📹 Записи эфиров: о данных, метриках и работе аналитика

Приветствуем любителей аналитики! Это команда Simulative👋

На этой неделе мы провели два открытых эфира в честь большого события — запуска обновленного курса-симулятора «Аналитик данных» с менторской поддержкой! Вашим проводником в мир аналитики станет Иван Гераськин — опытный продуктовый и дата-аналитик с 12+ годами практики.

А еще спешим напомнить: до 23 июля действует скидка 25% на курс! 🚀

➡️ Забронировать место

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

Эфир провел наш друг Паша Беляев — тимлид дата-аналитиков в Яндекс eLama — и раскрыл реальные рабочие будни команды:
✔️ Какой стек используют?
✔️ Как устроены процессы?
✔️ Какие задачи решают ежедневно?

— Новичкам: отличный способ увидеть, как теория превращается в практику.
— Опытным: заглянуть на "кухню" коллег и подчерпнуть идеи.

➡️ Открыть запись

🧡 Как аналитик влияет на продукт? Создаем список метрик в прямом эфире

Эфир провел наш ментор аналитиков — Иван Гераськин. Иван на примере сервиса Memrise показал, как:
✔️ Выявлять ключевые пользовательские сценарии
✔️ Формировать список продуктовых метрик

💡 Важно! К сожалению, записалась только вторая часть эфира, но даже по этому фрагменту можно потренироваться в сборе метрик — берите подходы Ивана на вооружение!

➡️ Открыть запись

Записи доступны на нашей обучающей платформе — чтобы их посмотреть, просто зарегистрируйтесь!

Друзья, всем привет, на связи Иван Гераськин, ментор курса «Аналитик данных» 👋🏻

⚡️ Итак, сегодня разберем вопрос на засыпку: правильно ли сделали мониторинг качества работы с оттоком пользователей?

Опишу реальный кейс, с которым столкнулся, когда консультировал крупный бизнес с сотнями тысяч постоянных покупателей и десятками тысяч привлекаемых ежемесячно новых. В целях конфиденциальности, привожу данные, которые являются синтезированным аналогом, но полностью отражают необходимую динамику и суть.

У нас была цель — понять, насколько качественно работают внедряемые инструменты удержания клиентов, внедрить правильный мониторинг оттока.

Погрузившись в задачу, узнал, что ежемесячный мониторинг оттока сегмента ключевых клиентов работал вот так:

1. Представим, что завершился месяц х (например, 2025.06). Ранжируем всех клиентов с покупкой в месяце х-1 (т.е. 2025.05) по убыванию суммы их покупок за месяц x-1.
2. Выбираем таких ТОП-клиентов из начала ранжированного списка, которые приносят 50% объема продаж.
3. Рассчитываем процент оттока — какая доля из ТОП-клиентов из п.2 не купила ничего в месяце x.

К посту прикладываю график описанной выше метрики «процента оттока ключевых клиентов».

В результате такой аналитики был сделан вывод, что инструменты работы с оттоком помогли снизить отток ключевых клиентов в 2 раза за 2 года.

Теперь давайте ответим на следующие вопросы:
🔸 Согласны ли вы с утверждением выше?
🔸 Согласны с такой методологией мониторинга оттока с целью оценки качества удержания?
🔸 Как бы вы мониторили ключевых клиентов?

❗️ О том, что было дальше на самом деле, расскажу в следующем посте, а в ближайшие дни проведу вебинар по теме оттока!

Пишите свои варианты в комментарии и следите за обновлениями!

⚡️ ML-пайплайн: что должен знать каждый инженер в условиях вызовов современной индустрии

Ребята, вас снова приветствует команда Simulative!

Продолжаем радовать вас полезными эфирами и стримами, а сегодня к нам снова наведается Владислав Агафонов — ML-инженер, ранее работал в Yandex и Huawei.

Владислав уже проводил для нас очень классный вебинар, где мы писали работающую нейросеть на PyTorch.

А сегодня обсудим следующее:

🟠 Перевод бизнес-потребностей в цели машинного обучения
🟠 Данные — топливо для ML: как их собирать, хранить и готовить к работе?
🟠 Создание модели: не просто обучить, но и правильно оценить её эффективность.
🟠 Как внедрить ML в реальный продукт? Логирование, запуск и мониторинг — без этого ничего не работает.

Почему стоит прийти?

