Меры разброса данных: почему среднее врет
Когда только начинаешь работать с данными, первое что делаешь - считаешь среднее. Средняя зарплата, средний чек, средний возраст пользователей. Кажется, что этого достаточно для понимания картины.
Но среднее часто врет.
Представьте две компании. В обеих средняя зарплата 100 000 рублей. В первой все получают от 90 до 110 тысяч. Во второй - половина по 50 тысяч, а половина по 150. Среднее одинаковое, но ситуации совершенно разные.
Чтобы понять реальную картину, нужно смотреть не только на среднее, но и на разброс данных. Для этого существуют меры разброса.
Что такое меры разброса?
Это показатели, которые говорят насколько сильно данные отличаются друг от друга. Насколько они "разбросаны" относительно среднего значения.
Основные меры разброса: дисперсия, стандартное отклонение, коэффициент вариации. Пройдемся по каждой из них
Дисперсия
Дисперсия показывает среднее квадратичное отклонение от среднего значения.
Логика простая: берем каждое значение, вычитаем среднее, возводим в квадрат (чтобы избавиться от отрицательных чисел), суммируем и делим на количество наблюдений.
Пример:
Зарплаты в первой компании: 90, 95, 100, 105, 110 тысяч. Среднее = 100.
Дисперсия = ((90-100)^2 + (95-100)^2 + ... + (110-100)^2) / 5 = 50
Зарплаты во второй компании: 50, 50, 50, 150, 150 тысяч. Среднее = 100.
Дисперсия = ((50-100)^2 + ... + (150-100)^2) / 5 = 2500
Чем больше дисперсия - тем сильнее разброс данных.
Проблема дисперсии - в квадратах исходных единиц. Если измеряем зарплату в рублях, дисперсия будет в рублях в квадрате. Поэтому обычно используют стандартное отклонение.
Так, мы можем увидеть, что в первой компании зарплаты отклоняются от среднего в среднем на 7 тысяч (корень из 50), а во второй - на 50 тысяч (корень из 2500).
В большинстве случаев при работе со стандартным отклонением руководствуются правилом двух и трех сигм: в нормальном распределении 95% значений лежат в пределах двух стандартных отклонений от среднего, а 99% значений лежат в пределах трех стандартных отклонений от среднего. Это помогает находить и отфильтровывать выбросы.
Однако у стандартного отклонения есть проблема - его сложно сравнивать между разными показателями.
Допустим, стандартное отклонение зарплаты = 50 000 рублей, а стандартное отклонение возраста = 5 лет. Что больше?
Коэффициент вариации решает эту проблему.
Он показывает относительный разброс в процентах.
Теперь можно сравнивать разные показатели. Например:
- Зарплата: среднее 100к, стандартное отклонение 50к, CV = 50%
- Возраст: среднее 30 лет, стандартное отклонение 5 лет, CV = 17%
Коэффициент вариации показывает, что зарплата варьируется сильнее, чем возраст.
Для интепритации разброса обычно руководствуются правилами:
- CV < 10% - слабый разброс, данные однородны
- CV 10-20% - средний разброс
- CV > 20% - сильный разброс, данные неоднородны
Когда это важно в аналитике?
1. Оценка сегментов пользователей
У вас два сегмента с одинаковым средним чеком 5000 рублей. Но в первом стандартное отклонение 500 рублей, во втором - 3000. Первый сегмент предсказуем, второй - нет.
2. Выбор метрик для экспериментов
Метрика с высоким разбросом требует большую выборку для A/B теста. Если стандартное отклонение конверсии большое - нужно больше пользователей для детекции эффекта.
3. Поиск аномалий
Значение, которое отличается от среднего больше чем на 3 стандартных отклонения - скорее всего выброс или ошибка в данных.
4. Сравнение показателей
Коэффициент вариации позволяет понять, какие показатели более стабильны. Например, количество заказов может быть более стабильным показателем, чем выручка.
Ставьте ✍, если узнали что-то новое или 😎, если уже это знали
Когда только начинаешь работать с данными, первое что делаешь - считаешь среднее. Средняя зарплата, средний чек, средний возраст пользователей. Кажется, что этого достаточно для понимания картины.
Но среднее часто врет.
Представьте две компании. В обеих средняя зарплата 100 000 рублей. В первой все получают от 90 до 110 тысяч. Во второй - половина по 50 тысяч, а половина по 150. Среднее одинаковое, но ситуации совершенно разные.
Чтобы понять реальную картину, нужно смотреть не только на среднее, но и на разброс данных. Для этого существуют меры разброса.
Что такое меры разброса?
Это показатели, которые говорят насколько сильно данные отличаются друг от друга. Насколько они "разбросаны" относительно среднего значения.
Основные меры разброса: дисперсия, стандартное отклонение, коэффициент вариации. Пройдемся по каждой из них
Дисперсия
Дисперсия показывает среднее квадратичное отклонение от среднего значения.
Формула: Дисперсия = Сумма((X - Среднее)^2) / N
Логика простая: берем каждое значение, вычитаем среднее, возводим в квадрат (чтобы избавиться от отрицательных чисел), суммируем и делим на количество наблюдений.
Пример:
Зарплаты в первой компании: 90, 95, 100, 105, 110 тысяч. Среднее = 100.
Дисперсия = ((90-100)^2 + (95-100)^2 + ... + (110-100)^2) / 5 = 50
Зарплаты во второй компании: 50, 50, 50, 150, 150 тысяч. Среднее = 100.
Дисперсия = ((50-100)^2 + ... + (150-100)^2) / 5 = 2500
Чем больше дисперсия - тем сильнее разброс данных.
Проблема дисперсии - в квадратах исходных единиц. Если измеряем зарплату в рублях, дисперсия будет в рублях в квадрате. Поэтому обычно используют стандартное отклонение.
Стандартное отклонение = Квадратный корень(Дисперсия)
Так, мы можем увидеть, что в первой компании зарплаты отклоняются от среднего в среднем на 7 тысяч (корень из 50), а во второй - на 50 тысяч (корень из 2500).
В большинстве случаев при работе со стандартным отклонением руководствуются правилом двух и трех сигм: в нормальном распределении 95% значений лежат в пределах двух стандартных отклонений от среднего, а 99% значений лежат в пределах трех стандартных отклонений от среднего. Это помогает находить и отфильтровывать выбросы.
Однако у стандартного отклонения есть проблема - его сложно сравнивать между разными показателями.
Допустим, стандартное отклонение зарплаты = 50 000 рублей, а стандартное отклонение возраста = 5 лет. Что больше?
Коэффициент вариации решает эту проблему.
Он показывает относительный разброс в процентах.
Коэффициент вариации = (Стандартное отклонение / Среднее) х 100%
Теперь можно сравнивать разные показатели. Например:
- Зарплата: среднее 100к, стандартное отклонение 50к, CV = 50%
- Возраст: среднее 30 лет, стандартное отклонение 5 лет, CV = 17%
Коэффициент вариации показывает, что зарплата варьируется сильнее, чем возраст.
Для интепритации разброса обычно руководствуются правилами:
- CV < 10% - слабый разброс, данные однородны
- CV 10-20% - средний разброс
- CV > 20% - сильный разброс, данные неоднородны
Когда это важно в аналитике?
1. Оценка сегментов пользователей
У вас два сегмента с одинаковым средним чеком 5000 рублей. Но в первом стандартное отклонение 500 рублей, во втором - 3000. Первый сегмент предсказуем, второй - нет.
2. Выбор метрик для экспериментов
Метрика с высоким разбросом требует большую выборку для A/B теста. Если стандартное отклонение конверсии большое - нужно больше пользователей для детекции эффекта.
3. Поиск аномалий
Значение, которое отличается от среднего больше чем на 3 стандартных отклонения - скорее всего выброс или ошибка в данных.
4. Сравнение показателей
Коэффициент вариации позволяет понять, какие показатели более стабильны. Например, количество заказов может быть более стабильным показателем, чем выручка.
Ставьте ✍, если узнали что-то новое или 😎, если уже это знали
❤5✍3😎1
Обратная сторона прогресса
Всю эту неделю я болею - температура, слабость, никакой продуктивности. Единственное, что могу - лежать и читать что-то легкое. Казалось бы, идеальное время для отдыха. Но мозг взбунтовался: «Поработай! Пройди модуль курса! Посмотри хоть что-нибудь на YouTube!»
И тут я понял: я разучился скучать.
В детстве скучать было естественно. Это не было ничегонеделанием в полном понимании этого слова, но скучали мы точно чаще: в очереди, на автобусной остановке, в ожидании мультиков и тд. Это давало нам возможность развивать свое любопытство и активно познавать мир. Теперь же малейшая секунда тишины вызывает тревогу, которую нужно срочно заглушить контентом.
Хорошая новость: за неделю-две без цифрового шума организм перестраивается. Плохая: ритм города мгновенно возвращает тебя обратно.
Мы живем в эпоху, когда самый ценный ресурс - не нефть и не золото, а наше внимание. Чем меньше мы думаем, тем легче на нас заработать.
Социальные сети зарабатывают миллиарды на рекламе, удерживая нас бесконечными лентами. Алгоритмы анализируют нас и рекомендуют персонализированный контент, формируя аддиктивное поведение. Маркетплейсы подталкивают к импульсивным покупкам. Корпорации внедряют омниканальность - ты окружен их присутствием везде. Тебе просто не дают заскучать. Никогда.
Отдельно хочется поговорить про персонализацию. Она кажется очень удобной: показывать человеку именно то, что ему нужно. Идешь мимо ресторана - получаешь приглашение. Ищешь подушку 0 видишь рекламу постельного белья. Алгоритмы знают лучше, что тебе нужно. Ну, мечта, да?
Не совсем. Человек быстро привыкает перекладывать ответственность за выбор на алгоритмы, теряя способность принимать решения самостоятельно.
Есть психологические исследования, подтверждающие, что постоянное цифровое отвлечение не позволяет развить способность к саморефлексии. Когда каждую свободную секунду заполняет контент, у мозга не остается времени на обработку опыта и формирование собственного мнения.
Возникает парадокс: технологии персонализации обещают понимать наши желания, но подменяют наше «Я» на паттерны потребления.
Алгоритм формирует твои предпочтения на основе того, что принесет компании прибыль.
В итоге не человек управляет своей жизнью. Компании управляют его желаниями через персонализацию и омниканальность. Собственное «Я» растворяется в погоне за легким дофамином - лайками, покупками, следующим видео.
Возможно, те, кто двигает эти концепции, руководствуются принципом «не можешь победить — возглавь». А возможно, сама система так выстроилась и теперь независимо от своего социального положения мы все пытаемся в нее встроиться. Этого я не знаю.
Но что я знаю - можно выйти из системы и найти баланс.
Это не значит отказаться от технологий и уйти в отшельники. Это значит вернуть контроль: осознанно выбирать и принимать решения, основываясь не на внешних факторах, а на внутренних мотивах.
Чтобы этого добиться, необходимо заново научиться слышать себя. Разбудить внутреннего ребенка.
Мне в этом помогают различные практики осознанности, вроде медитации, холодного душа и пр. Они помогают очистить голову и сфокусироваться на настоящем моменте.
Также, я не давно открыл для себя - терапия внутренних семейных систем (IFS) Ричарда Шварца. IFS рассматривает психику как систему различных «частей» - внутренних голосов и импульсов. Тот самый голос, который кричит «проверь телефон!» - это всего лишь одна из частей, часто защитная, которая пытается оградить нас от дискомфорта скуки или тревоги. Через практику IFS можно научиться различать эти части, понимать их мотивы и взаимодействовать с ними осознанно.
Вместо резюме
В тишине, когда алгоритмы молчат, мы наконец слышим себя.
Это единственный путь вернуть жизнь, где решения принимаешь ты, а не компании, зарабатывающие на твоем внимании.
