Конференция по маркетинговой и продуктовой аналитике — Матемаркетинг 2020
С 9 по 13 ноября в онлайн-формате пройдет Матемáркетинг — большая конференция по маркетинговой и продуктовой аналитике. 5 дней, 4 потока каждый день, 73 доклада и круглых стола!
Каждый из дней посвящен своей теме:
— 9.11, Web/App/App+Web-аналитика;
— 10.11, Продуктовая и SaaS-аналитика;
— 11.11, Global view и управление командами;
— 12.11 — Data-engineering + отчетность как продукт;
— ну и в пятницу 13го заявлены "адские" кейсы.
Доклады и трансляция пишутся в профессиональных павильонах. Вещание производится на профессиональном оборудовании, обеспечивающем Full HD сигнал, качественный звук и изображение.
И самое главное — специальный промокод на 15% скидку для наших подписчиков: SMART. Регистрируйтесь по ссылке: https://bit.ly/3kyyk3e
Наташа Гаврилова, белочка в Smart'е
С 9 по 13 ноября в онлайн-формате пройдет Матемáркетинг — большая конференция по маркетинговой и продуктовой аналитике. 5 дней, 4 потока каждый день, 73 доклада и круглых стола!
Каждый из дней посвящен своей теме:
— 9.11, Web/App/App+Web-аналитика;
— 10.11, Продуктовая и SaaS-аналитика;
— 11.11, Global view и управление командами;
— 12.11 — Data-engineering + отчетность как продукт;
— ну и в пятницу 13го заявлены "адские" кейсы.
Доклады и трансляция пишутся в профессиональных павильонах. Вещание производится на профессиональном оборудовании, обеспечивающем Full HD сигнал, качественный звук и изображение.
И самое главное — специальный промокод на 15% скидку для наших подписчиков: SMART. Регистрируйтесь по ссылке: https://bit.ly/3kyyk3e
Наташа Гаврилова, белочка в Smart'е
🔥2
Всем привет! У нашей команды новый крутейший релиз! Поздравляю всю команду — в Смарте появилась предиктивная аналитика. Да не простая, а смотрите какая! :)
Наташа Гаврилова, розовый пони в Smart'е
Наташа Гаврилова, розовый пони в Smart'е
🔥2
Forwarded from Smart Analytics Updates | smartanalytics.io/ru
☄️ Предиктивная аналитика в Smart Analytics
Прогнозируйте объем продаж, сделки, расходы, трафик, ROAS и десятки других метрик всего в пару кликов. Прокачайте вашу аналитику с современными возможностями машинного обучения!
Как это работает?
✔️ Воспользоваться предиктивной аналитикой очень просто — необходимо задать временной диапазон, включающий будущие периоды, и активировать переключатель "прогноз". Все данные по всем срезам и метрикам дополнятся прогнозными значениями.
✔️ Прогноз учитывает весь массив накопленной статистики и не зависит от окна диапазона отчета.
✔️ Сегментируйте прогнозные данные по самым разным параметрам: источникам, каналам, кампаниям, условиям таргетинга, ключевым словам, типам, устройствам, городам и т.д. Используйте любые типы вложенности: каскадную, линейную, мультипараметрическую, смешанную. Задавайте фильтры, работайте в таблицах и диаграммах — все как с фактической статистикой!
✔️ На диаграммах прогнозные данные выделяются штрихами и пунктирами. Это очень удобно, ведь сразу видно, какая часть данных является предиктивной, а какая построена по фактическим данным.
✔️ Прогноз продолжает ежедневно обучаться на ваших данных и с каждым днем становится все точнее и точнее.
✔️ Смешивайте фактические и прогнозные данные внутри таблиц и диаграмм или выделяйте их в отдельные периоды, используя функционал сравнения периодов.
✔️ Сопоставляйте прогнозные и плановые данные прямо в интерфейсе. Используйте прогноз для оценки вероятности реализации плана и корректировки стратегии.
В настоящее время прогнозная аналитика доступна в тарифах Business и Enterprise. Для подключения предиктивной аналитики в других тарифах обратитесь к вашему персональному менеджеру.
Прогнозируйте объем продаж, сделки, расходы, трафик, ROAS и десятки других метрик всего в пару кликов. Прокачайте вашу аналитику с современными возможностями машинного обучения!
Как это работает?
✔️ Воспользоваться предиктивной аналитикой очень просто — необходимо задать временной диапазон, включающий будущие периоды, и активировать переключатель "прогноз". Все данные по всем срезам и метрикам дополнятся прогнозными значениями.
✔️ Прогноз учитывает весь массив накопленной статистики и не зависит от окна диапазона отчета.
✔️ Сегментируйте прогнозные данные по самым разным параметрам: источникам, каналам, кампаниям, условиям таргетинга, ключевым словам, типам, устройствам, городам и т.д. Используйте любые типы вложенности: каскадную, линейную, мультипараметрическую, смешанную. Задавайте фильтры, работайте в таблицах и диаграммах — все как с фактической статистикой!
✔️ На диаграммах прогнозные данные выделяются штрихами и пунктирами. Это очень удобно, ведь сразу видно, какая часть данных является предиктивной, а какая построена по фактическим данным.
✔️ Прогноз продолжает ежедневно обучаться на ваших данных и с каждым днем становится все точнее и точнее.
✔️ Смешивайте фактические и прогнозные данные внутри таблиц и диаграмм или выделяйте их в отдельные периоды, используя функционал сравнения периодов.
✔️ Сопоставляйте прогнозные и плановые данные прямо в интерфейсе. Используйте прогноз для оценки вероятности реализации плана и корректировки стратегии.
В настоящее время прогнозная аналитика доступна в тарифах Business и Enterprise. Для подключения предиктивной аналитики в других тарифах обратитесь к вашему персональному менеджеру.
