Продуктовый аналитик занимается анализом пользовательского поведения и интерфейса продукта.
Исследования фичей включают новые релизы и старые функции, которые ранее не были затронуты.
Основная задача — определить, нравится ли пользователям новая функция и приносит ли она прибыль.
Продукт состоит из множества механик и фичей, управление которыми осуществляется через микро-показатели.
Улучшение каждой части системы приводит к улучшению всего продукта.
Для оценки эффективности фичей используются 5 метрик, которые описывают результаты взаимодействия пользователя с функцией.
Adoption Rate (заметность) измеряет количество взаимодействий с функцией за день по отношению к общему количеству активных пользователей.
Engagement Rate (выполнение задачи) оценивает количество пользователей, выполнивших ключевую задачу функции за день.
Stickiness (закрепление функции) показывает, насколько часто пользователи возвращаются к функции в течение дня.
Conversion Rate (конверсия) оценивает долю конвертировавшихся пользователей функции в общем объеме пользователей.
Monetization Impact (влияние на доходы) оценивает влияние функции на доходы от приложения.
Все метрики в совокупности дают представление о характере функции и её влиянии на бизнес-цели.
Для анализа используется график Spider/Radar, который позволяет визуализировать сильные и слабые стороны продукта.
На основе графика можно наметить план детального исследования функций.
Метрики помогают определить, какие функции популярны среди пользователей и как они влияют на доходы.
Анализ метрик позволяет выявить проблемы с дизайном функций и определить направления для улучшения.
Система метрик может быть адаптирована для разных типов продуктов и использоваться для ранжирования функций.
https://habr.com/ru/articles/807585/
#articles #tools #analysis #math
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
Базовый анализ продуктовых фичей
Привет, я работаю продуктовым аналитиком и мои задачи, в большей степени, связаны с анализом пользовательского поведения в продукте. Пожалуй, чаще всего, мне приходится работать с разного рода...
Исследователи из Университета Миннесоты Твин-Ситис разработали новую архитектуру аппаратного обеспечения под названием Computational Random-Access Memory (CRAM), направленную на значительное снижение энергопотребления.
Об этом сообщается в статье, опубликованной в журнале npj Unconventional Computing. В традиционных подходах используется энергоемкая передача данных между логическими блоками и памятью, тогда как CRAM обрабатывает информацию непосредственно в массиве памяти, основываясь на технологии спинтронных устройств, которые используют спин электронов для хранения данных.
CRAM может уменьшить потребление энергии в области искусственного интеллекта в 1000 раз, что является решением одной из ключевых проблем — высоких затрат на энергоресурсы. Международное энергетическое агентство (IEA) прогнозирует, что потребление энергии в ИИ удвоится, увеличившись с 460 ТВт/ч в 2022 году до 1000 ТВт/ч к 2026 году, что соответствует общему потреблению электроэнергии в Японии.
https://neurohive.io/ru/papers/cram-novaya-apparatnaya-arhitektura-snizhaet-energopotreblenie-ii-v-1000-raz/
#articles #tools #analysis #math
Об этом сообщается в статье, опубликованной в журнале npj Unconventional Computing. В традиционных подходах используется энергоемкая передача данных между логическими блоками и памятью, тогда как CRAM обрабатывает информацию непосредственно в массиве памяти, основываясь на технологии спинтронных устройств, которые используют спин электронов для хранения данных.
CRAM может уменьшить потребление энергии в области искусственного интеллекта в 1000 раз, что является решением одной из ключевых проблем — высоких затрат на энергоресурсы. Международное энергетическое агентство (IEA) прогнозирует, что потребление энергии в ИИ удвоится, увеличившись с 460 ТВт/ч в 2022 году до 1000 ТВт/ч к 2026 году, что соответствует общему потреблению электроэнергии в Японии.
https://neurohive.io/ru/papers/cram-novaya-apparatnaya-arhitektura-snizhaet-energopotreblenie-ii-v-1000-raz/
#articles #tools #analysis #math
Neurohive - Нейронные сети
CRAM: новая аппаратная архитектура снижает энергопотребление ИИ в 1000 раз
CRAM способен сократить использование энергии ИИ в 1000 раз, решая одну из главных проблем в этой области: потребление энергоресурсов.
Продуктовая аналитика включает в себя сбор и анализ данных о продукте для улучшения его качества.
Аналитики используют данные для выявления проблем и возможностей продукта.
Исследование начинается с определения проблемы и постановки целей.
Необходимо сформулировать вопросы для исследования и определить ограничения.
После сбора данных следует их анализ и подготовка плана исследования.