🟠 Вы разберётесь в ML-процессах — без погружения в код и сложную математику.
🟠 Научитесь эффективнее взаимодействовать с ML-командой (если таковая есть) — меньше недопонимания, больше результата.
🟠 Увидите реальные кейсы — как ML-решения внедряются в продукт.

🔔 Начало эфира: в 18:30 по МСК. Регистрация не нужна — ссылку на трансляцию мы пришлем за 1 час до эфира. Следите за обновлениями!

❗️ Мониторинг качества работы с оттоком

Друзья, всем привет, на связи снова Иван Гераськин, ментор курса «Аналитик данных» 👋🏻

Методология определения оттока, описанная в предыдущем посте, имеет существенный недостаток и не позволяет корректно мониторить качество удержания клиентов.
Выборка ТОП-клиентов, приносящих 50% суммы продаж, с каждым последующим месяцем состоит из все более лояльных за счет того, что бизнес наращивает базу постоянных клиентов. Это можно увидеть по графику среднего количества дней с первой покупки в формируемом ежемесячно ТОПе.

Логично, что клиенты, которые дольше являются покупателями, будут лояльнее и с меньшей вероятностью уйдут в отток. Таким образом, даже если мы не улучшили инструменты работы с оттоком, мы будем видеть позитивный тренд, т.е. все больше клиентов из ТОП продолжат покупки в следующем месяце.

Правильнее будет проводить аналитику, выделяя клиентов в когорты по срокам с момента первой покупки.

Вот алгоритм на примере когорты “1-6 месяцев с момента первой покупки”:
🟠 Представим, что завершился месяц x (например, 2025.06). Выделяем клиентов с покупкой в месяце x-1 (т.е. 2025.05) среди тех, у кого первая покупка в интервале с x-2 до x-7 месяца включительно.
🟠 Ранжируем всех клиентов, выбранных в п1 по убыванию суммы их покупок за месяц x-1.
🟠 Выбираем таких ТОП-клиентов из начала ранжированного списка, которые приносят 50% объема продаж.
🟠 Рассчитываем процент оттока - какая доля из ТОП-клиентов п3 не купила ничего в месяце x.

Графики оттока по новой методологии показаны на скрине для трех когорт.

На моем вебинаре, который будет уже завтра в 18:30 по МСК, мы интерпретируем эти графики и сделаем соответствующие выводы и обсудим другие примеры и принципы работы с оттоком на практике.

➡️ Регистрация на вебинар

⚡️⚡️⚡️ Друзья, стрим начинаем уже через полчаса!

Подключайтесь, чтобы узнать, как в текущем состоянии рынка встроится в индустрию машинного обучения, какие у бизнеса запросы и как стать востребованным у него же, бизнеса, специалистом по ML.

➡️Подключиться к трансляции

Владислав уже начал раздавать пользу — вы еще успеете подключиться и узнать всё самое интересное!

А еще это редкая возможность задать вопросы эксперту, работающему в западном бигтехе.

➡️Подключайтесь!

❗️[Вебинар] Отток клиентов: как аналитики прогнозируют и снижают потери

Сегодня наш ментор Иван Гераськин проведет вебинар на тему, важную для любого бизнеса.

Отток клиентов — это не просто цифры в отчете, а прямые убытки для бизнеса. Но как его правильно считать? Какие метрики важны? И можно ли заранее предсказать, кто из клиентов уйдет?

На вебинаре разберем:

🟠 Что такое отток и почему его анализ так важен начинающим и опытным аналитикам.
🟠 Как банки и другие компании определяют отток — реальные примеры и метрики.
🟠 Какие метрики для новых и постоянных клиентов помогут быстро выявлять проблемы и принимать решения
🟠 Как с помощью ML прогнозировать отток, как выявить ключевые факторы, влияющие на отток
🟠 Практические кейсы и стратегии удержания пользователей

Для кого вебинар?
— Начинающим аналитикам: поймете, как работать с ключевой бизнес-метрикой.
— Практикующим специалистам: узнаете работающие методы анализа и прогнозирования.

Спикер: Иван Гераськин, ментор курса «Аналитик данных», руководит аналитикой в 24HSoft
Время: 18:30 по МСК

Регистрируйтесь и узнайте, как превратить данные в инструмент для удержания клиентов!

➡️ Регистрация

👋🏻 Привет, это Иван, ментор курса «Аналитик данных»!