Всю эту неделю я болею - температура, слабость, никакой продуктивности. Единственное, что могу - лежать и читать что-то легкое. Казалось бы, идеальное время для отдыха. Но мозг взбунтовался: «Поработай! Пройди модуль курса! Посмотри хоть что-нибудь на YouTube!»
И тут я понял: я разучился скучать.
В детстве скучать было естественно. Это не было ничегонеделанием в полном понимании этого слова, но скучали мы точно чаще: в очереди, на автобусной остановке, в ожидании мультиков и тд. Это давало нам возможность развивать свое любопытство и активно познавать мир. Теперь же малейшая секунда тишины вызывает тревогу, которую нужно срочно заглушить контентом.
Хорошая новость: за неделю-две без цифрового шума организм перестраивается. Плохая: ритм города мгновенно возвращает тебя обратно.
Мы живем в эпоху, когда самый ценный ресурс - не нефть и не золото, а наше внимание. Чем меньше мы думаем, тем легче на нас заработать.
Социальные сети зарабатывают миллиарды на рекламе, удерживая нас бесконечными лентами. Алгоритмы анализируют нас и рекомендуют персонализированный контент, формируя аддиктивное поведение. Маркетплейсы подталкивают к импульсивным покупкам. Корпорации внедряют омниканальность - ты окружен их присутствием везде. Тебе просто не дают заскучать. Никогда.
Отдельно хочется поговорить про персонализацию. Она кажется очень удобной: показывать человеку именно то, что ему нужно. Идешь мимо ресторана - получаешь приглашение. Ищешь подушку 0 видишь рекламу постельного белья. Алгоритмы знают лучше, что тебе нужно. Ну, мечта, да?
Не совсем. Человек быстро привыкает перекладывать ответственность за выбор на алгоритмы, теряя способность принимать решения самостоятельно.
Есть психологические исследования, подтверждающие, что постоянное цифровое отвлечение не позволяет развить способность к саморефлексии. Когда каждую свободную секунду заполняет контент, у мозга не остается времени на обработку опыта и формирование собственного мнения.
Возникает парадокс: технологии персонализации обещают понимать наши желания, но подменяют наше «Я» на паттерны потребления.
Алгоритм формирует твои предпочтения на основе того, что принесет компании прибыль.
В итоге не человек управляет своей жизнью. Компании управляют его желаниями через персонализацию и омниканальность. Собственное «Я» растворяется в погоне за легким дофамином - лайками, покупками, следующим видео.
Возможно, те, кто двигает эти концепции, руководствуются принципом «не можешь победить — возглавь». А возможно, сама система так выстроилась и теперь независимо от своего социального положения мы все пытаемся в нее встроиться. Этого я не знаю.
Но что я знаю - можно выйти из системы и найти баланс.
Это не значит отказаться от технологий и уйти в отшельники. Это значит вернуть контроль: осознанно выбирать и принимать решения, основываясь не на внешних факторах, а на внутренних мотивах.
Чтобы этого добиться, необходимо заново научиться слышать себя. Разбудить внутреннего ребенка.
Мне в этом помогают различные практики осознанности, вроде медитации, холодного душа и пр. Они помогают очистить голову и сфокусироваться на настоящем моменте.
Также, я не давно открыл для себя - терапия внутренних семейных систем (IFS) Ричарда Шварца. IFS рассматривает психику как систему различных «частей» - внутренних голосов и импульсов. Тот самый голос, который кричит «проверь телефон!» - это всего лишь одна из частей, часто защитная, которая пытается оградить нас от дискомфорта скуки или тревоги. Через практику IFS можно научиться различать эти части, понимать их мотивы и взаимодействовать с ними осознанно.
Вместо резюме
В тишине, когда алгоритмы молчат, мы наконец слышим себя.
Это единственный путь вернуть жизнь, где решения принимаешь ты, а не компании, зарабатывающие на твоем внимании.
❤6🔥3
В классических A/B тестах мы привыкли оценивать быстрые метрики: конверсию, ARPU, средний чек и им подобные.
Однако иногда нам может потребоваться оценить долгосрочную метрику, вроде Retention или LTV.
В стандартном дизайне мы работаем так:
- посчитали требуемый размер выборки и длительность эксперимента
- запустили эксперимент
- набрали нужную выборку за срок эксперимента
- на следующий день подвели итоги
Проблема в том, что с “длинными” метриками математика работает иначе, чем с метриками в моменте.
Почему так?
Давайте разбираться на примере.
Представьте: вы посчитали размер выборки и он оказался равным 10,000 пользователей на группу.
Допустим, вы набираете их за 14 дней и хотите посчитать возвращаемость на 7й день (Retention D7).
Если вы начнете считать Retention D7 на 15й день, возникнет проблема: пользователи из первого дня теста уже “созрели”, а пользователи, пришедшие в последние дни эксперимента еще нет, т.к. их 7-й день еще не наступил.
Возникает развилка: для одних пользователей прошло 14 дней, так что вы точно знаете вернулись они на 7-й день или нет, а для других - нет.
Что делать?
Теоретически мы можем забить на срок “созревания” и засчитать таким пользователям вовзвращаемость как 0.
В итоге вы получите искусственный обвал метрики в последние дни теста.
"Люди приходят и уходят, как тени".
Также можно исключить их из анализа.
В результате вместо выборки в 10,000 остается 5,000-6,000.
Мощность теста падает, следовательно вы можете пропустить реальный эффект или поймать ложноположительный.
Очевидно оба варианта не подойдут.
Возможен только один вариант: добавлять лаг для оценки эксперимента.
Как это работает
Так как он рассчитывается на завершенные наблюдения, то здесь отличий от обычного дизайна нет.
Здесь ужедругая формула
Срок теста = Период набора + Окно метрики
Период набора - это время, за которое набирается необходимый для теста размер выборки.
Окно метрики - время, за которое считается наша метрика. (В нашем случае это 7 дней)
В нашем примере срок теста = 14 + 7 = 21 день
Например,
Запустили 1 марта -> Выключили сплит 15 марта -> Подвели результаты 21 марта.
Конечно, бизнес-заказчики могут просить завершить эксперимент быстрее, но вы не сдавайтесь и стойте на своем.
При работе с такими метриками спешка только навредит.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3✍3👾2
ГКГ/ ГЦГ и прочие Г..
У аналитиков время-от-времени просят оценить эффект всех запущенных фич за год. Может показаться, что если сложить аплифты всех успешных A/B тестов, то мы как раз и получим искомый результат.
На самом деле нет.🙅♂️🙅♀️
Проблема в том, что мы привыкли оценивать эффекты изолированно - для каждой отдельной фичи в рамках каждого конкретного эксперимента.
Но мы забываем про совокупный эффект (Cumulative Effect) и взаимодействие изменений.
Возможно, новые пуши раздражают пользователей🤬 , пришедших к нам из-за новой фичи, и увеличивают отток. В изолированных тестах оба изменения зеленые🟢. Вместе - они могут гасить друг друга и не давать прокрась или, что хуже, убивать LTV.
Чтобы понять, как все наши изменения в сумме влияют на пользователя на длинной дистанции, обычного A/B теста недостаточно. Нам нужнаГлобальная контрольная группа (ГКГ/ГЦГ).
Что это такое?
ГКГ (Universal Control Group) — это сегмент пользователей, который изолируется от всех (или большинства) изменений и маркетинговых коммуникаций на длительный срок.
Если в классическом тесте мы держим контроль 2 недели, то ГКГ живет 3, 6 или 12 месяцев.⏱
Как это работает на практике?
Механика внедрения обычно делится на два типа, у каждого свои плюсы и минусы.
>Тип 1. Статическая ГКГ (Static Holdout) 🏘
Вы просто отрезаете кусок аудитории (например, 5% по User ID) и «замораживаете» их навсегда.
Плюс: Идеально чистые данные для расчета LTV. Вы точно знаете историю каждого пользователя.
Минус: Со временем эта группа «протухает». Пользователи, живущие в продукте год (а то и больше), отличаются от новичков. Группа перестает быть репрезентативной. Оценка эффектов становится нечестной.
>Тип 2. Ротируемая ГКГ (Rolling Holdout) 🎢
Пользователи попадают в контроль на фиксированное время (например, на 90 дней), а затем возвращаются в общую массу, заменяясь новыми.
Плюс: Выборка всегда свежая, нет смещения (bias).
Минус: Сложнее математика. Вы не можете оценить эффекты длиннее окна ротации.
Главный ограничение использования ГКГ:«Мы теряем деньги!» 🪙
Внедрение ГКГ - это всегда битва с заказчиками.
Маркетинг кричит:
Мы не теряем, мы инвестируем в знание.
Без ГКГ мы летим вслепую. Мы можем тратить бюджет на SMS, которые не приносят инкрементальной выручки. Стоимость ГКГ - это плата за то, чтобы не сжигать бюджет впустую на остальной базе.
Эффект может быть обратным.
Бывают кейсы, когда Глобальная Контрольная Группа показывает LTV выше, чем основная база. Это значит, что ваши коммуникации настолько назойливы, что вы не зарабатываете, а теряете деньги на маркетинге. Без ГКГ вы бы никогда об этом не узнали.
Резюме🚏
Если ваш продукт предполагает длительные отношения с клиентом (подписка, банкинг, e-commerce, телеком) - локальных тестов мало.
Локальный тест отвечает на вопрос: «Как эта кнопка влияет на клики сегодня?»
ГКГ отвечает на вопрос: «Становится ли наш бизнес здоровее от всего, что мы делаем?»
Ставьте 🐳, если уже считаете инкрементальность, или 🗿, если пока живете только локальными тестами.
У аналитиков время-от-времени просят оценить эффект всех запущенных фич за год. Может показаться, что если сложить аплифты всех успешных A/B тестов, то мы как раз и получим искомый результат.
На самом деле нет.🙅♂️🙅♀️
Проблема в том, что мы привыкли оценивать эффекты изолированно - для каждой отдельной фичи в рамках каждого конкретного эксперимента.
Но мы забываем про совокупный эффект (Cumulative Effect) и взаимодействие изменений.
Возможно, новые пуши раздражают пользователей
Чтобы понять, как все наши изменения в сумме влияют на пользователя на длинной дистанции, обычного A/B теста недостаточно. Нам нужна
Что это такое?
ГКГ (Universal Control Group) — это сегмент пользователей, который изолируется от всех (или большинства) изменений и маркетинговых коммуникаций на длительный срок.
Если в классическом тесте мы держим контроль 2 недели, то ГКГ живет 3, 6 или 12 месяцев.⏱
Это наша «тихая гавань» в шторме релизов. (с)
Как это работает на практике?
Механика внедрения обычно делится на два типа, у каждого свои плюсы и минусы.
>Тип 1. Статическая ГКГ (Static Holdout) 🏘
Вы просто отрезаете кусок аудитории (например, 5% по User ID) и «замораживаете» их навсегда.
Плюс: Идеально чистые данные для расчета LTV. Вы точно знаете историю каждого пользователя.
Минус: Со временем эта группа «протухает». Пользователи, живущие в продукте год (а то и больше), отличаются от новичков. Группа перестает быть репрезентативной. Оценка эффектов становится нечестной.
>Тип 2. Ротируемая ГКГ (Rolling Holdout) 🎢
Пользователи попадают в контроль на фиксированное время (например, на 90 дней), а затем возвращаются в общую массу, заменяясь новыми.
Плюс: Выборка всегда свежая, нет смещения (bias).
Минус: Сложнее математика. Вы не можете оценить эффекты длиннее окна ротации.
Главный ограничение использования ГКГ:
Внедрение ГКГ - это всегда битва с заказчиками.
Маркетинг кричит:
«Если мы не отправим промокоды этим 5% людей, мы недополучим миллионы выручки!»
.
Здесь важно объяснить два момента:
Мы не теряем, мы инвестируем в знание.