Перед анализом данных необходимо их очистить и обработать.
В процессе анализа следует искать закономерности и зависимости.
Визуализация данных является важным этапом для создания понятного отчета.
В конце исследования необходимо подвести итоги и сформулировать рекомендации.
Отчет должен быть оформлен в удобном для всех участников формате.
Существуют различные форматы отчетов, но важно, чтобы они были понятны для читателей.
Рекомендуется использовать R для написания отчетов и R Quarto для рендеринга в PDF.
https://habr.com/ru/articles/781466/
#articles #tools #analysis #math
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
Краткое руководство по анализу данных и проведению продуктовых исследований
Обложка любезно предоставлена DALL-E Привет. Я занимаюсь продуктовой аналитикой уже довольно давно, и так получилось, что чаще всего в работе мне прилетают именно продуктовые рисёрчи. Иногда нужно...
👍1
Цифры играют ключевую роль в развитии бизнеса, но их одного недостаточно.
Продуктовый аналитик является связующим звеном между бизнесом и данными.
Аналитик решает множество задач, включая анализ поведения пользователей и генерацию гипотез.
Продуктовый аналитик должен уметь превращать данные в полезные для бизнеса выводы.
Пример: анализ воронки продаж цветочного магазина для улучшения конверсии.
Постановка задачи: определение проблемы, например, низкая конверсия на этапе оплаты.
Поиск информации: изучение исторических данных и уточнение у продакт-менеджера.
Анализ данных: критическое мышление и визуализация данных для выявления проблем.
Формулирование гипотез: выявление причин проблем и разработка решений.
Валидация гипотез: проверка идей с помощью здравого смысла и данных.
Решение проблемы: разработка и внедрение решений совместно с другими специалистами.
Преобразование данных в практические инсайты: умение видеть связи и генерировать гипотезы.
Важность продуктовой аналитики: значительный вклад в развитие бизнеса и стоимость компании.
https://habr.com/ru/articles/794670/
#articles #analysis
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
Искусство продуктовой аналитики: как преобразовать цифры в ценные инсайты для бизнеса
Денис Middle Product Analyst, MTC Привет Хабр! Меня зовут Денис, я продуктовый аналитик из МТС, ex-Tinkoff. Также я ментор и любитель конференций, на которых я периодически появляюсь и даже что-то...
Дистилляция - процесс передачи знаний от одной модели к другой.
Дистилляция используется для уменьшения размера и сложности модели, сохраняя при этом её точность.
Дистилляция применяется для улучшения генеративных моделей, таких как Stable Diffusion.
Дистилляция позволяет создавать более компактные и эффективные модели, сохраняя при этом качество генерации.
Дистилляция может быть выполнена через обучение на наборе переноса или через использование средневзвешенного значения целевых функций.
В байесовском выводе дистилляция основана на оптимизации параметров модели ученика с использованием вариационного вывода.
Дистилляция в генеративных моделях изображений направлена на оптимизацию моделей для конкретных задач и снижение сложности.
Stable Diffusion использует ансамбль моделей для генерации изображений, что требует дистилляции для улучшения производительности.
Дистилляция может оптимизировать нагрузку на ресурсы и уменьшить время генерации.
Использование токенизации запросов и детектора бинарных векторов признаков может улучшить производительность.
Дистилляция позволила уменьшить размер модели и время генерации, сохранив качество генерации.
https://habr.com/ru/articles/755644/
#articles #analysis #model #distilation
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
Оптимизация генеративной модели на основе дистилляции
Одним из важнейших направлений работы над моделями машинного обучения является их оптимизация. Оптимизированная модель работает быстрее, требует меньше вычислительных ресурсов, и как следствие —...
БЯМ (Big Language Model) продемонстрировали способность писать в стиле известных авторов.
Эксперимент New York Times показал, что БЯМ может создавать тексты, имитирующие стиль Кертис Ситтенфелд.
Первый фрагмент написан в стиле Кертис Ситтенфелд, второй - в стиле БЯМ.
БЯМ не всегда справляется с управлением речевыми оборотами и грамматикой.
В конце второго фрагмента БЯМ демонстрирует грамматические ошибки и отсутствие завершения.
БЯМ часто использует списки и маркированные списки, что является их характерной чертой.
ИИ склонен к стереотипам и расплывчатым высказываниям, а также к использованию типичных имен и эпитетов.
Предложения БЯМ часто бывают длинными и грамматически правильными, но предсказуемыми.
Чтобы скрыть использование БЯМ, необходимо удалить характерные слова и словосочетания.