🔥3👍1
Как считать LTV. Битва титанов
Не так давно Олег Якубенков, весьма известный в среде продуктовой аналитики человек и автор симулятора GoPractice, опубликовал эссе о том, как же все-таки правильно считать LTV.
Но вся соль в том, что Олег, по сути, раскритиковал одну из методик расчета LTV из ebook "Lifetime Value: главная метрика проекта" Василия Сабирова. А Василий, собственно, также признанный эксперт в области аналитики, человек с профильным математическим образованием и автор книги "Игра в цифры. Как аналитика позволяет видеоиграм жить лучше". Книга, кстати, бестселлер, посвященный игровой аналитике, права на которую выкупает британское издательство CRC Press - Taylor & Francis для переиздания ее на английском языке.
Хо-хо, вот это замес! Битва титанов!
В своем компактном электронном издании Василий Сабиров определяет LTV как "показатель ценности клиента, которую он приносит за все время в проекте" и представляет ряд методик расчета этой метрики. Читатель вместе с автором проходят путь от элементарных расчетов вроде "взять все доходы и поделить на количество клиентов" до методики LTV=ARPUxLifetime (в книге она №4), где ARPU =Revenue/DAU (выручка/ежедневно_активные_пользователи), а Lifetime — это время жизни пользователя в проекте. Кстати сказать, методика расчета LTV, как произведение ARPU на Lifetime, довольно часто встречается на просторах всемирной сети.
Кстати, ведь как известно, LTV считается с помощью когортного анализа, но где же когорты в формуле LTV=ARPUxLifetime? Все просто: Lifetime — это интеграл от функции Retention, которая изначально имеет зашитую в себе "когортную" логику. Графически это выглядит как площадь под Retention.
Олег же в своей статье подчеркивает ряд недостатков такой методики. Главным образом, критике подвергнут показатель "Lifetime", основной недостаток которого в том, что зачастую в любой когорте есть пользователи, которые становятся постоянными клиентами, т.е. Lifetime (как среднее время жизни пользователя в проекте) будет стремиться к бесконечности. Исчисление Lifetime как интеграла от функции Retention тоже не решает этой проблемы, поскольку остается открытым вопрос относительно правого края интегрирования.
Но Сабиров дает "рецепт" для решения этой проблемы — дисконтирование. За ставку дисконтирования Василий предлагает принимать WACC (Weighted Average
Cost of Capital), а его, в свою очередь, брать равным фактической рентабельности капитала в среднем по фирме или желаемой рентабельности капитала, или же равным рентабельности капитала альтернативных проектов. Однако замечу, что дисконтирование "убьет" рост Lifetime во времени только в случае какого-то невероятно длинного временного диапазона. Кроме того, такой подход не учитывает роста тарифов во времени. Да, деньги дешевеют, но, как правило, и тарифная сетка продукта не стоит на месте.
Итак, мы приходим к тому, что на практике практически невозможно отказаться от экспертного определения диапазона жизненного цикла. Или все-таки нет?
Примирение: мир, дружба, диджитал!
В своем эссе Якубенков предлагает методику, суть которой состоит в том, чтобы взять когорту пользователей, просуммировать доходность по ней с момента регистрации до момента N и поделить на количество пользователей в этой когорте. При этом N предлагается задавать динамически, исходя из целей и объема данных проекта, т.е. по сути, задается экспертно. Иными словами, в этой методике LTV считается как накопленный (кумулятивный) ARPU за N дней. Однако, с поправкой на то, что на практике необходимо прогнозировать LTV.
И тут бинго! Методика №5 Сабирова как раз об этом. Василий в том числе предлагает матмодель, которую удобно использовать для прогнозирования LTV: F (t) = A + ln (t+B), где t — количество дней от первого визита пользователя, F(t) — будущее уравнение, A и B — коэффициенты модели.
Т.е. вот она, золотая методика, которая объединяет двух экспертов: Cumulative ARPU(t), где t Сабирова равно N Якубенкова.
Игорь Кузин, Co-founder&CEO в Smart'е
Не так давно Олег Якубенков, весьма известный в среде продуктовой аналитики человек и автор симулятора GoPractice, опубликовал эссе о том, как же все-таки правильно считать LTV.
Но вся соль в том, что Олег, по сути, раскритиковал одну из методик расчета LTV из ebook "Lifetime Value: главная метрика проекта" Василия Сабирова. А Василий, собственно, также признанный эксперт в области аналитики, человек с профильным математическим образованием и автор книги "Игра в цифры. Как аналитика позволяет видеоиграм жить лучше". Книга, кстати, бестселлер, посвященный игровой аналитике, права на которую выкупает британское издательство CRC Press - Taylor & Francis для переиздания ее на английском языке.
Хо-хо, вот это замес! Битва титанов!
В своем компактном электронном издании Василий Сабиров определяет LTV как "показатель ценности клиента, которую он приносит за все время в проекте" и представляет ряд методик расчета этой метрики. Читатель вместе с автором проходят путь от элементарных расчетов вроде "взять все доходы и поделить на количество клиентов" до методики LTV=ARPUxLifetime (в книге она №4), где ARPU =Revenue/DAU (выручка/ежедневно_активные_пользователи), а Lifetime — это время жизни пользователя в проекте. Кстати сказать, методика расчета LTV, как произведение ARPU на Lifetime, довольно часто встречается на просторах всемирной сети.
Кстати, ведь как известно, LTV считается с помощью когортного анализа, но где же когорты в формуле LTV=ARPUxLifetime? Все просто: Lifetime — это интеграл от функции Retention, которая изначально имеет зашитую в себе "когортную" логику. Графически это выглядит как площадь под Retention.