Без ГКГ мы летим вслепую. Мы можем тратить бюджет на SMS, которые не приносят инкрементальной выручки. Стоимость ГКГ - это плата за то, чтобы не сжигать бюджет впустую на остальной базе.
Эффект может быть обратным.
Бывают кейсы, когда Глобальная Контрольная Группа показывает LTV выше, чем основная база. Это значит, что ваши коммуникации настолько назойливы, что вы не зарабатываете, а теряете деньги на маркетинге. Без ГКГ вы бы никогда об этом не узнали.
Резюме🚏
Если ваш продукт предполагает длительные отношения с клиентом (подписка, банкинг, e-commerce, телеком) - локальных тестов мало.
Локальный тест отвечает на вопрос: «Как эта кнопка влияет на клики сегодня?»
ГКГ отвечает на вопрос: «Становится ли наш бизнес здоровее от всего, что мы делаем?»
Ставьте 🐳, если уже считаете инкрементальность, или 🗿, если пока живете только локальными тестами.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🐳2👍1🗿1
Разбор классического кейса с собеседования: "Упала метрика"
Один из самых частых кейсов на собеседованиях в аналитике - кейсы про падение какой-либо метрики.📉
Разберем как правильно подходить к решению.
Формулировка кейса
Этот кейс проверяет несколько ключевых навыков:
1. Умение декомпозировать проблему
2. Генерация гипотез
3. Понимание бизнес-метрик
4. Структурное мышление
5. Способность задавать правильные вопросы
Типичная ошибка -сразу бросаться предлагать решения.
Правильный подход -идти к решению поэтапно.
Шаг 1: Уточняем контекст✍
Первое что нужно сделать - задать вопросы:
> Какую конкретно метрику смотрим?
Общая прибыль - это выручка минус затраты.
Возможно выручка выросла, но затраты на рекламу выросли еще больше?
>На сколько упала метрика?
Падение на 5% и на 50% - совершенно разные ситуации, требующие разного подхода.
> Когда именно она упала?
Во время акции или после? Это важно для понимания причин.
> Как выглядит ее динамика?
Постепенное снижение или резкий провал? Возможно это просто шум в данных?
Интервьюер оценивает: понимаете ли вы, что прибыль - составная метрика. Умеете ли задавать правильные вопросы перед анализом.
Шаг 2: Декомпозируем метрику🧮
Прибыль = Выручка - Затраты
-> Выручка = Количество заказов х Средний чек
-> Количество заказов = Трафик х Конверсия
- >Затраты = Затраты на рекламу + Операционные затраты + Скидки
Теперь можно генерировать гипотезы по каждому элементу.
Шаг 3: Генерируем гипотезы🤔
Гипотеза 1: Выручка упала
- Упал трафик после окончания рекламной кампании
- Упала конверсия (промокоды привлекли нецелевую аудиторию)
- Снизился средний чек (все покупали только красные самокаты со скидкой)
Гипотеза 2: Затраты выросли
- Затраты на рекламу оказались слишком высокими
- Скидки по промокодам съели маржу
- Операционные затраты выросли из-за увеличения объема
Гипотеза 3: Изменилась структура продаж
- Продавали больше красных самокатов (с низкой маржой) вместо других моделей
- Промокоды использовали существующие клиенты, которые купили бы и так
Интервьюер оценивает: логику декомпозиции, полноту гипотез, понимание бизнеса.
Шаг 4: Приоритизируем проверку гипотез⚖
Не нужно пытаться проверить все сразу. Приоритизируем:
Первое - смотрим на структуру.
Что изменилось сильнее - выручка или затраты?
Второе - если выручка упала, смотрим: трафик, конверсию, средний чек. Находим главного "виновника".
Третье - сегментируем. Смотрим отдельно красные самокаты vs остальные. Новые клиенты vs существующие.
Интервьюер оценивает: умение расставлять приоритеты, понимание что важно проверить в первую очередь.
Шаг 5: Предлагаем решения💡
Только после анализа предлагаем действия:
-> Если проблема в каннибализации других товаров:
- Ограничить промокоды только для новых клиентов
- Сделать скидки на весь ассортимент, а не только на красные
-> Если проблема в высоких затратах на рекламу:
- Пересмотреть каналы привлечения
- Оптимизировать стоимость клика
-> Если проблема в низкой марже:
- Увеличить цену на красные самокаты
- Ограничить размер скидки
Вместо резюме
Давая кейсы, интервьюер в первую очередь проверяет не знание формул, а способность структурно мыслить и решать бизнес-задачи.
Поэтому важно аргументировано и связно доносить ваши решения с выявленными проблемами и строить реалистичные предложения.
Проходите кейс поэтапно: сначала уточняющие вопросы -> затем декомпозиция метрики и генерация гипотез -> после приоритизация и решения.
Интервьюер смотрит не на идеальный ответ (так как его обычно нет), а на ход ваших мыслей. Поэтому главное - показать структурное мышление, умение декомпозировать и выявлять важное.
И не забыть про понимание бизнеса.
Один из самых частых кейсов на собеседованиях в аналитике - кейсы про падение какой-либо метрики.📉
Разберем как правильно подходить к решению.
Формулировка кейса
Представьте, что Вы - аналитик в компании по продаже самокатов через веб-сайт. Целый месяц перед Новым годом проходила массовая реклама с раздачей промокодов со скидками на красные самокаты.Что проверяет интервьюер?
В итоге общая прибыль компании упала. Ваша задача - разобраться что произошло и что делать дальше.
Этот кейс проверяет несколько ключевых навыков:
1. Умение декомпозировать проблему
2. Генерация гипотез
3. Понимание бизнес-метрик
4. Структурное мышление
5. Способность задавать правильные вопросы
Типичная ошибка -
Правильный подход -
Шаг 1: Уточняем контекст✍
Первое что нужно сделать - задать вопросы:
> Какую конкретно метрику смотрим?
Общая прибыль - это выручка минус затраты.
Возможно выручка выросла, но затраты на рекламу выросли еще больше?
>На сколько упала метрика?
Падение на 5% и на 50% - совершенно разные ситуации, требующие разного подхода.
> Когда именно она упала?
Во время акции или после? Это важно для понимания причин.
> Как выглядит ее динамика?
Постепенное снижение или резкий провал? Возможно это просто шум в данных?
Интервьюер оценивает: понимаете ли вы, что прибыль - составная метрика. Умеете ли задавать правильные вопросы перед анализом.
Шаг 2: Декомпозируем метрику🧮
Прибыль = Выручка - Затраты
-> Выручка = Количество заказов х Средний чек
-> Количество заказов = Трафик х Конверсия
- >Затраты = Затраты на рекламу + Операционные затраты + Скидки
Теперь можно генерировать гипотезы по каждому элементу.
Шаг 3: Генерируем гипотезы🤔
Гипотеза 1: Выручка упала
- Упал трафик после окончания рекламной кампании
- Упала конверсия (промокоды привлекли нецелевую аудиторию)
- Снизился средний чек (все покупали только красные самокаты со скидкой)
Гипотеза 2: Затраты выросли
- Затраты на рекламу оказались слишком высокими
- Скидки по промокодам съели маржу
- Операционные затраты выросли из-за увеличения объема
Гипотеза 3: Изменилась структура продаж
- Продавали больше красных самокатов (с низкой маржой) вместо других моделей
- Промокоды использовали существующие клиенты, которые купили бы и так
Интервьюер оценивает: логику декомпозиции, полноту гипотез, понимание бизнеса.
Шаг 4: Приоритизируем проверку гипотез⚖
Не нужно пытаться проверить все сразу. Приоритизируем:
Первое - смотрим на структуру.
Что изменилось сильнее - выручка или затраты?
Второе - если выручка упала, смотрим: трафик, конверсию, средний чек. Находим главного "виновника".
Третье - сегментируем. Смотрим отдельно красные самокаты vs остальные. Новые клиенты vs существующие.
Интервьюер оценивает: умение расставлять приоритеты, понимание что важно проверить в первую очередь.
Шаг 5: Предлагаем решения💡
Только после анализа предлагаем действия:
-> Если проблема в каннибализации других товаров:
- Ограничить промокоды только для новых клиентов
- Сделать скидки на весь ассортимент, а не только на красные
-> Если проблема в высоких затратах на рекламу:
- Пересмотреть каналы привлечения
- Оптимизировать стоимость клика
-> Если проблема в низкой марже:
- Увеличить цену на красные самокаты
- Ограничить размер скидки
Вместо резюме
Давая кейсы, интервьюер в первую очередь проверяет не знание формул, а способность структурно мыслить и решать бизнес-задачи.
Поэтому важно аргументировано и связно доносить ваши решения с выявленными проблемами и строить реалистичные предложения.
Проходите кейс поэтапно: сначала уточняющие вопросы -> затем декомпозиция метрики и генерация гипотез -> после приоритизация и решения.
Интервьюер смотрит не на идеальный ответ (так как его обычно нет), а на ход ваших мыслей. Поэтому главное - показать структурное мышление, умение декомпозировать и выявлять важное.
И не забыть про понимание бизнеса.
❤6🔥3
Всех с Новым годом!
Успехов во всех начинаниях😏
Успехов во всех начинаниях
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Pandas.Period🕰
В первую рабочую неделю мне вдруг понадобилось немного поработать с временными данными: создать определенный диапазон дат и поверх него построить витрину с метриками.
Обычно, для этого я генерировал все диапазоны дат вручную.
Но сейчас наткнулся на класс Period в pandas и понял, что в этом нет необходимости. Мб он и вам будет полезен.
В чем его суть?
В общем и целом, класс Period представляет собой промежуток времени или интервал. Например, если мы хотим вытащить все даты за март 2025 года целиком, то достаточно создать объект функцией ниже и вы сразу получите набор всех необходимых вам дат.
Тоже самое можно сделать за квартал или день
Главный параметр - freq (частота): M для месяца, Q для квартала, Y для года, D для дня, W для недели.
У класса достаточно много применений.
Детально с ним можно ознакомиться в официальной доке.
Я расскажу про некоторые из них.
PeriodIndex
Например, когда вы анализируете данные по месяцам, можно создать PeriodIndex.
PeriodIndex - это просто набор объектов Period.
Вместо использования временных меток он помогает структурировать данные по временным интервалам, будь то месяцы, кварталы или годы.
Например:
Каждая строка теперь представляет целый месяц, а не конкретную дату. Это упрощает агрегацию и анализ периодических данных.
Конвертация между Period и Timestamp
Иногда нужно превратить Period в конкретную дату.
В этом тоже нет ничего сложного:
Арифметика с Period
Можно двигаться между периодами:
Для недели:
Начало и конец периода:
Итого
-> Period - это абстракция для работы с временными интервалами. Вместо точных дат вы работаете с целыми периодами.
-> Используйте Period когда анализируете данные по месяцам, кварталам, годам или строите отчетность по периодам.
p.s. сейчас я делаю достаточно интересную работу, результатами которой поделюсь в ближайшее время. Она не связана напрямую с аналитикой данных, но думаю, многим она будет полезна. Ждите апдейтов😉
В первую рабочую неделю мне вдруг понадобилось немного поработать с временными данными: создать определенный диапазон дат и поверх него построить витрину с метриками.
Обычно, для этого я генерировал все диапазоны дат вручную.
Но сейчас наткнулся на класс Period в pandas и понял, что в этом нет необходимости. Мб он и вам будет полезен.
В чем его суть?
В общем и целом, класс Period представляет собой промежуток времени или интервал. Например, если мы хотим вытащить все даты за март 2025 года целиком, то достаточно создать объект функцией ниже и вы сразу получите набор всех необходимых вам дат.
period_month = pd.Period('2025-03', freq='M')
Тоже самое можно сделать за квартал или день
period_quarter = pd.Period('2023Q1', freq='Q')
print(period_quarter) # 2023Q1
#День
period_day = pd.Period('2023-03-15', freq='D')
Главный параметр - freq (частота): M для месяца, Q для квартала, Y для года, D для дня, W для недели.
