Чем живут продуктовые и дата-аналитики
Ребята из NEWHR Data наконец-то опубликовали результаты масштабного исследования рынка русскоязычных продуктовых и дата-аналитиков. Респонденты (в основном опытные аналитики грейдов middle и выше) ответили на десятки вопросов.
В числе прочего:
🔹 Как изменились их зарплаты за прошлый год;
🔹 В каких компаниях хотят и не очень хотят работать;
🔹 Что поменялось в приоритетах кандидатов и их взглядах на рынок за последние три года;
🔹 Что ценят в работодателях и считают «хорошей аналитической культурой»;
🔹 Чем занимаются в своей повседневной работе;
🔹 В каких странах живут и хотели бы жить.
Есть любопытные инсайты. Всегда интересно посмотреть, чем живут твои коллеги 🤓
Ребята из NEWHR Data наконец-то опубликовали результаты масштабного исследования рынка русскоязычных продуктовых и дата-аналитиков. Респонденты (в основном опытные аналитики грейдов middle и выше) ответили на десятки вопросов.
В числе прочего:
🔹 Как изменились их зарплаты за прошлый год;
🔹 В каких компаниях хотят и не очень хотят работать;
🔹 Что поменялось в приоритетах кандидатов и их взглядах на рынок за последние три года;
🔹 Что ценят в работодателях и считают «хорошей аналитической культурой»;
🔹 Чем занимаются в своей повседневной работе;
🔹 В каких странах живут и хотели бы жить.
Есть любопытные инсайты. Всегда интересно посмотреть, чем живут твои коллеги 🤓
👍20🔥5❤1🦄1
Понедельник. Утро. Дайджест – в ленте.
Время бизнеса с жесткой иерархией прошло. Сегодня выживают только гибкие компании с адаптивной системой управления. Agile-подход изменил и финансовую организацию бизнеса. Теперь руководители продуктовых и функциональных команд должны сами планировать свои финансовые показатели и нести ответственность за доходы, расходы, прибыль/убыток и инвестиции. Денис Дубовцев, автор книги «Профессия финансист» рассказал, как экологично поделить ответственность за финансовые показатели продукта внутри компании. Например, нужно автоматизировать систему создания финансовых отчетов, обсуждать цифры после каждого закрытого месяца и на основе их корректировать запланированные показатели.
Бизнес-секреты рассказали, что такое проект и как им управлять. Причем не важно, мы говорим о разработке продукта или освоении новой профессии. Проект – это набор шагов на пути к достижению результата (например, готового продукта или приема на работу). Статья, в первую очередь, будет полезна начинающим руководителям. Она рассказывает про 5 процессов управления проектом – инициация, планирование, реализация, мониторинг и контроль, завершение. В статье также разбираются популярные методы управления: Waterfall, Scrum и Kanban. Автор дает советы, когда важно делегировать задачу и как перераспределять ресурсы. В конце – список полезных книг и статей.
Разведочный анализ данных (EDA) – это подход к анализу наборов данных с целью обобщить их основные характеристики. Процесс энергозатратный, но крайне полезный. Он позволяет максимально вникнуть в данные, выбрать ключевые переменные, обнаружить отклонения и аномалии. Важный инструмент метода – визуализация данных. Можно ли пропустить EDA и перейти сразу к выводам? Почти всегда нет. Автор на Хабре пояснила несколько статистических феноменов (например, квартет Энскомба и парадокс Симпсона), при которых полный анализ всех переменных – единственный способ избежать ложных выводов.
#дайджест
Время бизнеса с жесткой иерархией прошло. Сегодня выживают только гибкие компании с адаптивной системой управления. Agile-подход изменил и финансовую организацию бизнеса. Теперь руководители продуктовых и функциональных команд должны сами планировать свои финансовые показатели и нести ответственность за доходы, расходы, прибыль/убыток и инвестиции. Денис Дубовцев, автор книги «Профессия финансист» рассказал, как экологично поделить ответственность за финансовые показатели продукта внутри компании. Например, нужно автоматизировать систему создания финансовых отчетов, обсуждать цифры после каждого закрытого месяца и на основе их корректировать запланированные показатели.
Бизнес-секреты рассказали, что такое проект и как им управлять. Причем не важно, мы говорим о разработке продукта или освоении новой профессии. Проект – это набор шагов на пути к достижению результата (например, готового продукта или приема на работу). Статья, в первую очередь, будет полезна начинающим руководителям. Она рассказывает про 5 процессов управления проектом – инициация, планирование, реализация, мониторинг и контроль, завершение. В статье также разбираются популярные методы управления: Waterfall, Scrum и Kanban. Автор дает советы, когда важно делегировать задачу и как перераспределять ресурсы. В конце – список полезных книг и статей.
Разведочный анализ данных (EDA) – это подход к анализу наборов данных с целью обобщить их основные характеристики. Процесс энергозатратный, но крайне полезный. Он позволяет максимально вникнуть в данные, выбрать ключевые переменные, обнаружить отклонения и аномалии. Важный инструмент метода – визуализация данных. Можно ли пропустить EDA и перейти сразу к выводам? Почти всегда нет. Автор на Хабре пояснила несколько статистических феноменов (например, квартет Энскомба и парадокс Симпсона), при которых полный анализ всех переменных – единственный способ избежать ложных выводов.
#дайджест
👍11🔥2
Милый котенок-аналитик в очках, а вокруг дашборды с графиками.
Именно такой промпт я использовал чтобы сгенерировать эту картинку в YandexART. Получилось прикольно, ведь примерно так мы и выглядим 😃
Yandex AI Rendering Technology (YandexART) — диффузионная нейросеть, которая создаёт изображения в ответ на текстовые запросы. Она обучалась на примере 330 миллионов картинок с описанием, знает российский культурный код и использует особый алгоритм распознавания текстов, чтобы точнее понимать пожелания пользователей.
Модель формирует изображения методом каскадной диффузии: сначала генерирует картинки и кадры в соответствии с запросом пользователя, а затем поэтапно увеличивает их разрешение, насыщая деталями. Это позволяет создавать более реалистичную и детализированную графику. Подробнее о качестве и особенностях обучения YandexART можно прочитать на Хабре.
