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
Через час начинаем вебинар с Андроном и Настей - будем строить дашборд в режиме онлайн и делать когортный анализ!
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
👍5🔥4❤2
Ни на что не намекаем, но через 2 минуты мы стартуем вебинар с Андроном и Настей Кузнецовой - будем строить дашборд и анализировать маркетинг в прямом эфире:
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
👉 https://www.youtube.com/watch?v=XxiUiWdkNng 👈
👍6🔥3❤2
Из каких сфер чаще всего переходят в аналитику? 🔥
Есть такие люди - свитчеры или рескиллеры: это взрослые люди, которые меняют профессию. Наверняка таких тут очень много - например, по нашей статистике Симулятора «Аналитик данных», у нас около 70% таких студентов.
Так вот, вечная баталия - реально ли перейти из одной сферы в другую. Отвечаем: более чем реально! И это не маркетинговый трюк. Более того, есть сферы, из которых переходят чаще, чем из других:
1. Финансы и экономика. По сути очень близкая к аналитике сфера. Да, набор hard скиллов отличается, но склад ума очень схожий, поэтому свичнуться будет сильно проще. Плюс очень многие имеют возможность решать околоаналитические задачи у себя на текущем месте - они обучаются, делают пару рабочих проектов, оформляют классное резюме с коммерческим опытом вуаля - ты уже аналитик 🙂
2. Маркетинг и продакт-менеджмент. Сегодня все чаще от маркетологов и продактов ожидают навыки аналитика - поэтому такие ребята крайне часто переходят в аналитику полноценно. Кроме того, как и в предыдущем случае, они легко могут сделать парочку рабочих проектов на текущем месте и выгодно устроиться аналитиком.
3. Наука. Очень много приходит социологов, биологов, психологов, экологов. Так или иначе, все эти специальности связаны со статистической обработкой данных. И многие со временем понимают, что именно эта часть им наиболее интересна - тем более и платят, в среднем, побольше. Поэтому с радостью (и без особых проблем) становятся рескиллерами.
Это всего несколько примеров - на нашей практике была и экзотика: копирайтеры, дизайнеры интерьеров, садовники и много еще кто. Мы недавно даже делали статью про это - обязательно почитайте.
А какие еще области, откуда люди делали карьерный «пивот» вы знаете? Напишите в комментариях - это может кого-то вдохновить ❤️
Есть такие люди - свитчеры или рескиллеры: это взрослые люди, которые меняют профессию. Наверняка таких тут очень много - например, по нашей статистике Симулятора «Аналитик данных», у нас около 70% таких студентов.
Так вот, вечная баталия - реально ли перейти из одной сферы в другую. Отвечаем: более чем реально! И это не маркетинговый трюк. Более того, есть сферы, из которых переходят чаще, чем из других:
1. Финансы и экономика. По сути очень близкая к аналитике сфера. Да, набор hard скиллов отличается, но склад ума очень схожий, поэтому свичнуться будет сильно проще. Плюс очень многие имеют возможность решать околоаналитические задачи у себя на текущем месте - они обучаются, делают пару рабочих проектов, оформляют классное резюме с коммерческим опытом вуаля - ты уже аналитик 🙂
2. Маркетинг и продакт-менеджмент. Сегодня все чаще от маркетологов и продактов ожидают навыки аналитика - поэтому такие ребята крайне часто переходят в аналитику полноценно. Кроме того, как и в предыдущем случае, они легко могут сделать парочку рабочих проектов на текущем месте и выгодно устроиться аналитиком.
3. Наука. Очень много приходит социологов, биологов, психологов, экологов. Так или иначе, все эти специальности связаны со статистической обработкой данных. И многие со временем понимают, что именно эта часть им наиболее интересна - тем более и платят, в среднем, побольше. Поэтому с радостью (и без особых проблем) становятся рескиллерами.
Это всего несколько примеров - на нашей практике была и экзотика: копирайтеры, дизайнеры интерьеров, садовники и много еще кто. Мы недавно даже делали статью про это - обязательно почитайте.