У класса достаточно много применений.
Детально с ним можно ознакомиться в официальной доке.
Я расскажу про некоторые из них.
PeriodIndex
Например, когда вы анализируете данные по месяцам, можно создать PeriodIndex.
PeriodIndex - это просто набор объектов Period.
Вместо использования временных меток он помогает структурировать данные по временным интервалам, будь то месяцы, кварталы или годы.
Например:
dates = pd.period_range(start='2023-01', periods=6, freq='M')
df = pd.DataFrame({'Sales': [100, 150, 200, 250, 300, 350]}, index=dates)
Результат:
Sales
2023-01 100
2023-02 150
2023-03 200
2023-04 250
2023-05 300
2023-06 350
Каждая строка теперь представляет целый месяц, а не конкретную дату. Это упрощает агрегацию и анализ периодических данных.
Конвертация между Period и Timestamp
Иногда нужно превратить Period в конкретную дату.
В этом тоже нет ничего сложного:
period = pd.Period('2023-03', freq='M')
# Начало периода
period.to_timestamp() # 2023-03-01 00:00:00
# Конец периода
period.to_timestamp(how='end') # 2023-03-31 23:59:59
# Обратная конвертация - из Timestamp в Period:
timestamp = pd.Timestamp('2023-03-15')
period = timestamp.to_period('M')
print(period) # 2023-03
Арифметика с Period
Можно двигаться между периодами:
period = pd.Period('2023-03', freq='M')
print(period + 1) # 2023-04
print(period - 1) # 2023-02
Для недели:
week_period = pd.Period('2023-07-10', freq='W')
print(week_period + 1) # Следующая неделя
Начало и конец периода:
period.start_time # 2023-03-01 00:00:00
period.end_time # 2023-03-31 23:59:59
Итого
-> Period - это абстракция для работы с временными интервалами. Вместо точных дат вы работаете с целыми периодами.
-> Используйте Period когда анализируете данные по месяцам, кварталам, годам или строите отчетность по периодам.
p.s. сейчас я делаю достаточно интересную работу, результатами которой поделюсь в ближайшее время. Она не связана напрямую с аналитикой данных, но думаю, многим она будет полезна. Ждите апдейтов
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥2✍1
Семейная стратегия 2026
Первую половину января я обычно занимаюсь планированием.
Намечаю общие векторы развития на год и какие-то ключевые вехи.
Я не являюсь ярым адептом целеполагания и планов, но все-таки понимаю, что этот процесс:
А) Помогает посмотреть на свой путь с высоты, порефлексировать и скорректировать свое дальнейшее движение
Б) Помогает не потеряться в бесконечном потоке задач и проблем, которые валятся на тебя каждый день (например, на прошлой неделе нас затопили соседи)
В) Помогает принимать решения в моменте
Поэтому его и практикую.
В этом году решил расширить эту практику на семью и сформировать семейную стратегию на год.
Что это такое?
Я не коуч, поэтому правильного определения этого термина у меня нет. Сам себе объясняю семейную стратегию так:
Можно представить, что семья - это корабль⛵
Без стратегии плавание на нем хаотично:
- Один гребет влево, другой вправо
- Или один гребет изо всех сил, а другой просто загорает.
- Или вы просто дрейфуете по течению.
С таким подходом есть риск начать жить параллельными жизнями, где каждый преследует свои цели, а семья превращается в скучный набор обязанностей.🟢 🟢
С семейной стратегией:
-> Вы четко знаете, куда плывете🗺
Когда у вас есть цель, и она устраивает вас обоих, вам гораздо проще синхронизировать ваши действия и двигаться в одном направлении.
-> Вы понимаете ваши роли на корабле🫡
Например, «Я смотрю за парусами (зарабатываю), ты - за картой и провизией (быт/уют)».
Никто не чувствует себя использованным, потому что вы договорились о зонах ответственности каждого на берегу.
-> Вы задаете правила плавания📝
Вы вместе решаете, что для вас важно, а что нет в этом году. Вместе определяете бюджет и планируете траты. Заранее определяете важные для вас ритуалы (например, кофе с выпечкой по субботам🥐 или свидания по пятницам).
В общем,
Теперь к самому интересному:
Как мы работаем с семейной стратегией?
Семейная стратегия реализуется у нас в 3 этапа:
1. Проводим стратегическую сессию.
Мы рефлексируем над прошлым годом и его вызовами.
Обсуждаем наши ценности, цели и планы. Синхронизируем их и формируем важные для нас ритуалы. В конце мы формируем небольшой документ с основными тезисами.
На этом этапе очень помогает ИИ. Он выступает как опытный фасилитатор: держит структуру, задает вопросы и помогает сфокусироваться на смыслах, а не на модерации. (Промпт, который мы использовали, закину в комментарии - он слишком большой для поста).
2. Формируем бюджет
Я собираю годовой семейный бюджет с нашими плановыми тратами по основным статьям расходов.
Ввиду разного формата доходов (у меня - крупные поступления с зп и аванса 2 раза в месяц, у жены - ежедневные поступления с консультаций), бюджет разделен на два потока.
Семейные расходы распределены между нами: часть крупных трат закрываю я, часть - жена.
(Если интересно, то вот ссылка на наш шаблон бюджета)
3. Следуем стратегии.
Чтобы стратегия и бюджетная модель не остались артефактами, о которых мы вспоминаем только в январе, мы делаем 2 вещи:
1) Геймифицируем контроль достижения целей. 🎮
Тот документ, который мы получили на этапе 1, мы собираемся собрать в коллаж и повесить у нас в спальне, чтобы он всегда маячил перед глазами.
(Формат коллажа еще не продумали. Как будет готов - скину в канал.)
2) Следим за тратами и контролируем бюджет.
Для этой задачи я выбрал это приложение (не реклама).
В нем можно настраивать категории, вести заметки, и самое главное - ставить нормы трат согласно бюджету в каждой категории. Очень удобно.
Далее 1ю субботу каждого месяца мы будем сверять план/факт по бюджету.
p.s. Пост получился не совсем про аналитику данных. Однако постов про A/B, SQL, Python и пр. полно в других каналах. Поэтому я решил делиться тем, что мне интересно в моменте. Надеюсь и вам будет интересно😏
Первую половину января я обычно занимаюсь планированием.
Намечаю общие векторы развития на год и какие-то ключевые вехи.
Я не являюсь ярым адептом целеполагания и планов, но все-таки понимаю, что этот процесс:
Б) Помогает не потеряться в бесконечном потоке задач и проблем, которые валятся на тебя каждый день (например, на прошлой неделе нас затопили соседи)
Поэтому его и практикую.
В этом году решил расширить эту практику на семью и сформировать семейную стратегию на год.
Что это такое?
Я не коуч, поэтому правильного определения этого термина у меня нет. Сам себе объясняю семейную стратегию так:
Семейная стратегия - это общая договоренность на уровне семьи о том, куда вы двигаетесь и кто за что отвечает в пути.
Можно представить, что семья - это корабль⛵
Без стратегии плавание на нем хаотично:
- Один гребет влево, другой вправо
- Или один гребет изо всех сил, а другой просто загорает.
- Или вы просто дрейфуете по течению.
С таким подходом есть риск начать жить параллельными жизнями, где каждый преследует свои цели, а семья превращается в скучный набор обязанностей.
С семейной стратегией:
-> Вы четко знаете, куда плывете🗺
Когда у вас есть цель, и она устраивает вас обоих, вам гораздо проще синхронизировать ваши действия и двигаться в одном направлении.
-> Вы понимаете ваши роли на корабле🫡
Например, «Я смотрю за парусами (зарабатываю), ты - за картой и провизией (быт/уют)».
Никто не чувствует себя использованным, потому что вы договорились о зонах ответственности каждого на берегу.
-> Вы задаете правила плавания📝
Вы вместе решаете, что для вас важно, а что нет в этом году. Вместе определяете бюджет и планируете траты. Заранее определяете важные для вас ритуалы (например, кофе с выпечкой по субботам🥐 или свидания по пятницам).
В общем,
Наличие стратегии помогает избежать лишних конфликтов и обид, вызванных недопониманием и разными ценностями партнеров.Интро получилось довольно длинным.
Теперь к самому интересному:
Как мы работаем с семейной стратегией?
Семейная стратегия реализуется у нас в 3 этапа:
1. Проводим стратегическую сессию.
Мы рефлексируем над прошлым годом и его вызовами.
Обсуждаем наши ценности, цели и планы. Синхронизируем их и формируем важные для нас ритуалы. В конце мы формируем небольшой документ с основными тезисами.
На этом этапе очень помогает ИИ. Он выступает как опытный фасилитатор: держит структуру, задает вопросы и помогает сфокусироваться на смыслах, а не на модерации. (Промпт, который мы использовали, закину в комментарии - он слишком большой для поста).
2. Формируем бюджет
Я собираю годовой семейный бюджет с нашими плановыми тратами по основным статьям расходов.
Ввиду разного формата доходов (у меня - крупные поступления с зп и аванса 2 раза в месяц, у жены - ежедневные поступления с консультаций), бюджет разделен на два потока.
Семейные расходы распределены между нами: часть крупных трат закрываю я, часть - жена.
(Если интересно, то вот ссылка на наш шаблон бюджета)
3. Следуем стратегии.
Чтобы стратегия и бюджетная модель не остались артефактами, о которых мы вспоминаем только в январе, мы делаем 2 вещи:
1) Геймифицируем контроль достижения целей. 🎮
Тот документ, который мы получили на этапе 1, мы собираемся собрать в коллаж и повесить у нас в спальне, чтобы он всегда маячил перед глазами.
(Формат коллажа еще не продумали. Как будет готов - скину в канал.)
2) Следим за тратами и контролируем бюджет.
Для этой задачи я выбрал это приложение (не реклама).
В нем можно настраивать категории, вести заметки, и самое главное - ставить нормы трат согласно бюджету в каждой категории. Очень удобно.
Далее 1ю субботу каждого месяца мы будем сверять план/факт по бюджету.
p.s. Пост получился не совсем про аналитику данных. Однако постов про A/B, SQL, Python и пр. полно в других каналах. Поэтому я решил делиться тем, что мне интересно в моменте. Надеюсь и вам будет интересно
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👀2❤1✍1
Личная стратегия как инструмент управления жизнью (и личным «продуктом»)
На январских праздниках, параллельно с поеданием салатов, я провел глубокий аудит и составил личную стратегию.
Зачем?
Я заметил, что мой жизненный «роадмап» размылся. Цели выбирались по наитию, всё шло по накатанной, и меня это не устраивало. Хотелось создать «компас» 🧭 - инструмент для принятия решений и приоритизации фокусов на год.
Как я это делал?
За основу взял статью, в которой автор анализирует ключевые события жизни, систематизирует ресурсы и формирует фреймворк для принятия решений.
Сначала я пытался делать все по статье, но понял, что не все инструменты мне понравились. В итоге что-то я брал как есть, что-то дорабатывал сам, а что-то вообще не делал.
Что в итоге получилось?
Сам документ - вещь личная, но я подготовил шаблон 📝 в Miro со всеми фреймворками, чтобы вы могли прогнать через него свою ситуацию.Если шаблон нужен - пишите в комментариях, пришлю ссылк у.
Имейте в виду, на это упражнение придется потратить много времени. Автор потратил 3 месяца, а у меня ушло 2 недели по 2–4 часа в день. Если решите повторить - закладывайте этот ресурс в свой график.
Итак, этапы:
1. Ретроспектива
На этом этапе мы вспоминаем все ключевые события и пытаемся понять, почему были приняты именно эти решения?
Лично мне это помогло убедиться, что большинство выборов были оптимальными на основе имевшихся тогда данных. Сожалений стало меньше.
2. Смыслы
На этом этапе смотрим на те же события через призму мыслей
и страхов.
