Приглашаем на персональную экскурсию в Симулятор! 🔥
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
❤3👍3🔥3
Как писать красивый код на Pandas 🔥
Одна из самых классных фишек Pandas, которой многие не пользуются - это
Большая проблема кода на Pandas в том, что его сложно читать - у нас либо слишком длинные строки с последовательным применением методов, либо куча лишних переопределений переменных. Например, вариант 1:
Вариант 2:
А вот, как пишут код на Pandas люди, которые шарят в Pandas и любят красивый код:
Этот код писал один из членов нашей команды, Даниил. Чтобы понять его на 100%, надо немного погрузиться в задачу и понимать Pandas, но одно можно сказать точно - это максимально красиво и удобно! Согласны?
Делается
1. Вся последовательность команд оборачивается в скобки
2. Каждая новая операция переносится на новую строку
А если еще красиво оформить отступы (как в примере), то вообще будет отлично! В основном, IDE, в которой вы пишите код, делает это за вас.
Кстати, в рамках нашего Симулятора «Аналитик данных» мы ежемесячно проводим живые мастер-классы на разные темы, и скоро Даниил будет проводить как раз мастер-класс про использование Pandas на максималках🔥
Так что приходите к нам в Симулятор «Аналитик данных», чтобы стать крутым аналитикоми освоить кучу отраслевых фишек. Как раз и на мастер-класс Даниила еще успеваете😁
Одна из самых классных фишек Pandas, которой многие не пользуются - это
method chaining или цепочки методов. Большая проблема кода на Pandas в том, что его сложно читать - у нас либо слишком длинные строки с последовательным применением методов, либо куча лишних переопределений переменных. Например, вариант 1:
# Здесь у нас длинная строка с кучей методов - все в кашу
df.do().do_more().do_something_else()...
Вариант 2:
# Здесь каждое действие делается в отдельной строке
# так еще и лишнее переопределение df происходит
df = df.do()
df = df.do_more()
df = df.do_something_else()
...
А вот, как пишут код на Pandas люди, которые шарят в Pandas и любят красивый код:
redistributed_orders_amount = (
area_orders_agg.drop(columns="warehouse_name")
.rename(columns={"preferred_warehouse": "warehouse_name"})
.query("~is_local_delivery")
.groupby(group_fields)["orders_amount"]
.sum()
.rename("redistributed_orders_amount")
)
Этот код писал один из членов нашей команды, Даниил. Чтобы понять его на 100%, надо немного погрузиться в задачу и понимать Pandas, но одно можно сказать точно - это максимально красиво и удобно! Согласны?
Делается
method chaining очень просто (в коде выше видно):1. Вся последовательность команд оборачивается в скобки
2. Каждая новая операция переносится на новую строку
А если еще красиво оформить отступы (как в примере), то вообще будет отлично! В основном, IDE, в которой вы пишите код, делает это за вас.
Кстати, в рамках нашего Симулятора «Аналитик данных» мы ежемесячно проводим живые мастер-классы на разные темы, и скоро Даниил будет проводить как раз мастер-класс про использование Pandas на максималках
Так что приходите к нам в Симулятор «Аналитик данных», чтобы стать крутым аналитикоми освоить кучу отраслевых фишек. Как раз и на мастер-класс Даниила еще успеваете
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥19👍10❤4
Важный совет при написании кода на Python 🔥
Когда мы пишем код, мы зачастую обращаем внимание только на ошибки - просто потому что скрипт перестает работать. Например, ошибка о том, что переменная не определена или что не существует функции, которую мы пытаемся вызвать.
Однако есть еще предупреждения (warnings). Очень часто они сигнализируют о том, что в текущей версии библиотеки ваш код отработает нормально, а вот в будущих версиях сломается. И бывает, что этот момент наступает очень быстро! Расскажем на своем примере.
Когда мы записывали модуль по Pandas для Симулятора «Аналитик данных», в некоторых местах у нас выскакивали такие ворнинги. Однако мы их проигнорировали, потому что последние 5 лет этот код работал корректно и мы банально привыкли писать код именно так. А потом случилась подлянка…
Python быстро выпустил несколько крупных обновлений, а вслед за этим обновился и Pandas. И некоторый код действительно перестал работать! 🥲
Поэтому на днях мы провели полную ревизию модуля, обновили все блокноты с кодом, написали все комментарии и отревьюили все задачи. Теперь все актуально и доступно как старым студентам, так и новым 🔥
Если интересно, что именно сломалось после обновления версии - смотрите наши карточки, разобрали пару примеров. Если хотите обучиться аналитике - приходите к нам в Симулятор. А лучше и то, и другое 😁
Когда мы пишем код, мы зачастую обращаем внимание только на ошибки - просто потому что скрипт перестает работать. Например, ошибка о том, что переменная не определена или что не существует функции, которую мы пытаемся вызвать.
Однако есть еще предупреждения (warnings). Очень часто они сигнализируют о том, что в текущей версии библиотеки ваш код отработает нормально, а вот в будущих версиях сломается. И бывает, что этот момент наступает очень быстро! Расскажем на своем примере.