Олег же в своей статье подчеркивает ряд недостатков такой методики. Главным образом, критике подвергнут показатель "Lifetime", основной недостаток которого в том, что зачастую в любой когорте есть пользователи, которые становятся постоянными клиентами, т.е. Lifetime (как среднее время жизни пользователя в проекте) будет стремиться к бесконечности. Исчисление Lifetime как интеграла от функции Retention тоже не решает этой проблемы, поскольку остается открытым вопрос относительно правого края интегрирования.
Но Сабиров дает "рецепт" для решения этой проблемы — дисконтирование. За ставку дисконтирования Василий предлагает принимать WACC (Weighted Average
Cost of Capital), а его, в свою очередь, брать равным фактической рентабельности капитала в среднем по фирме или желаемой рентабельности капитала, или же равным рентабельности капитала альтернативных проектов. Однако замечу, что дисконтирование "убьет" рост Lifetime во времени только в случае какого-то невероятно длинного временного диапазона. Кроме того, такой подход не учитывает роста тарифов во времени. Да, деньги дешевеют, но, как правило, и тарифная сетка продукта не стоит на месте.
Итак, мы приходим к тому, что на практике практически невозможно отказаться от экспертного определения диапазона жизненного цикла. Или все-таки нет?
Примирение: мир, дружба, диджитал!
В своем эссе Якубенков предлагает методику, суть которой состоит в том, чтобы взять когорту пользователей, просуммировать доходность по ней с момента регистрации до момента N и поделить на количество пользователей в этой когорте. При этом N предлагается задавать динамически, исходя из целей и объема данных проекта, т.е. по сути, задается экспертно. Иными словами, в этой методике LTV считается как накопленный (кумулятивный) ARPU за N дней. Однако, с поправкой на то, что на практике необходимо прогнозировать LTV.
И тут бинго! Методика №5 Сабирова как раз об этом. Василий в том числе предлагает матмодель, которую удобно использовать для прогнозирования LTV: F (t) = A + ln (t+B), где t — количество дней от первого визита пользователя, F(t) — будущее уравнение, A и B — коэффициенты модели.
Т.е. вот она, золотая методика, которая объединяет двух экспертов: Cumulative ARPU(t), где t Сабирова равно N Якубенкова.
Игорь Кузин, Co-founder&CEO в Smart'е
🔥3
Как считать LTV. Второе приближение
В последнем посте мы писали о 2х различных подходах к исчислению LTV: с использованием метрики Lifetime и на основе некого кумулятивного денежного потока. Однако, мы намеренно обошли вниманием одну существенную деталь — каким должен быть сам этот денежный поток. Давайте разберемся!
Каким должен быть денежный поток для расчета LTV?
Прежде всего стоит обратить внимание на... название метрики. Тссс! Никому не говорите! Это секретный прием маркетинговой/продуктовой аналитики, который помогает понимать суть львиной доли показателей без обращения к какому-либо справочнику.
Итак, метрика носит название Lifetime Value — ценность за жизненный цикл. Все просто: если бы исчисления производились на основе выручки, то метрика называлась бы Lifetime Revenue, LTR или аналогичным образом. Но ценность пользователя/потребителя меньше, чем его выручка за Lifetime или некий другой продолжительный период времени. Именно поэтому LTV рассчитывают на основе contribution margin (маржа, маржинальная прибыль) — выручки за вычетом переменных расходов, ассоциированных с этой выручкой (т.е. переменных затрат, связанных именно с теми продуктами, которые формируют эту выручку).
Таким образом, использовать ARPU (Average Revenue Per User; средняя выручка на пользователя) для исчисления LTV, строго говоря, некорректно. В этих целях следует оперировать маржинальной прибылью. Метрику, аналогичную ARPU, но построенную на марже, называют AMPU (Average Margin Per User).
ARPU AMPU. Или все-таки ARPU?
Однако, почему же тогда Василий Сабиров в ebook "Lifetime Value: главная метрика проекта" использует ARPU для расчета LTV? Дело в том, что его книга хоть и описывает универсальные подходы к исчислению LTV, но все-таки больше ориентирована на специалистов в области игровой аналитики. В игровой аналитике Revenue, очищенный от комиссии сторов, по сути, уже соответствует маржинальной прибыли.
Кроме того, существует огромное количество бизнесов, для которых посчитать AMPU на практике не представляется возможным. Как правило, эти бизнесы лежат в плоскости реального сектора экономики. В таком случае, единственным выходом будет исчисление LTV на основе выручки. Криминально? Нет, отнюдь.
Считается, что если вычислять LTV на основе выручки, то некорректных выводов не избежать. Но на самом деле весь вопрос в том, что мы планируем дальше делать с полученным таким образом LTV. LTV=500$ — это хорошо или плохо? А 300$, 3000$ — это много или мало? По большому счету, из этих цифр сложно сделать какие-либо значимые выводы, не соотнеся их с некой расходной составляющей. LTV без соотнесения с CAC (или CARC) — это метрика, повисшая в воздухе. LTV:CAC ratio — конечная цель вычисления самого LTV.
Но если для LTV:CAC ratio используется LTV на основе выручки, то соотношение будет завышенным относительно реальности? И да, и нет. Если команда аналитиков понимает экономику бизнеса, то, сопоставляя LTV и CAC, она не будет ориентироваться на какое-то общепринятое соотношение вроде LTV:CAC > 3. Команда задаст рациональную норму данного соотношения уже с учетом того, что LTV не очищен от переменных расходов.
Таким образом, если у вас по тем или иным причинам нет возможности считать LTV на основе маржи, то считайте по выручке. Считайте LTV. Вникайте в суть, копайте глубоко и не бойтесь ошибиться! Ведь не ошибается только тот, кто не считает LTV.