Необходимо редактировать текст, чтобы удалить "воду" и оставить только удачные фрагменты.
В результате получится текст, неотличимый от написанного человеком, но требующий значительных усилий.
БЯМ подходят для выполнения простых задач, таких как перевод терминов или ответы на вопросы, которые не требуют глубокого понимания.
Однако не следует доверять им написание длинных текстов или статей.
Рекомендуется использовать БЯМ для получения ответов на конкретные вопросы, требующие специальных знаний.
https://habr.com/ru/articles/840066/
#articles #analysis #model #nlp #redactor
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
3 самых очевидных способа вручную обнаружить текст от большой языковой модели
На написание и публикацию этого текста меня побудила необходимость быстро объяснить, как определять текст от больших языковых моделей (БЯМ). Важно, что речь идёт только про выявление очевидных...
Вероятность описывает возможность наступления события.
Распределение вероятностей описывает, как часто происходят события с определенными характеристиками.
Биномиальное распределение описывает количество успехов в серии испытаний с известной вероятностью успеха.
Геометрическое распределение описывает количество неудач до первого успеха.
Отрицательное биномиальное распределение описывает количество неудач до определенного числа успехов.
Экспоненциальное распределение описывает время до наступления события.
Распределение Вейбула описывает время до увеличения интенсивности отказов.
Нормальное распределение описывает сумму независимых случайных величин.
Логнормальное распределение описывает логарифм суммы независимых случайных величин.
Распределение Стьюдента используется для проверки гипотез о среднем нормальном распределении.
Распределение хи-квадрат используется для проверки гипотез о сумме квадратов нормально распределенных величин.
Гамма-распределение обобщает экспоненциальное и хи-квадрат распределения.
Бета-распределение является сопряженным априорным распределением для многих других распределений.
https://habr.com/ru/articles/331060/
#articles #analysis #model #nlp #redactor
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
Типичные распределения вероятности: шпаргалка data scientist-а
У data scientist-ов сотни распределений вероятности на любой вкус. С чего начать? Data science, чем бы она там не была – та ещё штука. От какого-нибудь гуру на ваших сходках или хакатонах можно...
77% программистов положительно оценивают перспективы ИИ в разработке.
70% уже используют или планируют использовать ИИ-ассистентов.
92% разработчиков в США используют ИИ-инструменты для работы и дома.
70% считают владение ИИ конкурентным преимуществом на рынке труда.
ИИ ускоряет разработку на 55% и повышает производительность на 30%.
ИИ-ассистенты помогают справляться с эмоциональным выгоранием и укрепляют командную работу.
ИИ освобождает разработчиков от рутинных задач, позволяя им сосредоточиться на обратной связи и новых навыках.
ИИ сокращает расходы бизнеса за счет автоматизации рутинных задач.
ИИ помогает в сравнении технических требований и проверке документации.
ИИ создает прототипы сайтов и улучшает существующие проекты.
Нейросети пишут код по текстовому описанию и переводят код между языками программирования.
ИИ анализирует ошибки и автоматизирует тестирование ПО.
ИИ управляет проектами, оптимизирует бюджет и предоставляет шаблоны документации.
Copilot — лидер рынка, подходит для автодополнения кода и других задач.
Tabnine — нейросеть, обучающаяся стилю программирования пользователя.
GigaChat, Kandinsky, GigaCode — универсальные модели от "Сбера", работающие на русском языке.Snyk Code — нейросеть для поиска уязвимостей в коде.
Documatic — бот для генерации документации к коду.
No-Code и Low-Code — подходы к разработке без написания кода или с минимальным программированием.
Зарубежные платформы, такие как Airtable, Bubble, Glide, Adalo, популярны для создания приложений по принципам "ноукод".
В России есть свои разработки, например, Albato и Directual.
ИИ-ассистенты становятся незаменимыми помощниками для разработчиков.
ChatGPT стал самым быстрорастущим приложением, что свидетельствует о популярности ИИ.
ИИ-технологии активно внедряются в разработку, но не заменят полностью человеческий труд.
https://habr.com/ru/companies/sberbank/articles/765864/
#articles #analysis #model #nlp #redactor
Please open Telegram to view this post
VIEW IN TELEGRAM
Хабр
70 % программистов пользуются ИИ-ассистентами. Скоро код будут писать алгоритмы?
Проведенный в июне 2022 года опрос на платформе Stack Overflow показал, что 77 % программистов положительно оценивают перспективы искусственного интеллекта в разработке, а 70 % уже применяют...
