🚶‍♀️Анализируем последовательности пользователей до конверсии

Ранее, я уже писал, о том зачем отслеживать пользовательские события подробнее почитать можно тут.🧠

🔤Пришло время рассказать какие есть варианты работы с ними, какую пользу можно извлечь из них и лутать больше целковых и/или улучшить UX продукта.

Будет серия постов про то, как анализировать события. Это часть 1😤

Шаг 1️⃣: Для каждой сессии собрать все события в порядке их срабатывания.
Шаг 2️⃣: Создать все возможные последовательности
Шаг 3️⃣: Сравнить последовательности купивших и не купивших.
Шаг 4️⃣: Найти самые характерные для покупателей последовательности, поискать неочевидные инсайты, а также для каждой последовательности рассчитать метрики

😎Какие метрики?

➡️Последовательность

Список действий пользователя, например, scroll_pdp → add_to_cart.

➡️Длина
Количество событий в последовательности.

➡️Частота у покупателей
Число купивших (сессий), у которых встретилась эта последовательность.

➡️Доля покупателей %
Какой процент всех купивших совершали именно эту последовательность.

➡️Доля не покупателей %
Процент сессий без покупки, в которых встречается эта последовательность.

➡️Lift
Ключевая метрика. Показывает во сколько раз данная последовательность вероятнее у купивших, чем у не-купивших

❤️Как читаем таблицу?

Чем выше lift и доля у покупателей — тем более “конверсионная” последовательность.

Если у последовательности высокая частота у покупателей и большой lift — это явные “магнитные” паттерны.

➖Какие данные нам нужны для создания последовательности?

1. Дата и время события (ym:pv:dateTime)
2. Идентификатор клиента (ym:pv:clientID)
3. Параметр события (ym:pv:params)
4. Признак была ли покупка в рамках сессии (ym:pv:purchaseID)

➖Откуда их взять?

Я брал данные из Logs API Яндекс.Метрики и выгружал именно хиты, так как нужны конкретные дата и время события, чтобы затем создать последовательность. И придется потанцевать с ym:pv:params так как массив и придется его распарсить.🇰🇲

💅 Написал функцию в питоне, которая позволяет сделать последовательность

🔤 🔤 ☝️

Последовательности действий позволяют лучше понимать сценарии, ведущие к конверсии и наоборот, а также искать неочевидные кейсы взаимодействий пользаков с продуктом.

🤔Можно ли раскатывать изменения, если не достигнута статистическая значимость 95% в АБ-тесте?

И, да, и нет🤣

🔫Что вообще есть стат.значимость 95%? Давайте разбираться

➡️Показатель доверия эксперимента. В 95% случаев наш результат будет охватывать истинное значение статистики, и всего лишь 5% вероятности ошибиться, задетектировать наличие эффекта, хотя его на самом деле нет.

➡️Уровни доверия (95%) и уровни значимости (5%) задаются до начала эксперимента, от этих данных зависит размер выборок. Проще говоря, сколько нам потребуется пользователей, чтобы увидеть желаемый эффект в эксперименте.

➡️ Это стандарт в статистике, калькуляторы, сервисы рекомендуют именно 95%

🤬Провели мы эксперимент, получили стат.значимость на уровне ниже 95%, что дальше нам как продактам делать❓

❗❗❗Все зависит от теста, если тестируется критичный функционал, например, корзина или чекаут, здесь риски велики и стоит уйти на еще одну итерацию

Если же, тестируется какой-то элемент, расположение блоков, UX-изменения, то ниже мои рекомендации как продакта как поступить с таким тестом и при каких условиях его можно раскатать.

1️⃣Смотрим на полученное значение, как далеко оно от 95%? Помним, что, чем ниже значение, тем выше вероятность ошибиться. Если есть возможность, покрутить его еще, крутим.

2️⃣Изучаем доверительный интервал, насколько сильный разброс данных, чем меньше, тем лучше

3️⃣Смотрим на метрики и прокси-метрики, хорошо, если там ничего не минусит, а лучше чтобы был рост.

Если звезды сошлись, ничего не минусит, эффект близок к 95%, интервалы узкие, раскататься можно👔

😬В исследованиях лишь 10–20% всех экспериментов реально достигают порога 95%, но это не значит, что нам не нужно стремиться его достичь, и в то же время, борщить с раскаткой таких тестов не стоит, так мы стреляем себе в ногу и в долгосроке это аукнется.