Игорь Кузин, Co-founder&CEO в Smart'е
P.S. Несмотря на то, что мы говорим о расчете LTV уже во втором приближении, мы сказали далеко не все об этой интереснейшей метрике. CLV и LTV — это одна и та же метрика? Как же все-таки решают проблему определения Lifetime на практике? Следует ли применять дисконтирование для вычисления LTV? Как корректно считать CAC в контексте LTV:CAC ratio? С чем еще, кроме CAC, целесообразно сопоставлять LTV? Поговорим об этом в следующих выпусках!
В последнем посте мы писали о 2х различных подходах к исчислению LTV: с использованием метрики Lifetime и на основе некого кумулятивного денежного потока. Однако, мы намеренно обошли вниманием одну существенную деталь — каким должен быть сам этот денежный поток. Давайте разберемся!
Каким должен быть денежный поток для расчета LTV?
Прежде всего стоит обратить внимание на... название метрики. Тссс! Никому не говорите! Это секретный прием маркетинговой/продуктовой аналитики, который помогает понимать суть львиной доли показателей без обращения к какому-либо справочнику.
Итак, метрика носит название Lifetime Value — ценность за жизненный цикл. Все просто: если бы исчисления производились на основе выручки, то метрика называлась бы Lifetime Revenue, LTR или аналогичным образом. Но ценность пользователя/потребителя меньше, чем его выручка за Lifetime или некий другой продолжительный период времени. Именно поэтому LTV рассчитывают на основе contribution margin (маржа, маржинальная прибыль) — выручки за вычетом переменных расходов, ассоциированных с этой выручкой (т.е. переменных затрат, связанных именно с теми продуктами, которые формируют эту выручку).
Таким образом, использовать ARPU (Average Revenue Per User; средняя выручка на пользователя) для исчисления LTV, строго говоря, некорректно. В этих целях следует оперировать маржинальной прибылью. Метрику, аналогичную ARPU, но построенную на марже, называют AMPU (Average Margin Per User).
Однако, почему же тогда Василий Сабиров в ebook "Lifetime Value: главная метрика проекта" использует ARPU для расчета LTV? Дело в том, что его книга хоть и описывает универсальные подходы к исчислению LTV, но все-таки больше ориентирована на специалистов в области игровой аналитики. В игровой аналитике Revenue, очищенный от комиссии сторов, по сути, уже соответствует маржинальной прибыли.
Кроме того, существует огромное количество бизнесов, для которых посчитать AMPU на практике не представляется возможным. Как правило, эти бизнесы лежат в плоскости реального сектора экономики. В таком случае, единственным выходом будет исчисление LTV на основе выручки. Криминально? Нет, отнюдь.
Считается, что если вычислять LTV на основе выручки, то некорректных выводов не избежать. Но на самом деле весь вопрос в том, что мы планируем дальше делать с полученным таким образом LTV. LTV=500$ — это хорошо или плохо? А 300$, 3000$ — это много или мало? По большому счету, из этих цифр сложно сделать какие-либо значимые выводы, не соотнеся их с некой расходной составляющей. LTV без соотнесения с CAC (или CARC) — это метрика, повисшая в воздухе. LTV:CAC ratio — конечная цель вычисления самого LTV.
Но если для LTV:CAC ratio используется LTV на основе выручки, то соотношение будет завышенным относительно реальности? И да, и нет. Если команда аналитиков понимает экономику бизнеса, то, сопоставляя LTV и CAC, она не будет ориентироваться на какое-то общепринятое соотношение вроде LTV:CAC > 3. Команда задаст рациональную норму данного соотношения уже с учетом того, что LTV не очищен от переменных расходов.
Таким образом, если у вас по тем или иным причинам нет возможности считать LTV на основе маржи, то считайте по выручке. Считайте LTV. Вникайте в суть, копайте глубоко и не бойтесь ошибиться! Ведь не ошибается только тот, кто не считает LTV.
Игорь Кузин, Co-founder&CEO в Smart'е
P.S. Несмотря на то, что мы говорим о расчете LTV уже во втором приближении, мы сказали далеко не все об этой интереснейшей метрике. CLV и LTV — это одна и та же метрика? Как же все-таки решают проблему определения Lifetime на практике? Следует ли применять дисконтирование для вычисления LTV? Как корректно считать CAC в контексте LTV:CAC ratio? С чем еще, кроме CAC, целесообразно сопоставлять LTV? Поговорим об этом в следующих выпусках!
👍4🔥3
Использование Google Analytics может быть признано незаконным в ЕС
С таким заголовком вышла заметка Игоря Кузина на VC.
👉 ссылка на публикацию
Светлана Зайцева, слоник в Smart'е
С таким заголовком вышла заметка Игоря Кузина на VC.
👉 ссылка на публикацию
Светлана Зайцева, слоник в Smart'е
🔥3
Что означает "Matomo"?
Как и обещал в сегодняшней статье на VC, рассказываю)
Matomo - сервис интернет-статистики, аналог Google Analytics (ранее назывался Piwik) был основан выходцем из Новой Зеландии Мэтью Аубру в 2007г. В команде разработчиков много ребят из соседних регионов, в том числе есть разработчики и из Японии.
"Matomo" — это японское слово. Оно означает "честный", т.е. Matomo задуман как честная альтернатива GA с фокусом на защите персональных данных.
Один японский разработчик рассказывал, что он был немало озадачен, когда Мэтью выбрал японское "matomo" для ребрендинга. Дело в том, что это слово употребляется в специфическом контексте, что-то вроде "бедный, но честный". Например, "раньше он пил, а теперь работает и живет matomo".
В общем в ДНК Matomo зашито "честное и недорогое решение".