А какие еще области, откуда люди делали карьерный «пивот» вы знаете? Напишите в комментариях - это может кого-то вдохновить ❤️
👍6❤4🔥2
Мы публикуем сюда много полезного контента - стараемся вкладывать в это всю душу и знания. Хотим, чтобы вам было и интересно, и полезно читать - ведь сейчас в сети очень много всего, но достойных ресурсов мало ❤️
А еще мы сосредоточенно изо дня в день развиваем свой флагманский продукт - Симулятор «Аналитик данных». Мы не клепаем 100500 сомнительных курсов, не применяем дешевые трюки, а стараемся работать над качеством своего продукта каждый день!
И кажется, у нас получается: по нашему (конечно же, непредвзятому 😁) мнению и мнению многих наших студентов (уже более непредвзятому) мы сделали один из лучших продуктов на рынке!
Поэтому, если вы решительно намерены стать крутым аналитиком, подумываете об этом или просто хотите прокачать свои скиллы в этой области - приходите к нам на персональную экскурсию в Симулятор!
👉 Записаться на экскурсию 👈
В формате персонального звонка наши эксперты вникнут в ваш запрос, расскажут про наш подход к обучению (и что в нем особенного), «лицом» покажут все материалы - ведь мы ими гордимся!
Если поймете, что нам по пути - будем рады вам помочь) Если нет - по крайней мере, вы уйдете с четкой структурой действий, полезными материалами и вдохновением)
Нажмите на кнопку ниже, чтобы записаться на экскурсию и получить все бонусы 👇🏻
👉 Записаться на экскурсию 👈
А еще мы сосредоточенно изо дня в день развиваем свой флагманский продукт - Симулятор «Аналитик данных». Мы не клепаем 100500 сомнительных курсов, не применяем дешевые трюки, а стараемся работать над качеством своего продукта каждый день!
И кажется, у нас получается: по нашему (конечно же, непредвзятому 😁) мнению и мнению многих наших студентов (уже более непредвзятому) мы сделали один из лучших продуктов на рынке!
Поэтому, если вы решительно намерены стать крутым аналитиком, подумываете об этом или просто хотите прокачать свои скиллы в этой области - приходите к нам на персональную экскурсию в Симулятор!
👉 Записаться на экскурсию 👈
В формате персонального звонка наши эксперты вникнут в ваш запрос, расскажут про наш подход к обучению (и что в нем особенного), «лицом» покажут все материалы - ведь мы ими гордимся!
Если поймете, что нам по пути - будем рады вам помочь) Если нет - по крайней мере, вы уйдете с четкой структурой действий, полезными материалами и вдохновением)
Нажмите на кнопку ниже, чтобы записаться на экскурсию и получить все бонусы 👇🏻
👉 Записаться на экскурсию 👈
🔥11❤4👍4
Задача с реального собеседования по SQL 🔥
Все мы знаем, что на собеседованиях спрашивают самые разные задачки - кто во что горазд. Однако, есть некоторые классические задачи, которые вы можете встретить на многих технических собесах. Одна из таких задач - поиск второй по размеру зарплаты с помощью SQL-запроса.
Задача, на самом деле, немного сложней, чем кажется. Конечно, опытный аналитик решит ее сходу, но у новичков она вызывает затруднение.
Если нам нужно было бы найти первую по размеру зарплату, то решение было бы на поверхности: мы бы отсортировали таблицу по полю Salary, а потом с помощью LIMIT оставили бы только первую строку (хотя это не самый правильный, однако красивый вариант).
Но по заданию нужно найти вторую зарплату. Или может быть третью - это все вариации одной и той же задачи. И один из вариантов решения такой задачи - с помощью оконной функции и подзапроса. Кстати и первую зарплату так можно найти (и такое решение самое правильное, пожалуй).
Код с решением - в карточках 🙂
💥💥💥
А если хотите стать крутым аналитиком и решать не абстрактные задачки, а крутые отраслевые кейсы - приходите к нам на персональную экскурсию в Симулятор!