🤫Итого😱

Менеджмент - это про гибкость, неопределенность, приоритеты, даже в вопросах статистики. В низко-рисковых гипотезах, можно пожертвовать порогом в 95%, предварительно собрав данные, договорившись с командой и взяв на себя эту ответственность ➕

🔜В следующих постах коснемся таким тем, как

🔶 Автоматизируем AARRR-воронку с помощью API Яндекс.Метрики и Google-таблиц
🔶 Метрика не растет, что делать?
🔶 Где продактам искать гипотезы?
🔶 Попробуем посчитать вероятности к покупкам у разных сегментов пользователей

💃Автоматизируем сбор данных для AAARRR-воронки (используем API Yandex AppMetrica + Google Sheets)

👀Что такое AAARRR?

AAARRR-продуктовый фреймворк или "пиратские метрики", был придуман еще в 2007 году и призван был помочь стартапам фокусироваться на ключевых показателях для долгосрочного роста. По сути это воронку основных этапов пользовательского пути.

😋Почему мне нравится AAARRR?

➕Охватывает как метрики привлечения, так и метрики вовлеченности.

➕Дает helicopter view, полную картинку как продукт конвертирует пользователей в покупателей в динамике.

➕Показывает узкие места

Подробнее разберем каждый шаг

🔤wareness - Блок с метриками привлечения, показы, клики, инсталы, можно добавить затраты.
🔤cquisition - Здесь уже работаем с теми, кто открыл приложение, например, новые/всего пользователей.
🔤ctivation - Для ecom‑приложения хорошая активация — не просто регистрация, а, например, просмотр карточки товара, или добавление в корзину.
🔤etention - 1,3 и 7 дней.
🔤evenue - Метрики монетизации, конверсия в заказ, выручка, заказы, ARPU, ARPPU
🔤eferral - Использование промокодов, реф ссылок, отзывы

🤔Чем будет полезен продакту?

📝Фокус на узких местах в воронке, даст понимание где юзер спотыкается, значит нужно приложить усилия именно туда, разложить метрику на сегменты, прокси-метрики и нагенерировать гипотезы для последующей проверки.

📝Динамику поведения метрик, например, acquisition растет, revenue падает

📝Мониторинг возможных ошибок, например доля регистраций падает, возможно пользователи ловят технические ошибки и уходят.

💃Написал скрипт, который выгружает данные за прошлую неделю в гугл-таблицу в каждый следующий столбец, чтобы не затирать предыдущие данные.

Предварительно у вас должны быть настроены события в аппметрике (экраны корзины, чекаута, настроен e-commerce), иначе данные неоткуда будет взять.

Что еще нужно чтобы код заработал на вашем проекте?

1. Токен аппметрики
2. id счетчика аппметрики
3. Гугл-таблица (можно скопировать эту) и json-файл с токеном от сервисного аккаунта гугла. Вот статья как зарегать сервисный акк и получить json-файл.

Далее скопировать этот код, вставить свои значения и запускать скрипт каждый понедельник или доверить запуск крону.

🐒Как заставить конверсию расти?

Сегментация наше все😂

Я выделил 3 основных направления для сегментации.

1️⃣ Техническое - копаем в технические ошибки, системные ограничения.

👀Какие типы ошибок логировать?

🔠вторизация/Регистрация - все что с этим связано (ошибки в заполняемых полях, доля некорректно введённых кодов из смс, доля успешных авторизаций от общего числа запросов на авторизацию, ошибки создания/проверки профиля)

🔠ены/скидки - все, что с этим связано (чекинг цен на карточке/корзине, просчет скидок, доставок, отвал методов на корзине по таймаутам)

🔠платы - ошибки на этапе оплаты (фейлы с оплатами, отвал по таймаутам от платежных шлюзов)

К логам прикрутить оповещения в тг или почту, при достижении количества > 100 в час, высылать оповещение для быстрого реагирования.

2️⃣ Товарное - копаем в сам товар, тут я выделю 2 ветки

🔠Наличие/доставки/акционная активность

Чтобы товар продавался, он всегда должен быть в наличии, варианты доставок товара должны быть удобными и конкурентоспособными, акционная активность не хуже чем у конкурентов.

🔠Позиционирование товара/наполненность контентом.

Это базированная 💯🗿

🤷‍♂️ Тут работаем уже с пользовательскими джобами, на какую работу пользователи нанимают продукт. Важно показать те качества товара и особенности, которые смогут удовлетворить его потребность.

🤩Наполняемость карточки. Проверить все ли критичные атрибуты карточки товара заполнены - это характеристики, фотографии, видео товара, наличие отзывов, другие контентные места, где в теории можно отобразить полезную информацию для пользователя.