Игорь Кузин, Co-founder&CEO в Smart'е
Как и обещал в сегодняшней статье на VC, рассказываю)
Matomo - сервис интернет-статистики, аналог Google Analytics (ранее назывался Piwik) был основан выходцем из Новой Зеландии Мэтью Аубру в 2007г. В команде разработчиков много ребят из соседних регионов, в том числе есть разработчики и из Японии.
"Matomo" — это японское слово. Оно означает "честный", т.е. Matomo задуман как честная альтернатива GA с фокусом на защите персональных данных.
Один японский разработчик рассказывал, что он был немало озадачен, когда Мэтью выбрал японское "matomo" для ребрендинга. Дело в том, что это слово употребляется в специфическом контексте, что-то вроде "бедный, но честный". Например, "раньше он пил, а теперь работает и живет matomo".
В общем в ДНК Matomo зашито "честное и недорогое решение".
Игорь Кузин, Co-founder&CEO в Smart'е
🔥3👍1
Вот такой слайд мы включали в коммерческие предложения Smart'а на протяжении лета-осени прошлого года. Но потенциальные пользователи в основном относились к этим рискам как к "страшилке", поэтому к зиме включать в КП перестали.
Светлана Зайцева, специалист горячей линии психологической поддержки в Smart'е
Светлана Зайцева, специалист горячей линии психологической поддержки в Smart'е
Вышка приглашает к сотрудничеству
Вчера состоялось открытие очередного потока программы Высшей Школы Бизнеса НИУ ВШЭ "Сквозная аналитика в маркетинге". Программы, которая уже несколько лет помогает современным маркетологам и продактам прокачивать свою экспертизу в области маркетинговой аналитики.
Однако за последние несколько месяцев IT-ландшафт претерпел существенные изменения. В связи с этим Вышка в рамках курса приглашает к сотрудничеству разработчиков отечественного софта для участия в программе. Особенный интерес представляют производители ПО в области ETL/ELT, data warehousing решений и BI-систем.
По вопросам сотрудничества обращайтесь: hello.russia [злая собака] smartanalytics.io
Светлана Зайцева, крот в Smart'е
Вчера состоялось открытие очередного потока программы Высшей Школы Бизнеса НИУ ВШЭ "Сквозная аналитика в маркетинге". Программы, которая уже несколько лет помогает современным маркетологам и продактам прокачивать свою экспертизу в области маркетинговой аналитики.
Однако за последние несколько месяцев IT-ландшафт претерпел существенные изменения. В связи с этим Вышка в рамках курса приглашает к сотрудничеству разработчиков отечественного софта для участия в программе. Особенный интерес представляют производители ПО в области ETL/ELT, data warehousing решений и BI-систем.
По вопросам сотрудничества обращайтесь: hello.russia [злая собака] smartanalytics.io
Светлана Зайцева, крот в Smart'е
🔥3👍1
Параметры и показатели. Или как вычислить аналитический бэкграунд собеседника
Давным давно, вдалекой галактике интерфейсе Google Analytics некий незатейливый локализатор перевел с английского слово "dimension" как "параметр". С тех пор это слово прочно вошло в обиход специалистов, причастных к анализу данных в диджитал-маркетинге.
Параметр — это признак, объединяющий ряд текстовых значений. Например, цвет глаз, марка авто или день недели — это все параметры. Сами же эти текстовые сущности называют значениями параметров. В данном примере это, соответственно, голубые/карие, Toyota/Lexus, понедельник/вторник.
Спустя какое-то время российскому пользователю стало понятно, что перевод не самый удачный и "dimension" корректнее было бы перевести как "измерение". Но все привыкли, и менять никто ничего уже не стал. Однако пользователи иностранных BI-решений не попали под дурное влияние Google Analytics и логичным образом оперировали понятием "измерение". Кстати, Яндекс.Метрика тоже не пошла на поводу у GA и назвала измерения "группировками".
Похожая история случилась и с "показателями", как их называет русскоязычный Google Analytics.
Показатель — числовая величина, описывающая состояние значений параметров. Например, объем продаж или % отказов — это показатели. 100% синонимы: метрика, мера. "Метрика" — более употребимо в области продуктовой аналитики, а "мера" в среде BI-специалистов.
Резюме: базовые термины, которыми оперирует ваш собеседник, могут многое рассказать о его аналитическом бэкграунде:
— "параметры и показатели": опыт в интернет-маркетинге, опыт работы с GA и, весьма вероятно, с другими продуктами, составляющими "гугловский стэк";
— "группировки и метрики": аналогично кейсу выше, только свой путь в аналитике начинал с Яндекс.Метрики;
— "измерения и меры": за плечами опыт работы с BI-отчетностью;
— если все мысли вашего собеседника о метриках (продуктовых и бизнесовых), он горячо дискутирует о них, и эта дискуссия подчас принимает теологический характер — можете быть уверены, что перед вами продакт-менеджер.
Скромным лайфхаком поделился Игорь Кузин, Co-founder&CEO в Smart'е
Давным давно, в
Параметр — это признак, объединяющий ряд текстовых значений. Например, цвет глаз, марка авто или день недели — это все параметры. Сами же эти текстовые сущности называют значениями параметров. В данном примере это, соответственно, голубые/карие, Toyota/Lexus, понедельник/вторник.
Спустя какое-то время российскому пользователю стало понятно, что перевод не самый удачный и "dimension" корректнее было бы перевести как "измерение". Но все привыкли, и менять никто ничего уже не стал. Однако пользователи иностранных BI-решений не попали под дурное влияние Google Analytics и логичным образом оперировали понятием "измерение". Кстати, Яндекс.Метрика тоже не пошла на поводу у GA и назвала измерения "группировками".
Похожая история случилась и с "показателями", как их называет русскоязычный Google Analytics.