Когда мы записывали модуль по Pandas для Симулятора «Аналитик данных», в некоторых местах у нас выскакивали такие ворнинги. Однако мы их проигнорировали, потому что последние 5 лет этот код работал корректно и мы банально привыкли писать код именно так. А потом случилась подлянка…
Python быстро выпустил несколько крупных обновлений, а вслед за этим обновился и Pandas. И некоторый код действительно перестал работать! 🥲
Поэтому на днях мы провели полную ревизию модуля, обновили все блокноты с кодом, написали все комментарии и отревьюили все задачи. Теперь все актуально и доступно как старым студентам, так и новым 🔥
Если интересно, что именно сломалось после обновления версии - смотрите наши карточки, разобрали пару примеров. Если хотите обучиться аналитике - приходите к нам в Симулятор. А лучше и то, и другое 😁
👍12🔥4❤2
Шпаргалка для аналитика: XYZ-анализ 🔥
Многие знают про ABC-анализ - это один из основных инструментов принятия решений в бизнесе, если у вас большая ассортиментная линейка. Абсолютно любой аналитик обязан знать этот анализ, т.к. он используется в огромном количестве бизнесов. Мы уже неоднократно про него рассказывали и даже делали карточки - как делать ABC-анализ в SQL.
Но сегодня хотим рассказать про другой, не менее важный анализ, про который многие не знают: XYZ-анализ.
✅ Основная идея
Если коротко, то XYZ-анализ - это метод оценки устойчивости спроса на товар. Мы оцениваем продажи за несколько предыдущих периодов (например, за предыдущие 12 месяцев) и делаем вывод - товар продается стабильно или спрос «прыгает». Группа X - спрос стабильный, Y - не очень стабильный, Z - вообще не стабильный (часто это сезонные или акционные товары).
✅ Какие можно сделать выводы
На основании XYZ можно сделать выводы про закупку товара или переоценку. Вот несколько примеров:
- Если товар в группе А по объему продаж (то есть по ABC-анализу видим, что он продается много) и в группе Х по устойчивости спроса, то можно делать заказ «впритык» - посчитать прогноз спроса на основании предыдущих продаж и не делать большой товарный запас. Это сэкономит деньги на закупку и увеличит оборачиваемость. Если в группе Z - надо заказывать с запасом.
- Если товар в группе С по маржинальности (то есть по ABC-анализу видим, что мы зарабатываем с 1 проданнолй штуки мало денег) и в группе Х по устойчивости спроса, то можно смело поднимать цену. Скорее всего, либо спрос на него не упадет, либо мы моментально увидим это и откатим цену назад. Если в группе Z - лучше не делать резких движений.
✅ Как опеределить группу товара
- Берем продажи товара за несколько предыдыдущих периодов (например, 12 месяцев)
- Считаем коэффициент вариации
- Если до 10% - группа Х, если до 25% - группа Y, если выше 25% - группа Z
✅ Заключение
XYZ-анализ - такой же необходимый инструмент для аналитика, как и ABC-анализ. Именно поэтому в нашем Симуляторе «Аналитик данных» мы разбираем его сразу в нескольких модулях - делаем его и в SQL, и в Pandas.
Хотите тоже стать востребованным аналитиком, обучившись на кейсах из реального бизнеса? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
Многие знают про ABC-анализ - это один из основных инструментов принятия решений в бизнесе, если у вас большая ассортиментная линейка. Абсолютно любой аналитик обязан знать этот анализ, т.к. он используется в огромном количестве бизнесов. Мы уже неоднократно про него рассказывали и даже делали карточки - как делать ABC-анализ в SQL.
Но сегодня хотим рассказать про другой, не менее важный анализ, про который многие не знают: XYZ-анализ.
✅ Основная идея
Если коротко, то XYZ-анализ - это метод оценки устойчивости спроса на товар. Мы оцениваем продажи за несколько предыдущих периодов (например, за предыдущие 12 месяцев) и делаем вывод - товар продается стабильно или спрос «прыгает». Группа X - спрос стабильный, Y - не очень стабильный, Z - вообще не стабильный (часто это сезонные или акционные товары).
✅ Какие можно сделать выводы
На основании XYZ можно сделать выводы про закупку товара или переоценку. Вот несколько примеров:
- Если товар в группе А по объему продаж (то есть по ABC-анализу видим, что он продается много) и в группе Х по устойчивости спроса, то можно делать заказ «впритык» - посчитать прогноз спроса на основании предыдущих продаж и не делать большой товарный запас. Это сэкономит деньги на закупку и увеличит оборачиваемость. Если в группе Z - надо заказывать с запасом.
- Если товар в группе С по маржинальности (то есть по ABC-анализу видим, что мы зарабатываем с 1 проданнолй штуки мало денег) и в группе Х по устойчивости спроса, то можно смело поднимать цену. Скорее всего, либо спрос на него не упадет, либо мы моментально увидим это и откатим цену назад. Если в группе Z - лучше не делать резких движений.
✅ Как опеределить группу товара
- Берем продажи товара за несколько предыдыдущих периодов (например, 12 месяцев)
- Считаем коэффициент вариации
- Если до 10% - группа Х, если до 25% - группа Y, если выше 25% - группа Z
✅ Заключение
XYZ-анализ - такой же необходимый инструмент для аналитика, как и ABC-анализ. Именно поэтому в нашем Симуляторе «Аналитик данных» мы разбираем его сразу в нескольких модулях - делаем его и в SQL, и в Pandas.
