«Есть только миг между прошлым и будущим»

1. Обычные дашборды сравнивают текущие метрики с прошлым — процент изменений по сравнению со вчера, с прошлой неделей, месяцем или годом.

2. Хорошие дашборды должны сравнивать текущие метрики с будущим — как мы двигаемся по сравнению с тем планом, который мы себе поставили на неделю, на месяц или на год.

3. Во-первых, если мы не знаем, куда идем — зачем нам нам знать, с какой скоростью мы идем никуда?

4. Во-вторых, в наши головы встроено когнитивное искажение, называемое «loss aversion» (боязнь потерь) — мы гораздо более остро реагируем на потери, чем на приобретения. Если мы видим, что мы хоть немного, но растем — мы неизбежно (хоть и подсознательно) расслабляемся. Даже если этих темпов роста нам не хватит для выполнения отдаленного плана.

5. Мы будем шевелиться, только если дашборды будут показывать нам возможные потери — чего и сколько нам не хватает, чтобы добежать до поставленной цели. А если всего хватает — это хорошая причина повысить уровень цели. Чтобы мы опять пытались избежать потерь.

6. А у вас есть дашборд? А он сравнивает сегодняшнюю ситуацию с прошлым или с будущим?

---
Новые идеи, достойные копирования: fastfounder.ru

Изучение новых видов графиков - наше всё.

Несколько раз натыкался на Mekko/Marimekko в разных каталогах визуализаций, но особого восторга не ощущал (ну бар-чарт на максималках, что с ним делать-то).

В сегодняшней статье есть несколько жизнеспособных примеров использования, а главное (наконец-то) - описана цель их применения.
Спойлер: все ради снижения количества столбцов на диаграммах.

Получается, если нужно сравнить несколько групп по двум измерениям, то берём Мекко. А если нужно каждую группу дополнительно детализировать по подгруппам, то Маримекко.

Запилить можно на питоне, в Power BI/Qlik/Tableau, не говоря уже об извращениях в Excel (моё любимое).

Главное, чтобы целевая аудитория себе голову не сломала с непривычки.

🔗 Ссылка

#визуализации

Портал ITC Moscow вместе с Департаментом информационных технологий Москвы (интересно, много ли в принципе таких коллабораций) сделали свой хайпометр для отслеживания упоминаний передовых технологий в СМИ.

Выглядит это, надо сказать, довольно современно (должно быть заметно по превью):
- есть несколько «крутилок» для переключения периодов;
- доступны сырые данные в гугл-шитах;
- есть комментарии и выводы (почему-то они зажаты между двумя графиками, но не будем придираться);
- стильно же, ну.

Из неожиданного:
- упоминаний беспилотников почти в 2 раза больше big data, а также почти в 2,5 раза больше IoT или облаков (чиииво?).

🔗 Ссылка

#проекты

Нарыли на днях список ресурсов (40+ и продолжает расти) для поиска статистики, аналитики и "просто данных" по разным сферам общественной жизни.

Выглядит как жизнеспособный источник информации для исследований, тестовых проектов, сбора дата-сетов и вот этого всего.

Что интересно, есть тут не только всем известные (не Яндексом единым), но еще и вполне себе неожиданные ресурсы (например, около-государственные).

Поймал себя на мысли, что это какой-то вышедший за пределы программного обеспечения open source: кто-то оторвал от сердца список любимых ресурсов, а люди в приложенной гугл-табличке активно дополняют. Красота!

🔗Ссылка

#данные

Product Sense второй год подряд опрашивает свою аудиторию на тему развития навыков в продуктовом сообществе и выкладывает в своем блоге результаты.

Тех, кто идентифицирует себя как аналитик там традиционно около 9%, а вот развивается в аналитике уже более 21%.

По самим направлениям развития нет почти никаких отличий от предыдущего года - помимо аналитики все учатся маркетингу и проектному управлению.

Кроме этого в статье есть графики к которым у меня много вопросов (за что такие пай-чарты и сортировка?) и выводы, к которым уже не придраться.

Также, в конце - гора ссылок на книги, курсы, каналы и материалы, в которых пытливый ум исследователя может (в теории) найти что-то полезное для себя.

