Павел Левчук в своем facebook делится интересной мыслью из статьи Cassie Kozyrkov - Head of Decision Intelligence, Google.

1. Аналитик помогает формировать вам гипотезы, улучшая качество ваших вопросов, в то время как статистик помогает тестировать ваши гипотезы, улучшая качество ответов.

2/ Аналитик будет расходовать часть вашего времени в пустую, такова цена исследования. Поэтому аналитика это игра по оптимизации вдохновения-в-минуту лица принимающего решения.

3/ Не стоит буквально оценивать аналитика по метрике вдохновение-в-минуту. Лучше оценивать его навыки добывать информацию. Но и здесь нужно быть аккуратным в оценочных суждениях: навык аналитика не гарантирует прорывной идеи. Часто это зависит от данных.

@internetanalytics

"Ключевое качество аналитика - уметь видеть за потоком цифр вопросы к работе проекта. Доформулировать помогут специалисты, но первоначально увидеть правильные сигналы должен уметь хороший аналитик" - добавляет Антон Сучков мне в личные сообщения ))

Классное исследование от Яндекса о сравнении стоимостей владения автомобилем и поездок на каршеринге/такси.

https://yandex.ru/company/researches/2020/auto-cost

Есть полноценный калькулятор, в который вшито 116 моделей автомобилей

https://yandex.ru/lab/calculator-auto/

Яндекс молодцы, умеют делать так, чтобы люди долгосрочно задумывались о важных Яндексу вещах

@internetanalytics

Вопрос к вам от Adventum и Amplitude. Они готовятся к Матемаркетингу и хотят выбрать максимально релевантную тему. Проголосуйте за самое интересное

1.Секрет успеха принятия data-driven решений (почему это важно и что это меняет)

2. Как понимание поведения клиентов помогает улучшать продукт/увеличивать монетизацию + кейс Delivery Club

3. In-house vs Коробочное решение. Как выстроить аналитический стек с максимальной пользой.

4. Путь продуктовой аналитики в Delivery Club

5. Кейс по работе с Retention

Итак, выходит, что сравнение возможностей in-house и коробочных решений попадает в программу.

Отлично. Устроим холивар на эту тему после этого доклада на конфе.

Спасибо!

​​Наконец-то закончил статью на одну из самых сложных для понимания тем - оконные функции в SQL.
На ее написание ушло почти пять месяцев с перерывом на отпуск :)

В статье на простых примерах с картинками разбирается принцип работы данных функций, а в конце вас ждут кейсы с расчетом моделей атрибуции «Первый клик» и «С учетом давности взаимодействий».

Devtodev выпустили вторую часть курса по А/Б-тестам. Тоже бесплатно

https://www.devtodev.com/education/online-course/ab-tests-from-a-to-b-part2/

@internetanalytics

David Ritter из Boston Consulting Group обращает наше внимание на вечное: как определить, стоит ли внимания обнаруженная вами корреляция.

Согласно подходу BCG результат можно использовать для продуктовых решений, если:
а) Вы уверены, что такую связь вы снова обнаружите в будущем, и не раз. То есть, вы наблюдали подобную связь в прошлом и можете ее объяснить.
б) Риск совершить ошибку, предприняв какие-либо действия в отношении продукта, опираясь на эту корреляцию, не высокий. То есть, потенциальная польза перевешивает риски или косты.

https://hbr.org/2014/03/when-to-act-on-a-correlation-and-when-not-to

@internetanalytics

Sarah Leary (Microsoft, eBay, Nextdoor, Unusual Ventures) поделилась своим чеклистом по проработке гипотез для Product-Market Fit и персон с примерами.

@internetanalytics

Sarah Leary поделилась инструкцией к поиску Product-Market Fit. Она была продактом в Microsoft, запускала первые версии Microsoft Office, экс-вице-президент одной из компаний eBay, основатель Fanbase и Nextdoor, партнер Unusual Ventures.

1. Ответьте на три главных вопроса:
- Кто является целевым покупателем?
- Какая именно его потребность не удовлетворена?
- Почему она до сих пор не удовлетворена?

Выпишите ответы и обсудите с командой и знакомыми. Польза фидбэка выше, чем риск, что кто-то украдет вашу идею.

2. Проверьте гипотезы.

Andy Johnes (Facebook, Twitter, Quora, Wealthfront) говорит: "Не так важно первым выйти на рынок, как первым занять соответствующую продукту нишу рынка".

Признайте, что вы тоже можете ошибаться, и идите проверять гипотезы. Проверка должна быть быстрой и дешевой:
- опросы
- макеты на бумаге
- 1:1 интервью
- "Волшебник страны Оз" (Пользователь взаимодействует с системой, которая (как ему сказано) полностью автоматизирована. На самом деле, все действия и ответы системы находятся под контролем человека-оператора.)

И никогда не отдавайте эту работу на аутсорс.

Несколько недель тестов сэкономят вам месяцы разработки.

3. Протестируйте продукт в реальном мире.

Разработайте прототип с 1-3 фичами, MVP. Многие считают, что MVP — версия продукта, которую проще всего и быстрее сделать. На самом деле MVP — версия продукта, которая обрадует клиента и вызовет в нем энтузиазм дождаться следующей версии.

Sarah говорит, что осознала, что Nextdoor нашел Product-Market Fit, когда во время приостановки работы прототипа на час, ей стали звонить и писать обеспокоенные пользователи — Nextdoor был им нужен немедленно!