3. Детализация ценностей и ролей
Даем ценностям конкретную форму:
-> Описываем, что они значат для нас (например, «творческая самореализация» - это законченные треки или свой бизнес).
-> Выстраиваем иерархию приоритетов.
Формируем роли на основании этих ценностей. Тут можно решить, какие роли хочется примерять чаще, а какие - реже.
Например, у меня есть роль «я-суетолог» (деятельность ради деятельности). Я хочу, чтобы вместо нее чаще проявлялась роль «я-авантюрист».
4. Текущее состояние
Самый «честный» этап, где мы оцениваем систему As-Is:
-> Как мы себя чувствуем в моменте? 🧘
-> Как оцениваем свое место в каждой роли? 🎭
-> Какие у нас алгоритмы успеха и алгоритмы провала?🧮
(Что я делаю, когда всё получается, и как я обычно всё порчу).
-> Где мы черпаем энергию, а где бессмысленно её теряем?
-> Какие у нас есть навыки, связи и ресурсы?
Это помогает перейти от анализа к конкретным шагам.
Так, например, появились мои фокусы на год:
- Больше экспериментировать (этот пост - тоже эксперимент).
- Доводить задачи до конца.
- Искать экспертов, а не пытаться изучить вообще всё самому.
- Меньше скроллить соцсети и снижать многозадачность.
В оригинале автор пошел еще дальше: декомпозировал всё до уровня ежедневных задач и спринтов. Попробую внедрить это следующей итерацией.
Надеюсь, мой опыт был вам полезен!
p.s. пост вышел компактным из-за лимита телеграма в 4000 символов. Если хотите больше подробностей по каждому этапу — маякните в комментариях, я могу запустить серию постов на эту тему.
На январских праздниках, параллельно с поеданием салатов, я провел глубокий аудит и составил личную стратегию.
Зачем?
Я заметил, что мой жизненный «роадмап» размылся. Цели выбирались по наитию, всё шло по накатанной, и меня это не устраивало. Хотелось создать «компас» 🧭 - инструмент для принятия решений и приоритизации фокусов на год.
Как я это делал?
За основу взял статью, в которой автор анализирует ключевые события жизни, систематизирует ресурсы и формирует фреймворк для принятия решений.
Сначала я пытался делать все по статье, но понял, что не все инструменты мне понравились. В итоге что-то я брал как есть, что-то дорабатывал сам, а что-то вообще не делал.
Что в итоге получилось?
Сам документ - вещь личная, но я подготовил шаблон 📝 в Miro со всеми фреймворками, чтобы вы могли прогнать через него свою ситуацию.
Имейте в виду, на это упражнение придется потратить много времени. Автор потратил 3 месяца, а у меня ушло 2 недели по 2–4 часа в день. Если решите повторить - закладывайте этот ресурс в свой график.
Итак, этапы:
1. Ретроспектива
На этом этапе мы вспоминаем все ключевые события и пытаемся понять, почему были приняты именно эти решения?
Пример: Почему Вы выбрали именно этот вуз?
Лично мне это помогло убедиться, что большинство выборов были оптимальными на основе имевшихся тогда данных. Сожалений стало меньше.
2. Смыслы
На этом этапе смотрим на те же события через призму мыслей
и страхов.
Пример:
Поступление в вуз было продиктовано страхом упущенной возможности и желанием угодить родителям.
Это помогло выявить мои истинные ценности (семья, финансовая свобода), а не навязанные извне.
3. Детализация ценностей и ролей
Даем ценностям конкретную форму:
-> Описываем, что они значат для нас (например, «творческая самореализация» - это законченные треки или свой бизнес).
-> Выстраиваем иерархию приоритетов.
Формируем роли на основании этих ценностей. Тут можно решить, какие роли хочется примерять чаще, а какие - реже.
Например, у меня есть роль «я-суетолог» (деятельность ради деятельности). Я хочу, чтобы вместо нее чаще проявлялась роль «я-авантюрист».
4. Текущее состояние
Самый «честный» этап, где мы оцениваем систему As-Is:
-> Как мы себя чувствуем в моменте? 🧘
-> Как оцениваем свое место в каждой роли? 🎭
-> Какие у нас алгоритмы успеха и алгоритмы провала?🧮
(Что я делаю, когда всё получается, и как я обычно всё порчу).
-> Где мы черпаем энергию, а где бессмысленно её теряем?
-> Какие у нас есть навыки, связи и ресурсы?
Это помогает перейти от анализа к конкретным шагам.
Так, например, появились мои фокусы на год:
- Доводить задачи до конца.
- Искать экспертов, а не пытаться изучить вообще всё самому.
- Меньше скроллить соцсети и снижать многозадачность.
В оригинале автор пошел еще дальше: декомпозировал всё до уровня ежедневных задач и спринтов. Попробую внедрить это следующей итерацией.
Надеюсь, мой опыт был вам полезен!
p.s. пост вышел компактным из-за лимита телеграма в 4000 символов. Если хотите больше подробностей по каждому этапу — маякните в комментариях, я могу запустить серию постов на эту тему.
❤3🔥2👍1🤯1
Достаточно ли курсов для вкатывания в аналитику данных?
В настоящее время на рынке существует достаточно много курсов и программ, обещающих успешное трудоустройство после окончания обучения.
Некоторые из них даже предлагают научить навыкам, достаточным для позиции мидла.
У многих, кто только начинает свой путь в аналитике данных может возникнуть вопрос:
И вопрос действительно важный.
В среднем курс стоит от 100 тыс. рублей и программа обучения занимает от +-6 месяцев.
Никому не захочется потратить столько денег и времени и не получить желаемый результат.💻
Что я думаю по этому поводу?🤔
Курсы дают минимальный необходимый уровень хардов, но не дают конкурентного преимущества на собеседованиях.
Представьте, вы записались на курс по аналитике данных.
Добросовестно учились, успешно прошли все модули и защитили проект. Вроде бы готовы собеседоваться. Но есть одно НО.
В то же время с вами на рынок труда выходит еще несколько потоков выпускников курсов + выпускников бакалавриатов/ магистратур целевых университетов и программ (мехматы, бизнес-информатика и пр.)
Конкуренция бешеная. На фоне этой конкуренции вы оказываетесь в слабой позиции.
Работодатели с большей вероятностью отдадут предпочтение другим кандидатам с опытом, кейсами, проектами.
Что в этом случае делать?
Создавать конкурентное преимущество
Вы можете выделиться среди других кандидатов:
- экспертизой в отрасли
- продуктовой насмотренностью
- бизнес-мышлением
- глубоким знанием какой-либо технической темы
- настойчивостью (если будете искать нанимающих менеджеров и напрямую писать им)
Чем шире и глубже ваши познания - тем выше ваша конкуретноспособность.
Не стесняйтесь копать в темы глубже во время обучения.
Я, например, очень много времени потратил на то, чтобы разобраться с понятием p-value.
Смотрел много видосов, спрашивал у действующих аналитиков и тд.
Я мог бы просто заучить определение из курса, но все-таки хотел понять смысл этого понятия глубже.
Ну и в итоге понял.
Также параллельно с обучением, я смотрел много видосов и статей про продуктовое мышление, пытался строить фреймворки и иерархии метрик продуктов, решал дополнительно задачки по SQL и питону и пр.
В итоге все эти усилия окупились и я нашел свою первую работу.
Так что не бойтесь вкладывать больше усилий, чем требуется в программе курсов, - это точно приблизит вас к желаемой цели.
Ну и напоследок не стоит забывать, что профессия аналитика данных - это про непрерывное обучение.
Даже, когда вы устроились на работу, когда получили повышение до синьора или тим-лида, ваш путь не заканчивается - всегда будут появляться новые задачи, требующие новых знаний и всегда приходится учиться.
В настоящее время на рынке существует достаточно много курсов и программ, обещающих успешное трудоустройство после окончания обучения.
Некоторые из них даже предлагают научить навыкам, достаточным для позиции мидла.
У многих, кто только начинает свой путь в аналитике данных может возникнуть вопрос:
Стоит ли игра свеч?
Смогу ли я после курсов найти работу?
И вопрос действительно важный.
В среднем курс стоит от 100 тыс. рублей и программа обучения занимает от +-6 месяцев.
Никому не захочется потратить столько денег и времени и не получить желаемый результат.
Что я думаю по этому поводу?🤔
Представьте, вы записались на курс по аналитике данных.
Добросовестно учились, успешно прошли все модули и защитили проект. Вроде бы готовы собеседоваться. Но есть одно НО.
В то же время с вами на рынок труда выходит еще несколько потоков выпускников курсов + выпускников бакалавриатов/ магистратур целевых университетов и программ (мехматы, бизнес-информатика и пр.)
Конкуренция бешеная. На фоне этой конкуренции вы оказываетесь в слабой позиции.
Работодатели с большей вероятностью отдадут предпочтение другим кандидатам с опытом, кейсами, проектами.
Что в этом случае делать?
Вы можете выделиться среди других кандидатов:
- экспертизой в отрасли
- продуктовой насмотренностью
- бизнес-мышлением
- глубоким знанием какой-либо технической темы
- настойчивостью (если будете искать нанимающих менеджеров и напрямую писать им)
Чем шире и глубже ваши познания - тем выше ваша конкуретноспособность.
Не стесняйтесь копать в темы глубже во время обучения.
Я, например, очень много времени потратил на то, чтобы разобраться с понятием p-value.
Смотрел много видосов, спрашивал у действующих аналитиков и тд.
Я мог бы просто заучить определение из курса, но все-таки хотел понять смысл этого понятия глубже.
Ну и в итоге понял.
Также параллельно с обучением, я смотрел много видосов и статей про продуктовое мышление, пытался строить фреймворки и иерархии метрик продуктов, решал дополнительно задачки по SQL и питону и пр.
В итоге все эти усилия окупились и я нашел свою первую работу.
Так что не бойтесь вкладывать больше усилий, чем требуется в программе курсов, - это точно приблизит вас к желаемой цели.
Ну и напоследок не стоит забывать, что профессия аналитика данных - это про непрерывное обучение.
Даже, когда вы устроились на работу, когда получили повышение до синьора или тим-лида, ваш путь не заканчивается - всегда будут появляться новые задачи, требующие новых знаний и всегда приходится учиться.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7✍2👍1
Разбор кейса с собеседования про промокоды
Представьте, вы - продуктовый аналитик в приложении доставки еды.
Финансовый директор решил срезать расходы и убрал промокод на первый заказ (раньше давали скидку 30% новым пользователям).
Через месяц данные такие:
- Новых регистраций стало меньше на 20% 📉
- Retention новых пользователей на 30-й день упал на 30% 📉
- Зато CAC снизился на 40% 📈
PM хочет вернуть промокод. CFO против. Вас зовут на встречу. Что скажете?
Что проверяет интервьюер?
1. Понимание юнит-экономики и LTV
2. Умение работать с когортным анализом
3. Способность видеть конфликт интересов внутри компании
4. Бизнес-мышление - когда промокод это инвестиция, а когда - дыра в бюджете
Типичная ошибка - встать на сторону PM или CFO без анализа данных.
Правильный подход - разобраться что на самом деле произошло, и только потом делать выводы.
Давайте пройдемся по шагам решения кейса
Шаг 1: Уточняем контекст✍️
Первое что нужно сделать - задать вопросы:
> Что ещё менялось в тот же период?
Сезонность, действия конкурентов, изменение рекламных каналов - всё это могло повлиять на цифры параллельно с отменой промокода.
> Каким был retention пользователей с промокодом исторически?
Нужна база для сравнения - как вели себя эти когорты на 7-й, 30-й, 90-й день раньше.
> Как считается CAC?
Только стоимость промокода или весь маркетинг?
Интервьюер оценивает: умеете ли задавать правильные вопросы до того, как лезть в данные.
Шаг 2: Проверяем внешний фон 🔍
Прежде чем искать причину внутри продукта - убеждаемся, что дело вообще в промокоде.
