Год подходит к концу, я не успеваю подготовить все материалы, которые планировал, по этому отправляю вам задачку :) традиционно решаем сами.

делаю небольшой релиз, в ueCalc добавился шаблон построения дерева метрик, теперь можно легко создавать связи между метриками в одной системе с юнит-экономикой. https://beta.uecalc.com/product/tree

это что-то невероятное, управляя исключительно прогнозом когортных метрик, и применяя новую идею для развертывания когорт, на основе анализа поведения исторических данных, я смог прогнозировать Revenue в календарных периодах, с очень четким попаданием в исторические данные.

Если, кто не хочет читать текст на картинке, я управляю сигмоидами для когортных значений метрик юнит-экономики, то есть описываю какими должны быть конкретные бизнес процессы и получаю прекрасное описание как истории так и прогноза.

Развитие современных LLM, которых из-за маркетинга часто называют AI, на самом деле в очередной раз понизило порог входа в IT.

Такое уже было в конце 70-х, начале 80-х, когда с развитием персональных компьютеров, "любая" домохозяйка могла легко на бейсике (спасибо Вильям Генри Гейтс 3) собрать продукт для управления своими рецептами, и планировать семейные ужины. Это круто повлияло на индустрию в целом. Изучите историю становления компании Sierra Online — особенно ее первые годы, кто и как создал то, что стало революцией в гейм индустрии.

Так, что вайбкодинг, он не про убьет современную разработку, он ее обогатит новыми талантами, которые благодаря вайбкодингу придут в профессию. Если честно, я не припомню, когда еще в истории в индустрии понижали порог входа. Если вы знаете — делитесь.

В интересное время живем, товарищи.

Сколько нужно пробовать, чтобы достичь цели?

Известное средство против коррозии и много чего еще WD40, было разработано в начале 50х. И число 40 означает количество попыток найти формулу, которая представит средства нужные свойства.

Данная формула хранится в секрете (привет кока-кола). Так, что за 70 лет никому не удалось воспроизвести ее полностью.

А для нас это урок, что получить результат с первой попытки не всегда возможно.

Так что ошибки это то, что помогает нам получать результат.

Аналитика бывает красивой. Когорты, скрытая сила аналитики, мало людей, кто знает о ней, еще меньше ею владеют, и совсем единицы ее используют в своей работе.

А между тем, этот инструмент позволяет понимать скрытые проблемы в бизнес процессах, выявлять кассовые разрывы за долго до их появления.

Находить проблемные бизнес процессы и много что еще.

А вы используете когорты в своей работе? Если да, то как?

Когортный анализ позволяет выявлять различные поведенческие аномалии. Например тут я вижу как в одной конкретном бизнесе, что-то произошло с одной единственной когортой, причем видно в какой конкретно месяц это произошло.

осталось только выяснить, что было сделано менеджером, и как это повторить.

числа изменение в процентах по отношению к первому периоду жизни когорты. тепловая карта по всей таблице, то есть подсвечен максимум по всем данным.

Пересматриваю свой ролик про дерево метрик и понимаю, что создал визуальный калькулятор юнит-экономики, хотя такой цели не было, но получается, что изменяя значения метрики на дереве, видно, как меняются зависимые метрики.

Понятно, что скорее всего вы задаете вопрос, а что с этим делать? как это использовать в работе? И эти вопрос абсолютно правомерны.

Ответ на них не простой, да без дополнительной экспертизы вы не сможете использовать этот инструмент. И надо либо покупать ее на рынке (сразу скажу, что это дорогой проект, порядка 200 000€ в год) либо, если нет денег, качать ее самостоятельно.

Какие я вижу проблемы? Самая главная — у нас нет денег сейчас и мы не понимаем ценности продукта, по этому пока отложим. И вот спустя время вы сталкиваетесь с проблемой, рост остановился, и как влиять на него не ясно. Тогда приходит понимание ценности инструмента, и необходимости его внедрять, но! данных для этого не собирали (мы же изначально не заморочились над этой задачей) и надо, что-то делать. И вот тут опять выходит уже за дорого путь, потому что сначала надо собрать данные и потом уже использовать в решениях.

Если вам это знакомо, записывайтесь на консультации (205€ в час), обсудим вопрос, расскажу как начать минимально, собирать данные, хранить их и потом уже использовать в решениях.

