🧑‍💻 Скучали по задачам? Предлагаем освежить в памяти математическую статистику

Недавно мы уже предлагали вам порассуждать про игральные кубики. В комментариях к посту вы заметили, что кубики бывают не только честные — учли это в новой задаче.

Продолжаем вспоминать базу вместе. На старт, внимание, решаем ⬇

У вас есть шестигранный игральный кубик. Вы бросаете его 120 раз. Значение 6 выпало 30 раз. Честный ли кубик вам достался?

🐚 Опубликовали правильный ответ с разбором. Но если вы видите задачу в первый раз, поделитесь своим решением в комментариях!

#задачи_для_аналитиков

Подписывайтесь:
💬 @Yandex4Analytics

📆 Data Driven уже сегодня!

Мы собрали опытных аналитиков, чтобы поговорить о том, как влиять на бизнес, находить новые точки роста и определять цифровое будущее мира с помощью data-driven-подхода. Кстати, полную программу можно посмотреть на нашем сайте.

☁️ А для всех, кто не сможет посетить ивент вживую, мы запускаем прямые трансляции по стекам. Начнём в 12:00 мск. Заваривайте чай и подключайтесь!

Трек Data to Insights: доклады для продуктовых, data-аналитиков и data scientists

🔵 Наш сайт
🔵 VK Видео
🔵 Ютуб

Трек Data to Artifacts: доклады для data-инженеров, системных и BI-аналитиков

🔵 Наш сайт
🔵 VK Видео
🔵 Ютуб

⏬ Ещё в нашем чатике у вас есть возможность задать интересующий вопрос любому из докладчиков. Главное — добавить к сообщению хештег #вопрос_фамилия_спикера

Подписывайтесь:
💬 @Yandex4Analytics

🫐 Был ли кубик честным? Давайте разбираться

Публикуем ответ на задачу, которую предложили вам в прошлую пятницу.

Чтобы описать все возможные варианты развития событий, сформулируем гипотезы:

🔵 Нулевая гипотеза (H₀). Кубик честный. Тогда вероятность выпадения 6 по определению равна отношению благоприятного исхода к количеству всех возможных исходов: p₀ = 1 / 6 ≈ 0,1667

🔵 Альтернативная гипотеза (H₁). Кубик нечестный. А значит, вероятность выпадения 6 не равна 1/6.

Если кубик честный, то его поведение подчиняется биномиальному распределению вероятностей, которое описывает количество успехов для фиксированного количества независимых испытаний с двумя возможными исходами: успех или неудача.

Посчитаем стандартную ошибку для биномиального распределения:

SE = sqrt (p₀ × (1 − p₀) / n) ≈ 0,034

Z-тест — классический статистический метод, с помощью которого можно проверить гипотезу о среднем значении в выборке. Он позволяет оценить, является ли статистически значимой разница между реальным и гипотетическим значением выборки.

Метрика, используемая для такой оценки, называется z-статистикой. Посчитаем её:

z = (p − p₀) / SE = (30 / 120 − 0,1667) / 0,034 ≈ 2,45

Чтобы сделать вывод о честности кубика, сравниваем z-статистику с критическим значением — табличной величиной, зависящей от желаемого уровня значимости. Популярная величина уровня значимости — 0,05, то есть 95% достоверности. Критическое значение для неё — 1,96.

|z| = 2,45 > 1,96

Это значит, что отличие статистически значимо. И наш кубик с большой вероятностью окажется нечестным:
6 выпадает чаще, чем ожидалось для честного кубика (p < 0,05).

♾ Совет. В работе мы чаще всего используем готовые калькуляторы. Иногда полезно вспомнить, как они работают — это помогает лучше понимать границы применимости разных критериев.

Хотите ещё задачек? Поддержите нас лайками!

Подписывайтесь:
💬 @Yandex4Analytics

🚀 Покажите класс в крупном IT-соревновании

Мы открыли регистрацию на восьмой Yandex Cup! Это международный чемпионат по программированию с финалом в Стамбуле. Призовой фонд в этом году составляет 12 миллионов рублей. Среди направлений соревнования есть «Аналитика». И ещё 5 вариантов, если вы спец на все руки.

Yandex Cup 2025 состоит из трёх этапов:

🔵 20–29 октября пройдёт пробный тур, где участники смогут познакомиться с платформой и форматом задач прошлых лет
🔵 2 ноября состоится квалификация, лучшие участники каждого направления пройдут в финал
🔵 Финал и церемония награждения Yandex Cup 2025 состоятся 5–7 декабря в Стамбуле

🛎 Полный список направлений, подробности и форма регистрации уже на сайте чемпионата. Успейте отправить заявку до 29 октября.

🗳 Надеемся увидеть вас среди победителей!