🔄🔄🔄Читаем статьи за Вас №12:
🗣Определение и применение когортного анализа
Когортный анализ используется для анализа действий клиентов на веб-сайтах и в интернет-сервисах.
Сегменты целевой аудитории объединяются в группы по общим характеристикам и временным периодам.
Анализ позволяет оценить эффективность рекламных кампаний и определить сезонность продаж.
🗣Примеры использования когортного анализа
Анализ эффективности рекламы: когортный анализ помогает точно оценить эффективность рекламных кампаний, учитывая время принятия решения о покупке.
Поиск и удержание лояльных клиентов: анализ поведения пользователей во времени позволяет определить наиболее эффективные каналы привлечения и удержания клиентов.
Прогнозирование и увеличение LTV: когортный анализ позволяет прогнозировать пожизненную ценность клиентов и сравнивать стоимость их привлечения по разным каналам.
Проведение A/B тестирования: анализ когорт помогает в долгосрочном прогнозировании результатов A/B тестирования.
Анализ эффективности мобильного приложения: когортный анализ используется для оценки уровня возврата пользователей и эффективности рекламных каналов в мобильных приложениях.
🗣Применение в различных сферах
Формирование портрета целевого клиента: анализ данных из разных когорт помогает создать точный портрет целевой аудитории.
Повышение конверсии: когортный анализ дополняет сплит-тестирование, предоставляя более точные данные о поведении и предпочтениях клиентов.
SaaS: анализ когорт используется для оптимизации цикла продаж в облачных сервисах, включая отслеживание доходов и расходов.
🗣Ключевые показатели когортного анализа
Контрольная точка: сумма покупки, после которой клиенты становятся постоянными.
Каналы привлечения: определение наиболее эффективных источников привлечения новых клиентов.
Переход пользователей с пробной версии на платную: анализ перехода пользователей с пробной версии продукта на платную.
🗣Основы когортного анализа
Когортный анализ помогает определить, какие клиенты становятся платными.
Повторные покупки указывают на готовность клиента платить за продукт.
Аналитик должен определить целевые показатели и выбрать значимые метрики.
🗣Необходимые параметры для анализа
Признак формирования когорты: первое посещение, покупка, установка и т.д.
Размер когорты: временной интервал, например, день, неделя, месяц.
Отчетный период: время исследования поведения групп.
Анализируемый ключевой показатель: ROI, Retention Rate и другие.
🗣Использование Google Analytics для когортного анализа
Google Analytics подходит для новичков и находится в стадии бета-тестирования.
Ограничения: формирование когорт только по первому посещению, один анализ на показатель, стандартный размер когорты, ограниченный выбор отчетного периода.
После окончания бета-тестирования функционал расширится.
Визуализация анализируемого показателя и сводная таблица данных доступны в Google Analytics.
🗣Альтернативные сервисы для когортного анализа
AppsFlyer: гибкие настройки, возможность включения нескольких фильтров.
AppMetrica и Adjust: для анализа возврата новых пользователей.
Kissmetrics: возможность формирования когорты по двум признакам, группировка по разным параметрам.
🗣Использование Google Sheets для создания отчетов
Сводная таблица в Google Sheets позволяет быстро создать когортный отчет.
Необходимо собрать исходные данные в нужном формате и применить условное форматирование.
🗣Значение когортного анализа для аналитика
Когортный анализ предоставляет ценную информацию для развития продукта.
Не требует специальных инструментов или знаний, большинство систем аналитики автоматизируют процесс.
При отсутствии специализированных систем аналитик может использовать Google Sheets и сводные таблицы для создания отчетов.
https://habr.com/ru/companies/productstar/articles/509410/
#articles #analysis #model #nlp #redactor
🗣Определение и применение когортного анализа
Когортный анализ используется для анализа действий клиентов на веб-сайтах и в интернет-сервисах.
Сегменты целевой аудитории объединяются в группы по общим характеристикам и временным периодам.
Анализ позволяет оценить эффективность рекламных кампаний и определить сезонность продаж.
🗣Примеры использования когортного анализа
Анализ эффективности рекламы: когортный анализ помогает точно оценить эффективность рекламных кампаний, учитывая время принятия решения о покупке.
Поиск и удержание лояльных клиентов: анализ поведения пользователей во времени позволяет определить наиболее эффективные каналы привлечения и удержания клиентов.
Прогнозирование и увеличение LTV: когортный анализ позволяет прогнозировать пожизненную ценность клиентов и сравнивать стоимость их привлечения по разным каналам.
Проведение A/B тестирования: анализ когорт помогает в долгосрочном прогнозировании результатов A/B тестирования.
