни разу не слышал чтобы кто-то использовал (именно как основную в ПА) Postgress или MySQL (хотя они во всех рейтингах в топе по поулярности) и всего по разу Spark, Maria и Mongo 🙂
Я довольно много с кем общаюсь в сфере на тему стека, и собрал некоторую статистику по популярности инструментов в разных компаниях (за исключением всяких там бигтехов). Ну как статистику, скорее сформировал мнение 🙂
Сначала думал всё в один пост засунуть, но чёт начал комментировать и обломался по символам. Так что тут пока только про БД.
Давай разберём, опыт работы с чем именно наиболее вероятно пойдёт в плюс на собесах, по моим субъективным ощущениям, конечно:
Базы данных.
Понятно, что классический SQL везде плюс-минус одинаковый, а если ты не работал с базой, то пару вечеров почитай документацию и нет проблем, но в целом по пулярности я бы поставил так.
Как ни странно, но за последние года 2 ни разу не слышал чтобы кто-то использовал (именно как основную в ПА) Postgress или MySQL (хотя они во всех рейтингах в топе по поулярности) и всего по разу Spark, Maria и Mongo 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5🤔5🔥3❤1
Последние пару дней часто натыкаюсь на вопросы про выбор курсов, и споры что лучше: заплатить и получить всё сразу, или не платить и гуглить всю инфу (которой в интернете вообще-то дофига).
Вроде как все сходятся в преимуществах платных курсов в виде возможности задавать вопросы кураторам и цельной системе, которая тебя за ручку ведёт.
С кураторами я вам не помогу, а вот с системой можно что-нибудь придумать.
Как-то давно одна моя подруга хотела попробовать что это за профессия такая, я ей тогда составил что-то типа роадмапа, что почитать сначала, где попрактиковаться потом и т.д. Главное — чтобы всё было бесплатно, или, хотя бы, не за 100к+. Потому что это был не вопрос прям смены сферы, а скорее пощупать.
В общем у меня возникла идея, поправить тот роадмап с учётом новых появившихся ресурсов. Такой пошаговый план, как бы я сам сейчас учил базу с нуля. Система, последовательность, рекомендации, вот это всё.
Было бы интересно?
Вроде как все сходятся в преимуществах платных курсов в виде возможности задавать вопросы кураторам и цельной системе, которая тебя за ручку ведёт.
С кураторами я вам не помогу, а вот с системой можно что-нибудь придумать.
Как-то давно одна моя подруга хотела попробовать что это за профессия такая, я ей тогда составил что-то типа роадмапа, что почитать сначала, где попрактиковаться потом и т.д. Главное — чтобы всё было бесплатно, или, хотя бы, не за 100к+. Потому что это был не вопрос прям смены сферы, а скорее пощупать.
В общем у меня возникла идея, поправить тот роадмап с учётом новых появившихся ресурсов. Такой пошаговый план, как бы я сам сейчас учил базу с нуля. Система, последовательность, рекомендации, вот это всё.
Было бы интересно?
👍68🔥21