Здесь также нужны свои метрики, например, % карточек с максимально заполненными атрибутами, количество характеристик в карточке (пользователю проще сравнивать товары, где единый набор характеристик), количество отзывов в карточке (например, до 10 отзывов, от 10 до 20 отзывов и тд, и сверить уже внутри этих сегментов конверсию, в целом растить долю отзывов это маст-хэв)

3️⃣Продуктовое - копаем в сегменты пользователей

Здесь смотрим когорты и различные сегменты пользователей. Изучаем конверсию по сегментам, ищем сегменты с низкой конверсией, выдвигаем гипотезы. Вот список сегментов.

➖Новые/старые пользователи
➖Устройства (ПК/Мобайл + разрешения экранов)
➖Браузеры
➖Источники трафика
➖Соц/дем (пол, возраст, локация)
➖Сегмент пользователей, которые взаимодействовали с галерей фото (смотрели N фото)
➖Сегмент пользователей, которые взаимодействовали с отзывами (смотрели N отзывов)
➖Сегмент пользователей, которые взаимодействовали с описанием товара/характеристиками

Можно смотреть сегменты внутри других сегментов, важно найти те узкие места в воронках, из-за которых конверсия проседает, нагенерить гипотез и проверить их.

💪В следующих сериях

✉️ Объединяем фреймворк RICE и дизайн эксперимента, чтобы параметры дизайна эксперимента считались сами в гугл-таблице (мде, размеры выборок, мощность и др).

✉️ Выгружаем данные первых сессий пользователя из Яндекс.Метрики и сверяем данные с jtbd-сценариями

📇втоматизируем сбор данных из Яндекс.Метрики в Google Sheets через n8n (понедельно)

🤝Автоматизация полезна там, где снимает рутину и экономит трудозатраты. Раньше приходилось каждый понедельник тратить время на выгрузку воронки из ЯМ, чтобы собрать отчет для себя и коллег за прошлую неделю.

🔴Изначально код существовал в виде скрипта на python, но было неудобно его запускать, надо было ли закинуть его на сервер и крон, либо возится с планировщиком заданий.

💪Но выход есть! Перетащить все в n8n!

🤩Что нам потребуется и как это выглядит?

1. Развернутый n8n
2. Ключ для API Яндекс.Метрики
3. Сервисный ключ Google-таблиц

🔥Как работает?

1️⃣Создаем триггер (запускать воркфлоу каждый понедельник в 11:00 утра)

2️⃣ Скриптом получаем даты начала и конца прошлой недели (они потребуются для запроса в метрику и для создания отдельного листа с датой начала и конца).

3️⃣ Обращаемся к API отчетов Яндекс.Метрики (https://api-metrika.yandex.net/stat/v1/data)

Прописываем токен, айди счетчика, указываем метрики и группировки, которые хотим получить и даты, которые получили на предыдущем шаге как переменные.

4️⃣ Далее нам надо полученный ответ подготовить для записи в таблицу, где группировку будут строками, а метрики столбцами.

5️⃣Создаем новый лист в гугл-таблице (надо создать таблицу и прописать креды сервисного аккаунта), новый лист будет вида дата начала прошлой недели/дата окончания прошлой недели как переменные (данные с шага 2)

6️⃣После того как в таблице создали лист с прошлой неделей, заливаем туда данные из ЯМ.

😎На этом все!

🌚Что можно сделать дальше?

Через n8n подключить ИИ-агента (перплексити например), который на основании таблицы пришлет саммари метрик в динамике, например, что изменилось за в метриках прошлую неделю или предыдущие.

🕺Сюда же скидываю json для n8n, который можно импортнуть и затем подбить под свои нужды.

🚨 Автоматизируем сбор отзывов и делаем саммари на связке 📱 + n8n + 📱

♟Сейчас работа с отзывами происходит на ручнике, бот шлет csv файлы в группу в ТГ. Файлы разные, приходится их качать, мержить в таблицу, вручную анализировать, ставить задачи + не всегда получается оперативно обрабатывать ОС от пользователей приложения. 🇰🇲 Это неудобно и отнимает много времени.

💃Что будем делать?

👣Получим и спарсим файлы с отзывами из тележки.
🧑‍🦲Сформируем единую таблицу с отзывами (файлы могут приходить как за день так и за месяц) + добавим ноду, чтобы в таблицу записывались только уникальные отзывы без дублей.
🧑‍🍳Сгруппируем новые отзывы по дате и закинем их в Perplexity, чтобы он вернул нам саммари
👰Отправляем саммари обратно в телегу.