👍15❤6👎1
Сегодня разберем построение пирамиды метрик. Оно занимает 6 шагов. Первые четыре лучше прорабатывать всей командой в Miro, созвав представителей бизнеса, маркетинг, владельца продукта, аналитиков, тех лидов и др. Последние шаги предоставьте аналитикам.
1️⃣ Постановка бизнес-цели. Возможно, вас интересует привлечение инвестиций или монетизация. Постарайтесь правильно определить цель. Она – залог хорошо подобранных метрик.
2️⃣ Брейншторм метрик. Мы перечисляем уже имеющиеся метрики и задаем себе вопрос: что еще мы хотим отслеживать? Отмечайте на доске, какие метрики вы уже отслеживаете, а какие нет. Так мы закладываем скоуп будущих работ.
3️⃣ Классификация. Теперь мы раскладываем метрики по пирамиде и определяем их иерархию. Для этого внутри каждого слоя мы выбираем NSM и декомпозируем ее.
Классификация показывает гиперфокус и слепые пятна. Гиперфокус – это переизбыток похожих по смыслу метрик в одном из слоев. Чтобы избавиться от него, мы выбираем один наиболее подходящий показатель и отбрасываем другие.
Слепое пятно – это слой пирамиды, на котором почти нет метрик. Часто оно выпадает на продуктовые слои качества и ценности. В этом случае команде нужно заняться поиском «боли» пользователя, которую снимает продукт, и после подобрать метрики к найденному решению.
4️⃣ Ревью. Мы проходимся по метрикам в пирамиде и задаем проверочные вопросы по типу является ли метрика хорошей или на что она влияет. Метрики, провалившие опрос, покидают доску.
5️⃣ Анализ метрик. Аналитики изучают распределение каждой метрики по пользователям, ее ретроспективную динамику и связь с другими метриками. Анализ подсвечивает, как на самом деле пользователь взаимодействует с продуктом. Зная это, вам будет проще объяснить аномалии на графиках.
6️⃣ Документирование и внедрение. Пирамиду важно задокументировать, а каждую метрику представить в виде SQL-кода. Аналитики должны договориться, как именно будут считать каждую метрику. Последним наступает черед визуализации: аналитики обновляют старые и создают новые дашборды.
#метрики
1️⃣ Постановка бизнес-цели. Возможно, вас интересует привлечение инвестиций или монетизация. Постарайтесь правильно определить цель. Она – залог хорошо подобранных метрик.
2️⃣ Брейншторм метрик. Мы перечисляем уже имеющиеся метрики и задаем себе вопрос: что еще мы хотим отслеживать? Отмечайте на доске, какие метрики вы уже отслеживаете, а какие нет. Так мы закладываем скоуп будущих работ.
3️⃣ Классификация. Теперь мы раскладываем метрики по пирамиде и определяем их иерархию. Для этого внутри каждого слоя мы выбираем NSM и декомпозируем ее.
Классификация показывает гиперфокус и слепые пятна. Гиперфокус – это переизбыток похожих по смыслу метрик в одном из слоев. Чтобы избавиться от него, мы выбираем один наиболее подходящий показатель и отбрасываем другие.
Слепое пятно – это слой пирамиды, на котором почти нет метрик. Часто оно выпадает на продуктовые слои качества и ценности. В этом случае команде нужно заняться поиском «боли» пользователя, которую снимает продукт, и после подобрать метрики к найденному решению.
4️⃣ Ревью. Мы проходимся по метрикам в пирамиде и задаем проверочные вопросы по типу является ли метрика хорошей или на что она влияет. Метрики, провалившие опрос, покидают доску.
5️⃣ Анализ метрик. Аналитики изучают распределение каждой метрики по пользователям, ее ретроспективную динамику и связь с другими метриками. Анализ подсвечивает, как на самом деле пользователь взаимодействует с продуктом. Зная это, вам будет проще объяснить аномалии на графиках.
6️⃣ Документирование и внедрение. Пирамиду важно задокументировать, а каждую метрику представить в виде SQL-кода. Аналитики должны договориться, как именно будут считать каждую метрику. Последним наступает черед визуализации: аналитики обновляют старые и создают новые дашборды.
#метрики
❤11👍6
Обычно я читаю около 10 новых статей за неделю и только самое лучшее и интересное идет в дайджест, чтобы сэкономить вам время.
Если понравилось – поставь ❤️
Один из наших коллег-аналитиков опубликовал конспект по всей теории A/В- тестирования в Collab-ноутбуке. Записи основаны на материалах курса по теории и практике А/В тестирования от компании EXPF. Конспект содержит основы статистики, ускорение A/В, ratio-метрики и много чего еще. К некоторым разделам автор подкинул полезных ссылок. Но помните, что конспект – это краткие выжимки. Он пригодится тем, кто уже владеет темой и хочет освежить знания. Если ты новичок, то лучше начни с учебника или курса.
На Хабр залетел начинающий автор с шикарной статьей на тему сегментации и кластеризации временных рядов. Автор применила ML анализ для исследования социальных явлений и событий. В качестве источника данных она взяла интернет-издание Лента.ру и проанализировала новости за год с разбивкой на категории, такие как экологические проблемы, преступления, оружие. Статья, с одной стороны, является красивым примером научного исследования с применением ML. С другой, она выявляет корреляции между новостями. Например, резкий скачок в категории развития бизнеса и торговли произошел из-за начала продажи новых китайских автомобилей после ноября 2023 года, что повлекло сообщения о развитии автомобильной отрасли в России.
Ежедневно аналитики делают выводы о поведении миллионов пользователей крупных приложений, опираясь на данные лишь небольшой части из них – выборке. Но справедливо ли делать выводы о миллионной аудитории по данным 100 пользователей или стоит собрать данные о 1000 пользователей? Чтобы дать ответ на вопрос, автор на Хабр смоделировал тысячу A/A, A/B и A/B/C/D тестов и показал, как параметры эксперимента и статистические критерии влияют на выводы о всей совокупности. В статье вы найдете полезные ссылки для новичков и профи.
