⚡️ Открытый эфир: рабочий день дата-аналитика в Яндекс eLama

Приветствуем, любители аналитики! 

Мы вновь попросили Пашу Беляева провести для вас полезный открытый стрим, а Паша, в свою очередь, предложил очень интересную тему — заглянуть в закулисье Data Office Яндекс eLama и узнать, как на самом деле выглядит рабочий день дата-аналитика!

Что обсудим:

🔸 Data Office eLama изнутри: как устроена команда, какие задачи решает Data Office и почему именно сюда обращаются все, кто работает с данными — от маркетинга до продукта.
🔸 Задачи дата-аналитика: поддержка витрин данных, настройка веб-аналитики, сервисы "самоаналитики" для самостоятельных выгрузок, прогнозирование, консультации по данным.
🔸 Технологии и процессы: разберём, какой стек используют аналитики, как проходят планёрки, спринты и дежурства, и как строится работа над квартальными целями.
🔸 Реальные кейсы: услышите примеры задач, с которыми сталкиваются аналитики eLama — из первых рук!

Когда: 15 июля в 18:30 по МСК  
Спикер: Павел Беляев, руководитель группы дата-аналитиков Яндекс eLama и автор телеграм-канала «Тимлидское об аналитике»

Не упустите шанс узнать, как работают с большими данными в Яндекс eLama, задать вопросы эксперту и вдохновиться на развитие в аналитике! 

Регистрация на эфир не нужна — ссылку на трансляцию мы пришлем 15 июля за 1 час до эфира. Следите за обновлениями!

Друзья, всем привет, на связи снова Андрон — основатель Simulative 👋🏻

В образовании есть интересный парадокс. С одной стороны, все говорят о том, что между учебными и рабочими кейсами зачастую есть огромный разрыв. А с другой, почти никто не может привести вменяемый пример такого разрыва.

И я задумался над каким-нибудь реально показательным примером, где это круто будет ощущаться. И придумал. Проще некуда — возьмем анализ ассортиментной матрицы с помощью ABC-анализа (а то что я тут все про онлайн пишу, давайте про твердое!).

Но что с ним не так, где может возникнуть разрыв — он же максимально простой? Тем более у нас в Simulative ребята его делают в Excel, в SQL, в Python, на дашборды выводят — ночью разбуди наверно, и то сделают. Чего с ним не так-то?

А есть одна деталь, с которой вы столкнетесь, если придете работать в компанию с огромным ассортиментом. А именно — вам придется делать ABC-анализ не по одной товарной группе, а по целой иерархии. И вообще не очевидно, как тут быть.

Просто иллюстрация на примере небольшого продуктового магазина:

1/ Минимум 10 товарных категорий (колбасы, сыры, хлебо-булочные, снеки, напитки и т.д.)
2/ Внутри каждой категории — подкатегории (копченые колбасы, сыро-копченые и т.д.)
3/ Внутри каждой подкатегории — бренды (копченые колбасы Ремит, Мясницкий ряд и т.д.)
4/ И наконец добрались на уровень отдельных товаров

Когда видишь такое — понимаешь, что перед тобой задача другого калибра... Как проводить анализ — сверху вниз или снизу вверх. Как выбирать гиперпараметры (например, пороги групп А, B и C) для разных групп товаров — одинаковые (получается чепуха) или разные (получается читерство)? А если одна классная колбаса попала в группу B, а другая (вообще ваша любимая) в группу С из-за выбранных порогов — как быть: не вручную же все просматривать, чтобы решения принимать? Да и вообще, может какой-то способ поэффективней есть?!

Короче, вопросов масса. Все инструменты ты знаешь, саму методику тоже знаешь, но из-за объема и разнообразия данных тебя просто парализует. А когда понимаешь, что такую штуку надо делать раз в месяц — вообще становится дурно) Не знаю как вы, а я с таким сталкивался регулярно.

И вот, пока я пишу этот текст, я все больше понимаю, что как раз основная сложность лежит не в плоскости инструментов (и даже не всегда в плоскости финальных выводов), а в ответе на вопрос «Как обуздать огромный объем данных и что-то за ним увидеть?».