Сегодня в 18:30 (МСК) я проведу вебинар про отток клиентов — и расскажу, как его считать, прогнозировать и снижать. Это не просто «нужная метрика», а реальная боль бизнеса: клиенты уходят — компания теряет деньги. Но хорошая новость в том, что отток можно предсказывать и заранее предотвращать.

Я сам не раз сталкивался с этой задачей: например, в одном банке я разрабатывал модель, которая предсказывала отток корпоративных клиентов с точностью около 40%. На практике такие цифры дают бизнесу огромную экономию. Так что поделюсь не только теорией, но и реальными кейсами.

Если вы начинающий аналитик — это отличный шанс разобраться в востребованной теме, которой можно блеснуть и на собеседованиях. Если уже работаете с данными — узнаете, как улучшить свои модели и принести бизнесу больше пользы.

В общем, будет полезно. Регистрируйтесь, закрепляйте бота, чтобы не потерять ссылку — в 18:30 команда пришлёт её туда. До встречи! 😉

➡️ Регистрация

⚡️ Мы в эфире! Обсуждаем отток клиентов и как снижать убытки

Вступительная часть вебинара уже прошла и сейчас начнется самое мясо! Иван Гераськин — наш ментор курса «Аналитик данных» и опытный аналитик со стажем 12+ лет — поделится своим практическим опытом построения модели прогнозирования оттока клиентов. А еще как ее внедрять и почему бизнес 1000% оценит это умение.

Вы еще успеваете подключиться и узнать самое важное! А еще задать животрепещущие вопросы в прямом эфире практикующему эксперту.

➡️ Подключиться

Почему просели регистрации? Разбираем воронку как продуктовый аналитик

Приветствую всех! Это Иван — ментор курса «Аналитик данных» 👋🏻

Представьте ситуацию: вы — продуктовый аналитик, и к вам приходит команда маркетинга или руководство с тревожным вопросом:

«Трафик на сайт вроде не изменился, а количество регистраций резко упало. Почему? Мы не можем понять, в чем проблема!»

Если вы сталкивались с таким вызовом, то знаете — это типичная задача, с которой приходится работать постоянно. Как разобраться, что не так?

Ответ всегда кроется не в одном показателе, а в цепочке событий — именно в воронке метрик, которая предшествует целевой конверсии. Чтобы понять проблему с регистрациями, нужно пошагово анализировать ключевые этапы, например:

➖сколько устройств начало загрузку страницы регистрации
➖сколько устройств успешно загрузили страницу регистрации
➖сколько пользователей перешло к заполнению формы
➖сколько завершили ввод подтверждающего кода

Только так можно выделить «узкое место» — именно тот этап, на котором происходит наибольшее падение пользователей.

Без этого детального разбора — любые предположения остаются догадками и рискуют привести к неэффективным решениям.

В реальной аналитической практике глубокий разбор воронки регистрации не только помогает выявить общий «узкий» этап, но и часто раскрывает неожиданные технические или продуктовые проблемы, типа: чрезмерное усиление капчи, блокировка сайта некоторыми провайдерами, работоспособность смс-подтверждений и т.д.

❗️ На нашем предстоящем вебинаре мы возьмём кейс с таким запросом, и разберём подробно: от выгрузки сырых данных с помощью SQL до визуализации динамики и выявления проблемы с помощью Python.

Если вы работаете с цифровыми продуктами и хотите научиться видеть глубже метрики, которые стоят за успехом, — этот вебинар даст вам ценные инструменты и опыт.

Ждём вас на разборе! Следите за анонсами и не пропустите — будет полезно!

➡️ Регистрация

⚡️ Разбираем воронку регистраций как продуктовый аналитик

Что делать, если регистрировать пользователей стало меньше, а причины непонятны? Разберёмся с этим в прямом эфире 29 июля в 18:30 (МСК) с Иваном Гераськиным, ментором курса «Аналитик данных» и продуктовым дата-аналитиком с опытом 12+ лет.

Что будем делать на вебинаре:
🟠 Возьмём сырые данные онлайн-сервиса о посещении страницы, о регистрации и о том, на какие элементы кликали.
🟠 С помощью SQL выгрузим из базы данных.
🟠 С помощью Python обработаем эти данные и построим графики динамики продуктовых метрик на странице регистрации:
- Количество устройств с началом загрузки;
- Конверсию из начала загрузки страницы в загрузку;
- Конверсию из загрузки страницы в заполнение формы регистрации;
- Конверсию из заполнения формы регистрации в успешный ввод кода подтверждения.