Анализ эффективности мобильного приложения: когортный анализ используется для оценки уровня возврата пользователей и эффективности рекламных каналов в мобильных приложениях.
🗣Применение в различных сферах
Формирование портрета целевого клиента: анализ данных из разных когорт помогает создать точный портрет целевой аудитории.
Повышение конверсии: когортный анализ дополняет сплит-тестирование, предоставляя более точные данные о поведении и предпочтениях клиентов.
SaaS: анализ когорт используется для оптимизации цикла продаж в облачных сервисах, включая отслеживание доходов и расходов.
🗣Ключевые показатели когортного анализа
Контрольная точка: сумма покупки, после которой клиенты становятся постоянными.
Каналы привлечения: определение наиболее эффективных источников привлечения новых клиентов.
Переход пользователей с пробной версии на платную: анализ перехода пользователей с пробной версии продукта на платную.
🗣Основы когортного анализа
Когортный анализ помогает определить, какие клиенты становятся платными.
Повторные покупки указывают на готовность клиента платить за продукт.
Аналитик должен определить целевые показатели и выбрать значимые метрики.
🗣Необходимые параметры для анализа
Признак формирования когорты: первое посещение, покупка, установка и т.д.
Размер когорты: временной интервал, например, день, неделя, месяц.
Отчетный период: время исследования поведения групп.
Анализируемый ключевой показатель: ROI, Retention Rate и другие.
🗣Использование Google Analytics для когортного анализа
Google Analytics подходит для новичков и находится в стадии бета-тестирования.
Ограничения: формирование когорт только по первому посещению, один анализ на показатель, стандартный размер когорты, ограниченный выбор отчетного периода.
После окончания бета-тестирования функционал расширится.
Визуализация анализируемого показателя и сводная таблица данных доступны в Google Analytics.
🗣Альтернативные сервисы для когортного анализа
AppsFlyer: гибкие настройки, возможность включения нескольких фильтров.
AppMetrica и Adjust: для анализа возврата новых пользователей.
Kissmetrics: возможность формирования когорты по двум признакам, группировка по разным параметрам.
🗣Использование Google Sheets для создания отчетов
Сводная таблица в Google Sheets позволяет быстро создать когортный отчет.
Необходимо собрать исходные данные в нужном формате и применить условное форматирование.
🗣Значение когортного анализа для аналитика
Когортный анализ предоставляет ценную информацию для развития продукта.
Не требует специальных инструментов или знаний, большинство систем аналитики автоматизируют процесс.
При отсутствии специализированных систем аналитик может использовать Google Sheets и сводные таблицы для создания отчетов.
https://habr.com/ru/companies/productstar/articles/509410/
#articles #analysis #model #nlp #redactor
🔄🔄🔄Читаем статьи за Вас №13:
📚Анализ корреляций в ценах на товары
Автор статьи использовал MatLab, но не упомянул уровень значимости корреляций.
В статье рассматривается использование R для анализа данных о ценах на товары.
Распределение цен на товары отличается от нормального, что делает невозможным использование коэффициента корреляции Пирсона.
Тест Спирмена используется для поиска непараметрических корреляций.
📚Результаты корреляционного анализа
В корреляционной матрице обнаружены статистически значимые взаимосвязи.
Значения коэффициентов корреляции rho не превышают 0.3, указывая на слабую силу связей.
Колебания цен на один товар могут влиять на цены других товаров не более чем на 10%.
📚Общий вывод
Автор подчеркивает важность понимания статистической значимости при анализе данных.
Статья призывает к осторожному подходу при интерпретации результатов корреляционного анализа.
https://habr.com/ru/articles/241967/
#articles #analysis #model #nlp #redactor
📚Анализ корреляций в ценах на товары
Автор статьи использовал MatLab, но не упомянул уровень значимости корреляций.
В статье рассматривается использование R для анализа данных о ценах на товары.
Распределение цен на товары отличается от нормального, что делает невозможным использование коэффициента корреляции Пирсона.
Тест Спирмена используется для поиска непараметрических корреляций.
📚Результаты корреляционного анализа
В корреляционной матрице обнаружены статистически значимые взаимосвязи.
Значения коэффициентов корреляции rho не превышают 0.3, указывая на слабую силу связей.
Колебания цен на один товар могут влиять на цены других товаров не более чем на 10%.
📚Общий вывод
Автор подчеркивает важность понимания статистической значимости при анализе данных.
Статья призывает к осторожному подходу при интерпретации результатов корреляционного анализа.
https://habr.com/ru/articles/241967/
#articles #analysis #model #nlp #redactor