🔗Ссылка

#компетенции

Наверное каждый аналитик имел удовольствие распространять свои отчеты в формате «экселька на почту» (если не занимались подобным - обязательно попробуйте на досуге, особенно доставляет вносить в них правки и повторно отправлять).

Автор сегодняшней статьи решил заняться оптимизацией рассылки отчетов клиентам (с обязательным контролем доступа, что важно) и вместо выбора общеизвестных инструментов пускается во все тяжкие:
🔹защита файлов через VBA;
🔹сторонние платные сервисы по лицензированию экселек (что?);
🔹Excel Online с костылями;
🔹сборка web-приложения на базе Google Sheets;
🔹BI-инструменты (ура!);
🔹накодить на Python.

Все перечисленное сопровождено видео-примерами и анализом сильных и слабых сторон. В целом, масштабы проработки вопроса вызывают восхищение (хоть и граничат, по моему мнению, со стрельбой из пушки по воробьям).

🔗Ссылка

#excelное

Качественные обзоры рынка СУБД на русском - большая редкость (популярность прошлой заметки на тему это только подтверждает).

Вот еще пример неплохого обзора от SH Capital:
🔹динамические визуализации - огонь;
🔹данные сегментированы по типам СУБД (актуально, чтобы мокрое с солёным не сравнивать);
🔹сделали свой «квадрант Гартнера» с популярностью и потенциалом развития;
🔹занятный обзор ключевых инвестиционных сделок (не припомню, чтобы где-то еще такое можно было систематизированно посмотреть).

🔗 Ссылка

#базы_данных #анализ_рынка

Sankey-диаграммы периодически мелькают в различных топах визуализаций (чего стоит только легендарная карта вторжения Наполеона в Россию в 1812), но массовыми их назвать сложно.

Чаще всего их используют для отображения потоков или маршрутов, но есть и другие, более интересные кейсы:
🔹отображение того, как эволюционирует покупательский опыт с течением времени (в примере у автора эволюция классов арендуемых автомобилей);
🔹анализ иерархически организованных данных;
🔹поиск паттернов в данных в качестве альтернативы ML (пример очень специфичный, но что-то в этом есть).

Про подготовку данных и реализацию (на примере Power BI) можно почитать тут.

P.S. А еще кто-то в интернете неправ ведет блог, посвященный исключительно санкеям (некоторые выглядят максимально ужасающе, но найти что-то интересное можно).

🔗Ссылка

#визуализации

На этой неделе опубликовали новый Gartner Magic Quadrant по аналитическим и BI-системам.

Как вы понимаете, Microsoft опять в лидерах и уже хвастается в блоге и рассылках. Немного подробнее, почему так - в сегодняшней заглавной статье.

Рядом с Power BI, по традиции, расположились Tableau и Qlik, а вот ThoughtSpot окончательно свалился в визионеры.

Общее количество участников сократилось с 22 до 20 (результат покупок ряда инструментов другими игроками). Подробнее посмотреть кто куда переехал можно тут.

А вот что было в предыдущей серии (2020 vs 2019).

🔗 Ссылка

#business_intelligence

Это очень крутая идея и топовая реализация!

Жаль, что для исследования доступен только Нью-Йорк.

Из похожего, но ближе к нашим реалиям (хоть и с существенно меньшей функциональностью) приходит в голову проект по визуализации возраста зданий. С того момента, как я о нем писал, к Санкт-Петербургу успели добавить Москву, Казань и Владимир (круто, что ребята развиваются).

#проекты

Похоже, в Microsoft тоже решили, что с VBA уже хватит (прямо как ребята, запихнувшие в Excel Jupiter Notebook).

На замену ему в закрытую бету выпущены новые формульные функции, обозванные lambda (что логично, ведь это и есть лямбда-выражения).

Выглядит как упрощённое программирование прямо в ячейке без танцев с бубном и переходов в другие окна. Интересно будет посмотреть на это все в боевых условиях, когда (если) оно выйдет в свет.

Будущее, что ли, наступает?

🔗Ссылка

#excelное

Сегодня у нас новая, экспериментальная рубрика.