Ссылки на ролик, на инструмент по работе с деревом метрик (цена 50€ в год + бонус все мои материалы, которые доступны только подписчикам):
1. https://www.youtube.com/watch?v=GosYQUJbxO8
2. https://khanin.info/tools/mts

На заметку вайбкодерам.
Делаю я тут большой проект для продуктовой аналитики, с юнит-экономикой, когортами, прогнозированием, финмоделированием и прочими нищтяками.
Все круто, работает вертится, но решил я обновить данные, и бац ловлю черный экран браузера, если кто не понял, это аналог синего экрана смерти windows.
Думаю, что могло пойти не так? в чем проблема? В итоге локализация показала, что в коде есть у меня вызов функции JSON.parse и JSON.stringfy ... а вот JSON у меня все навсего 500 мегабайт. Ну вот столько данных. А JSON в браузере такого объёма не для слабонервных, а уж превратить в строку и обратно, это смерть.
Далее начинаю думать, как решить задачу, все что предлагают LLM мусор, собственно проблему LLM и создало я просто не уследил за архитектурой и не провел нагрузочное тестирование. Понадеялся на авось.
Спустя пару тройку часов размышлений (моих, а не LLM) придумал решение, запустил данные, но столкнулся с новой проблемой, передать данные на сервер все равно нельзя лимит на передачу со стороны сервера и хостера, потом лимит на объем данных в БД.
В итоге, берем код в свои руки, объем данных сокращаем до 3 мегабайт в 166 раз! и все начинает работать.
Вывод, если вы вайбкодеры, но не очень понимаете в том, что именно делаете, как устроен компьютер и как работают все эти технологии, то готовьтесь к таким выкрутасам, да на небольших данных все может работать, но в реальной жизни все может рухнуть и как починить будет не ясно, и LLM не поможет и даже решение не найдет.
Ошибки LLM, не верная архитектура хранения данных, не верный формат хранения данных, не верная архитектура передачи данных, и не правильная работа с БД (но это уже моя задача была). Ошибки связаны с ограничениями памяти на вкладку браузера, на объем памяти выделяемой хостером и так по мелочи.
Код frontend написан на чистом JS на 80% Grok, 20% я сам, backend 100% я сам на PHP.

Мои студенты часто спрашивают, в чем заключается продуктовая аналитика. И я привожу пример им из фильма Матрица, где в первом сезоне есть персонаж, который рассказывает Нео о том, что глядя на падающие зеленые циферки он видит Матрицу.

Так вот это не метафора — перед вами то, как я вижу бизнес в реальности, и этот странный поток цифр говорит о бизнесе очень много.

Задача продуктового аналитика научиться видеть за цифрами реальность бизнеса.

Аналитика не может быть отталкивающей, она должна быть красивой.

Последнее время я работаю с компанией Larixon и мы строим самую сильную data driven команду по управлению продуктом.

Я уже несколько месяцев использую в работе LLM Grok, и часто писал, что для меня нет ничего, чтобы меня удивило. Наверное, это потому, что, я познакомился с языковыми моделями еще в начале 90-х годов 20 века.

Но неделю назад, в компании приняли решение перейти полностью везде на Claude.

И вот это меня поразило, даже не то, что. LLM стали круто писать код, а то, что они стали это делать сами.

Моя реальная работа ускорилась примерно в 15 раз и вот это меня поразило больше всего. В прошлую пятницу я сделал за 2 часа то, что планировал делать неделю.

Для чего я использую Claude – во-первых, мы разработали большую систему анализа наших данных, строим прогнозы и анализируем зависимости, что интересно и ждет своего часа, это связь монетарных (Revenue, AOV, APC и т.д.) и не монетарных (число объявлений, клики и тп) метрик, и их влияние на деньги.

Ну а видео, это просто пример, того, что Claude делает для меня примерно за 1 минуту. Это визуализация когорт в нормированных столбцах. Очень интересно посмотреть на то, как выглядят когорты от года, а как выглядят когорты конкретного месяца во всех годах.

Если вы аналитик и еще не придумали, как использовать LLM в своей работе у меня для вас плохие новости.

И да, речь не о замене человека на агента, а о том, что человек с агентом эффективнее на порядок человека без агента.

Будущее уже наступило, как сказал мой коллега и друг, что мы сейчас точно в такое же время как во время появления новых автомобилей, они уже появились, но люди еще ездят в каретах, а вы производите кареты, но уже поняли, что завтра все будут ездить на машинах.

Друзья, опубликованы результаты исследования рынка аналитики. Рекомендую.

Привет, друзья!
выпустил новый ролик на своем канале

https://youtu.be/hQUf4dXdnAo

ролик посвящен небольшой утилите, которую я создал совместно с Claude Code для работы с большими CSV файлами (до 50 млн строк), любому продуктовому аналитику приходиться это делать — открывать и быстро анализировать такие файлы. Часто для этого используют python+pandas но это решение требует памяти и не очень быстрое, моя утилита быстра и менее капризная при работе с памятью, так как написана на СИ.

ссылка на репозитарий:
https://github.com/daniil-khanin/csvview

добавил в утилиту возможность строить графики для не числовых данных.

Я смотрю, количество подписчиков сокращается.

По сему вопрос, какую информацию вам было бы интересно читать у меня?

Про данные, аналитику и LLM.

Март 2026, первый месяц за историю ueCalc с 2017 года, когда при включенной монетизации не было совершено ни одной транзакции. Доход продукта = 0. Минимальный расходы продукта в месяц 500€.

Подсчитываем убытки.

сделал страницу для утилиты https://khanin.info/tools/csvview