#дайджест
Если понравилось – поставь ❤️
Один из наших коллег-аналитиков опубликовал конспект по всей теории A/В- тестирования в Collab-ноутбуке. Записи основаны на материалах курса по теории и практике А/В тестирования от компании EXPF. Конспект содержит основы статистики, ускорение A/В, ratio-метрики и много чего еще. К некоторым разделам автор подкинул полезных ссылок. Но помните, что конспект – это краткие выжимки. Он пригодится тем, кто уже владеет темой и хочет освежить знания. Если ты новичок, то лучше начни с учебника или курса.
На Хабр залетел начинающий автор с шикарной статьей на тему сегментации и кластеризации временных рядов. Автор применила ML анализ для исследования социальных явлений и событий. В качестве источника данных она взяла интернет-издание Лента.ру и проанализировала новости за год с разбивкой на категории, такие как экологические проблемы, преступления, оружие. Статья, с одной стороны, является красивым примером научного исследования с применением ML. С другой, она выявляет корреляции между новостями. Например, резкий скачок в категории развития бизнеса и торговли произошел из-за начала продажи новых китайских автомобилей после ноября 2023 года, что повлекло сообщения о развитии автомобильной отрасли в России.
Ежедневно аналитики делают выводы о поведении миллионов пользователей крупных приложений, опираясь на данные лишь небольшой части из них – выборке. Но справедливо ли делать выводы о миллионной аудитории по данным 100 пользователей или стоит собрать данные о 1000 пользователей? Чтобы дать ответ на вопрос, автор на Хабр смоделировал тысячу A/A, A/B и A/B/C/D тестов и показал, как параметры эксперимента и статистические критерии влияют на выводы о всей совокупности. В статье вы найдете полезные ссылки для новичков и профи.
#дайджест
❤23🔥9👍2
Сегодня хочу поделиться с вами одной классной техникой, которой я пользуюсь, когда нужно принять сложное решение. Она не даёт 100% ответа, но помогает логически разложить решение и взвесить все плюсы и минусы.
Эта техника называется «квадрат Декарта» и была придумана Рене Декартом – французским философом, физиком, математиком и основателем аналитической геометрии.
Обычно, когда мы сталкиваемся с необходимостью принять решение, мы сосредотачиваемся только на одной или двух его особенностях, игнорируя другие важные критерии. Мы задаём себе вопрос: «Что будет, если это произойдёт?» Но этого недостаточно.
Квадрат Декарта похож на классический метод учёта плюсов и минусов, но он позволяет увидеть общую картину и учесть не только позитивные и негативные последствия, но и эффекты от бездействия.
Работать с квадратом Декарта просто:
✔️Делим лист на четыре части.
✔️Вписываем в каждую часть один из вопросов.
✔️Даём подробные ответы.
Вопросы такие:
1️⃣ Что случится, если это произойдет? Здесь мы перечисляем плюсы от принимаемого решения.
2️⃣ Что случится, если это НЕ произойдет? Здесь плюсы, которые получим, если не примем решения.
3️⃣ Что НЕ случится, если это произойдет? Описываем минусы от принимаемого решения, то есть возможные негативные последствия.
4️⃣ Что НЕ случится, если это НЕ произойдет? Этот вопрос относится к потерям, которые мы понесём, если откажемся от решения.
Важно записать как можно больше эффектов, чтобы иметь полную картину. Не стоит полагаться на память.
Квадрат Декарта – универсальный инструмент, который можно использовать в любых сферах: от бытовых задач до управленческих решений. Он не даёт готового ответа, но позволяет представить все выгоды и риски в структурированном виде. Решение формируется на основе этой информации.
❗️И самое главное – если решение принято, отбрасываем все сомнения и без колебаний двигаемся вперед. Это позволяет нам сохранить энергию и сосредоточиться на достижении поставленных целей, не растрачивая силы на бесполезные раздумья.
#опыт
Эта техника называется «квадрат Декарта» и была придумана Рене Декартом – французским философом, физиком, математиком и основателем аналитической геометрии.
Обычно, когда мы сталкиваемся с необходимостью принять решение, мы сосредотачиваемся только на одной или двух его особенностях, игнорируя другие важные критерии. Мы задаём себе вопрос: «Что будет, если это произойдёт?» Но этого недостаточно.
Квадрат Декарта похож на классический метод учёта плюсов и минусов, но он позволяет увидеть общую картину и учесть не только позитивные и негативные последствия, но и эффекты от бездействия.
Работать с квадратом Декарта просто:
✔️Делим лист на четыре части.
✔️Вписываем в каждую часть один из вопросов.
✔️Даём подробные ответы.
Вопросы такие:
1️⃣ Что случится, если это произойдет? Здесь мы перечисляем плюсы от принимаемого решения.
2️⃣ Что случится, если это НЕ произойдет? Здесь плюсы, которые получим, если не примем решения.
3️⃣ Что НЕ случится, если это произойдет? Описываем минусы от принимаемого решения, то есть возможные негативные последствия.
4️⃣ Что НЕ случится, если это НЕ произойдет? Этот вопрос относится к потерям, которые мы понесём, если откажемся от решения.
Важно записать как можно больше эффектов, чтобы иметь полную картину. Не стоит полагаться на память.
Квадрат Декарта – универсальный инструмент, который можно использовать в любых сферах: от бытовых задач до управленческих решений. Он не даёт готового ответа, но позволяет представить все выгоды и риски в структурированном виде. Решение формируется на основе этой информации.
❗️И самое главное – если решение принято, отбрасываем все сомнения и без колебаний двигаемся вперед. Это позволяет нам сохранить энергию и сосредоточиться на достижении поставленных целей, не растрачивая силы на бесполезные раздумья.
#опыт
👍22❤8🔥4
Я наткнулся на Хабр-статью, в которой гейм-дизайнер делится опытом ивент шторминга (Event Storming). Фишка воркшопа – в совместной проработке бизнес-сценариев, синхронизации команд и выработке единого языка. Это отличный способ разложить продукт по полочкам, понять, как он работает (или должен работать). Суть воркшопа проста:
🔹собираем ребят из разных команд (но не более 10 участников);
🔹брейнштормим идеи (продуктовые события, ограничения и др.);
🔹заклеиваем белую доску цветными стикерами (свой цвет для каждого элемента);
🔹вместе прорабатываем структуру и взаимосвязи;
🔹возвращаемся к доске, когда нужно.