Хотите тоже стать востребованным аналитиком, обучившись на кейсах из реального бизнеса? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
🔥9❤8👍6
ЛАЙФАХ: КАК ЧИТАТЬ GOOGLE SHEETS В PANDAS 🔥
Недавно мы делали пост о том, как автоматически скачивать файлы после обработки в Google Colab. И после этого один из наших студентов напомнил нам еще об одной классной фишке - как читать содержимое Google-таблиц в Pandas!
Мы, например, почти не используем Excel внутри компании - работаем именно с гугл-таблицами, потому что это банально удобней. И каждый раз скачивать эксельку, чтобы прочитать ее в Pandas - очень неудобно.
Поэтому вот четкий порядок действий, как это сделать:
1. Создайте гугл-таблицу
2. Расшарьте ее с правами на чтение (хотя бы)
3. Добавьте к ссылке в конце
4. Вставьте полученную ссылку в
Итоговый код вы можете посмотреть в блокноте по ссылке: ссылка.
💯💯💯
Хотите освоить еще больше фишечек и стать крутым аналитиком? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
Недавно мы делали пост о том, как автоматически скачивать файлы после обработки в Google Colab. И после этого один из наших студентов напомнил нам еще об одной классной фишке - как читать содержимое Google-таблиц в Pandas!
Мы, например, почти не используем Excel внутри компании - работаем именно с гугл-таблицами, потому что это банально удобней. И каждый раз скачивать эксельку, чтобы прочитать ее в Pandas - очень неудобно.
Поэтому вот четкий порядок действий, как это сделать:
1. Создайте гугл-таблицу
2. Расшарьте ее с правами на чтение (хотя бы)
3. Добавьте к ссылке в конце
export?format=csv4. Вставьте полученную ссылку в
read_csvИтоговый код вы можете посмотреть в блокноте по ссылке: ссылка.
💯💯💯
Хотите освоить еще больше фишечек и стать крутым аналитиком? Приходите к нам на бесплатную персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
🔥28👍6❤3🤩2
БОЛЬШАЯ МЕТОДИЧКА ПО РЕКЛАМНЫМ МЕТРИКАМ 🔥
Недавно мы делали пост про основные продуктовые метрики в маркетинге, которые должен знать каждый аналитик. Это действительно очень важная тема, ведь маркетинг - двигатель любого бизнеса и самая большая статья расходов в компании.
Поэтому сегодня мы подготовили для вас большую методичку по рекламным метрикам - с бизнесовыми примерами, способами расчета и объяснениями.
Забирайте методичку по ссылке 👉 simulative.ru/guide-to-advertising-metrics
Недавно мы делали пост про основные продуктовые метрики в маркетинге, которые должен знать каждый аналитик. Это действительно очень важная тема, ведь маркетинг - двигатель любого бизнеса и самая большая статья расходов в компании.
Поэтому сегодня мы подготовили для вас большую методичку по рекламным метрикам - с бизнесовыми примерами, способами расчета и объяснениями.
Забирайте методичку по ссылке 👉 simulative.ru/guide-to-advertising-metrics
🔥10👍5❤3
ОШИБКА ФИЛЬТРАЦИИ В SQL 🔥
Одна из самых распространенных ошибок в SQL - неправильная фильтрация данных, если в столбце присутствуют значения NULL.
Что за ошибка ✅
Например, у нас в Симуляторе есть легкая задачка - отфильтровать всех пользователей, у которых поле
Обычно студенты пишут такой запрос:
И вроде бы все логично, но если проверить внимательно, то мы увидим, что потерялось около 80% записей!
Почему так происходит ✅
Если мы обратимся к документации, то в описании оператора WHERE увидим:
А теперь идем в документацию оператора
Таким образом, получается, что все строки с
Как исправить ✅
Исправить это можно, например, с помощью оператора
Заключение ✅
Теперь вы на 100% знаете, почему эта ошибка возникает и как с ней бороться. Будьте внимательны - на больших данных обнаружить ее очень сложно, а она может привести к ужасным погрешностям при расчетах.
Как вам такой разбор - зашел?) Давайте наберем 50 реакций на этот пост и мы разберем в таком формате еще одну распространенную ошибку 🔥
Одна из самых распространенных ошибок в SQL - неправильная фильтрация данных, если в столбце присутствуют значения NULL.
Что за ошибка ✅
Например, у нас в Симуляторе есть легкая задачка - отфильтровать всех пользователей, у которых поле
company_id не равно 1. При этом в этом поле у многих записей стоит NULL.Обычно студенты пишут такой запрос:
select *
from users
where company_id != 1
И вроде бы все логично, но если проверить внимательно, то мы увидим, что потерялось около 80% записей!
Почему так происходит ✅
Если мы обратимся к документации, то в описании оператора WHERE увидим:
Синтаксис оператора: WHERE «условие». «условие» - это любое выражение типа BOOLEAN. Всё, что не true, исключается из результата.
А теперь идем в документацию оператора
!= и видим: Если один из элементов сравнения равен NULL, то возвращается NULL, а не true/false.
Таким образом, получается, что все строки с
NULL выпадают из выборки, потому что такое сравнение возвращает NULL, а фильтр WHERE такие строки игнорирует. Как исправить ✅
Исправить это можно, например, с помощью оператора
COALESCE, который заменит NULL на другое число (например, -1, т.к. его гарантированно не будет в этом столбце):select *
from users
where coalesce(company_id, -1) != 1
Заключение ✅
Теперь вы на 100% знаете, почему эта ошибка возникает и как с ней бороться. Будьте внимательны - на больших данных обнаружить ее очень сложно, а она может привести к ужасным погрешностям при расчетах.