4. Детально проработайте портреты персон ЦА.

Проработка персон важна не для того, чтобы определить, кого именно вы обслуживаете. Проработка персон помогает понять, кого вы НЕ собираетесь обслуживать.

Не пытайтесь удовлетворить всех. Лучше иметь небольшую базу пользователей, которые влюблены в ваш продукт, чем большую базу людей, которым "вроде бы нравится". У продуктов успешных компаний всегда есть несгибаемое в своей лояльности ядро аудитории.

5. Запускайтесь, учитесь, корректируйте курс.

Как определить, что пора масштабно запускаться? Не дайте лучшему стать врагом хорошего. Запускайте, как только все жизненно важные фичи будут готовы и оттестированы. Если у вас проблемы с регистрацией пользователей — точкой входа — лучше отложить запуск на несколько недель, даже если у вас договоренности с прессой.

Nextdoor понял, что пора запускаться, когда заработала реферальная система. Новые пользователи слышали о сервисе от знакомых и уже были готовы регистрироваться.

https://www.unusual.vc/field-guide-consumer/finding-product-market-fit-2

@internetanalytics

Август 2020-го года. 59% населения планеты пользуются интернетом. Это 4,6 млрд людей.

Что происходит каждую минуту? То есть за то время пока вы внимательно читаете этот пост до конца.

Netflix стримит 404,5 тысяч часов видео. 500 часов видео загружают на YouTube.

Spotify добавляет 28 композиций в базу. Пользователи WhatsApp пишут 41,7 млн сообщений.

69,5 тысяч человек отправляют свое резюме потенциальному работодателю в LinkedIn.

Люди совершают онлайн покупки на 1$ млн. Amazon отправляет 6,6 тысяч посылок. 3,8 тысяч $ тратится в мобильных приложениях.

2,7 тысяч человек устанавливают TikTok.

И 1,4 млн людей начинают видео звонки.

@internetanalytics

Excel'ю 30 сентября исполнилось 35 лет. Первая версия Excel предназначалась для Mac и была выпущена в 1985 году, а первая версия для Windows была выпущена в ноябре 1987 года.

Excel стал первым популярным приложением Microsoft. Если бы не Excel, то, возможно, Microsoft не стал бы таким большим и дорогим. @internetanalytics

Табло - открыли виртуальную галерею

https://vizgallery.tableaupublic.com/

По ссылке виртуальная картинная галерея, где вместо картин - дашборды. Можно детально рассмотреть, открыть в Tableau Public и изучить. Графика на все случаи жизни.

@internetanalytics

Вышел большой апдейт Retentioneering
https://github.com/retentioneering/retentioneering-tools

Попробовать можно слету в Google Colab без установки, все стало очень просто.

Добавлен инструмент простого A/B-тестирования, ускорены более чем в десять раз скорость кластеризации, переработан функционал step-матриц.

P.S. Очень важное дополнение - различные варианты нормировки и развесовки ребер графа. Теперь можно четко видеть сколько пользователей сделало переход, либо сколько сессий с таким переходом было, либо сколько событий переходов во всем датасете. Можно явно выбирать как вы хотите это нормировать - на общее число пользователей или переходов, или на количество переходов из конкретного узла - получаются разные инсайты на графе и в матрицах переходов.

Вопросы задавать в чат @retentioneering_support

Excel опять виноват

Сведения о почти 16 000 новых инфицированных между 25 сентября и 2 октября не попали на официальный дашборд правительства Великобритании. А все потому... что в качестве дашборда использовалась эксель-таблица, в которую данные импортировали из csv, который присылали из лаборатории. Новый день - новый столбец. Так что в какой-то момент эксель "не смог".

Сейчас в Лондоне срач между лабораторией и департаментом общественного здоровья, ищут виновного. Пока виновен только эксель.

А проблему с данными решили, разрезав таблицу эксель на несколько частей 🤡

https://www.dailymail.co.uk/news/article-8805697/Furious-blame-game-16-000-Covid-cases-missed-Excel-glitch.html

@internetanalytics

Instagram показал графики использования на разных ОС по дням недели (будни и выходные) и по времени (с разбивкой по типу аккаунта). Очень интересно показан десктоп. Неизвестно, насколько его много (оси не подписаны и нормированы), но явно видно, что в будни там есть жизнь. А вообще, хотелось бы получить такой график с абсолютными цифрами. Но нам его никогда не покажут. @internetanalytics

Матемаркетинг - 9-13 ноября, онлайн

Билеты и подробности: https://matemarketing.ru
Программа конференции: https://bit.ly/3iMiT6Z

@matemarketing_official

Отвлекусь немного от цикла заблуждений,

Сегодня открыли доступ к видео про то, почему метрики в среднем лукавы, про когорты и почему планы продаж 90% компаний оценены неверно (все дело в неверном расчете конверсии). Когда мы усредняем, мы не понимаем что есть разные факторы, которые влияют на систему принятия решений и юнит-экономику.

🔗 Смотрите видео по ссылке

9-13 ноября будет Матемаркетинг 2020 в формате онлайн — в этом году я снова участвую 🖖

Решили попробовать новый формат выступлений: ответы на вопросы в живую 13 ноября в 12:00. Если есть что спросить, пишите вопросы в тред к этому посту — как обычно можно спрашивать про управление продуктами, юнит-экономику, аналитику, рост команд, постараюсь на все ответить 13 ноября.

Подробности matemarketing.ru