Показатель — числовая величина, описывающая состояние значений параметров. Например, объем продаж или % отказов — это показатели. 100% синонимы: метрика, мера. "Метрика" — более употребимо в области продуктовой аналитики, а "мера" в среде BI-специалистов.
Резюме: базовые термины, которыми оперирует ваш собеседник, могут многое рассказать о его аналитическом бэкграунде:
— "параметры и показатели": опыт в интернет-маркетинге, опыт работы с GA и, весьма вероятно, с другими продуктами, составляющими "гугловский стэк";
— "группировки и метрики": аналогично кейсу выше, только свой путь в аналитике начинал с Яндекс.Метрики;
— "измерения и меры": за плечами опыт работы с BI-отчетностью;
— если все мысли вашего собеседника о метриках (продуктовых и бизнесовых), он горячо дискутирует о них, и эта дискуссия подчас принимает теологический характер — можете быть уверены, что перед вами продакт-менеджер.
Скромным лайфхаком поделился Игорь Кузин, Co-founder&CEO в Smart'е
🏆 Smart Data Hub стал победителем конкурса 9-ого сезона бизнес-акселератора «Физтех.Старт»
И пока мы с радостью принимаем ваши поздравления и продолжаем автоматизировать рутинные аналитические процессы - читайте честное интервью CEO Smart Data Hub, Игоря Кузина, о развитии платформы для автоматизации аналитики на базе ИИ, ставьте лайки и сохраняйте в закладки!❤️
https://vc.ru/life/479783-startap-eto-sinonim-slova-bol-chestnyy-rasskaz-osnovatelya-o-razvitii-servisa-smart-data-hub
Светлана Зайцева, бабочка в Smart'е
И пока мы с радостью принимаем ваши поздравления и продолжаем автоматизировать рутинные аналитические процессы - читайте честное интервью CEO Smart Data Hub, Игоря Кузина, о развитии платформы для автоматизации аналитики на базе ИИ, ставьте лайки и сохраняйте в закладки!❤️
https://vc.ru/life/479783-startap-eto-sinonim-slova-bol-chestnyy-rasskaz-osnovatelya-o-razvitii-servisa-smart-data-hub
Светлана Зайцева, бабочка в Smart'е
🔥9👍6❤5👏3
Про метрики, KPI и закон Гудхарта
Общаясь со слушателями программы по сквозной аналитике в Вышке, я рекомендую формировать KPI из комбинации абсолютной и относительной метрик. Например, если поставить маркетингу KPI только на цену сделки, то руководитель рискует получить выполненный KPI при критически низком количестве самих этих сделок. Хороший KPI звучит как что-то вроде "получить N сделок в среднем по цене M за сделку за период K".
Но на практике некоторые KPI сформировать сложнее, чем кажется. "Когда метрика становится KPI, она перестает быть хорошей метрикой" — гласит закон Гудхарта в вольном переводе вашего покорного слуги. Я люблю приводить медицинский пример. "Доля успешных операций"— этот показатель выглядит как отличная метрика для оценки работа хирурга. Но давайте на минуту представим, что эта метрика становится KPI для всех хирургов страны. Главным результатом такого подхода станет... невозможность записи на операцию людей, страдающих тяжелыми (читай "не перспективными") формами заболеваний. Ведь вся карьера хирургов теперь будет привязана к % успешных операций, а такие больные просто портят им статистику!
А вот и другой пример из сферы маркетинга и продаж. После внедрения сквозной аналитики в компании вдруг резко упало качество лидов и, соответственно, продаж. Все больше лидов попадали в спам или по иным причинам не становились квалифицированными лидами. Потребовалась большая работа команды аналитиков, чтобы доказать, что проблема этого чудесного обвала где-то на стороне продаж. Выяснилось, что после внедрения сквозной аналитики департамент продаж получил новый KPI — % конверсии в качественный лид из заявки. Менеджеры по продажам быстро смекнули, что если все сложные лиды выпилить из воронки, то KPI взлетит до небес!
Мораль: формируя KPI, помните о законе Гудхарта.
Игорь Кузин, Co-founder&CEO в Smart'е
Общаясь со слушателями программы по сквозной аналитике в Вышке, я рекомендую формировать KPI из комбинации абсолютной и относительной метрик. Например, если поставить маркетингу KPI только на цену сделки, то руководитель рискует получить выполненный KPI при критически низком количестве самих этих сделок. Хороший KPI звучит как что-то вроде "получить N сделок в среднем по цене M за сделку за период K".
Но на практике некоторые KPI сформировать сложнее, чем кажется. "Когда метрика становится KPI, она перестает быть хорошей метрикой" — гласит закон Гудхарта в вольном переводе вашего покорного слуги. Я люблю приводить медицинский пример. "Доля успешных операций"— этот показатель выглядит как отличная метрика для оценки работа хирурга. Но давайте на минуту представим, что эта метрика становится KPI для всех хирургов страны. Главным результатом такого подхода станет... невозможность записи на операцию людей, страдающих тяжелыми (читай "не перспективными") формами заболеваний. Ведь вся карьера хирургов теперь будет привязана к % успешных операций, а такие больные просто портят им статистику!
А вот и другой пример из сферы маркетинга и продаж. После внедрения сквозной аналитики в компании вдруг резко упало качество лидов и, соответственно, продаж. Все больше лидов попадали в спам или по иным причинам не становились квалифицированными лидами. Потребовалась большая работа команды аналитиков, чтобы доказать, что проблема этого чудесного обвала где-то на стороне продаж. Выяснилось, что после внедрения сквозной аналитики департамент продаж получил новый KPI — % конверсии в качественный лид из заявки. Менеджеры по продажам быстро смекнули, что если все сложные лиды выпилить из воронки, то KPI взлетит до небес!
Мораль: формируя KPI, помните о законе Гудхарта.