Автор статьи на Medium (VPN) потестила ИИ-платформы для аналитиков и сравнила обещания и реальность. Под горячую руку попали Basedash, VizCritique Pro (плагин ChatGPT), Rows, Julius и Polymer Search. Самым многообещающим оказался Polymer Search. Он смог переварить данные и сам построить добротный дашборд. Еще одна из фич: если нажать на знак вопроса рядом с графиком, то программа расскажет о графике, сделает по нему выводы и даже предложит прогнозы. Словом, приятно наблюдать за развитием умных инструментов.
Не знаю, как вы, а я в восторге от Яндекс Нейро. Команда объединила силы Яндекс Поиск и YandexGPT, чтобы мы могли задать вопрос и сразу получить ответ, да еще и с ссылками на источники. Хочешь задать вопрос по картинке – легко. Нейро умеет распознавать изображения. Но для SEO-шников и рекламных агентств это противоречивая новость. С одной стороны, пользователи, получив быстрый ответ, не перейдут на сайт и не увидят рекламу. Это сократит количество кликов и трафик. С другой, при каждом вопросе сервис анализирует 5 наиболее релевантных сайтов и оставляет ссылку на них. Релевантными могут оказаться сайты не только из топ-10 выдачи. Если человек перейдет в источник, то «нетоповый» сайт пробьется через быстрые ответы и получит трафик оттуда. Андрей Сюткин, отвечающий за ML-трек в Нейро, рассказал на Хабре как выглядит архитектура Нейро и как формируются ответы на технологическом уровне.
#дайджест
🔹собираем ребят из разных команд (но не более 10 участников);
🔹брейнштормим идеи (продуктовые события, ограничения и др.);
🔹заклеиваем белую доску цветными стикерами (свой цвет для каждого элемента);
🔹вместе прорабатываем структуру и взаимосвязи;
🔹возвращаемся к доске, когда нужно.
Автор статьи на Medium (VPN) потестила ИИ-платформы для аналитиков и сравнила обещания и реальность. Под горячую руку попали Basedash, VizCritique Pro (плагин ChatGPT), Rows, Julius и Polymer Search. Самым многообещающим оказался Polymer Search. Он смог переварить данные и сам построить добротный дашборд. Еще одна из фич: если нажать на знак вопроса рядом с графиком, то программа расскажет о графике, сделает по нему выводы и даже предложит прогнозы. Словом, приятно наблюдать за развитием умных инструментов.
Не знаю, как вы, а я в восторге от Яндекс Нейро. Команда объединила силы Яндекс Поиск и YandexGPT, чтобы мы могли задать вопрос и сразу получить ответ, да еще и с ссылками на источники. Хочешь задать вопрос по картинке – легко. Нейро умеет распознавать изображения. Но для SEO-шников и рекламных агентств это противоречивая новость. С одной стороны, пользователи, получив быстрый ответ, не перейдут на сайт и не увидят рекламу. Это сократит количество кликов и трафик. С другой, при каждом вопросе сервис анализирует 5 наиболее релевантных сайтов и оставляет ссылку на них. Релевантными могут оказаться сайты не только из топ-10 выдачи. Если человек перейдет в источник, то «нетоповый» сайт пробьется через быстрые ответы и получит трафик оттуда. Андрей Сюткин, отвечающий за ML-трек в Нейро, рассказал на Хабре как выглядит архитектура Нейро и как формируются ответы на технологическом уровне.
#дайджест
❤9👍2👎1
Всех с праздниками!
Автор в блоге Towards Data Science (VPN) поделилась, как с помощью линейной регрессии построить верные причинно-следственные связи. Статья разбирает применение подхода к анализу результатов как A/B-тестов, так и эмпирических наблюдений. Однако в последнем случае следует трезво воспринимать выводы. Ведь мы никогда не можем быть уверены, что учли все факторы. Статья раскрывает принцип «корреляция еще не причинно-следственная связь», а также объясняет разницу между прогнозной аналитикой и причинно-следственным анализом.
Для определения зависимостей между двумя переменными используется коэффициент Пирсона, который измеряет линейные зависимости, и коэффициенты Спирмена и Кендалла для монотонных зависимостей. Но чаще всего нас интересует, есть ли зависимость вообще. И что делать, если она сложнее приведенных выше? Автор следующей статьи (VPN) рассказал о новом коэффициенте корреляции ξ, предложенном в статье A New Coefficient of Correlation в 2020. Он равен нулю, если переменные независимы, и единице, если одна из них является измеримой функцией другой. Новая корреляция сопровождается асимптотической теорией, которая позволяет проводить проверку гипотез, не делая предположений о базовых распределениях.
На Хабре я нашел добротную статью о ratio-метриках и их линеаризации. Автор объясняет, что такое ratio-метрики в A/B-тестах и как (и зачем) их линеаризовать. Он сравнивает линеаризацию с методами предусредненного среднего, бутстрапом и дельта-методом. Линеаризация позволяет преобразовать ratio-метрики к средней пользовательской метрике. Главные преимущества линеаризованной метрики:
🔹легкость подсчета;
🔹сохранение сонаправленности наблюдаемого эффекта с изменением в целевой ratio-метрике;
🔹корректные p-value;
🔹применимость методов CUPED и стратификации.
#дайджест
Автор в блоге Towards Data Science (VPN) поделилась, как с помощью линейной регрессии построить верные причинно-следственные связи. Статья разбирает применение подхода к анализу результатов как A/B-тестов, так и эмпирических наблюдений. Однако в последнем случае следует трезво воспринимать выводы. Ведь мы никогда не можем быть уверены, что учли все факторы. Статья раскрывает принцип «корреляция еще не причинно-следственная связь», а также объясняет разницу между прогнозной аналитикой и причинно-следственным анализом.
Для определения зависимостей между двумя переменными используется коэффициент Пирсона, который измеряет линейные зависимости, и коэффициенты Спирмена и Кендалла для монотонных зависимостей. Но чаще всего нас интересует, есть ли зависимость вообще. И что делать, если она сложнее приведенных выше? Автор следующей статьи (VPN) рассказал о новом коэффициенте корреляции ξ, предложенном в статье A New Coefficient of Correlation в 2020. Он равен нулю, если переменные независимы, и единице, если одна из них является измеримой функцией другой. Новая корреляция сопровождается асимптотической теорией, которая позволяет проводить проверку гипотез, не делая предположений о базовых распределениях.