Подписывайтесь:
💬 @Yandex4Analytics

⏬ Как не продавать тем, кто и так купил бы

Автоворонка — это система, которая ведёт клиента к покупке без участия сотрудников компании. В продуктах с сильной автоворонкой отдел продаж фокусируется не на всех потенциальных покупателях, а только на сомневающихся пользователях. Но есть риск каннибализации результата — ситуации, когда мы продаём тем, кто купил бы и без нас.

👨‍💻 Меня зовут Дима Михальцов, я продуктовый аналитик коммерческого офиса B2C в Практикуме. В этом посте я расскажу, как выявить случаи каннибализации и избежать их.

🔢 Новый источник лидов: брошенные корзины

Мы предположили, что у пользователей, которые заходили на страницу оплаты курса, есть высокий шанс на покупку. Но как проверить, что это правда так и что мы не заберём оплаты автоворонки?

Чтобы это выяснить, мы решили замерить наш инкремент с помощью A/B-тестирования и увидеть его чистый вариант. Эксперимент мы провели дважды, но столкнулись с двумя критическими проблемами:

🔵 Неправильный дизайн. Одну из итераций эксперимента провели без участия аналитики, и пользователи разбились на группы неравномерно. Пользователи по каждой из профессий просто по очереди помещались то в тест, то в контроль. Это нарушило 2 основных принципа A/B — рандомизацию данных и воспроизводимость результата.

🔵 Неправильное время для звонка. В первых двух версиях эксперимента мы звонили слишком рано, что привело к каннибализации автоворонки

После этого мы разобрали все ошибки и сделали всё возможное, чтобы их не повторить. Вот основные изменения:

🔵 Мы начали звонить спустя 3 дня после получения брошенной корзины, чтобы большая часть пользователей, которые оплатили бы сами, уже это сделали

🔵 Мы вшили сплит-систему в CRM, из которой проводились коммуникации, и провели несколько А/А-тестов для проверки корректности рандомизации

Результаты нас приятно удивили: мы увидели значительный прирост в конверсии из брошенной корзины в оплату. CR увеличился на 35%, а чистая прибыль на пользователя — на 24%.

🔢 Какие выводы мы сделали из этого эксперимента

🔵 Нашли способ оценить инкрементальность отдела продаж в числах

🔵 Построили удобную инфраструктуру для будущих экспериментов в отделе продаж (ставьте 🔥 в реакциях к посту, если хотите, чтобы мы сделали про это отдельный пост!)

🔵 Пришли к подходу, в котором каждый неудачный эксперимент приближает нас к успеху в реализации исходной идеи

🔵 Доказали важность data-driven-подхода в бизнесе

🟢 Теперь мы обрабатываем 100% аудитории брошенных корзин. Сейчас она занимает около 40% трафика отдела продаж. А в будущем мы проверим инкрементальность ещё одного источника — пользователей, которые проходят бесплатную часть на наших курсах. Результатами поделимся в нашем канале, подписывайтесь!

Подписывайтесь:
💬 @Yandex4Analytics

📆 Save the date: 30 октября идём на Яндекс Analytics Talks Meetup

Аналитики Городских сервисов Яндекса покажут, как эффективно использовать данные и искать точки роста продуктов. В программе:

🔵 Катя Семакова из Яндекс Go расскажет, как мы с нуля запустили новый продукт для водителей, и поделится опытом прохождения пути от идеи до product-market fit
🔵 Максим Левшин из Яндекс Маркета объяснит, как команде удалось создать модель, которая точно прогнозирует бизнес-эффект от сбора отзывов на маркетплейсе
🔵 Руководители DWH Городских сервисов Яндекса обсудят, есть ли реальная польза от LLM и GenAI в DWH и аналитике или это всё только хайп

💠 А ещё вас ждёт настольная игра Atlas от Яндекс Go, афтерпати и нетворкинг.

♾ 30 октября, сбор гостей с 18:00
♾ Москва, офлайн

⏬ Регистрируйтесь по ссылке.

Мероприятие бесплатное. Количество мест ограничено — пожалуйста, дождитесь нашего подтверждения.

Подписывайтесь:
💬 @Yandex4Analytics

🧑‍💻 Новая задача: в этот раз предлагаем подумать над бизнес-кейсом

Это будет история со счастливым концом: у нашего кейса есть правильное решение (и не одно)! Справитесь?

Представьте, что вы аналитик в интернет-магазине. Ваша команда обновила текстовые описания товаров на сайте — теоретически так они должны стать более информативными и привлекательными.

Ваше руководство хочет понять, действительно ли новые описания лучше прежних. Какие данные и подходы к их обработке вы бы предложили использовать, чтобы найти и обосновать ответ на этот вопрос?

🐚 Опубликовали правильный ответ с разбором. Но если вы видите задачу в первый раз, поделитесь своим решением в комментариях!