Как вам такой разбор - зашел?) Давайте наберем 50 реакций на этот пост и мы разберем в таком формате еще одну распространенную ошибку 🔥
🔥102👍6🎉5❤3
Приглашаем на персональную экскурсию в Симулятор! 🔥
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔹 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔹 Почему 95% новичков не могут найти работу и как не попасть в их число
🔹 Как выглядит идеальное портфолио (на примере реальных людей)
🔹 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, перейдите по ссылке 👉🏻 ссылка
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔹 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔹 Почему 95% новичков не могут найти работу и как не попасть в их число
🔹 Как выглядит идеальное портфолио (на примере реальных людей)
🔹 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, перейдите по ссылке 👉🏻 ссылка
🔥5❤4👍3
Бесплатный тест для проверки ваших навыков в аналитике данных 🔥
Мы постоянно общаемся с начинающими и уже опытными аналитиками, и вопрос объективной проверки своих знаний очень актуален. Начинающие не понимают, готовы ли они выходить на рынок труда (или наоборот переоценивают себя), а опытные испытывают синдром самозванца.
Чтобы решить эту проблему, мы с командой собрали для вас большой тест для проверки навыков в аналитике данных, который вы можете пройти совершенно бесплатно!
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Тест состоит из 3 секций - Продуктовое мышление, SQL и статистика + A/B-тестирование. Тест состоит из вопросов, на которые обязательно должен уметь отвечать каждый начинающий (и тем более практикующий) аналитик. Так что обязательно проверьте себя, чтобы оценить свои знания на бизнесовых задачах.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Мы постоянно общаемся с начинающими и уже опытными аналитиками, и вопрос объективной проверки своих знаний очень актуален. Начинающие не понимают, готовы ли они выходить на рынок труда (или наоборот переоценивают себя), а опытные испытывают синдром самозванца.
Чтобы решить эту проблему, мы с командой собрали для вас большой тест для проверки навыков в аналитике данных, который вы можете пройти совершенно бесплатно!
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Тест состоит из 3 секций - Продуктовое мышление, SQL и статистика + A/B-тестирование. Тест состоит из вопросов, на которые обязательно должен уметь отвечать каждый начинающий (и тем более практикующий) аналитик. Так что обязательно проверьте себя, чтобы оценить свои знания на бизнесовых задачах.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
🔥18👍7🎉3
ТИПИЧНАЯ ОШИБКА АНАЛИТИКА ДАННЫХ 🔥
Продуктовые метрики - важнейшая часть в работе любого аналитики. И их нужно знать не на уровне «знаю определение» или «могу посчитать», а глубоко понимать причины увеличения/уменьшения каждой из них, умение декомпозировать их до метрик на предыдущих этапах воронки, а также оценивать влияние одних метрик на другие.
В качестве простейшей иллюстрации приведем ситуацию, которую мы буквально на днях обсуждали со студентами в чате нашего Симулятора «Аналитик данных».
Вопрос ✔️
Верно ли, что падение CPL ведет к уменьшению CAC?
Неверный ответ ✔️
Да, т.к. стоимость привлечения клиента (CAC) напрямую зависит от стоимости лида (CPL), при уменьшении одной метрики уменьшается и другая.
Верный ответ ✔️
Абсолютно не обязательно. Такое действительно может произойти, если все остальные конверсии остались незименными или даже подросли - тогда за счет снижения стоимости лида (CPL) при том же бюджете мы будем получать большой объем лидов, а значит и больше клиентов.
Однако на практике очень часто происходит обратное - CPL падает, но начинают сильно меняться конверсии на других этапах воронки, что вообще может привести к полному фиаско.
Примеры ✔️
* Вы откручивали рекламу на Европу, лид стоил 400 рублей, а клиент - 15 000 рублей. Сместили фокус на Азию - лид стал стоить всего 150 рублей, но конверсия в продажу сильно упала и клиент стал стоить аж 45 000!
* Вы откручивали рекламу на вебинар и лид стоил 250 рублей, клиент выходил 10 000 рублей. Вы добавили на сайт программу вебинара, где обещаете золотые горы - конверсия выросла и цена лида упала до 100 рублей. Когда люди пришли на вебинар, то увидели там только воду, много продаж и никакого контента. Купил всего 1 человек и клиент в итоге вышел 30 000 рублей.
Заключение ✔️
Все это не выдуманные примеры - такое сплошь и рядом встречается как в маркетинговых воронках, так и во внутренней аналитике продукта. И это мы еще не говорим про сложности A/B-тестирования так называемых ration-метрик, которые зависят от нескольких других - там вообще легко наделать неправильных выводов...
Хотите разобраться во всем этом многообразии и стать действительно классным аналитиком? Приходите к нам на персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
Продуктовые метрики - важнейшая часть в работе любого аналитики. И их нужно знать не на уровне «знаю определение» или «могу посчитать», а глубоко понимать причины увеличения/уменьшения каждой из них, умение декомпозировать их до метрик на предыдущих этапах воронки, а также оценивать влияние одних метрик на другие.