👉 Записаться на экскурсию 👈
Все мы знаем, что на собеседованиях спрашивают самые разные задачки - кто во что горазд. Однако, есть некоторые классические задачи, которые вы можете встретить на многих технических собесах. Одна из таких задач - поиск второй по размеру зарплаты с помощью SQL-запроса.
Задача, на самом деле, немного сложней, чем кажется. Конечно, опытный аналитик решит ее сходу, но у новичков она вызывает затруднение.
Если нам нужно было бы найти первую по размеру зарплату, то решение было бы на поверхности: мы бы отсортировали таблицу по полю Salary, а потом с помощью LIMIT оставили бы только первую строку (хотя это не самый правильный, однако красивый вариант).
Но по заданию нужно найти вторую зарплату. Или может быть третью - это все вариации одной и той же задачи. И один из вариантов решения такой задачи - с помощью оконной функции и подзапроса. Кстати и первую зарплату так можно найти (и такое решение самое правильное, пожалуй).
Код с решением - в карточках 🙂
💥💥💥
А если хотите стать крутым аналитиком и решать не абстрактные задачки, а крутые отраслевые кейсы - приходите к нам на персональную экскурсию в Симулятор!
👉 Записаться на экскурсию 👈
👍10❤3🔥3😢1
Готовый проект для портфолио - ABC-анализ 🔥
ABC-анализ - еще одна базовая вещь, которую нужно знать любому аналитику. Она используется абсолютно в разных нишах бизнеса:
- оффлайн-торговля
- ecom
- торговля на маркетплейсах
- даже если вы продаете курсы, но очень много сразу 😁
Кроме того, это отличная идея для портфолио! В огромном количестве компаний рекрутер увидит этот проект в портфолио и скажет «воу, так мы это делаем в своем бизнесе, видимо чувак шарит». А дальше - оффер, печеньки в офисе, макбук от компании и вот это все)
Поэтому мы подготовили для вас готовый и уже оформленный проект для портфолио на примере ABC-анализа!
👉 Забирайте гайд по ссылке 👈
P.S. Там реально все необходимое. И код, и бизнес-выводы и даже описание коммерческого кейса.
ABC-анализ - еще одна базовая вещь, которую нужно знать любому аналитику. Она используется абсолютно в разных нишах бизнеса:
- оффлайн-торговля
- ecom
- торговля на маркетплейсах
- даже если вы продаете курсы, но очень много сразу 😁
Кроме того, это отличная идея для портфолио! В огромном количестве компаний рекрутер увидит этот проект в портфолио и скажет «воу, так мы это делаем в своем бизнесе, видимо чувак шарит». А дальше - оффер, печеньки в офисе, макбук от компании и вот это все)
Поэтому мы подготовили для вас готовый и уже оформленный проект для портфолио на примере ABC-анализа!
👉 Забирайте гайд по ссылке 👈
P.S. Там реально все необходимое. И код, и бизнес-выводы и даже описание коммерческого кейса.
❤12🔥6👍5
Тест: Какая аналитика подходит вам больше всего? 🔥
Недавно мы делали пост о том, какие бывают аналитики и чем они отличаются. Получилось классно - мы реально теперь просто при возникновении такого вопроса в диалоге можем просто скинуть ссылочку на пост 😁
Но мы решили пойти дальше и заняться профориентацией, т.к. многие из вас хотят стать аналитиками, но еще не определились, какая сфера им ближе. А это важно - от этого зависит и набор навыков, и срок обучения, и многое другое.
Поэтому мы собрали для вас классный тест, который покажет вам - какая аналитика данных вам подходит больше всего!
Без шуток - мы рассмотрели все основные направления аналитики и за счет несложных (но местами веселых) вопросов с высокой точностью определим, какая аналитика вам больше подойдет!
👉 Пройти тест 👈
Налетайте! 🔥
Недавно мы делали пост о том, какие бывают аналитики и чем они отличаются. Получилось классно - мы реально теперь просто при возникновении такого вопроса в диалоге можем просто скинуть ссылочку на пост 😁
Но мы решили пойти дальше и заняться профориентацией, т.к. многие из вас хотят стать аналитиками, но еще не определились, какая сфера им ближе. А это важно - от этого зависит и набор навыков, и срок обучения, и многое другое.