На Хабре я нашел добротную статью о ratio-метриках и их линеаризации. Автор объясняет, что такое ratio-метрики в A/B-тестах и как (и зачем) их линеаризовать. Он сравнивает линеаризацию с методами предусредненного среднего, бутстрапом и дельта-методом. Линеаризация позволяет преобразовать ratio-метрики к средней пользовательской метрике. Главные преимущества линеаризованной метрики:
🔹легкость подсчета;
🔹сохранение сонаправленности наблюдаемого эффекта с изменением в целевой ratio-метрике;
🔹корректные p-value;
🔹применимость методов CUPED и стратификации.
#дайджест
🔥17
Как прокачаться?
Иногда ко мне приходят за советом по поводу улучшения своих навыков и направления для развития. Меня спрашивают, какие курсы выбрать, чтобы повысить свою ценность на рынке труда. Раньше на подобный запрос я выдавал список курсов: кому-то рекомендовал подтянуть статистику и аб-тестирование, кому-то юнит-экономику, а кому-то Python или SQL. Однако в последнее время я пришел к выводу, что основным фокусом должно стать изучение английского языка.
Знание английского открывает множество ранее закрытых дверей. Это как достигнуть нового уровня в игре или на старте сразу получить прокачанного героя. Теперь вы не ограничены поиском работы только в русскоязычных компаниях – перед вами открыт весь мир.
Более того, множество новых идей и инструментов сначала публикуются на английском и только потом переводятся на русский (если вообще переводятся). Чтение оригинальных материалов – это особый кайф, а получать информацию первым – настоящий бонус, делающий вас на шаг впереди остальных.
Сам я изначально не был фанатом английского. В школе не было хорошего учителя, а в университете этому предмету уделяли мало внимания. Мое отношение к языку сильно изменилось, когда я устроился в международную компанию. Условием при приеме было подтянуть английский до уровня B1 в течение года. Для меня это был вызов, учитывая мой почти нулевой уровень владения языком.
Поделюсь с вами своим способом обучения:
1️⃣ Поиск хорошего репетитора
Сначала мне потребовался репетитор для изучения грамматики. Поиск репетитора – это не так просто, как может показаться. Важно найти того, с кем вам будет комфортно общаться, потому что вы будете видеться очень часто (иногда чаще, чем с близкими людьми). Репетитор обязательно должен иметь опыт обучения или жизни в англоязычной среде. Мне повезло, я нашел такого на платформе Skyeng. Занимаюсь с ним 2-3 раза в неделю.
2️⃣ Присоединение к разговорному клубу
По достижении уровня A2, я понял, что нужна практика и начал посещать разговорные клубы. Офлайн формат работает лучше всего. Мы сидим в кругу, пьем чай, обсуждаем новости недели и разбираем новый топик. Посещение клуба стало для меня еженедельным ритуалом, а все участники –большой дружной семьей.
3️⃣ Расширение словарного запаса
Вам обязательно нужно расширять свой словарный запас. Хотя бы по несколько новых слов в день. Для этого подойдут различные приложения, которые можно найти в сторах. Рекомендую Duolingo или тот же Skyeng.
4️⃣ Использование английского в повседневной жизни и на работе
Если есть возможность, стоит присутствовать на рабочих встречах на английском, даже если вы пока не можете говорить. Просто слушайте и старайтесь понять, о чем идет речь. Если работаете в русскоязычной среде, смотрите видео на YouTube на английском. Я люблю слушать книги, которые читал в детстве, например, Конан Дойля или Жуля Верна.
Самое главное – начать и не останавливаться. Обучение английскому – это не спринт, а марафон. И по ходу марафона перед вами будет открываться множество новых возможностей.
#опыт
Иногда ко мне приходят за советом по поводу улучшения своих навыков и направления для развития. Меня спрашивают, какие курсы выбрать, чтобы повысить свою ценность на рынке труда. Раньше на подобный запрос я выдавал список курсов: кому-то рекомендовал подтянуть статистику и аб-тестирование, кому-то юнит-экономику, а кому-то Python или SQL. Однако в последнее время я пришел к выводу, что основным фокусом должно стать изучение английского языка.
Знание английского открывает множество ранее закрытых дверей. Это как достигнуть нового уровня в игре или на старте сразу получить прокачанного героя. Теперь вы не ограничены поиском работы только в русскоязычных компаниях – перед вами открыт весь мир.
Более того, множество новых идей и инструментов сначала публикуются на английском и только потом переводятся на русский (если вообще переводятся). Чтение оригинальных материалов – это особый кайф, а получать информацию первым – настоящий бонус, делающий вас на шаг впереди остальных.
Сам я изначально не был фанатом английского. В школе не было хорошего учителя, а в университете этому предмету уделяли мало внимания. Мое отношение к языку сильно изменилось, когда я устроился в международную компанию. Условием при приеме было подтянуть английский до уровня B1 в течение года. Для меня это был вызов, учитывая мой почти нулевой уровень владения языком.
Поделюсь с вами своим способом обучения:
1️⃣ Поиск хорошего репетитора
Сначала мне потребовался репетитор для изучения грамматики. Поиск репетитора – это не так просто, как может показаться. Важно найти того, с кем вам будет комфортно общаться, потому что вы будете видеться очень часто (иногда чаще, чем с близкими людьми). Репетитор обязательно должен иметь опыт обучения или жизни в англоязычной среде. Мне повезло, я нашел такого на платформе Skyeng. Занимаюсь с ним 2-3 раза в неделю.
2️⃣ Присоединение к разговорному клубу
По достижении уровня A2, я понял, что нужна практика и начал посещать разговорные клубы. Офлайн формат работает лучше всего. Мы сидим в кругу, пьем чай, обсуждаем новости недели и разбираем новый топик. Посещение клуба стало для меня еженедельным ритуалом, а все участники –большой дружной семьей.