Когорта с промокодом и когорта без - это разные периоды времени. Если в тот же месяц конкурент запустил агрессивную акцию или изменился алгоритм рекламы - разница в метриках может быть вообще не про промокод.
Что смотрим:
- Динамику рынка и активность конкурентов
- Изменения в каналах привлечения
- Сезонность относительно прошлого года
Только если внешний фон стабилен - идём дальше.
Шаг 3: Генерируем гипотезы 🤔
Гипотеза 1: Промокод привлекал халявщиков
- Пользователи делали 1 заказ со скидкой и уходили
- Убрали промокод - стало меньше регистраций, но пришли более качественные пользователи
Гипотеза 2: Промокод был реальным драйвером первой привычки
- Скидка снижала барьер первого заказа
- Пользователи пробовали сервис, влюблялись и оставались
- Без промокода барьер слишком высок - люди не решаются попробовать
Гипотеза 3: Дело не в промокоде
- В тот же период изменился канал привлечения или активизировался конкурент
- Промокод тут ни при чём - его возврат ничего не исправит
Интервьюер оценивает: умеете ли вы держать несколько версий в голове и не торопиться с выводами.
Шаг 4: Декомпозируем метрики 🧮
Теперь пора проверить каждую гипотезу. Как это сделать?
Для гипотезы 1 и 2 сравниваем LTV двух когорт:
Когорта А - пришли с промокодом
Когорта Б - пришли без промокода
Для гипотезы 3 смотрим на структуру трафика: изменилось ли соотношение каналов в тот же период?
Шаг 5: Формулируем рекомендацию
Только теперь идем к приоритезации и выводам:
-> Если внешний фон изменился - разбираемся с этим, возврат промокода не поможет
-> Если LTV когорты с промокодом выше - возвращаем, но умнее: только для органики или реферала, не для всего платного трафика
-> Если LTV когорт одинаковый - промокод не создавал ценности, ищем другие точки активации
-> Если данных недостаточно - запускаем A/B тест и смотрим retention и LTV через 90 дней
Вместо резюме
Этот кейс - про конфликт краткосрочных и долгосрочных метрик.
CAC снизился - это хорошо для квартального отчёта. Но если вместе с ним упал LTV - бизнес проигрывает в долгую. Важно это учитывать в работе и ориентироваться на текущие цели компании при принятии решений
Представьте, вы - продуктовый аналитик в приложении доставки еды.
Финансовый директор решил срезать расходы и убрал промокод на первый заказ (раньше давали скидку 30% новым пользователям).
Через месяц данные такие:
- Новых регистраций стало меньше на 20% 📉
- Retention новых пользователей на 30-й день упал на 30% 📉
- Зато CAC снизился на 40% 📈
PM хочет вернуть промокод. CFO против. Вас зовут на встречу. Что скажете?
Что проверяет интервьюер?
1. Понимание юнит-экономики и LTV
2. Умение работать с когортным анализом
3. Способность видеть конфликт интересов внутри компании
4. Бизнес-мышление - когда промокод это инвестиция, а когда - дыра в бюджете
Типичная ошибка - встать на сторону PM или CFO без анализа данных.
Давайте пройдемся по шагам решения кейса
Шаг 1: Уточняем контекст✍️
Первое что нужно сделать - задать вопросы:
> Что ещё менялось в тот же период?
Сезонность, действия конкурентов, изменение рекламных каналов - всё это могло повлиять на цифры параллельно с отменой промокода.
> Каким был retention пользователей с промокодом исторически?
Нужна база для сравнения - как вели себя эти когорты на 7-й, 30-й, 90-й день раньше.
> Как считается CAC?
Только стоимость промокода или весь маркетинг?
Интервьюер оценивает: умеете ли задавать правильные вопросы до того, как лезть в данные.
Шаг 2: Проверяем внешний фон 🔍
Прежде чем искать причину внутри продукта - убеждаемся, что дело вообще в промокоде.
Когорта с промокодом и когорта без - это разные периоды времени. Если в тот же месяц конкурент запустил агрессивную акцию или изменился алгоритм рекламы - разница в метриках может быть вообще не про промокод.
Что смотрим:
- Динамику рынка и активность конкурентов
- Изменения в каналах привлечения
- Сезонность относительно прошлого года
Только если внешний фон стабилен - идём дальше.
Шаг 3: Генерируем гипотезы 🤔
Гипотеза 1: Промокод привлекал халявщиков
- Пользователи делали 1 заказ со скидкой и уходили
- Убрали промокод - стало меньше регистраций, но пришли более качественные пользователи
Гипотеза 2: Промокод был реальным драйвером первой привычки
- Скидка снижала барьер первого заказа
- Пользователи пробовали сервис, влюблялись и оставались
- Без промокода барьер слишком высок - люди не решаются попробовать
Гипотеза 3: Дело не в промокоде
- В тот же период изменился канал привлечения или активизировался конкурент
- Промокод тут ни при чём - его возврат ничего не исправит
Интервьюер оценивает: умеете ли вы держать несколько версий в голове и не торопиться с выводами.
Шаг 4: Декомпозируем метрики 🧮
Теперь пора проверить каждую гипотезу. Как это сделать?
Для гипотезы 1 и 2 сравниваем LTV двух когорт:
Когорта А - пришли с промокодом
LTV = Средний чек × Частота заказов × Срок жизни - Скидка 30%Когорта Б - пришли без промокода
LTV = Средний чек × Частота заказов × Срок жизниДля гипотезы 3 смотрим на структуру трафика: изменилось ли соотношение каналов в тот же период?
Шаг 5: Формулируем рекомендацию
Только теперь идем к приоритезации и выводам:
-> Если внешний фон изменился - разбираемся с этим, возврат промокода не поможет
-> Если LTV когорты с промокодом выше - возвращаем, но умнее: только для органики или реферала, не для всего платного трафика
-> Если LTV когорт одинаковый - промокод не создавал ценности, ищем другие точки активации
-> Если данных недостаточно - запускаем A/B тест и смотрим retention и LTV через 90 дней
Вместо резюме
Этот кейс - про конфликт краткосрочных и долгосрочных метрик.
CAC снизился - это хорошо для квартального отчёта. Но если вместе с ним упал LTV - бизнес проигрывает в долгую. Важно это учитывать в работе и ориентироваться на текущие цели компании при принятии решений
🔥5❤2
Сколько знакомств надо совершить, чтобы найти идеального партнера?
Недавно я наткнулся на интересную аналитику: только 1.5% людей в РФ зарабатывают больше 400 тысяч рублей в месяц. И почему-то сразу вспомнил всем известные видосы, на которых девушки с Патриков рассказывают, какой доход должен быть у их партнера.
В голове сразу возник вопрос: а сколько вообще свиданий должно произойти, чтобы найти того самого идеального партнера?
Давайте посчитаем.
По данным Росстата, зарплату выше 400 тыс. руб. получают 1.5% работающих россиян - около 1.1 млн человек из 76 млн занятых.
Но нас интересуют мужчины 18 - 35 лет. Я не нашел данных о распределении доходов по возрастным группам и полу, поэтому принял 2 допущения:
1) Распределение во возрастным группам равномерное.
Очевидно, что в возрасте 18-35 лет доход ниже, чем для возрастной группы 35+ лет (не считая пенсионный возраст). По данным РБК доля занятых людей в РФ возрастом менее 35 лет в 2024 году составила ~27.4%.
2) Мужчина в среднем зарабатывает больше, чем женщина.
Средняя зарплата женщин в РФ составляет около 70% уровня дохода мужчин (источник). Для высоких должностей это смещение выше. А среди топ-менеджеров доля женщин в 2 раза ниже (источник).
Исходя из этих предпосылок допущу, что из выборки россиян с доходом выше 400 тыс 70% составляют мужчины.
Кроме того, не стоит забывать, что не все из них свободны. По данным Т-Ж, который ссылается на Росстат, 51% людей в возрасте 20-34 лет уже находятся в постоянных отношениях. Соответственно воронка становится сильно уже.
Также мы не учитывали фактор личных качеств. Думаю это и так понятно, что кроме дохода есть и другие факторы, которые влияют на успешность ваших долгосрочных отношений. Оценить этот уровень воронки можно от обратного - давайте посмотрим на долю разводов от браков. По последним данным их ~70% (источник). Неутешительные цифры, честно говоря.
Используя эти данные, оценим вероятность “мэтча” с нашей парой как 1 - 70% = 30%
Какую воронку мы теперь имеем?
Давайте подведем резюме всем нашим рассуждениям и посмотрим на финальную воронку:
-> Зарабатывает 400k+: 1.5%
-> Из них мужчин: 70%
-> Возраст 18-35: 27.4%
-> Свободен и не в отношениях: ~ 49%
-> Случится мэтч: 30%
Итоговая вероятность за одно знакомство:
Ну как вам такая вероятность?
Чтобы с вероятностью 95% встретить такого человека хотя бы раз в жизни:
Если учитывать, что свидания у вас будут по 2 раза в неделю, то вам понадобится 7186/2/52 = 68+ лет, чтобы найти такого человека. Жизни не хватит!
Очевидно, что этот расчет сделан для общего случая - по всей РФ.
Для случая с Патриками в Москве эта вероятность будет выше. Условная вероятность дохода 400k+ там однозначно выше, выше доля мужчин 25-35 и выше концентрация свободных людей схожего социального круга. В результате итогогое время на поиск идеального партнера может сокращаться в разы - с десятков лет до нескольких. А это уже звучит как план🤔
Выводов в посте никаких не будет. Делайте их сами.
p.s. пост не является сексистким и ничего не пропагандирует.
Для меня это скорее интересная аналитическая задачка и ничего более.
p.s.s. Я думаю это довольно интересный кейс для аналитической секции собесов в дейтинговые приложения.
Если вдруг вы собесились во что-то подобное - поделитесь опытом, может такие кейсы и правда уже есть)
Недавно я наткнулся на интересную аналитику: только 1.5% людей в РФ зарабатывают больше 400 тысяч рублей в месяц. И почему-то сразу вспомнил всем известные видосы, на которых девушки с Патриков рассказывают, какой доход должен быть у их партнера.
В голове сразу возник вопрос: а сколько вообще свиданий должно произойти, чтобы найти того самого идеального партнера?
Давайте посчитаем.
По данным Росстата, зарплату выше 400 тыс. руб. получают 1.5% работающих россиян - около 1.1 млн человек из 76 млн занятых.
Но нас интересуют мужчины 18 - 35 лет. Я не нашел данных о распределении доходов по возрастным группам и полу, поэтому принял 2 допущения:
1) Распределение во возрастным группам равномерное.
Очевидно, что в возрасте 18-35 лет доход ниже, чем для возрастной группы 35+ лет (не считая пенсионный возраст). По данным РБК доля занятых людей в РФ возрастом менее 35 лет в 2024 году составила ~27.4%.
2) Мужчина в среднем зарабатывает больше, чем женщина.
Средняя зарплата женщин в РФ составляет около 70% уровня дохода мужчин (источник). Для высоких должностей это смещение выше. А среди топ-менеджеров доля женщин в 2 раза ниже (источник).
Исходя из этих предпосылок допущу, что из выборки россиян с доходом выше 400 тыс 70% составляют мужчины.
Кроме того, не стоит забывать, что не все из них свободны. По данным Т-Ж, который ссылается на Росстат, 51% людей в возрасте 20-34 лет уже находятся в постоянных отношениях. Соответственно воронка становится сильно уже.
Также мы не учитывали фактор личных качеств. Думаю это и так понятно, что кроме дохода есть и другие факторы, которые влияют на успешность ваших долгосрочных отношений. Оценить этот уровень воронки можно от обратного - давайте посмотрим на долю разводов от браков. По последним данным их ~70% (источник). Неутешительные цифры, честно говоря.