Условно: написать код, чтобы собрать когортный анализ — посильно. Даже интерпретировать результат — надо подкачаться, но тоже посильно. А вот имея подробный лог действий на руках за 2 года из миллиона записей понять — а как агрегировать этот массив данных так, чтобы финальный результат поместился на один лист и там была вся нужная информация, чтобы что-то увидеть и понять — это самое сложное.

На самом деле круто, для меня самого сейчас это инсайт — пока писал текст, вспомнил, что больше всего времени за последние несколько месяцев я потратил именно на разработку тех форм отчетов, которые мне было бы удобно смотреть и в которых я смогу что-то увидеть. А выводы потом сами к тебе идут)

Подумайте об этом на досуге. Может ваше слабое звено как раз в том, что вы не понимаете, под каким углом нужно смотреть на данные?)

Кстати, в новом потоке тренинга «Как делать аналитику» мы этому будем уделять много внимания. Для примера: даже далеко ходить не надо — мы добавили сразу несколько занятий, которые посвящены анализу больших ассортиментных матриц. Там как раз разберем все вопросы, про которые я сегодня упомянул (и не только). Если эта тема вам интересна также, как и мне — запрыгивайте, еще успеваете вписаться по ранним ценам 🕺

⚡️⚡️⚡️ Стрим о продуктовых метриках начался!

Иван ждёт всех с распростёртыми объятьями, залетайте на эфир по ссылке!

Интерактив — «читаем» когортный анализ

Друзья, всем привет, на связи снова Андрон — основатель Simulative 👋🏻

Знаете, вот есть такие фразочки, которые все используют, но при этом никто до конца не понимает, что за этими словами стоит. Один человек сказал, другой понимающе кивнул, третий с умным видом поддакнул — на этом и разошлись, типа эффективно поработали)

Я человек конкретный, меня такие фразы откровенно вымораживают. В аналитике тоже такие есть. Вот например — «видеть что-то за цифрами». Ну это же вообще ни о чем фраза — у тебя что, экселька прозрачная, что ты что-то за цифрами видишь?)

Сами посудите: «Ты можешь считать себя классным аналитиком, если умеешь видеть бизнес-контекст за цифрами». Это чего вообще такое?) Я и сам так иногда говорю, чего уж там. Но сегодня твердо решил, что хватит это терпеть! Предлагаю такую формулировку:

Умение видеть бизнес-контекст за цифрами — это когда при просмотре отчета на любое колебание метрик в твоей голове сразу появляется набор гипотез: какие конкретные решения или события в компании могли так повлиять.

Простейший пример: видишь, что конверсия резко рухнула — мог банально сломаться сайт.

И прикол в том, что так «видеть» — реально возможно, и для этого даже не обязательно быть шаманом! Например, на прошлом потоке моего тренинга «Как делать аналитику» мы с ребятами на примере когортного анализа разбирали этот эффект. Прям смотрели в когорты, а потом я комментировал: что в этот момент в реальности происходило в бизнесе и какое влияние оказало.

Делать такие ретроспективные упражнения — топовая тема для прокачки умения «видеть что-то за цифрами». В будущее смотреть тяжело — ты еще не знаешь результата. А вот в прошлое — прикольно. Пытаешься объяснить каждое отклонение метрики и понимаешь, что почти на все есть адекватная бизнес-причина.

Предлагаю нам с вами прямо сейчас такое упражнение поделать и вместе посмотреть в одну из тех самых когортных табличек! Ваша задача — найти как можно больше интересных значений и попробовать их объяснить: что в этот момент происходило в этот момент в нашей школе Simulative, что привело к таким результатам.

Табличку прикрепил к посту (данные, само собой, изменены, но структура сохранена). Это когортная таблица с метрикой CR2 из горячей заявки — конверсия из горячего лида в продажу.

☝🏻 Давайте я закину, для затравочки) Обратите внимание но конверсию июньской когорты в июне (т.е. в свой первый месяц). Почему такая маленькая конверсия в продажу из горячей заявки относительно соседних месяцев? Что могло повлиять?

Пишите свои варианты в комментарии, а я буду отвечать — валидно или нет!