3️⃣ Расширение словарного запаса
Вам обязательно нужно расширять свой словарный запас. Хотя бы по несколько новых слов в день. Для этого подойдут различные приложения, которые можно найти в сторах. Рекомендую Duolingo или тот же Skyeng.
4️⃣ Использование английского в повседневной жизни и на работе
Если есть возможность, стоит присутствовать на рабочих встречах на английском, даже если вы пока не можете говорить. Просто слушайте и старайтесь понять, о чем идет речь. Если работаете в русскоязычной среде, смотрите видео на YouTube на английском. Я люблю слушать книги, которые читал в детстве, например, Конан Дойля или Жуля Верна.
Самое главное – начать и не останавливаться. Обучение английскому – это не спринт, а марафон. И по ходу марафона перед вами будет открываться множество новых возможностей.
#опыт
👍23👎4❤3
На этой неделе я подготовил дайджест по продуктовой тематике. Понравилось? Ставь 👍
Алексей Арефьев в своем блоге рассказал, в чем заключается продуктовый подход к управлению IT-продуктами. Это методология, которая фокусируется на потребностях пользователей с учетом выгоды для бизнеса. Пример продуктового подхода мы видим в Apple. Вместо гонки за техническими спецификациями, компания постоянно собирает обратную связь от пользователей и совершенствует устройства. Алексей перечисляет ключевые принципы подхода, нюансы и ошибки его применения и дает инструкцию, как внедрить продуктовый подход в компании.
Внутренние продукты – это IT-решения, разработанные специально для внутреннего пользования компании. Они отличаются от продуктов для широкого рынка. Например, у сотрудников (читай – пользователей), нет выбора, пользоваться продуктом или нет. При этом, посчитать прямое влияние новых фич на прибыль почти невозможно. Автор следующих статей – продакт-менеджер в Ozon. Его специализация – внутренние IT-продукты. В прошлогодней статье он рассказал о специфике развития таких продуктов и о работе с их метриками. Недавняя статья – реальный кейс развития внутреннего продукта в Ozon. Автор описал, как команда применяла теорию из первой статьи в сочетании с подходом Job-To-Be-Done.
Анализ пользователей, которые перестали пользоваться продуктом (Churn surveys), обнаруживает кладезь ценной информации. Какая главная причина оттока пользователя? Где мы не доработали и какие нужды пользователя не закрыли? Наша задача – преобразовать информацию в действия и тем самым снизить отток и увеличить Revenue. Автор на Medium (VPN) рассказала, как оценить в долларах проблемы пользователей, приведшие к их оттоку. На основе этого мы можем понять, как удержать клиентов и приоритизировать задачи для максимизации прибыли.
#дайджест
Алексей Арефьев в своем блоге рассказал, в чем заключается продуктовый подход к управлению IT-продуктами. Это методология, которая фокусируется на потребностях пользователей с учетом выгоды для бизнеса. Пример продуктового подхода мы видим в Apple. Вместо гонки за техническими спецификациями, компания постоянно собирает обратную связь от пользователей и совершенствует устройства. Алексей перечисляет ключевые принципы подхода, нюансы и ошибки его применения и дает инструкцию, как внедрить продуктовый подход в компании.
Внутренние продукты – это IT-решения, разработанные специально для внутреннего пользования компании. Они отличаются от продуктов для широкого рынка. Например, у сотрудников (читай – пользователей), нет выбора, пользоваться продуктом или нет. При этом, посчитать прямое влияние новых фич на прибыль почти невозможно. Автор следующих статей – продакт-менеджер в Ozon. Его специализация – внутренние IT-продукты. В прошлогодней статье он рассказал о специфике развития таких продуктов и о работе с их метриками. Недавняя статья – реальный кейс развития внутреннего продукта в Ozon. Автор описал, как команда применяла теорию из первой статьи в сочетании с подходом Job-To-Be-Done.
Анализ пользователей, которые перестали пользоваться продуктом (Churn surveys), обнаруживает кладезь ценной информации. Какая главная причина оттока пользователя? Где мы не доработали и какие нужды пользователя не закрыли? Наша задача – преобразовать информацию в действия и тем самым снизить отток и увеличить Revenue. Автор на Medium (VPN) рассказала, как оценить в долларах проблемы пользователей, приведшие к их оттоку. На основе этого мы можем понять, как удержать клиентов и приоритизировать задачи для максимизации прибыли.
#дайджест
👍8🔥5❤1
Одним субботним утром Илья Красинский и Рома Бунин запланировали похоливарить про дашборды. Илья топит против преклонения перед ними. Он считает, что графики всегда таят в себе ошибки и только вводят в заблуждение продактов и маркетологов. Рома же адепт визуализации данных. Он верит, что дашборды ускоряют понимание бизнеса, и мечтает, чтобы каждый аналитик овладел основами дизайна. Битва состоялась – получился содержательный стрим на два часа. Все было по делу. Ребята разобрали много дашбордов и обсудили проблемы визуализации данных и data-driven подхода.
Одна из опасных и парадоксальных проблем А/В тестирования – это peeking или подглядывание. Аналитики (а чаще продакты) создают ее сами, когда начинают анализировать данные теста еще до его завершения. Но штука в том, что каждая отдельная проверка не независима от предыдущих. Чем чаще проверяются данные, тем выше вероятность обнаружения ложных различий из-за случайности. Об этом нас предупреждает автор блога на Хабр. Он предлагает два способа решить проблему: с помощью секвенциального тестирования и Байесовского подхода.
Google Consent Mode предназначен для управления сбором данных на веб-сайтах в соответствии с требованиями конфиденциальности пользователей. Недавнее обновление Consent Mode v2 вызвало много споров среди аналитиков. Александр Игнатенко сравнил две версии Google Consent Mode v1 и v2 в блоге компании Matomo. Он пришел к выводу, что новая версия содержит море багов и может навредить бизнесу. При работе в Consent Mode v2, вы неизбежно столкнетесь с потерей данных и неточностями в их анализе.
#дайджест
Одна из опасных и парадоксальных проблем А/В тестирования – это peeking или подглядывание. Аналитики (а чаще продакты) создают ее сами, когда начинают анализировать данные теста еще до его завершения. Но штука в том, что каждая отдельная проверка не независима от предыдущих. Чем чаще проверяются данные, тем выше вероятность обнаружения ложных различий из-за случайности. Об этом нас предупреждает автор блога на Хабр. Он предлагает два способа решить проблему: с помощью секвенциального тестирования и Байесовского подхода.