Пример саммари, которое по итогу придет в тг

{
  "Дата": "4 дек. 2025 г.",
  "Краткое саммари по отзывам за день": "За 4 декабря 2025 г. поступило 2 отзыва: один с iOS и один с Android. На iOS пользователь отметил необходимость улучшения UX при оформлении заказа в рассрочку - сразу показывать сроки и суммы платежей. На Android жалоба на долгую работу приложения. Отзывы касаются улучшения интерфейса и производительности.",
  "Всего отзывов": 2,
  "android": 1,
  "ios": 1,
  "Топ проблем": ["неинформативный интерфейс рассрочки", "медленная работа приложения"],
  "Топ багов": [
    {
      "Описсание": "Долго думает (медленная работа приложения)",
      "Количество": 1,
      "Критичность": "high"
    }
  ],
  "Запрос по функционалу": [
    {
      "Идея": "При оформлении заказа в рассрочку сразу показывать сроки и суммы платежей",
      "Количество": 1
    }
  ]
}

🤍 Perplexity сам классифицирует отзыв, присваивая ему критичность. Высылает топ проблем и идеи по функционалу.

🔠🔠 На выходе получаем общую таблицу с уникальными отзывами, с которой можно работать дальше,

📍Подключить ноду Jira и автоматизировать заведение тасок по критичным багам.

📍Проводить трендовый анализ раз в неделю (месяц), чтобы смотреть есть ли динамика на улучшение отзывов или нет.

📍Создать отдельный колодец с идеями для формирования бэклога.

😣С какими проблемами пришлось столкнуться?

😐По правилам тг бот не видит сообщения от других ботов, поэтому получение файлов пришлось делать через вебхук.

😐Таблицу с отзывами перенесу скорее всего в BaseRow (это Airtable для бедных😬). Дает возможность разные автоматизации делать (например метки у багов менять, если баг пофикшен), про него отдельный пост сделаю.

😐Если отзывов много, есть вероятность упереться в лимиты API Perplexity

😁Но, пока что все работает, я доволен, за подробностями приходите в ЛС или комменты.

😋Подписывайтесь на мой канал

🤨Подглядываем за изменениями у конкурентов с помощью n8n +📱+ 📱+📱

🤩Конкуренты не дремлют, тоже что-то тестируют, меняют, растят свои метрики. Нам надо знать, что они меняют и как, чтобы сгеагировать. 😭Не всегда получается делать это на постоянке.

Поэтому, нам нужен процесс сбора изменений, быть в курсе фичей, которые релизят или аб-тестят конкуренты на важных страницах сайта (карточка товара, каталог)

🤝Делаем бесплатно, без регистрации и смс🎙

❔Что нам потребуется?

🔠 API CaptureKit (дают 100 запросов в месяц на фришном тарифе), этого вполне хватит

🔠 Аккаунт Google Drive (создать папку куда будут падать скриншоты), любой дефолтный акк.

🔠 Любая фришная моделька с OpenRoutera, которая умеет работать с картинками.

🔠 Телеграм, куда будем слать оповещения об изменениях.

➡️Логика такая:

😓Создаем ноду, которая делаем нам скриншоты конкретной страницы.

😓Грузим их на Google Drive в ранее созданную папку и обзываем их, например, product_page_week_5, где 5 будет номер недели в году.

😓Затем получаем с диска 2 файла, файл прошлой недели и файл текущей недели.

😓Скармливаем их 💻-агенту, он в ответ присылает, что изменилось за неделю в скриншотах.

😓Пушим сообщение в ТГ.

Пример сообщения в тг✉️

🔥 Цена снижена с 27 999 ₽ до 24 999 ₽! Добавлены новые фото и информация о доставке от 999 ₽. Появился блок с похожими товарами. 🛒

Ставим ноду запускаться на каждый понедельник и наслаждаемси🙄

🟢Копия воркфлоу в комментах

😋Подписывайтесь на мой канал

🤔Переносим недельную AAARRR-воронку в n8n и подключаем Perplexity для саммаризации растущих и падающих метрик.

Ранее уже писал про сбор данных из аппметрики в гугл-таблицу https://t.me/analyticsforproductmanagers/10

👀Что такое AAARRR?

AAARRR-продуктовый фреймворк или "пиратские метрики", был придуман еще в 2007 году и призван был помочь стартапам фокусироваться на ключевых показателях для долгосрочного роста. По сути это воронка основных этапов пользовательского пути.