Игорь Кузин, Co-founder&CEO в Smart'е
👍17🔥5❤2
"Маленькие мумзики мумзили мумзят" или ох уж эта уникальная отраслевая специфика
В физматшколах любят давать задачки с такими вот забавными условиями. Они не столько разнообразят учебный процесс (яблоки и килограммы быстро загоняют в тоску), сколько учат детей возводить проблему/решение на более высокий уровень абстракции. Ты просто не можешь до конца осмыслить, что стоит за этими безумными "мумзиками", "плокотунами", и зачем им эти "жужы" в течение каких-то "долгиков". Ничего не остается, кроме как максимально обобщить проблему, оцифровать ее, а там уже и недалеко до решения.
Этот подход (да что уж там, подходище!) на 100% применим и в аналитике. Мне нередко доводится слышать от потенциальных пользователей вопросы вроде: "А вы уже работали с производителями мумзических мумзят?" И вся соль этого вопроса в том, что пользователь уверен в глубочайшей отраслевой специфике мумзической сферы, которая уж точно больше нигде не встречается. Но, погружаясь в бизнес, проектная команда видит все те же типовые задачи, которые решаются через аналитическую механику A в комбинации с B, а в кейсах C применяется D.
Например, универсальная аналитическая механика "когортный анализ" применяется для решения отраслевых задач в демографии (чаще называют "поколенческий анализ"), медицине (там это никак не называют, просто без этого не работает), в задачах маркировки продукции, маркетинге, продуктовой аналитике и других сферах.
К чему бы это я?
Да просто я запилил небольшое видео о работе с данными в Smart Data Hub! По ссылке вас ждут: 100% универсальные аналитические механики, no-code и неуклюжая озвучка в моем собственном исполнении!
Видео по ссылке (тык!) 👈
Вообще-то и так понятно кто писал, но Света говорит, что у нас формат, поэтому вот: Игорь Кузин, Co-founder&CEO в Smart'е
P.S.: Этого видео нет в открытом доступе, оно доступно только по ссылке и только временно. Но это не точно.
В физматшколах любят давать задачки с такими вот забавными условиями. Они не столько разнообразят учебный процесс (яблоки и килограммы быстро загоняют в тоску), сколько учат детей возводить проблему/решение на более высокий уровень абстракции. Ты просто не можешь до конца осмыслить, что стоит за этими безумными "мумзиками", "плокотунами", и зачем им эти "жужы" в течение каких-то "долгиков". Ничего не остается, кроме как максимально обобщить проблему, оцифровать ее, а там уже и недалеко до решения.
Этот подход (да что уж там, подходище!) на 100% применим и в аналитике. Мне нередко доводится слышать от потенциальных пользователей вопросы вроде: "А вы уже работали с производителями мумзических мумзят?" И вся соль этого вопроса в том, что пользователь уверен в глубочайшей отраслевой специфике мумзической сферы, которая уж точно больше нигде не встречается. Но, погружаясь в бизнес, проектная команда видит все те же типовые задачи, которые решаются через аналитическую механику A в комбинации с B, а в кейсах C применяется D.
Например, универсальная аналитическая механика "когортный анализ" применяется для решения отраслевых задач в демографии (чаще называют "поколенческий анализ"), медицине (там это никак не называют, просто без этого не работает), в задачах маркировки продукции, маркетинге, продуктовой аналитике и других сферах.
К чему бы это я?
Да просто я запилил небольшое видео о работе с данными в Smart Data Hub! По ссылке вас ждут: 100% универсальные аналитические механики, no-code и неуклюжая озвучка в моем собственном исполнении!
Видео по ссылке (тык!) 👈
Вообще-то и так понятно кто писал, но Света говорит, что у нас формат, поэтому вот: Игорь Кузин, Co-founder&CEO в Smart'е
P.S.: Этого видео нет в открытом доступе, оно доступно только по ссылке и только временно. Но это не точно.
❤9🔥7👍6
Просто о BI
Наш CEO дал интервью порталу ProКачество о BI-системах, где простым языком (и без свойственного ему академического занудства) рассказал о BI и его главных отличиях от Excel: ссыль (тык!) 👈
Псс... Говорят, что следующая статья должна быть о том, почему BI-системам суждено умереть. Но если что, я вам этого не говорила 👀
Светлана Зайцева, главный подпольщик в Smart Data Hub. Как говорится, "все больше людей нашу тайну хранит" :)
Наш CEO дал интервью порталу ProКачество о BI-системах, где простым языком (и без свойственного ему академического занудства) рассказал о BI и его главных отличиях от Excel: ссыль (тык!) 👈
Псс... Говорят, что следующая статья должна быть о том, почему BI-системам суждено умереть. Но если что, я вам этого не говорила 👀
Светлана Зайцева, главный подпольщик в Smart Data Hub. Как говорится, "все больше людей нашу тайну хранит" :)
👍10👏6❤3🔥3
https://www.ntv.ru/novosti/amp/2790608
Smart Data Hub вошел в число победителей акселератора SBER500. Команда прошла жесткий отбор среди более чем тысячи компаний из 36 стран.
Ви а зе чемпьенс, май фрэнд! 🏆
Светлана Зайцева, бурундук в Smart Data Hub. Коплю новости и никому о них не рассказываю
Smart Data Hub вошел в число победителей акселератора SBER500. Команда прошла жесткий отбор среди более чем тысячи компаний из 36 стран.
Ви а зе чемпьенс, май фрэнд! 🏆
Светлана Зайцева, бурундук в Smart Data Hub. Коплю новости и никому о них не рассказываю
🔥22❤5❤🔥3👏2🎉2
Нет ничего лучше честного клиентского фидбэка 😍
«Ключевой особенностью Smart Data Hub является умение работать с большими массивами данных, загружаемых из различных систем. Алгоритмы инструмента формируют инсайты, позволяющие увидеть отклонения от нормы и понять, как усовершенствовать клиентский путь. Более 40 инсайтов было сгенерировано на основе массива данных Яндекс.Метрики», — комментирует Александр Смирнов, заместитель руководителя департамента маркетинга и рекламы – начальник управления цифрового маркетинга ВТБ.