Google Consent Mode предназначен для управления сбором данных на веб-сайтах в соответствии с требованиями конфиденциальности пользователей. Недавнее обновление Consent Mode v2 вызвало много споров среди аналитиков. Александр Игнатенко сравнил две версии Google Consent Mode v1 и v2 в блоге компании Matomo. Он пришел к выводу, что новая версия содержит море багов и может навредить бизнесу. При работе в Consent Mode v2, вы неизбежно столкнетесь с потерей данных и неточностями в их анализе.
#дайджест
🔥14👍9❤2
Продолжаю рассказывать про фреймворки.
AARRR – инструмент, который помогает увеличить количество активных пользователей и выручку. Он выделяет 5 уровней привлечения клиента и сопоставляет их с метриками.
Акроним AARRR складывается из первых букв уровней. Acquisition (привлечение) определяет момент первого контакта пользователя с продуктом. Activation (активация) измеряет, насколько эффективно интерес пользователя перерастает в осознание пользы продукта. У некоторых продуктов бывает сложно найти действие, которое можно считать моментом активации.
Retention (удержание) отражает липкость продукта и показывает, сколько пользователей возвращается к нему спустя время. Это ключевая метрика. Не важно, сколько клиентов вы привлечете, если они уйдут после первого использования продукта.
Referral (рекомендация) иллюстрирует, сколько пользователей рекомендуют продукт друзьям. Это может происходить естественно или инициироваться акциями компании. Revenue (выручка) – это про то, как и насколько успешно компания превращает привлеченных пользователей в платящих клиентов.
Вы можете встретить еще одно название фреймворка – AAARRR. Некоторые аналитики помещают уровень Awareness (осведомленность) перед Acquisition. Метрики уровня измеряют, сколько людей узнали о бизнесе через маркетинговые каналы.
Главная цель AARRR – масштабирование продукта. Концепция AARRR рекомендует направлять 80% усилий на оптимизацию существующего функционала и только 20% на разработку новых фич. Так фреймворк фокусирует на росте продукта и пути взаимодействия с ним пользователя.
AARRR помогает определить приоритеты и последовательность действий по разработке продукта, а также тестировать гипотезы.
В результате команда
🔹доводит прототип до продаваемого продукта;
🔹показывает, что может привлечь клиентов, причем много и с высоким ROMI.
Алгоритм фреймворка: команда начинает с гипотезы, затем проводит обширное A/B-тестирование, измеряет улучшение конверсии и снова повторяет процесс уже с уточненными гипотезами.
#метрики
AARRR – инструмент, который помогает увеличить количество активных пользователей и выручку. Он выделяет 5 уровней привлечения клиента и сопоставляет их с метриками.
Акроним AARRR складывается из первых букв уровней. Acquisition (привлечение) определяет момент первого контакта пользователя с продуктом. Activation (активация) измеряет, насколько эффективно интерес пользователя перерастает в осознание пользы продукта. У некоторых продуктов бывает сложно найти действие, которое можно считать моментом активации.
Retention (удержание) отражает липкость продукта и показывает, сколько пользователей возвращается к нему спустя время. Это ключевая метрика. Не важно, сколько клиентов вы привлечете, если они уйдут после первого использования продукта.
Referral (рекомендация) иллюстрирует, сколько пользователей рекомендуют продукт друзьям. Это может происходить естественно или инициироваться акциями компании. Revenue (выручка) – это про то, как и насколько успешно компания превращает привлеченных пользователей в платящих клиентов.
Вы можете встретить еще одно название фреймворка – AAARRR. Некоторые аналитики помещают уровень Awareness (осведомленность) перед Acquisition. Метрики уровня измеряют, сколько людей узнали о бизнесе через маркетинговые каналы.
Главная цель AARRR – масштабирование продукта. Концепция AARRR рекомендует направлять 80% усилий на оптимизацию существующего функционала и только 20% на разработку новых фич. Так фреймворк фокусирует на росте продукта и пути взаимодействия с ним пользователя.
AARRR помогает определить приоритеты и последовательность действий по разработке продукта, а также тестировать гипотезы.
В результате команда
🔹доводит прототип до продаваемого продукта;
🔹показывает, что может привлечь клиентов, причем много и с высоким ROMI.
Алгоритм фреймворка: команда начинает с гипотезы, затем проводит обширное A/B-тестирование, измеряет улучшение конверсии и снова повторяет процесс уже с уточненными гипотезами.
#метрики
👍19❤1
Перед майскими посетил митап в Тинькофф, посвященный A/B-тестам.
Спикеры из HeadHunter, Яндекса и Тинькофф рассказали как ускорять проведение A/B-тестов, повышать их удобство и влиять на качество принимаемых решений.
Особо запомнились два доклада:
🔹«Как в Алисе автоматизируют дебаг A/B-экспериментов с прокрасившимися метриками» от Романа Рыбальченко;
🔹«Подглядывай правильно: как ускорить принятие решений с помощью последовательного анализа» от Виктора Харламова.
Более того, Виктор презентовал для всего комьюнити python-ноутбук, в котором приведена простая реализация анализа, позволяющая сокращать время проведения тестов конверсий на десятки процентов (а то и в разы). Вы можете самостоятельно попробовать последовательный анализ, сравнив длительность теста с классическим дизайном.
Запись выступлений и презентации доступны по ссылке.
Спикеры из HeadHunter, Яндекса и Тинькофф рассказали как ускорять проведение A/B-тестов, повышать их удобство и влиять на качество принимаемых решений.
Особо запомнились два доклада:
🔹«Как в Алисе автоматизируют дебаг A/B-экспериментов с прокрасившимися метриками» от Романа Рыбальченко;
🔹«Подглядывай правильно: как ускорить принятие решений с помощью последовательного анализа» от Виктора Харламова.
Более того, Виктор презентовал для всего комьюнити python-ноутбук, в котором приведена простая реализация анализа, позволяющая сокращать время проведения тестов конверсий на десятки процентов (а то и в разы). Вы можете самостоятельно попробовать последовательный анализ, сравнив длительность теста с классическим дизайном.
