Прекрасная, очень наглядная диаграмма Венна 👍

Конференция по продуктовой аналитике Aha!’23 пройдет 30 мая в Москве

Практическая конференция по продвинутой продуктовой аналитике и marketplace effiency состоится 30 мая на площадке Центра делового предпринимательства.

Среди спикеров конференции представители крупных компаний: Avito, Яндекс, Тинькофф, Мегафон, МТС, OZON и др. Целевая аудитория — продуктовые аналитики и менеджеры, директора по маркетингу, ML-специалисты.

Ключевые темы конференции: продуктовые эксперименты, a/b-тестирование, модели монетизации, surge pricing, supply & demand balance, ranking and personalization, network effects, экономика и оптимизация.

С подробной программой конференции можно ознакомиться по ссылке

В конференции примут участие более 500 специалистов в области ML-разработки, data science, продуктовой аналитики и управления бизнесом.

По промокоду Чартомойка можно получить скидку 10% на персональный билет

Подробности: matemarketing.ru

#дружескаяреклама

😐 Подгорания пост
Недавно в LinkedIn наткнулся на пост, про то, что хватит делать дашборды, они не приносят аналитической пользы.

Меня всегда удивляет это заблуждение, что дашборды вообще как-то напрямую связанны с аналитикой. Люди часто думают, что делая дашборд они создают возможность для анализа, но это не так. Дашборд ≠ Аналитика.

Дашборды — это удобный инструмент для быстрого восприятия данных, но вот анализировать эти данные на дашборде сложно. Обычно максимум, что вы можете получить от дашборда — это увидеть, что какая-то метрика упала, и отследить в какой определенно части бизнеса это произошло. Если сравнивать с современными методами анализа — это довольно поверхностные выводы.

Поэтому, если вы создаете дашборд, будьте готовы к тому, что он не принесет вам инсайты. Создавайте дашборды для оперативных задач — понимать, всё ли окей идёт в бизнесе. А для поиска точек роста бизнеса используйте отдельные аналитические проекты.

Я не согласен с автором, который говорит, что аналитика приносит больше ценности, чем дашборды. Они просто служат разным целям. Проблема возникает тогда, когда аналитические команды считают, что создание дашбордов само по себе будет генерировать новые идеи для развития бизнеса.

П.С. Я пишу и в LinkedIn, и часть контента там пересекается с каналом, а часть нет. Например этот пост не планировал писать в канал, но его английская версия набрала аж целых 24К (уже 65К) просмотров, что меня сильно удивило. Поэтому решил опубликовать и здесь. Присоединяйтес в LinkedIn, если вдруг такое интересно.
#наблюдение #ссылка

Тут произошёл большой казус. Многие издания, включая РБК и даже сам сайт ФНС написали, что в 2022 году российские компании заработали 1.3 квадриллиона рублей. Один квадриллион — это 1000 триллионов, число с 15 нулями.

Эксперты это радостно подтвердили, рассказав множество версий, откуда в России появилось так много денег, да ещё и на фоне кризиса. Однако никто почему-то не предположил, что озвученное число — это просто ошибка в данных.

А вот Институт проблем правоприменения пишет, что таким расчётам просто нельзя верить. Судя по всему, журналисты просто сложили общую выручку по всем компаниям, не вникая в детали.

Однако, если изучить исходные данные, можно обнаружить, что в 2022 году больше всего денег сделала некая компания ООО «ЮССА», сделав 214 триллионов рублей и обогнав Лукойл (выручка 2.9 трлн руб.) и Магнит (2 трлн руб.). ИПП предполагает, что подобное значение — бугхалтерская ошибка. Вероятно — не единственная.

О чём это говорит?
Если у вас есть исходные данные — обязательно изучите распределение и отсутствующие значения. Возможно, перед суммированием и подсчётом средних часть данных придётся исключить или исправить.