Я довольно давно ищу книги, которые потенциально полезны аналитикам, периодически даже нахожу и читаю их.

Некоторое количество отзывов по ним я уже написал лично для себя, но кажется, что они (как и все, о чем я пишу) могут быть кому-то полезны (например, могут уберечь от покупки чего-то ненужного).

Встречаем, «Все лгут. Поисковики, Big Data и Интернет знают о вас все», Сет Cтивенс-Давидовиц.

Я давно собирался написать о ней и только недавно понял, что меня останавливало - минимальная практическая полезность. Но кажется в последнее время я стал отходить от концепции повсеместного утилитаризма и готов поделиться мыслями о книге (не является ли их появление после прочтения книги признаком наличия пользы? 🤔).

Честно говоря, название сформировало ожидание, что я погружусь в увлекательный мир большых данных, инфраструктуры там, машинное обучение, графики вот это вот все. В итоге же из перечисленного есть только графики, а книга и вовсе оказалась про людей.

Автор рассматривает различные актуальные для США общепринятые нормы, социально одобряемые точки зрения, публикации статистики и на основании данных по поисковым запросам (Гугл, сайты с 18+ контентом, социальные сети) ставит под сомнение их честность.

Основные мысли:
🔹Все лгут, особенно в социальных сетях, опросах, публичном выражении своего мнения;
🔹Что не врёт: поисковые запросы, клики, просмотры;
🔹«В среднем, цифровая сыворотка правды показывает мир хуже, чем мы думали» (а еще говорят, нельзя быть пессимистом);
🔹Сотрудник Гугл пишет, что Гугл знает про вас все (какая ирония).

Разочаровывает одно - все эти выводы довольно очевидные и не требуют Big Data для своего обоснования.

Тем не менее, если читать в качестве художественной литературы, а не профессиональной, то все неплохо.

🔗 Ссылка на бумажную версию

#книжное

Радует, что в последнее время чаще встречаются упоминания «аналитики по аналитике» - это когда мы не только пилим отчеты для пользователей, но еще и отслеживаем метрики их использования.

В статье описан пример реализации такого «дашборда по дашбордам» с целью исследования популярности разных легаси и не очень BI-систем Ростелекома.

Еще по касательной задета тема развития Self-Service подхода, но с предсказуемыми результатами ("нужен дешевый, простой инструмент с минимальным time to market»). Кажется, правда, что такие выводы можно было и существенно дешевле сделать 😉.

P.S. 8 аналитических систем в одной (хоть и огромной) организации - это сильно.

🔗 Ссылка

#business_intelligence

Чаще всего при возникновении задачи по вычислению объема рынка у меня начинаются какие-то танцы с бубном вокруг аналитических ресурсов, Яндекса, Гугла и личного опыта.

#анализ_рынка

Кажется, что улучшить ситуацию можно примерно так:

🔬💰🗺 #Полезное #Нельзя_просто_так_оценить_рынок

Для чего считать объём рынка?

На этой неделе я совершенно случайно наткнулся на замечательное видео одной из лекций школы Яндекса по управлению продуктами. 👤Александр Скурихин из ФРИИ делится собственным опытом оценки рынка для стартапов.

Мне эта лекция помогла связать в единую картину всякие PAM, TAM, SAM, SOM с Hype Cycles от Gartner и кривой проникновения инноваций. Стоит заметить, что Александр использует немного другие расшифровки объёмов рынка. Я знаю и много где встречал такие.

Ещё одним приятным моментом стал совет учитывать сегментированность рынка, которую я люблю смотреть в отчётах Mordor Intelligence (не думаю, что к ним имеют отношение Саурон или Саруман). В них отдельная диаграмма есть для этого.

В конце лекции даже есть авторская методика расчёта объёма рынка и несколько примеров. В методике упоминается Trendwatching, но никаких рекомендаций про него не даётся. Подумаю, может их канвас к этому прикрутить.

Объём рынка, это те деньги, которые может заработать компания. Если не посчитать его заранее, можно впустую потратить ресурсы, ведь заработать в выбранном сегменте может быть невозможно.

Поделитесь, пожалуйста, собственными рекомендациями в комментариях, я хочу модернизировать свой подход к оценке.