Запись выступлений и презентации доступны по ссылке.
🔥15👍1
Утреннее напоминание: через 11 дней лето 😊
А пока дайджест.
В блоге Towards Data Science (VPN) наткнулся на исчерпывающий гайд, как провести исследовательский анализ данных (EDA) для прогнозирования временных рядов. Статья приводит шесть этапов анализа: применение описательной статистики, построение временного и сезонного графиков, бокс-плот, декомпозиция временного ряда и анализ задержки. Автор разбирает каждый из этапов на примере данных о почасовом энергопотреблении, а также приводит питоновский скрипт и получившиеся графики. Статью можно использовать как комплексный шаблон для работы.
Следующая статья на Medium (VPN) обозревает важные статистические тесты и их применение: t-критерий Стьюдента, хи-квадрат, дисперсионный анализ (ANOVA), корреляция Пирсона и тест Манна-Уитни. Автор объясняет каждый статистический тест и показывает, как его рассчитать и реализовать на Python. Он также предлагает идеи пет-проектов, в которых вы сможете отработать знания на практике.
Когда мы анализируем два альтернативных варианта, то прибегаем к А/B тестированию. А если выборок больше, то мы сталкиваемся со множественным тестированием. Продуктовый аналитик из Тинькофф сравнила два метода множественного тестирования: тест, основанный на попарных сравнениях и тест, основанный на предельном распределении. Последний метод выигрывает. Он позволяет ошибаться ровно с той вероятностью, которую мы закладываем. При этом количество выборок не влияет на продолжительность теста. Метод пригодиться, например, когда требуется выбрать из пяти баннеров в приложении лучший по конверсии продаж. Автор прикрепила Python-библиотеку с функциями для тестирования по описанному алгоритму.
#дайджест
А пока дайджест.
В блоге Towards Data Science (VPN) наткнулся на исчерпывающий гайд, как провести исследовательский анализ данных (EDA) для прогнозирования временных рядов. Статья приводит шесть этапов анализа: применение описательной статистики, построение временного и сезонного графиков, бокс-плот, декомпозиция временного ряда и анализ задержки. Автор разбирает каждый из этапов на примере данных о почасовом энергопотреблении, а также приводит питоновский скрипт и получившиеся графики. Статью можно использовать как комплексный шаблон для работы.
Следующая статья на Medium (VPN) обозревает важные статистические тесты и их применение: t-критерий Стьюдента, хи-квадрат, дисперсионный анализ (ANOVA), корреляция Пирсона и тест Манна-Уитни. Автор объясняет каждый статистический тест и показывает, как его рассчитать и реализовать на Python. Он также предлагает идеи пет-проектов, в которых вы сможете отработать знания на практике.
Когда мы анализируем два альтернативных варианта, то прибегаем к А/B тестированию. А если выборок больше, то мы сталкиваемся со множественным тестированием. Продуктовый аналитик из Тинькофф сравнила два метода множественного тестирования: тест, основанный на попарных сравнениях и тест, основанный на предельном распределении. Последний метод выигрывает. Он позволяет ошибаться ровно с той вероятностью, которую мы закладываем. При этом количество выборок не влияет на продолжительность теста. Метод пригодиться, например, когда требуется выбрать из пяти баннеров в приложении лучший по конверсии продаж. Автор прикрепила Python-библиотеку с функциями для тестирования по описанному алгоритму.
#дайджест
❤16🔥7
По традиции к посту о метриках и фреймворках я подбираю книгу. Ведь, чтобы овладеть знанием и применить его в работе или на собеседовании, одного поста недостаточно. Сегодняшняя книга посвящена фреймворку AARRR.
📚 Hacking Growth: How Today's Fastest-Growing Companies Drive Breakout Success
Авторы: Sean Ellis, Morgan Brown
Авторы – матерые консультанты по разработке стратегий роста: привлечения клиентов и расширения бизнеса. Шон Эллис, предприниматель и маркетолог, руководил созданием и выходом на IPO продуктов LogMeIn и Uproar, а затем возглавлял развитие Dropbox, Lookout и Eventbrite. В начале 2010-х он разработал концепцию Growth Hacking («хакинг роста»), чем заслужил известность.
Морган Браун – руководитель по развитию продукта в Facebook*. Более 15 лет он консультирует стартапы и отвечает на вопросы, как увеличить клиентскую базу и расширить рынок.
Авторы изложили собственные исследования и опыт, как стартапу достичь быстрого и устойчивого роста. Книга состоит из двух частей: описание метода Growth Hacking и пособие по проработке этапов AARR воронки. Авторы выделяют 4 уровня воронки: Acquisition, Activation, Retention и Revenue. При этом, Referral в отдельный уровень не выносится.
🔗Купить оригинал книги на английском можно на Амазоне. На русском книга доступна на Литрес.
*деятельность Meta в РФ запрещена
#книга
📚 Hacking Growth: How Today's Fastest-Growing Companies Drive Breakout Success
Авторы: Sean Ellis, Morgan Brown
Авторы – матерые консультанты по разработке стратегий роста: привлечения клиентов и расширения бизнеса. Шон Эллис, предприниматель и маркетолог, руководил созданием и выходом на IPO продуктов LogMeIn и Uproar, а затем возглавлял развитие Dropbox, Lookout и Eventbrite. В начале 2010-х он разработал концепцию Growth Hacking («хакинг роста»), чем заслужил известность.
Морган Браун – руководитель по развитию продукта в Facebook*. Более 15 лет он консультирует стартапы и отвечает на вопросы, как увеличить клиентскую базу и расширить рынок.
Авторы изложили собственные исследования и опыт, как стартапу достичь быстрого и устойчивого роста. Книга состоит из двух частей: описание метода Growth Hacking и пособие по проработке этапов AARR воронки. Авторы выделяют 4 уровня воронки: Acquisition, Activation, Retention и Revenue. При этом, Referral в отдельный уровень не выносится.
🔗Купить оригинал книги на английском можно на Амазоне. На русском книга доступна на Литрес.
*деятельность Meta в РФ запрещена
#книга
👍5🤔4