Используя эти данные, оценим вероятность “мэтча” с нашей парой как 1 - 70% = 30%
Какую воронку мы теперь имеем?
Давайте подведем резюме всем нашим рассуждениям и посмотрим на финальную воронку:
-> Зарабатывает 400k+: 1.5%
-> Из них мужчин: 70%
-> Возраст 18-35: 27.4%
-> Свободен и не в отношениях: ~ 49%
-> Случится мэтч: 30%
Итоговая вероятность за одно знакомство:
1.5% * 70% * 27.4% * 49% * 30% = 0.04229 Ну как вам такая вероятность?
Чтобы с вероятностью 95% встретить такого человека хотя бы раз в жизни:
n = ln(0.05) / ln(1–0.0004229) = 7083 Если учитывать, что свидания у вас будут по 2 раза в неделю, то вам понадобится 7186/2/52 = 68+ лет, чтобы найти такого человека. Жизни не хватит!
Очевидно, что этот расчет сделан для общего случая - по всей РФ.
Для случая с Патриками в Москве эта вероятность будет выше. Условная вероятность дохода 400k+ там однозначно выше, выше доля мужчин 25-35 и выше концентрация свободных людей схожего социального круга. В результате итогогое время на поиск идеального партнера может сокращаться в разы - с десятков лет до нескольких. А это уже звучит как план
Выводов в посте никаких не будет. Делайте их сами.
p.s. пост не является сексистким и ничего не пропагандирует.
Для меня это скорее интересная аналитическая задачка и ничего более.
p.s.s. Я думаю это довольно интересный кейс для аналитической секции собесов в дейтинговые приложения.
Если вдруг вы собесились во что-то подобное - поделитесь опытом, может такие кейсы и правда уже есть)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4🌚3❤1
Про важность сквозной аналитики в маркетинге
Любая компания создается для прибыли. И в любой компании главный инструмент привлечения клиентов - это маркетинг.
Большинство компаний знают, сколько потратили на рекламу. И знают, сколько пришло клиентов. Но далеко не в каждой компании можно определить, какой конкретно маркетинговый канал принес нам наибольшую прибыль.
Ответить на этот вопрос помогает сквозная аналитика.
Что это такое?
По сути, сквозная аналитика - это система анализа маркетинговых данных, объединяющая информацию из рекламных кабинетов, веб/апп-аналитики и данных о фактических продажах.
Она отслеживает путь клиента от клика по объявлению до реальной продажи, позволяя рассчитать точную окупаемость каждого рекламного канала. Это помогает оптимизировать бюджет, отключая неэффективные каналы и масштабируя прибыльные.
В разных компаниях она может быть реализована по-разному, но в основе всегда лежат:
- ETL-процесс, который собирает данные из рекламных кабинетов, веб-аналитики и CRM в единое хранилище
- модель атрибуции, которая соотносит конкретные события привлечения с покупками пользователей
В итоге в базе появляется связка: канал → клиент → все его покупки. Именно на ней считается LTV в разрезе каналов и оценивается эффективность канала по отношению LTV/CAC
Что это за аббревиатуры?
На самом деле, ничего сложного:
- LTV (Lifetime Value) - сколько денег клиент приносит за всё время жизни.
- CAC (Customer Acquisition Cost) - сколько стоит привлечь одного платящего клиента.
Как считать LTV💸
Как считать CAC💸
Важно при расчете CAC в числитель идут все расходы - реклама, зарплата команды, инструменты, агентские вознаграждения. Если считать только маркетинговый бюджет, то цифры будут занижены.
Какое соотношение LTV/CAC считать нормальным
→ < 1 - вы теряете деньги на каждом клиенте
→ 3 - целевой показатель. Прибыль с клиента в 3 раза окупает затраты на его привлечение
→ > 5 - возможно, вы недоинвестируете в привлечение
Любая компания создается для прибыли. И в любой компании главный инструмент привлечения клиентов - это маркетинг.
Большинство компаний знают, сколько потратили на рекламу. И знают, сколько пришло клиентов. Но далеко не в каждой компании можно определить, какой конкретно маркетинговый канал принес нам наибольшую прибыль.
Ответить на этот вопрос помогает сквозная аналитика.
Что это такое?
Она отслеживает путь клиента от клика по объявлению до реальной продажи, позволяя рассчитать точную окупаемость каждого рекламного канала. Это помогает оптимизировать бюджет, отключая неэффективные каналы и масштабируя прибыльные.
В разных компаниях она может быть реализована по-разному, но в основе всегда лежат:
- ETL-процесс, который собирает данные из рекламных кабинетов, веб-аналитики и CRM в единое хранилище
- модель атрибуции, которая соотносит конкретные события привлечения с покупками пользователей
В итоге в базе появляется связка: канал → клиент → все его покупки. Именно на ней считается LTV в разрезе каналов и оценивается эффективность канала по отношению LTV/CAC
Что это за аббревиатуры?
На самом деле, ничего сложного:
- LTV (Lifetime Value) - сколько денег клиент приносит за всё время жизни.
- CAC (Customer Acquisition Cost) - сколько стоит привлечь одного платящего клиента.
Как считать LTV
LTV = Средний чек × Количество покупок × Срок жизни клиентаLTV - когортная метрика. Считать по всей базе - значит смешивать клиентов с разным поведением. Необходимо считать по группам: одинаковый период привлечения (когорта), одинаковый канал.
Как считать CAC
CAC = Расходы на маркетинг за период / Количество новых клиентов за период
Важно при расчете CAC в числитель идут все расходы - реклама, зарплата команды, инструменты, агентские вознаграждения. Если считать только маркетинговый бюджет, то цифры будут занижены.
Какое соотношение LTV/CAC считать нормальным
→ < 1 - вы теряете деньги на каждом клиенте
→ 3 - целевой показатель. Прибыль с клиента в 3 раза окупает затраты на его привлечение
→ > 5 - возможно, вы недоинвестируете в привлечение
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3✍1🔥1
Как я собеседовался в зарубежные компании
Полгода назад ради эксперимента я начал активнее вести LinkedIn.
Я не искал работу, не рассылал резюме и особо не думал об этом. Однако спустя какое-то время рекрутеры из зарубежных компаний начали регулярно находить меня в LinkedIn и предлагать пособеседоваться в компании. Я и не отказывался.
За эти полгода я прошёл около 10 собеседований на роли Data Analyst и Product Analyst. Компании были очень разные: это были как небольшие стартапы до 300 человек, так и крупные организации со штатом более 10 тыс. сотрудников и MAU в десятки миллионов пользователей. С офисами на Кипре, в Испании, в Дубае или нескольких странах одновременно.
Это был интересный опыт, из которого я вынес несколько неочевидных наблюдений. 👇
Наблюдение 1: SQL и продуктовое мышление важнее глубокого знания статистики👩💻
В российских реалиях на собеседованиях довольно часто можно встретить задачи на статистику, теорию вероятности или A/B тестирование. Таким образом интервьюер пытается оценить понимание фундаментальных концепций и гибкость мышления.
Зарубежом же всё устроено иначе.
В собеседованиях в зарубежные компании я гораздо чаще решал прикладные задачи на SQL (могло быть до 5 штук за один собес), кейсы на построение иерархий метрик/ анализ воронок/ падения метрик, задачи на оценку мат. ожидания какого-либо продуктового события. Т.е. все кейсы строились на реальных задачах из практики, а не на абстракциях.
При этом знания A/B-тестов, методов снижения дисперсии и Causal Inference воспринимались скорее как приятный плюс, а не как обязательное требование. На мой взгляд, это отражает разницу в культуре: там аналитик - это в первую очередь человек, который умеет работать с данными руками и думать продуктово.
Наблюдение 2: Разрыва в зарплате х2 не будет😱
Честно говоря, я шёл в эти собеседования с определёнными ожиданиями. В голове крутились образы крутых айтишников, которые работают зарубежом и разъезжают на майбахах, получая х2-х5 за ту же работу, что и в России.
Но рынок устроен иначе. В нескольких компаниях я получил офферы, в других обсуждал ожидания на берегу. Где-то предлагали только оклад, где-то оклад + бонусы + акции. Но нигде не было двукратного роста относительно текущего места работы. Что уж говорить о большем росте..
Изначально я считал, что я плохо прособеседовался и получил оффер ниже рынка, но глубокое изучение сайтов типа indeed.com, glassdoor.com, reddit и прочих говорило о том, что все офферы были по верхней границе рынка.
К тому же если учесть разную стоимость жизни и необходимость аренды жилья, в большинстве случаев экономика начинает расходится.
Возможно, если бы я искал работу на рынке США, то офферы были бы жирнее, но даже в Дубае я не получал каких-то космических цифр.
Так что снимаем розовые очки.
Наблюдение 3: К кандидатам из России относятся нормально, но релокация обязательна🤨
Во всех случаях во время собеседования у меня уточняли, где я проживаю сейчас. Каждый раз честно отвечал, что в России. И кто бы что не говорил, на этом собеседование не заканчивалось - все интервьюеры реагировали на это адекватно.
Единственное жёсткое условие во всех случаях - обязательная релокация.
Это никак не связано с личным отношением к кандидату, с этим все ок. Просто таким образом компания пытается снизить свои риски.
Я отношусь к этому спокойно - в такое время живём, что поделать.
Вместо итога
Собеседования зарубежом - это всегда интересный опыт, но трава у соседа далеко не всегда зеленее.
Сильного прироста в деньгах может не быть, налоги и стоимость жизни могут быть выше, а удаленку дают далеко не всегда. Но если ваша цель - строить международную карьеру, то этот шаг лучше сделать как можно раньше.
---
Если у вы тоже собеседовались за рубеж - пишите в комменты, будет интересно узнать ваш опыт🤔
Полгода назад ради эксперимента я начал активнее вести LinkedIn.
Я не искал работу, не рассылал резюме и особо не думал об этом. Однако спустя какое-то время рекрутеры из зарубежных компаний начали регулярно находить меня в LinkedIn и предлагать пособеседоваться в компании. Я и не отказывался.
За эти полгода я прошёл около 10 собеседований на роли Data Analyst и Product Analyst. Компании были очень разные: это были как небольшие стартапы до 300 человек, так и крупные организации со штатом более 10 тыс. сотрудников и MAU в десятки миллионов пользователей. С офисами на Кипре, в Испании, в Дубае или нескольких странах одновременно.
Это был интересный опыт, из которого я вынес несколько неочевидных наблюдений. 👇
Наблюдение 1: SQL и продуктовое мышление важнее глубокого знания статистики
В российских реалиях на собеседованиях довольно часто можно встретить задачи на статистику, теорию вероятности или A/B тестирование. Таким образом интервьюер пытается оценить понимание фундаментальных концепций и гибкость мышления.
Зарубежом же всё устроено иначе.
В собеседованиях в зарубежные компании я гораздо чаще решал прикладные задачи на SQL (могло быть до 5 штук за один собес), кейсы на построение иерархий метрик/ анализ воронок/ падения метрик, задачи на оценку мат. ожидания какого-либо продуктового события. Т.е. все кейсы строились на реальных задачах из практики, а не на абстракциях.
При этом знания A/B-тестов, методов снижения дисперсии и Causal Inference воспринимались скорее как приятный плюс, а не как обязательное требование. На мой взгляд, это отражает разницу в культуре: там аналитик - это в первую очередь человек, который умеет работать с данными руками и думать продуктово.
Наблюдение 2: Разрыва в зарплате х2 не будет
Честно говоря, я шёл в эти собеседования с определёнными ожиданиями. В голове крутились образы крутых айтишников, которые работают зарубежом и разъезжают на майбахах, получая х2-х5 за ту же работу, что и в России.
Но рынок устроен иначе. В нескольких компаниях я получил офферы, в других обсуждал ожидания на берегу. Где-то предлагали только оклад, где-то оклад + бонусы + акции. Но нигде не было двукратного роста относительно текущего места работы. Что уж говорить о большем росте..