#задачи_для_аналитиков

Подписывайтесь:
💬 @Yandex4Analytics

🧑‍💻 Что делает решение бизнес-кейса действительно data driven? Публикуем ответ на новую задачу

Декомпозируем задачу и порассуждаем.

🈂️ Первое, с чем важно определиться: какую метрику мы оптимизируем?

Чтобы ответить на этот вопрос, сначала поймём, зачем вообще на карточке товара текстовое описание.

♾ Гипотез может быть много. Например, такие:

• Упростить и ускорить для покупателя принятие решения: «Этот товар — то, что мне нужно».
• Предотвратить лишние вопросы и снять возражения: «Я всё понял, можно покупать».
• Сформировать адекватные ожидания от товара и снизить вероятность возврата: «Товар такой же, каким я представлял его себе».

🈂️ Следующий вопрос: что будет лучше для бизнеса?

• Заработать больше денег.
• Снизить нагрузку на поддержку.
• Уменьшить возвраты.

🈂️ Теперь спросим себя, на что может повлиять новый текст.

• Конверсия «просмотр карточки → добавление в корзину».
• Конверсия «просмотр карточки → покупка».
• Средний чек (если описание замотивирует покупателя взять дополнительные аксессуары).
• Количество возвратов.
• Время, потраченное на изучение карточки.
• Количество обращений в поддержку по этому товару.

🈂️ Разберёмся, какая из метрик всё-таки ключевая:

• Только конверсия в покупку? Иногда да. Но если, например, оборот вырос вместе с возвратами — нет, это ухудшение, а не улучшение.
• Вовлечённость? Она может увеличиться из-за запутанности текста: пользователь будет дольше читать, а купить так и не решится.
• Обращения в поддержку? Важный сигнал, но не единственный.

Лучше всего сосредоточиться на целевой метрике, которая учитывает основной бизнес-результат и нежелательные побочные эффекты. В большинстве случаев это конверсия в покупку или же совокупный доход (GMV) с карточки. При этом дополнительно отслеживаем:

• Долю возвратов и отмен — чтобы показатели не ухудшились.
• Изменения в количестве обращений: не стало ли у пользователей больше непонимания?
• Вторичные эффекты — средний чек, сопутствующие продажи.

🔵 Вывод: главная метрика — конверсия из просмотра карточки в покупку или суммарный доход на просмотр карточки. Но важны и другие показатели: не выросли ли возвраты, не стало ли больше претензий к товару, не ухудшилась ли обратная связь от пользователей.

Если же компания, например, ориентирована на поддержку продукта, то метрикой успеха может стать ещё и снижение количества обращений к техническим специалистам.

⏬ Совет. Чаще всего для бизнес-кейсов невозможно сформулировать универсальный ответ. На выбор метрики сильно влияет контекст бизнеса. Узнайте о нём побольше, прежде чем предлагать метрики.

🐚 Какие метрики важнее всего для вашего бизнеса? Делитесь в комментариях тем, что подсказывают вам опыт и сердце!

💠 Это была последняя задача в нашей небольшой серии. Если вам понравилось их решать, ставьте лайк, и мы будем публиковать подобные задачи регулярно!

Подписывайтесь:
💬 @Yandex4Analytics

💠 4 часа, 3 задачи и 5 билетов на Матемаркетинг

20 и 21 ноября в Москве пройдёт самая крупная конференция для аналитиков — Матемаркетинг. Мы уже начали подготовку к встрече с вами: готовим доклады, интересные дискуссии, квиз и не только!

💎 А ещё решили разыграть 5 билетов на конференцию. Чтобы получить один из них, нужно решить 3 задачи, которые близки каждому аналитику:

🔵 Задача по основам математической статистики и теории вероятностей
🔵 Аналитическая задача на Python
🔵 Кейс из продуктовой аналитики

Как пройдёт розыгрыш:

⏬ Регистрируйтесь для участия в форме до 22 октября.

🔵 До 24 октября мы направим участникам на почту письмо, в котором будет ссылка на доступ к соревнованию.

🔵 25 октября будет открыт доступ к задачам, приступить к решению можно будет в интервале с 10:00 до 12:00 по московскому времени.

Вам предстоит решить 3 задачи за 4 часа, отсчёт времени начнётся с момента вашего старта. По прошествию 4 часов доступ будет автоматически закрыт, а мы уйдём подсчитывать результаты.

📆 А уже 30 октября мы свяжемся с победителями и опубликуем результаты в нашем телеграм-канале Yandex for Analytics.

🎁 Билеты получат те, кто быстрее всех решит задачи верно.

Важно: билеты на конференцию именные, их нельзя передать третьему лицу. Для участия необходимо иметь почту с доменом Яндекса.

⏬ Регистрируйтесь для участия в розыгрыше и до встречи на Матемаркетинге!

Подписывайтесь:
💬 @Yandex4Analytics