Поэтому мы собрали для вас классный тест, который покажет вам - какая аналитика данных вам подходит больше всего!
Без шуток - мы рассмотрели все основные направления аналитики и за счет несложных (но местами веселых) вопросов с высокой точностью определим, какая аналитика вам больше подойдет!
👉 Пройти тест 👈
Налетайте! 🔥
🔥10❤4👍4
Агрегирование в Pandas, которым вы не пользовались раньше 🔥
Работая с библиотекой Pandas, нередко приходится применять функции группировки и агрегирования. Все мы привыкли к
Но сегодня нам хотелось бы рассказать об одной интересной функции, которую можно использовать в агрегации. Речь пойдёт о функции
Более наглядно рассмотрим работу функции на небольшом примере. Представим, что у вас есть датафрейм с id клиента и с наименованием товаров, которые он покупал:
Для отображения уникальных покупок каждого клиента воспользуемся такой конструкцией:
В результате мы получим таблицу:
Это очень полезная конструкция, когда нужно вывести что-то уникальное с разбивкой по группам. А такое встречается прям часто - вот еще несколько примеров:
- Из каких модулей каждый студент решал задачи
- Какие группы товаров продавались в каждом из магазинов сети
- С какими пользователями обменивался сообщениями каждый пользователь
Хотите тоже освоить отраслевые фишки, обучаясь на реальных бизнесовых задачах, и быстро стать аналитиком? Приходите на персональную экскурсию в Симулятор - расскажем, как!
👉 Записаться на экскурсию 👈
Работая с библиотекой Pandas, нередко приходится применять функции группировки и агрегирования. Все мы привыкли к
sum, count и прочим распространенным функциям.Но сегодня нам хотелось бы рассказать об одной интересной функции, которую можно использовать в агрегации. Речь пойдёт о функции
set. Она позволит вывести уникальное множество значений для каждой группы.Более наглядно рассмотрим работу функции на небольшом примере. Представим, что у вас есть датафрейм с id клиента и с наименованием товаров, которые он покупал:
| id | product |
| 1 | p1 |
| 2 | p2 |
| 1 | p3 |
Для отображения уникальных покупок каждого клиента воспользуемся такой конструкцией:
df.groupby('id').agg({'product': 'set'})В результате мы получим таблицу:
| id | product |
| 1 | {p1, p3}|
| 2 | {p2} |
Это очень полезная конструкция, когда нужно вывести что-то уникальное с разбивкой по группам. А такое встречается прям часто - вот еще несколько примеров:
- Из каких модулей каждый студент решал задачи
- Какие группы товаров продавались в каждом из магазинов сети
- С какими пользователями обменивался сообщениями каждый пользователь
Хотите тоже освоить отраслевые фишки, обучаясь на реальных бизнесовых задачах, и быстро стать аналитиком? Приходите на персональную экскурсию в Симулятор - расскажем, как!
👉 Записаться на экскурсию 👈
👍27🔥6❤5
Несколько фишек когортного анализа 🔥
В субботу мы проводили закрытый мастер-класс для студентов нашего Симулятора «Аналитик данных». Тема мастер-класса была «Когортный анализ LTV/ROMI в Excel» - мы в режиме онлайн строили таблицу с когортным анализом LTV и ROMI по продажам онлайн-аптеки.
Помимо технической части, мы обсуждали важный вопрос - какие выводы можно делать на основании когортного анализа. И вот несколько мыслей с этого вебинара, которыми мы хотим поделиться с вами.
Высокий ROMI не значит эффективность рекламного канала ✅
Звучит немного пародоксально, учитывая, что ROMI показывает, насколько хорошо окупились наши вложения в маркетинг. Однако есть тонкий момент - даже при очень высоком ROMI всегда нужно оценивать, сколько денег вы вложили в рекламу.
Например, если вы вложили 10 000 рублей в рекламу и получили 500% ROMI - совсем не значит, что пропорция сохранится на бюджете в 10 млн. руб.