✏️Какие метрики собираем?
1. Инсталы (динамика по установкам)
2. Всего пользователей (новые старые)
3. Воронка (каталог-карточка-корзина-покупка)
4. AOV, ARPU, ARPPU
5. Retention (1-day, 3-day, 7-day)


🔍Что будем делать?

🔠 Каждую неделю забирать данные по метрикам из API AppMetrica
🔠Создавать столбец с названием дата начала/окончания недели
🔠Записывать данные по метрикам в столбец за прошлую неделю.
🔠Из таблицы получим 2 последних столбца из таблицы (они соответствуют прошлой и позапрошлой недели)
🔠Фильтруем метрики (оставляем только те, которые выросли на 10% и которые упали на 15% по отношению к прошлой неделе)
🔠Готовим промпт для Perplexity, чтобы он сделал саммари падениям/росту, предположил почему так и дал гипотез.

Пример сообщения

Установки с сайта выросли на 19%, но новых пользователей стало на 29% меньше, что снизило долю новых с 18% до 15% и ударило по retention (3d с 15% до 12%, 7d вдвое до 5%). При этом конверсия в заказ выросла до 4% (+33%), ARPU на 17% и доля Android-покупок на 19% — рост монетизации на меньшей базе, возможно, за счёт лояльных пользователей.

### 2–3 гипотезы (общие, на основе связей метрик)
1. Увеличение установок не конвертируется в новых пользователей из-за проблем с онбордингом или ASO (снижение доли новых + retention), но существующие лучше монетизируются (рост ARPU/конверсии).
2. Сдвиг к Android-аудитории (рост доли покупок) улучшил ARPU, компенсируя падение retention на iOS или общей базе.
3. Временный буст установок без роста активности (падение retention) указывает на низкое качество трафика с сайта.

😋Подписывайтесь на мой канал ссылка на воркфлоу в комментариях

✈️Подключаем команду агентов для анализа и проработки фич через 📱+📱+💻

❤️Делегируем первичную проработку продуктовых задач ИИ-агентам


😦Что будем делать?

👣Сделаем агента с навыками бизнес-аналитика, чтобы он собрал с нас максимум требований по фиче, уточнил нюансы и сохранил эту информацию в память, чтобы затем обращаться к ней

🧑‍🦲Когда он соберет с нас требования, даем ему команду приступить к анализу через /analyze в боте

🧑‍🍳Поочередно за работу берутся другие агенты
• Продуктовый аналитик (предложит метрики, дашборды)
• Исследователь (происследует конкурентов на предмет наличия похожей фичи, соберет аналитику по рынку)
• Системный аналитик (опишет стори, предложит необходимые методы, архитектуру решения, таблицы с типами данных, sql для создания таблиц)
• Дизайнер (описание экранов с условиями взаимодействия)

👰После подготовки данных от всех агентов, БА соберет все в один файл и выложит на гитхаб в виде markdown

➡️Креды, что нам потребуется?

1️⃣n8n
2️⃣API ключ с OpenRoutera + закинуть копейку на баланс (я пополнял через плати ру). Делается за 5 минут + можно использовать бесплатные ллмки, которые не жрут баланс.
3️⃣Бот телеграма
4️⃣API Github

————————————————————————

1️⃣ Одна фича схавает с баланса OpenRouter примерно 1 доллар

1️⃣ Использую Claude-sonnet-4 + GPT 5 + Perplexity (все через OpenRouter)

1️⃣ Создалось описание фичи на 2 000 строк📈

1️⃣ Чем больше контекста будет знать БА, тем проработаннее будет задача

————————————————————————

😋Подписывайтесь на мой канал ссылка на воркфлоу в комментариях

💯Пишем бота аналитика, который по запросу присылает данные из Яндекс.Метрики в телеграм через n8n.

😬Чтобы не тратить время на зайти в метрику, посмотреть топ проданных товаров за вчера или конверсию в заказ из электронной коммерции, доверим сбор и выводы боту в телеге.

❔Что нам потребуется, чтобы реализовать его в n8n?

👣Claude Opus (через OpenRouter)
🧑‍🦲Токен Яндекс.Метрики и номер счетчика
🧑‍🍳ТГ бот

Как работает?😱

1️⃣нода - (Telegram - Triggers - On message) в настройках указываем креды (ключ бота и chat id)

2️⃣ нода - (AI Agent) подключаем клод опус, пишем промпт для агента.