А ещё эта история учит нас тому, что можно найти экспертов под самое безумное утверждение, подтвердив любую ошибку в данных 🙈

За подробной аргументацией отправлю вас в канал ИПП — там интересно.

Хочу поспорить/порассуждать немного о посте про выбор пропорций для линейного графика, который написал Рома Бунин.

Для выбора верных пропорций Рома советует либо использовать технику "banking to 45 degrees" — постараться средний наклон сделать близким к 45 градусам, либо использовать 16:9 пропорции.

Я бы посмотрел на вопрос шире. Зачем нам нужен линейный график (или шире — график вообще)?

Он должен решить коммуникационную задачу.

Задача эта может быть разной, но чаще всего она будет вращаться вокруг быстрой и точной передачи цифровых значений таким образом, чтобы было легко, удобно, недвусмысленно получить ключевые сообщения, которые в датасете есть, и на которые заказчик коммуникации хочет, что бы мы обратили внимание.

Линейный график даёт очень много информации, которую наш мозг считывает за секунды. Это и общий характер изменения показателя, и характер изменения (скорость, направление) в отдельные моменты (резкий рост в этот месяц, плавное снижение в следующем году), ритм изменений, амплитуда изменений и так далее.

Если говорить про Ромин пример, все 3 графика, успешно передают всю эту информацию. Тогда зачем нам нужно менять пропорции?
Затем, что изменяя пропорции (а также диапазон, который охватывает шкала Y), мы можем добиться более точного соответствия восприятия линии СУБЪЕКТИВНОМУ характеру изменений показателя.
Субъективному — это значит, что одни и те же пропорции и один и тот же диапазон шкалы Y для разных данных может либо соотноситься с характером изменений, а может и не соотноситься. То есть в одном случае изменение на 5% — это супермного и суперважно (условно, для графика массы тела или ее температуры), в другом — это что-то на уровне погрешности (площадь лесных пожаров).

Дефолтные 16:9 — это может быть неплохое костыльное решение для дэшборда без учета любой субъективной составляющей.

Но если мы хотим решать коммуникационную задачу лучше, то нам нужно хорошо понимать свои данные и значимость тех или иных изменений, чтобы максимально наглядно их показать.

И вот здесь нам будут помогать (реже) пропорции, а чаще диапазон шкалы Y. Почему пропорции реже? Потому что проблема возникнет скорее всего только для очень широкого и плоского графика, или очень высокого и узкого. В остальных ситуациях (1:1, 4:3, 3:4, 16:9 и так далее) это не будет существенно влиять на субъективный характер изменений. По-крайней мере — меньше, чем диапазон шкалы Y.

Разумеется, ось Y у линейного графика обрезать можно, и нужно, но об этом нужен отдельный подробный пост.

Либо об этом уже написано у меня в книжке Графики, которые убеждают всех (кстати, готовится переиздание бумажной версии, ура), либо об этом рассказано и наглядно показано с помощью специального интерактивного инструмента в нашем офигенном курсе Визуализация данных и BI-инструменты на Я.Практикуме.

Кстати, 26-го июня стартует новый набор. С промокодом DATAVISBOG10 он может стать для вас ощутимо дешевле)

Саша Богачев накинул на мой пост про пропорции графиков у себя в канале и призвал на дуэль подискутировать на этот счет =)

Решили сделать спонтанный мини-стрим в воскресенье в 12:00 по МСК и там поспорить про это. Где пройдёт стрим решим попозже и напишем за час до встречи, скорее всего сделаем трансляцию в телеграме.

Думаю завтра всем будет не сильно до стрима про пропорции графиков, да и могут быть просто технические накладки с инетом, поэтому решили с Сашей перенести стрим. Расскажем позже когда сделаем.

А чтобы вы не совсем скучали, старый, но очень классный мем из «Как я встретил вашу маму». Кстати, этот сериал — неплохая альтернатива чтению новостей. 🥴