Если вы работаете с цифровыми продуктами и хотите научиться видеть глубже метрики, которые стоят за успехом, — этот вебинар даст вам ценные инструменты и опыт.

➡️ Регистрация

Привет, это Андрон!

Недавно я публиковал пост-интерактив и предложил вам поискать интересные инсайты в табличке с когортным анализом. Вы написали много комментариев, а многие просили разбор — поэтому сегодня решил его сделать!)

Итак, у нас есть таблица с когортным анализом (таблицу и ее описание продублирую). Давайте разберем несколько интересных пунктов.

1/ Все когорты показали очень плохой результат в марте 2024 года — весь столбец раскрашен красным.

Многие обратили на это внимание и выдвигали разные теории — спад сезона, косяки отдела продаж и многое другое. На самом деле, просто в марте проводилась активность, которая очень сильно «байтила» пользователей оставлять горячие заявки и их было очень много, а по факту они были не такими уж и горячими.

Условно, «запишись на консультацию» и «запишись на консультацию и получи полезный бонус» — два разных посыла. Вот в марте был второй. За счет этого конверсия в заявку там сильно выше обычного, но логично, что конверсия в продажу — ниже обычного.

Эта штука демонстрирует сразу 2 важных принципа: нужно обязательно смотреть все конверсии отдельно, но и оценивать сквозные, если появились аномалии + не надо делать выводы, не видя полной воронки.

2/ Конверсия первого месяца в июне всего 5%, хотя у предыдущих/следующих месяцев все ок.

Я про это написал в посте и в комментариях предложили много объяснительных конструкций — сезонный спад, неудачная рекламная кампания, эксперименты с продажными скриптами и прочее.

Когда такое видишь, очень важно остановиться и задуматься: «блин, ну до и после же все ок, что случилось в этот момент времени?». И если покопать чуть вглубь, то окажется, что в июне у нас поменялся источник платной лидогенерации (был — запрещенная соцсеть, а стал — посевы в телеграм). И когда начинаешь проверять эту гипотезу, выясняется, что реально — до этого именно по платному трафику конверсия в продажу была довольно высокая, а по новому каналу — цикл сделки больше, поэтому и получилась просадка. А дальше этот показатель снова вырос, потому что за месяц набили шишек, чуть снизили бюджет на рекламу в новом канале и стали делать более качественные действия.

Этот пример — отличная демонстрация того, что иногда (часто) для принятия решения нужно что-то заметить и пойти просто копать разные показатели, которые напрямую может и не связаны с твоей аномалией. Надо «расшить воронку» и поискать там зацепку. Почти всегда работает)

3/ Кто-нибудь заметил конверсию в 150% в когорте января 2024 в январе 2025 года?)

Такого просто не может быть — оставили заявку 10 человек, а купили 15. Чем такое может объясняться?

Да ничем, я специально добавил этот баг, чтобы на него обратили внимание. Обычно такое значит, что для начала надо поставить под сомнения все значения в этот отчете и пойти проверить корректность чисел и методику расчета.

4/ Почти все когорты в сентябре 2024 стали подозрительно зелеными.

Что за аттракцион невиданной щедрости — все вдруг резко стали покупать с высокой конверсией! Получается, день знаний сработал?!

На самом деле нет. Точней, разумеется, сезон играет роль. Но мы просто запустили новый продукт, у него был не очень большой средний чек и люди его покупали с высокой конверсией. Вот и все, вот и все)

Это еще не все — даже в этой таблице есть еще интересные штуки, которые можно разглядеть. Это очень полезное упражнение для прокачки продуктового мышления (а еще для роста бизнеса).

Кстати, мне сейчас часто пишут в личку с вопросом — привести какой-то наглядный пример того, что будет на тренинге. Это упражнение — небольшой кусочек того, что мы будем разбирать на занятии по когортам. Только там будет сильно больше когортных таблиц — будем анализировать не отдельный отчет, а целую пачку одновременно, которые показывают динамику всех когорт по всей воронке, от заявки до покупки. Если такие «исследования» и «раскопки» вас драйвят — обязательно записывайтесь в грядущий поток тренинга, такого у нас будет много)

Как вам вообще такой формат с интерактивом, заходит? Делаем еще?) Если да — накиньте реакций на пост 🔥