В качестве простейшей иллюстрации приведем ситуацию, которую мы буквально на днях обсуждали со студентами в чате нашего Симулятора «Аналитик данных».
Вопрос ✔️
Верно ли, что падение CPL ведет к уменьшению CAC?
Неверный ответ ✔️
Да, т.к. стоимость привлечения клиента (CAC) напрямую зависит от стоимости лида (CPL), при уменьшении одной метрики уменьшается и другая.
Верный ответ ✔️
Абсолютно не обязательно. Такое действительно может произойти, если все остальные конверсии остались незименными или даже подросли - тогда за счет снижения стоимости лида (CPL) при том же бюджете мы будем получать большой объем лидов, а значит и больше клиентов.
Однако на практике очень часто происходит обратное - CPL падает, но начинают сильно меняться конверсии на других этапах воронки, что вообще может привести к полному фиаско.
Примеры ✔️
* Вы откручивали рекламу на Европу, лид стоил 400 рублей, а клиент - 15 000 рублей. Сместили фокус на Азию - лид стал стоить всего 150 рублей, но конверсия в продажу сильно упала и клиент стал стоить аж 45 000!
* Вы откручивали рекламу на вебинар и лид стоил 250 рублей, клиент выходил 10 000 рублей. Вы добавили на сайт программу вебинара, где обещаете золотые горы - конверсия выросла и цена лида упала до 100 рублей. Когда люди пришли на вебинар, то увидели там только воду, много продаж и никакого контента. Купил всего 1 человек и клиент в итоге вышел 30 000 рублей.
Заключение ✔️
Все это не выдуманные примеры - такое сплошь и рядом встречается как в маркетинговых воронках, так и во внутренней аналитике продукта. И это мы еще не говорим про сложности A/B-тестирования так называемых ration-метрик, которые зависят от нескольких других - там вообще легко наделать неправильных выводов...
Хотите разобраться во всем этом многообразии и стать действительно классным аналитиком? Приходите к нам на персональную экскурсию в Симулятор - расскажем, как 🔥
Записаться на экскурсию
❤15🔥5👍4
Разбор тестового задания в Тинькофф на Аналитика [Часть 1] 🔥
Прохождение собеседований - отдельный скилл для любого начинающего (и продолжающего) специалиста. Чтобы с легкостью проходить собеседования и не стрессовать на лайв-кодинге, нужно прорешать десятки и сотни задач в спокойных домашних условиях.
У нас с командой накопилось очень много тестовых из разных компаний, поэтому постепенно будем делиться ими с вами. В этот раз не в формате вебинара, а наглядной pdf-кой.
И первый на очереди - Тинькофф Банк! Чтобы получить разбор тестового задания с секции по SQL раньше своих конкурентов - забирайте его по ссылке 👇🏻
simulative.ru/tinkoff-part-one
И напишите в комментариях - какую компанию вы хотите увидеть следующей?
Прохождение собеседований - отдельный скилл для любого начинающего (и продолжающего) специалиста. Чтобы с легкостью проходить собеседования и не стрессовать на лайв-кодинге, нужно прорешать десятки и сотни задач в спокойных домашних условиях.
У нас с командой накопилось очень много тестовых из разных компаний, поэтому постепенно будем делиться ими с вами. В этот раз не в формате вебинара, а наглядной pdf-кой.
И первый на очереди - Тинькофф Банк! Чтобы получить разбор тестового задания с секции по SQL раньше своих конкурентов - забирайте его по ссылке 👇🏻
simulative.ru/tinkoff-part-one
И напишите в комментариях - какую компанию вы хотите увидеть следующей?
🔥12👍4❤2😁1
ПРИМЕР A/B-ТЕСТА В РЕАЛЬНОМ БИЗНЕСЕ 🔥
A/B-тестирование обычно считается довольно сложной темой «для избранных». Типа владеют этой темой только крутые аналитики, а используют только крупные компании.
В этом есть рациональное зерно, но мы хотим показать, что A/B-тестирование также используется и в обычных компаниях и ничего супер сложного в этом нет. Поэтому планируем сделать серию постов с «живыми» примерами. Сегодня - первый.
Постановка задачи ✅
Маркетологи нашей компании сделали 2 версии одного и того же лендинга, но в разных цветовых палитрах. Основной задачей было определить - какой лендинг дает больше конверсий на вебинар.
В результате замеров мы получили следующую картинку:
- Лендинг 1 - 50 000 заходов - 10 100 регистраций
- Лендинг 2 - 60 000 заходов - 12 450 регистраций
Вопрос ✅
Какой лендинг работает лучше? Достоверный ли это результат?
Решение ✅
Несложной математикой мы можем разделить регистрации на заходы по каждому лендингу и получим 20.2% на первом лендинге против 20.75% на втором. Как будто получается второй лучше. Но достаточно ли этих данных? Можно ли доверять этому эксперименту или разница в средних между лендингами слишком мала?
Воспользуемся Z-тестом, который проверяет равенство долей - в данном случае как раз конверсий на лендингах. По итогу мы поймем - есть статистические различия между конверсиями или нет.
Мы посчитали значение p-value с помощью библиотеки statsmodels и получили значение в 2.5%. Для краткости опустим сейчас разбор кода и математического аппарата, т.к. это заслуживает целой статьи. Если тезисно - мы получили число p-value, которое показывает, с какой вероятностью мы ошибемся, если отвергнем наше предположение (что конверсии одинаковые).