🧘‍♀️К ноде агента добавим:
🟣 Память (чтобы помнил контекст из чата)
🔵 Запрос к отчету по конверсии по категориям (уники всего, уники на корзине, уники купившие и конверсия в заказ с группировкой по категориям 1 уровня)
🔵Запрос к отчету купленным товарам (количество купленных товаров, уники купившие товар, количество товара в корзине с группировкой по категории и названию товара)

💬Сразу зададим в промпт информацию по фильтрам, чтобы умел фильтровать по устройствам (декстоп, мобайл)

❗️❗️❗️Добавить можно любые параметры и группировки, которые доступы в API Яндекс.Метрики (это могут быть, события, цели, общие показатели посещаемости)

3️⃣ нода - (Telegram - Actions - Send a text message) Возвращаем в чат сообщение, которое подготовит агент.

🕺👯‍♀️👯🏃‍♀️🏃👩‍❤️‍👩примеры

Запрос - топ 10 проданных товаров за вчера в штуках

Ответ от бота ⬇️

🛒 Топ-10 проданных товаров за 27.03.2026 (в штуках)

| № | Товар | Категория | Продано шт. |
|---|-------|-----------|-------------|
| 1 | товар1 | категория1 | 38 |
| 2 | товар1 | категория1 23 |
| 3 | товар1 | категория1 | 21 |
| 4 | товар1 | категория1 | 19 |
| 5 | товар1 | категория1 | 19 |
| 6 | товар1 | категория1 | 18 |
| 7 | товар1 | категория1 | 18 |
| 8 | товар1 | категория1 18 |
| 9 | товар1 | категория1| 18 |
| 10 | товар1 | категория1 | 14 |

📈 Итого за день: N товаров продано

💡 Лидер продаж — товар1 с 38 штуками. Категория1 занимают 4 позиции в топ-10!

➖➖➖

Запрос - сравни вчера и позавчера конверсию в корзину общую

Ответ от бота ⬇️

📊 Сравнение конверсии в корзину

| Показатель | Позавчера (26.03) | Вчера (27.03) | Изменение |
|------------|------------------|---------------|-----------|
| 👥 Пользователи | n | n | -13.8% ↘️ |
| 🛒 Уникальные корзины | n | n| -9.0% ↘️ |
| 📦 Уникальные покупки | n | n| -6.3% ↘️ |
| 📈 Конверсия в покупку | n | n| +0.11 п.п. ↗️ |

Выводы:
- Вчера было меньше посетителей (-n), но конверсия в покупку выросла на +0.11 п.п.
- Несмотря на снижение трафика, качество аудитории вчера было выше
- Корзин добавлено меньше на n, но относительный показатель конверсии в покупку улучшился

😋Подписывайтесь на мой канал ссылка на воркфлоу в комментариях

😏Докручиваем классический RICE с учетом шага воронки и дизайна АБ-теста.

Наша цель - Найти задачи, которые дадут больше пользы при малых затратах времени на аб-тест без регистрации и смс.

Финальный скор задач считает не просто чистый RICE, а делит его на размер выборки и учитывает MDE.

❔Что делаем?

ℹ️Учитываем шаг воронки и MDE гипотезы (логично, что сконвертировать пользователя с корзины проще, чем с главной, поэтому вес задач корзины будет выше)

ℹ️Прописываем стандартную RICE формулу. Оцениваем охват, влияние, уверенность и затраты разработки как обычно.

ℹ️Учитываем данные дизайна АБ-теста, в частности размер выборки. Сколько нам нужно нагнать пользователей в вариациях, чтобы достичь MDE (z-критерий)

⚙️ Как это работает на цифрах?

Гипотеза 1 (Чекаут): Охват большой, влияние хорошее, но главное — шаг «Чекаут» имеет максимальный вес (х4). Из-за этого её Score равен 0,5.

Гипотеза 2 (Корзина): Параметры RICE похожи, но шаг воронки чуть дальше (вес х3). Итог — Score ниже (0,3).


😋Подписывайтесь на мой канал ссылка на гугл таблицу в комментариях

🟢Автоматизируем транскрибацию звонков с последующим продуктовым анализом с помощью 📱 в n8n

➡️Что решаем?
Когда пользователь не разобрался с интерфейсом или не получил нужной информации по товару, с большей долей вероятности он позвонит на горячую линию, где его потребность в информации закроет менеджер.

Продакту крайне необходимо анализировать звонки, чтобы выявить узкие места в UI или контенте и их пофиксить, ведь не все позвонят, зачастую закроют страницу и уйдут к конкурентам.