Именно поэтому на вебинаре мы порекомендовали всегда справочно выводить потраченный рекламный бюджет на каждую когорту.
Большая выручка не значит окупаемость инвестиций ✅
Если вы делаете когортный анализ и видите, что какая-то когорта с течением времени приносит вам все больше и больше денег, это совсем не значит, что она себя окупила. Все зависит от того, сколько денег вы вложили для привлечения этих клиентов.
Например, когорта «январь-2023» в первый месяц принесла 1 млн, а к 6 месяцу - уже 15 млн. суммарно. Вроде классно, да? Но если посмотреть расходы - на привлечение мы потратили 14 млн. руб. Получается, когорта окупает себя только к 6 месяцу, что не очень хорошо для бизнеса.
Поэтому на вебинаре мы порекомендовали всегда одновременно в одной таблице делать когортный анализ и LTV, и ROMI. Или хотя бы настроить подсветку значений LTV в зависимости от значения ROMI.
Заключение ✅
Конечно, это далеко не все - вебинар длился 1.5 часа. Главный его итог - мы единогласно со студентами решили, что намного лучше делать когортный анализ в SQL или Pandas 😁
Кстати, мы уже рассказывали про когортный анализ здесь, а также недавно проводили вебинар на эту тему.
Присоединяйтесь к нашему Симулятору «Аналитик данных», чтобы обучиться аналитике на реальных бизнес-кейсах, а также ежемесячно участвовать в подобных мастер-классах 🔥
👉🏻 Присоединиться к Симулятору 👈🏻
В субботу мы проводили закрытый мастер-класс для студентов нашего Симулятора «Аналитик данных». Тема мастер-класса была «Когортный анализ LTV/ROMI в Excel» - мы в режиме онлайн строили таблицу с когортным анализом LTV и ROMI по продажам онлайн-аптеки.
Помимо технической части, мы обсуждали важный вопрос - какие выводы можно делать на основании когортного анализа. И вот несколько мыслей с этого вебинара, которыми мы хотим поделиться с вами.
Высокий ROMI не значит эффективность рекламного канала ✅
Звучит немного пародоксально, учитывая, что ROMI показывает, насколько хорошо окупились наши вложения в маркетинг. Однако есть тонкий момент - даже при очень высоком ROMI всегда нужно оценивать, сколько денег вы вложили в рекламу.
Например, если вы вложили 10 000 рублей в рекламу и получили 500% ROMI - совсем не значит, что пропорция сохранится на бюджете в 10 млн. руб.
Именно поэтому на вебинаре мы порекомендовали всегда справочно выводить потраченный рекламный бюджет на каждую когорту.
Большая выручка не значит окупаемость инвестиций ✅
Если вы делаете когортный анализ и видите, что какая-то когорта с течением времени приносит вам все больше и больше денег, это совсем не значит, что она себя окупила. Все зависит от того, сколько денег вы вложили для привлечения этих клиентов.
Например, когорта «январь-2023» в первый месяц принесла 1 млн, а к 6 месяцу - уже 15 млн. суммарно. Вроде классно, да? Но если посмотреть расходы - на привлечение мы потратили 14 млн. руб. Получается, когорта окупает себя только к 6 месяцу, что не очень хорошо для бизнеса.
Поэтому на вебинаре мы порекомендовали всегда одновременно в одной таблице делать когортный анализ и LTV, и ROMI. Или хотя бы настроить подсветку значений LTV в зависимости от значения ROMI.
Заключение ✅
Конечно, это далеко не все - вебинар длился 1.5 часа. Главный его итог - мы единогласно со студентами решили, что намного лучше делать когортный анализ в SQL или Pandas 😁
Кстати, мы уже рассказывали про когортный анализ здесь, а также недавно проводили вебинар на эту тему.
Присоединяйтесь к нашему Симулятору «Аналитик данных», чтобы обучиться аналитике на реальных бизнес-кейсах, а также ежемесячно участвовать в подобных мастер-классах 🔥
👉🏻 Присоединиться к Симулятору 👈🏻
🔥8👍3🤩2❤1