Вероятность ошибки в 2.5% нас устраивает (обычно до 5% всех устраивает 🙂), поэтому мы спокойно ее отвергаем, а значит конверсии существенно отличаются.
Результат ✅
Итого мы смело делаем вывод, что второй лендинг лучше первого (если тест был спроектирован грамотно) и начинаем его тиражировать на все рекламные кампании.
Это наверно самый классический пример примерения A/B-тестирования в реальном бизнесе, но он очень распространненный - даже самые маленькие фирмы проводят такие тесты на своих сайтах.
Заключение ✅
Конечно, мы тут упустили много важных деталей - например, сплитование, оценку репрезентативности, дизайн теста и так далее. Это просто невозможно впихнуть в один пост - у нас в Симуляторе под это отведено 2 огромных модуля. Но мы хотели просто показать применимость A/B-тестов в бытовых задачах и что это вполне посильно. Надеемся, получилось 🙂
Как вам такой формат, зашел? Давайте соберем на этот пост 50 реакций огонечков 🔥 и мы выпустим следующий пост на эту тему, с более интересной ситуацией!
A/B-тестирование обычно считается довольно сложной темой «для избранных». Типа владеют этой темой только крутые аналитики, а используют только крупные компании.
В этом есть рациональное зерно, но мы хотим показать, что A/B-тестирование также используется и в обычных компаниях и ничего супер сложного в этом нет. Поэтому планируем сделать серию постов с «живыми» примерами. Сегодня - первый.
Постановка задачи ✅
Маркетологи нашей компании сделали 2 версии одного и того же лендинга, но в разных цветовых палитрах. Основной задачей было определить - какой лендинг дает больше конверсий на вебинар.
В результате замеров мы получили следующую картинку:
- Лендинг 1 - 50 000 заходов - 10 100 регистраций
- Лендинг 2 - 60 000 заходов - 12 450 регистраций
Вопрос ✅
Какой лендинг работает лучше? Достоверный ли это результат?
Решение ✅
Несложной математикой мы можем разделить регистрации на заходы по каждому лендингу и получим 20.2% на первом лендинге против 20.75% на втором. Как будто получается второй лучше. Но достаточно ли этих данных? Можно ли доверять этому эксперименту или разница в средних между лендингами слишком мала?
Воспользуемся Z-тестом, который проверяет равенство долей - в данном случае как раз конверсий на лендингах. По итогу мы поймем - есть статистические различия между конверсиями или нет.
Мы посчитали значение p-value с помощью библиотеки statsmodels и получили значение в 2.5%. Для краткости опустим сейчас разбор кода и математического аппарата, т.к. это заслуживает целой статьи. Если тезисно - мы получили число p-value, которое показывает, с какой вероятностью мы ошибемся, если отвергнем наше предположение (что конверсии одинаковые).
Вероятность ошибки в 2.5% нас устраивает (обычно до 5% всех устраивает 🙂), поэтому мы спокойно ее отвергаем, а значит конверсии существенно отличаются.
Результат ✅
Итого мы смело делаем вывод, что второй лендинг лучше первого (если тест был спроектирован грамотно) и начинаем его тиражировать на все рекламные кампании.
Это наверно самый классический пример примерения A/B-тестирования в реальном бизнесе, но он очень распространненный - даже самые маленькие фирмы проводят такие тесты на своих сайтах.
Заключение ✅
Конечно, мы тут упустили много важных деталей - например, сплитование, оценку репрезентативности, дизайн теста и так далее. Это просто невозможно впихнуть в один пост - у нас в Симуляторе под это отведено 2 огромных модуля. Но мы хотели просто показать применимость A/B-тестов в бытовых задачах и что это вполне посильно. Надеемся, получилось 🙂
Как вам такой формат, зашел? Давайте соберем на этот пост 50 реакций огонечков 🔥 и мы выпустим следующий пост на эту тему, с более интересной ситуацией!
🔥53👍3❤2
Приглашаем на персональную экскурсию в Симулятор! 🔥
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
Вместо часа чтения статей и просмотра видео проведите этот час с нами в Симуляторе «Аналитик данных»!
Мы сапожники с сапогами: наша команда несколько раз с нуля отстраивала аналитику в крупных компаниях, а сейчас мы строим сразу несколько data-driven компаний - нам есть, чем вас удивить!
За час в формате персонального созвона в Google Meet мы вам покажем и расскажем:
🔸 Как выстроить обучение, чтобы максимально быстро устроиться аналитиком (даже с нуля)
🔸 Почему 95% новичков не могут найти работу и как не попасть в их число
🔸 Как выглядит идеальное портфолио (на примере реальных людей)
🔸 Почему SQL и Python - не основной навык аналитика
Чтобы записаться на персональную экскурсию прямо сейчас, нажмите на кнопку ниже 👇🏻
Записаться на экскурсию
👍3❤2🔥2
Бесплатный тест для проверки ваших навыков в аналитике данных 🔥
Всего неделю назад мы сделали большой бесплатный тест для проверки навыков в аналитике данных, а его уже прошли более 500 человек!
Мы уже получили тонну фидбека - очень много хорошего, но была и конструктивная критика. Например, мы уже исправили несколько вопросов в секции по математике и A/B-тестированию и уточнили формулировки в некоторых задачах по SQL.