➡️Что нам потребуется?

1. Звонки (у меня они в формате wav/двухканальные, то есть в одном канале говорит клиент, в другом оператор, чтобы разграничивать их при транскрибации)
2. API ключ Deepgram (на фришном тарифе 300 минут можно транскрибировать бесплатно). Я использую модель nova-3, как самая передовая
3. Сервисный аккаунт гугл-диска, забирать звонки будем с диска. Если у вас есть отдельное API то еще лучше
4. ChatGPT 4/1 mini
5. Гугл-таблицы и папка на гугл-диске. Отчет будет падать в гугл таблицу, а сама транскрибация в отдельную папку на гугл-диске

😎Как будет работать?

1. Создаем гугл-диск, туда закидываем звонки для анализа + создадим таблицу для саммари от ChatGPT
2. В настройках ноды гугл-диска прописать айди папки.
3. Циклом скачиваем по одному файлу из папки и POST запросом отправляем его в Deepgram
4. Парсим ответ и вычленяем транскрибацию
5. Транскрибацию отправляем в ChatGPT и параллельно создаем текстовый файл с транскрибацией, чтобы положить их на гугл-диск
6. ChatGPT вернет следующие поля

- ID звонка
- Тема обращения
- Краткое резюме
- Цель пользователя
- Причина звонка
- Все проблемы пользователя (по приоритету)
- Чего не хватает на сайте
- Все гипотезы

7. Для каждого звонка создадим свою строку в таблице

—————
😬Что можно сделать дальше?

ИИшкой отскорить все гипотезы, подключить ноду Jira, чтобы бэклог задач пополнялся идеями от звонков и приоритизировать эти задачи, если пост наберет 10 лукасов, я добавлю эту ноду

😋Подписывайтесь на мой канал ссылку на воркфлоу в комах к посту.

🔤Следующие посты
- Скачиваем записи из вебвизора на 📱
- Как установить n8n на собственный сервер и посадить на домен
- Создаем задачи в jira из 📱

🤵Готовое дерево метрик каталога для е-кома в Miro

🔠Что решаем?

Когда "add to cart" падает, одной цифры недостаточно, чтобы понять что чинить/на кого орать🤣 — просел каталог, поиск или конкретный шаг в воронке карточки. Дерево метрик раскладывает верхнеуровневую метрику на прокси метрики 2 и 3 уровня, чтобы находить причину, а не перебирать гипотезы вслепую.

🔠Как устроено?

👣lvl — "Добавление в корзину/add to cart", метрика верхнего уровня, наша core метрика

🧑‍🦲lvl — раскладываем её на источники возможного добавления в корзину:

• Карточка товара - PDP
• Каталог (списки товаров) - PLP
• Избранное/Сравнение - Wishlist/Compare

🧑‍🍳lvl — каждый источник раскладываем ещё глубже

Например, каталог состоит из разного функционала, фильтры, поиск, сортировка, соответственно нам важно анализировать не только общую CR в карточку, но и разложить на вовлеченность и функциональность, ниже пример прокси метрик каталога

• % сессий с использованием фильтров или сортировки
• % сессий с использованием поиска → % сессий, где поиск привёл к просмотру товара → и к добавлению в корзину
• Общее количество просмотров списков товаров (+ среднее на пользователя)
• Количество вовлечённых пользователей на каталоге
• Просмотры товаров за сессию → % отказов с каталога
• Доля переходов в карточку товара с каталога

❗️Отдельно — общие метрики, которые не входят в дерево напрямую, но влияют на него:

🛒Реко/Апсейл/Кросс-сейл: GMV реко/кросс-сейла, СЧ апсейл по категориям, кол-во товаров в чеке, CTR, % добавлений в корзину, показы реко-блока

📦Ассортимент: количество активных мастер-товаров, % новых товаров, количество активных вариантов, всего товарных категорий, доступность товаров (Product Availability Rate)

🔖Общие метрики: Всего пользователей, регисрации/авторизации/Доля новых/Отказы и тд

————————————————————————

😊Каждая метрика содержит описание и формулу расчета, то есть дерево можно брать и уже сейчас начать собирать больше данных о том, как используют каталог

————————————————————————

�ППодписывайтесь на мой канал если нужно дерево метрик, напишите коммент к посту, и я пришлю ссылку на Миро

🇺🇸Ребят, всем привет

Я запускаю в бету свой пет-проект — FeatureSense.ru - сервис, который ускоряет и упрощает получение инсайтов от пользовательских опросов

📍Что решаем?