Подробности кейса на официальном сайте ВТБ: https://www.vtb.ru/about/press/news/?id=200576
Светлана Зайцева, не удержалась и запостила
«Ключевой особенностью Smart Data Hub является умение работать с большими массивами данных, загружаемых из различных систем. Алгоритмы инструмента формируют инсайты, позволяющие увидеть отклонения от нормы и понять, как усовершенствовать клиентский путь. Более 40 инсайтов было сгенерировано на основе массива данных Яндекс.Метрики», — комментирует Александр Смирнов, заместитель руководителя департамента маркетинга и рекламы – начальник управления цифрового маркетинга ВТБ.
Подробности кейса на официальном сайте ВТБ: https://www.vtb.ru/about/press/news/?id=200576
Светлана Зайцева, не удержалась и запостила
🔥15🤩2👏1🎉1
8 февраля в 16:00 мы проведем онлайн-конференцию про инструменты повышения конверсии в digital в эпоху искусственного интеллекта – Digital-ИИнсайты.
ИИ — способен бустить маркетинг, генерировать гипотезы и... даже анализировать рекламу и маркетинг на автопилоте! Маркетологи, которые эффективно интегрировали ИИ-инструменты в свою работу уже готовы поделиться своими ИИнсайтами.
👉 Регистрация уже открыта
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥12❤3🤩3👍2🤯1
🎙 Увидимся в 16:00 на Digital-ИИнсайтах
Расскажу, как автоматическая аналитика на базе ИИ помогает кратно увеличивать сквозную конверсию, и покажу огненные кейсы!
Кроме меня еще выступят:
🔵 Александр Соловьев, co-founder Refocus, ex co-founder Qmarketing Academy, расскажет, как с помощью Chat GPT и AI сейлзов увеличить ROMI.
🔵 Константин Рудов, главред SMMplaner, расскажет о роли нейросетей в генерации маркетингового контента.
🔵 Евгений Чуранов, директор по маркетингу WebCanape, расскажет, как использовать digital-каналы для продвижения сложных продуктов.
👉 регистрация закончится в 16:00, записи не будет
Расскажу, как автоматическая аналитика на базе ИИ помогает кратно увеличивать сквозную конверсию, и покажу огненные кейсы!
Кроме меня еще выступят:
🔵 Александр Соловьев, co-founder Refocus, ex co-founder Qmarketing Academy, расскажет, как с помощью Chat GPT и AI сейлзов увеличить ROMI.
🔵 Константин Рудов, главред SMMplaner, расскажет о роли нейросетей в генерации маркетингового контента.
🔵 Евгений Чуранов, директор по маркетингу WebCanape, расскажет, как использовать digital-каналы для продвижения сложных продуктов.
👉 регистрация закончится в 16:00, записи не будет
🔥8❤3👏2💯2👍1
Забежали в гости на минуточку к SalesOnFire и задержались на часок
Честно и без купюр пообщались Роман Магдаленко и Антон Борода с основателем и CEO Smart Data Hub. Подслушать подкаст можно тут , а подсмотреть тут . Если честно, то я уже сделала и то, и другое 👀. Теперь по секрету могу рассказать пару-тройку инсайтов, но только по секрету и только директорам по маркетингу, но только если вы больше никому не расскажете.
Светлана Зайцева, просто поделилась ссылочкой
Честно и без купюр пообщались Роман Магдаленко и Антон Борода с основателем и CEO Smart Data Hub. Подслушать подкаст можно тут , а подсмотреть тут . Если честно, то я уже сделала и то, и другое 👀. Теперь по секрету могу рассказать пару-тройку инсайтов, но только по секрету и только директорам по маркетингу, но только если вы больше никому не расскажете.
Светлана Зайцева, просто поделилась ссылочкой
2 выпуск 3 сезона
Данные хотят продавать больше, но люди мешают / Игорь Кузин — Подкаст «Продажи в огне / Sales on Fire»
Данные хотят продавать больше, но люди мешают / Игорь КузинПрорывные технологии в продажах и маркетинге: как ИИ меняет правила игрыВ эпоху цифровизации продаж и маркетинга ключевую роль начинают играть не только новаторские идеи, но и передовые техно
🔥9❤3👏3🤩1
ИИ-ДРАЙВ: инструменты сквозной аналитики на базе ИИ
Тема ИИ ловит хайп. Только ленивый сейчас не говорит о внедрении искусственного интеллекта, а на деле обсуждают, как сгенерить картинки в Midjourney или правильно задать вопрос ChatGPT.
Но на ИИ-ДРАЙВ все иначе. 11 апреля в 11:00 мы проведем конференцию, посвященную инструментам сквозной аналитики на базе ИИ и передовым разработкам в области увеличения отдачи от диджитал-маркетинга.
👉 Подробнее тут
*Ивент пройдет в онлайн-формате, записи не будет
Тема ИИ ловит хайп. Только ленивый сейчас не говорит о внедрении искусственного интеллекта, а на деле обсуждают, как сгенерить картинки в Midjourney или правильно задать вопрос ChatGPT.
Но на ИИ-ДРАЙВ все иначе. 11 апреля в 11:00 мы проведем конференцию, посвященную инструментам сквозной аналитики на базе ИИ и передовым разработкам в области увеличения отдачи от диджитал-маркетинга.
👉 Подробнее тут
*Ивент пройдет в онлайн-формате, записи не будет
🔥6❤3👍1👏1🤩1