Короче, если вы еще не прошли тест - обязательно пройдите его. Тест полностью бесплатный и состоит из 3 секций - Продуктовое мышление, SQL и Математика & A/B-тестирование.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Никаких вопросов про котяток и задач про ферзей - вас ждут только реальные вопросы из коммерческих кейсов. Все, как мы любим 🙂
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Enjoy ❤️
Всего неделю назад мы сделали большой бесплатный тест для проверки навыков в аналитике данных, а его уже прошли более 500 человек!
Мы уже получили тонну фидбека - очень много хорошего, но была и конструктивная критика. Например, мы уже исправили несколько вопросов в секции по математике и A/B-тестированию и уточнили формулировки в некоторых задачах по SQL.
Короче, если вы еще не прошли тест - обязательно пройдите его. Тест полностью бесплатный и состоит из 3 секций - Продуктовое мышление, SQL и Математика & A/B-тестирование.
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Никаких вопросов про котяток и задач про ферзей - вас ждут только реальные вопросы из коммерческих кейсов. Все, как мы любим 🙂
🔗 simulative.ru/test/assessment-of-skills-in-data-analytics
Enjoy ❤️
👍14❤5🔥3
Вебинар — строим дашборд и анализируем маркетинг в прямом эфире 🔥
Всем привет, на связи Андрон, основатель IT Resume & Simulative 👋
Для меня, как владельца бизнеса, самая важная история - в любой момент времени четко иметь ответы на следующий вопросы:
* Окупается ли наша реклама?
* Какой канал работает лучше?
* Через сколько дней/месяцев наши маркетинговые косты отбиваются?
* Сколько денег приносит реклама в перспективе 1-2-3 лет?
* Какой самый топовый канал с точки зрения быстрого возврата инвестиций?
Ну и так далее. Все это можно оценить с помощью грамотного когортного анализа LTV и ROMI, я затрагивал уже эту тему ранее в этом посте.
Но это было только начало - мы собрались с прекрасной Настей Кузнецовой из Настенька и графики и решили провести целый открытый вебинар на эту тему!
Поэтому в понедельник, 1 апреля, в 19:00 по Мск мы ждем вас на самом полезном вебинаре этого года))
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
Вебинар открытый и можно смотреть без регистрации и СМС)) И поделитесь с друзьями - задача максимально прикладная, наверняка им будет интересно!)
А еще обязательно подпишитесь на каналы Андрона и Насти - ANDRON ALEXANYAN и Настенька и графики.
Сразу после вебинара Андрон выложит полный гайд о том, как проводить когортный анализ в SQL и Python + разбор 15 типовых ошибок при проведении когортного анализа, а Настя - получившийся дашборд!
До встречи на вебинаре! ❤️
Всем привет, на связи Андрон, основатель IT Resume & Simulative 👋
Для меня, как владельца бизнеса, самая важная история - в любой момент времени четко иметь ответы на следующий вопросы:
* Окупается ли наша реклама?
* Какой канал работает лучше?
* Через сколько дней/месяцев наши маркетинговые косты отбиваются?
* Сколько денег приносит реклама в перспективе 1-2-3 лет?
* Какой самый топовый канал с точки зрения быстрого возврата инвестиций?
Ну и так далее. Все это можно оценить с помощью грамотного когортного анализа LTV и ROMI, я затрагивал уже эту тему ранее в этом посте.
Но это было только начало - мы собрались с прекрасной Настей Кузнецовой из Настенька и графики и решили провести целый открытый вебинар на эту тему!
Поэтому в понедельник, 1 апреля, в 19:00 по Мск мы ждем вас на самом полезном вебинаре этого года))
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
Вебинар открытый и можно смотреть без регистрации и СМС)) И поделитесь с друзьями - задача максимально прикладная, наверняка им будет интересно!)
А еще обязательно подпишитесь на каналы Андрона и Насти - ANDRON ALEXANYAN и Настенька и графики.
Сразу после вебинара Андрон выложит полный гайд о том, как проводить когортный анализ в SQL и Python + разбор 15 типовых ошибок при проведении когортного анализа, а Настя - получившийся дашборд!
До встречи на вебинаре! ❤️
👍12🎉7🔥6😁1
Уже сегодня - вебинар с Андроном Алексаняном и Настей Кузнецовой 🔥
Напоминаем, что сегодня в 19:00 по Мск наш CEO Андрон Алексанян и Настя Кузнецова из Настенька и графики проведут бесплатный вебинар!
В прямом эфире они будут верстать дашборд с когортным анализом LTV и ROMI, а также обсуждать бизнесовую часть!
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
А еще обязательно подпишитесь на каналы Андрона и Насти - ANDRON ALEXANYAN и Настенька и графики.
Сразу после вебинара Андрон выложит полный гайд о том, как проводить когортный анализ в SQL и Python + разбор 15 типовых ошибок при проведении когортного анализа, а Настя - получившийся дашборд!
До встречи на вебинаре! ❤️
Напоминаем, что сегодня в 19:00 по Мск наш CEO Андрон Алексанян и Настя Кузнецова из Настенька и графики проведут бесплатный вебинар!
В прямом эфире они будут верстать дашборд с когортным анализом LTV и ROMI, а также обсуждать бизнесовую часть!
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
А еще обязательно подпишитесь на каналы Андрона и Насти - ANDRON ALEXANYAN и Настенька и графики.