- Быстро проверяйте гипотезу по методологии JTBD через встроенный тип опроса

- Не тратьте время на создание опроса, напишите запрос агенту и он сформирует для вас готовый опрос или выберите из бибилиотеки опросов

- Агент самостоятельно уточняет прямо в опросе детали у клиента, если видит, что ответ неполный (может попросить показать экран, с согласия юзера)

- Клиент пишет в опросе про баг? Агент задетектирует баг и создал задачу в Jira

😊Что еще?


🔵 Из фич отдельно можно выделить главного агента: говорите "запусти опрос на чекауте" или "повторяй раз в месяц на карточке товара" — и агент сам ставит опрос в работу, собирает ответы и приносит результат. Исследования идут постоянно, а не когда руки дошли (пока в разработке)

🔵Каждый опрос саммаризируется и делается вывод с готовым списком инсайтов сразу же

🔵 Уже можно кастомизировать виджет, настраивать различные таргетинги по страницам

❔В чём отличие от Hotjar/SurveyMonkey/Google Forms?
Они отдают сырые ответы, которые ещё нужно анализировать самому. FeatureSense строит опрос по методологии Jobs-to-be-Done и на выходе даёт вывод — подтвердилась гипотеза или нет, и где именно узкое место — а не массив данных для ручной разборки.

—————
😬Что дальше?

Продукт в активной разработке, и мне критично нужны реальные данные, чтобы обкатать гипотезы уточнения и качество инсайтов. Готов поставить FeatureSense на ваш проект на время пилота, помочь настроить первый опрос и в обмен собрать обратную связь — что работает, что нет.

Если у тебя есть карточка товара, чекаут или любая точка, где не хватает понимания пользователя — пишите, обсудим партнёрство.

😋Сайт — featuresense.ru, написать напрямую — @bill_one или комментарии

Кстати, на лендинге стоит этот же виджет, можно пощупать сразу же

😎Качаем записи из Яндекс.Вебвизора на 📱 с помощью n8n

🐰Знаем, что Яндекс не дает скачивать записи из вебвизора, что в свою очередь усложняет анализ поведения пользователей. Все это долго, если нужно просмотреть >= 20 сессий за неделю, а не одну случайную.

Хочется одной кнопкой забрать сразу N последних записей за период — и дальше уже смотреть/анализировать в своём темпе, не отвлекаясь на интерфейс Метрики

💃Что нам потребуется?

- Аккаунт Яндекс.Метрики с включённым Вебвизором, id счётчика и кука авторизации из браузера (чтобы не вводить вручную каждый раз)
- Puppeteer (эмулирует нам браузер и делает кадры)
- ffmpeg — он будет собирать кадры в уже видео и отдавать нам mp4
- Google Drive (сервисный аккаунт или OAuth) — куда будут падать готовые mp4 файлы записей

💃Как будет работать?
- Сперва задаём параметры - (период (date1/date2), id счётчика, куки и количество записей, которое хотим скачать?

- Puppeteer открывает страницу списка записей Вебвизора за этот период и перехватывает сетевой ответ, которым сама страница отдаёт список визитов с записью — без танцев с подписанными токенами, просто подслушиваем настоящий запрос браузера

- Разбираем ответ, вытаскиваем visit_id, дату и user_id_hash по каждому визиту, обрезаем список до нужного N

- Циклом идём по одному визиту: Puppeteer открывает плеер конкретной записи, жмёт play и через CDP пишет скринкаст 60 секунд

- Кадры собираются в mp4 через ffmpeg

- Готовое видео улетает на Google Drive

📼Пример

За период в 2 недели у меня нашлось 10 визитов с записью Вебвизора — скрипт скачал все 10 роликов на Google Drive без единого ручного клика в интерфейсе Метрики.

—————
🧠Что можно сделать дальше?

Прикрутить API Gemini — единственная модель, которая нативно понимает видео файлы — и вместо того чтобы пересматривать все ролики глазами, получать саммари по каждой записи: что делал пользователь, где залип, в чём была проблема.

Запись вероятнее всего можно сджойнить с БД. У нас уже имеется visitId, значит можно дернуть по нему cid юзера и найти его uid, чтобы еще больше информации знать о юзере.

☝️Стоит оговориться, что если у вас n8n крутится на зарубежном сервере, то и куку вам нужно будет получить авторизовавшись под этим IP в браузере.

😋Подписывайтесь на мой канал ссылку на воркфлоу в комах к посту.