Сразу после вебинара Андрон выложит полный гайд о том, как проводить когортный анализ в SQL и Python + разбор 15 типовых ошибок при проведении когортного анализа, а Настя - получившийся дашборд!
До встречи на вебинаре! ❤️
❤14🔥6👍3
Что такое когортный анализ и зачем он нужен? 🔥
Раз уж скоро у нас вебинар, посвященный в том числе когортному анализу, давайте поговорим - а что это вообще такое и зачем оно надо 😁
Определение ✅
Когортный анализ - это способ объединения клиентов/пользователей в группы по времени их первой покупки/регистрации в сервисе/присоединения к бонусной программе.
Обычно когорты объединяют по месяцам, т.е. если Вася купил 15 апреля, а Маша - 27 апреля, то они оба пойдут в апрельскую когорту.
Зачем нужны когорты? ✅
Когда мы работаем с бизнес-данными, мы анализируем поведение не какого-то одного клиента, а сразу тысяч или даже миллионов. Чтобы выявить какие-то общие паттерны поведения, нам нужно объединить этих клиентов по какому-то признаку. И когорта регистрации отлично для этого подходит.
Какие метрики мы отслеживаем с помощью когорт? ✅
Например, мы можем искать ответы на такие вопросы:
- Через сколько месяцев окупаются нашим маркетинговые инвестиции (т.е. на какой месяц LTV становится больше расходов на привлечение когорты).
- Сколько денег приносят нам клиенты не за первый месяц своей покупки, а спустя время - полгода, год, два года (особенно актуально, если у вас подписочная система или хотя бы несколько продуктов).
- Если делать когортный анализ retention, то можно увидеть, что какая-то когорта очень активно начала пользоваться продуктом, а потом быстро потеряла интерес, а другая наоборот - сохраняет его в перспективе года. На основании этого можно сделать вывод об эффективности рекламы, которая использовалась для привлечения той или иной когорты людей.
Как визуализировать когортный анализ? ✅
Обычно когортный анализ визуализируют с помощью таблицы, где по строкам - когорты, по столбцам - сколько времени прошло с момента первого касания, а значения - анализируемая метрика (LTV, retention, ROMI и так далее). Мы прикрепили картинку в комментариях к этому посту - это типичный пример.
Заключение ✅
Когортный анализ - абсолютная база. Его надо уметь делать и на SQL, и в Excel, и в Python, и в BI. Мы, например, в своем Симуляторе «Аналитик данных» многократно возвращаемся к когортному анализу в разных модулях и учим студентов его делать. Как минимум, потому что мы и сами используем его каждый день при принятии решений.
Хотите тоже стать крутым аналитиком, сразу обучаясь на коммерческих кейсах? Записывайтесь к нам на персональную экскурсию в Симулятор - расскажем, как 👇🏻
ссылка на экскурсию
Раз уж скоро у нас вебинар, посвященный в том числе когортному анализу, давайте поговорим - а что это вообще такое и зачем оно надо 😁
Определение ✅
Когортный анализ - это способ объединения клиентов/пользователей в группы по времени их первой покупки/регистрации в сервисе/присоединения к бонусной программе.
Обычно когорты объединяют по месяцам, т.е. если Вася купил 15 апреля, а Маша - 27 апреля, то они оба пойдут в апрельскую когорту.
Зачем нужны когорты? ✅
Когда мы работаем с бизнес-данными, мы анализируем поведение не какого-то одного клиента, а сразу тысяч или даже миллионов. Чтобы выявить какие-то общие паттерны поведения, нам нужно объединить этих клиентов по какому-то признаку. И когорта регистрации отлично для этого подходит.
Какие метрики мы отслеживаем с помощью когорт? ✅
Например, мы можем искать ответы на такие вопросы:
- Через сколько месяцев окупаются нашим маркетинговые инвестиции (т.е. на какой месяц LTV становится больше расходов на привлечение когорты).
- Сколько денег приносят нам клиенты не за первый месяц своей покупки, а спустя время - полгода, год, два года (особенно актуально, если у вас подписочная система или хотя бы несколько продуктов).
- Если делать когортный анализ retention, то можно увидеть, что какая-то когорта очень активно начала пользоваться продуктом, а потом быстро потеряла интерес, а другая наоборот - сохраняет его в перспективе года. На основании этого можно сделать вывод об эффективности рекламы, которая использовалась для привлечения той или иной когорты людей.
Как визуализировать когортный анализ? ✅
Обычно когортный анализ визуализируют с помощью таблицы, где по строкам - когорты, по столбцам - сколько времени прошло с момента первого касания, а значения - анализируемая метрика (LTV, retention, ROMI и так далее). Мы прикрепили картинку в комментариях к этому посту - это типичный пример.
Заключение ✅
Когортный анализ - абсолютная база. Его надо уметь делать и на SQL, и в Excel, и в Python, и в BI. Мы, например, в своем Симуляторе «Аналитик данных» многократно возвращаемся к когортному анализу в разных модулях и учим студентов его делать. Как минимум, потому что мы и сами используем его каждый день при принятии решений.
Хотите тоже стать крутым аналитиком, сразу обучаясь на коммерческих кейсах? Записывайтесь к нам на персональную экскурсию в Симулятор - расскажем, как 👇🏻
ссылка на экскурсию
🔥8👍5❤4