Изначально я считал, что я плохо прособеседовался и получил оффер ниже рынка, но глубокое изучение сайтов типа indeed.com, glassdoor.com, reddit и прочих говорило о том, что все офферы были по верхней границе рынка.
К тому же если учесть разную стоимость жизни и необходимость аренды жилья, в большинстве случаев экономика начинает расходится.
Возможно, если бы я искал работу на рынке США, то офферы были бы жирнее, но даже в Дубае я не получал каких-то космических цифр.
Так что снимаем розовые очки.
Наблюдение 3: К кандидатам из России относятся нормально, но релокация обязательна
Во всех случаях во время собеседования у меня уточняли, где я проживаю сейчас. Каждый раз честно отвечал, что в России. И кто бы что не говорил, на этом собеседование не заканчивалось - все интервьюеры реагировали на это адекватно.
Единственное жёсткое условие во всех случаях - обязательная релокация.
Это никак не связано с личным отношением к кандидату, с этим все ок. Просто таким образом компания пытается снизить свои риски.
Я отношусь к этому спокойно - в такое время живём, что поделать.
Вместо итога
Собеседования зарубежом - это всегда интересный опыт, но трава у соседа далеко не всегда зеленее.
Сильного прироста в деньгах может не быть, налоги и стоимость жизни могут быть выше, а удаленку дают далеко не всегда. Но если ваша цель - строить международную карьеру, то этот шаг лучше сделать как можно раньше.
---
Если у вы тоже собеседовались за рубеж - пишите в комменты, будет интересно узнать ваш опыт
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🔥6👍2
Мой топ настольных книг по аналитике данных
Время от времени я покупаю себе разные книги для профессионального развития.
Некоторые из них мне понравились, некоторые нет, а некоторые стали настольными. К таким книгам я периодически возвращаюсь, чтобы освежить знания об интересующих меня темах.
Сегодня расскажу о четырёх из них.
1️⃣ Доверительное A/B тестирование - Рон Кохави
Моя настольная книга по A/B тестированию.
Впервые я познакомился с ней, когда только изучал A/B тесты и в тот момент она очень помогла мне структурировать все мои знания.
Сейчас я часто обращаюсь к ней, когда надо освежить знания в той или иной области: например особенности оценки долгосрочных эффектов или построение экспериментальной платформы.
Единственное, чего книжке не хватает - это практических упражнений. По-началу, когда только осваиваешь основные концепции, именно практика помогает закрепить новые знания.
2️⃣ Статистика для всех - Сара Бослаф
Вторая книга в списке моих настольных книг. Правда в этот раз - по теории вероятности и статистике.
Эта книга понравилась гораздо больше знаменитой «Статистика и котики». В ней очень последовательно, от простого к сложному, изложены все основные понятия, которые требуются аналитику. Все эти понятия дополняются реальными примерами и практическими заданиями.
Поэтому, если вы хотите разобраться с тем, что такое регрессия, почему z-test считается именно так, как он считается, что такое коэффициент вариации, как работать с выбросами и пр. эта книга - самое то.
Единственный минус книги: в ней нет котиков.😐
3️⃣ Causal Inference на Python - Матеуш Факур
Сложная книжка (как мне кажется) для тех, кто хочет серьёзно разобраться в методах Causal Inference.
Я взялся за неё под конкретную задачу: нужно было оценить влияние программы лояльности на удержание пользователей, но проблема была в том, что в неё вступали не случайные люди - а те, кто и так был активнее.
Классическое смещение выборки. Решили использовать PSM, чтобы подобрать сопоставимые группы и честно оценить эффект.
Этим методом на тот момент я не владел, поэтому решил обратиться к этой книге, чтобы разобраться. Книга помогла разобраться в методе, но далась непросто.
Кроме метода PSM в ней описаны и множество других методов оценки причинно-следственной связи (DiD, Doubly Robust и пр), использование основных библиотек для Causal Inference и пр.
Все это приправлено практикой, которая позволяет руками оценить каждый из методов.
За книгу стоит браться, уже имея некоторый опыт c A/B, ML, Python. Без этого изучение затянется очень надолго.
4️⃣ Грокаем машинное обучение - Луис Серрано
Я вроде не ML-щик, но эту книгу не упомянуть не мог.
Она такая же большая, и такая же сложная (как мне кажется) как книга Матеуша Факура.
Однако автор все же старается помочь вам и проводит вас за руку от простого к сложному, объясняя все основные понятия и концепции с множеством примеров и иллюстраций. И конечно в ней есть практика в виде упражнений.
p.s. Возможно вы читали "Грокаем Алгоритмы" от Бхаргава А.
Вот эта книжка построена примерно в такой же структуре и стиле подачи материала.
Заключение
Хорошая книга - это не то, что читаешь один раз и ставишь на полку. Это то, к чему возвращаешься, когда сталкиваешься с реальной задачей, перечитываешь и открываешь для себя что-то новое. Все четыре книги из этого списка именно такие.
Если у вас есть книги, которые вам понравились - пишите в комменты, всегда интересно пополнить список 📚
Время от времени я покупаю себе разные книги для профессионального развития.
Некоторые из них мне понравились, некоторые нет, а некоторые стали настольными. К таким книгам я периодически возвращаюсь, чтобы освежить знания об интересующих меня темах.
Сегодня расскажу о четырёх из них.
Моя настольная книга по A/B тестированию.
Впервые я познакомился с ней, когда только изучал A/B тесты и в тот момент она очень помогла мне структурировать все мои знания.
Сейчас я часто обращаюсь к ней, когда надо освежить знания в той или иной области: например особенности оценки долгосрочных эффектов или построение экспериментальной платформы.
Единственное, чего книжке не хватает - это практических упражнений. По-началу, когда только осваиваешь основные концепции, именно практика помогает закрепить новые знания.
Вторая книга в списке моих настольных книг. Правда в этот раз - по теории вероятности и статистике.
Эта книга понравилась гораздо больше знаменитой «Статистика и котики». В ней очень последовательно, от простого к сложному, изложены все основные понятия, которые требуются аналитику. Все эти понятия дополняются реальными примерами и практическими заданиями.
Поэтому, если вы хотите разобраться с тем, что такое регрессия, почему z-test считается именно так, как он считается, что такое коэффициент вариации, как работать с выбросами и пр. эта книга - самое то.
Единственный минус книги: в ней нет котиков.
Сложная книжка (как мне кажется) для тех, кто хочет серьёзно разобраться в методах Causal Inference.
Я взялся за неё под конкретную задачу: нужно было оценить влияние программы лояльности на удержание пользователей, но проблема была в том, что в неё вступали не случайные люди - а те, кто и так был активнее.
Классическое смещение выборки. Решили использовать PSM, чтобы подобрать сопоставимые группы и честно оценить эффект.
Этим методом на тот момент я не владел, поэтому решил обратиться к этой книге, чтобы разобраться. Книга помогла разобраться в методе, но далась непросто.
Кроме метода PSM в ней описаны и множество других методов оценки причинно-следственной связи (DiD, Doubly Robust и пр), использование основных библиотек для Causal Inference и пр.
Все это приправлено практикой, которая позволяет руками оценить каждый из методов.
За книгу стоит браться, уже имея некоторый опыт c A/B, ML, Python. Без этого изучение затянется очень надолго.
Я вроде не ML-щик, но эту книгу не упомянуть не мог.
Она такая же большая, и такая же сложная (как мне кажется) как книга Матеуша Факура.
Однако автор все же старается помочь вам и проводит вас за руку от простого к сложному, объясняя все основные понятия и концепции с множеством примеров и иллюстраций. И конечно в ней есть практика в виде упражнений.
p.s. Возможно вы читали "Грокаем Алгоритмы" от Бхаргава А.
Вот эта книжка построена примерно в такой же структуре и стиле подачи материала.
Заключение
Хорошая книга - это не то, что читаешь один раз и ставишь на полку. Это то, к чему возвращаешься, когда сталкиваешься с реальной задачей, перечитываешь и открываешь для себя что-то новое. Все четыре книги из этого списка именно такие.
Если у вас есть книги, которые вам понравились - пишите в комменты, всегда интересно пополнить список 📚
Please open Telegram to view this post
VIEW IN TELEGRAM
❤14🔥4👍2
Роль аналитика данных в постановке целей компании
Недавно закончился первый квартал 2026 года, а это значит, что в компаниях наступила пора ставить цели на второй квартал.
Причём здесь аналитик данных, спросите вы? Наша задача - оценивать A/B-тесты, копаться в воронках и крутить запросы в SQL.💻
И это правда.Но только до определённого момента.
С ростом грейда растёт и ваша зона ответственности.
В какой-то момент вы перестаёте быть просто исполнителем и начинаете участвовать в планировании развития продукта или бизнес-направления.
Бизнес не может работать без планов - и рано или поздно к вам приходят заказчики с просьбой определить ключевые метрики и их таргетные значения на ближайший отчётный период.
Иногда запрос звучит размыто:
Иногда - с готовым ответом:
В обоих случаях у вас есть два пути.
Первый -согласиться, подготовить дашборды и двигаться дальше.
Второй -взять время на анализ и вернуться со своей оценкой.
Второй путь всегда лучше.
Что делает цель хорошей📌
Хорошая цель должна одновременно отвечать трём условиям:
1️⃣ Амбициозная
Цель должна превышать базовый прогноз. Цель, которую команда выполнит при любом раскладе, не мотивирует и не создаёт фокуса.
2️⃣ Управляемая
Это значит, что команда понимает, какими именно действиями она влияет на эту метрику.
Если механизм влияния непонятен, цель превращается в пожелание.
Не знаете, что двигает конверсию в вашем продукте?
Тогда цифра «+15%» может оказаться либо сильно завышенной, либо сильно заниженной. В обоих случаях она бесполезна.
3️⃣ Измеримая
Все стороны одинаково понимают, как считается метрика и по каким данным будет оцениваться результат. Разночтения в методологии в конце квартала - одна из самых неприятных ситуаций для аналитика.
Недостижение цели - это не просто неудача команды. Это сигнал для руководства о низком качестве работы направления. Поэтому в ваших интересах - и в интересах вашего руководителя - ставить реальные, обоснованные цели, а не те, что кажутся красивыми на слайде.
Цель без инициатив - не цель💡
Таргет не существует в вакууме. Он должен отражать то, что команда реально планирует делать в квартале. Если в роадмапе три фичи и редизайн онбординга - это один разговор. Если роадмап пустой - совсем другой.
Идеальный таргет опирается на конкретные инициативы, подкреплённые аналитическими исследованиями, мета-анализом или отраслевыми бенчмарками. Цель, построенная на интуиции одного человека - это не цель, это ставка.
Не забывайте про внешний контекст🤬
Даже самая обоснованная цель может не учитывать факторы вне контроля команды: рыночную конъюнктуру, действия конкурентов, сезонность, макроэкономику.
Хороший аналитик явно разделяет управляемые и неуправляемые факторы и закладывает это разделение в обоснование таргета. Обычно это делается на этапе формирования базового прогноза - бейзлайна. Бейзлайн отвечает на вопрос: «Что произойдёт с метрикой, если мы ничего не будем делать?»
Всё, что сверх него - это вклад команды.
Именно эту дельту и стоит превращать в цель.
Недавно закончился первый квартал 2026 года, а это значит, что в компаниях наступила пора ставить цели на второй квартал.
Причём здесь аналитик данных, спросите вы? Наша задача - оценивать A/B-тесты, копаться в воронках и крутить запросы в SQL.
И это правда.
С ростом грейда растёт и ваша зона ответственности.
В какой-то момент вы перестаёте быть просто исполнителем и начинаете участвовать в планировании развития продукта или бизнес-направления.
Бизнес не может работать без планов - и рано или поздно к вам приходят заказчики с просьбой определить ключевые метрики и их таргетные значения на ближайший отчётный период.
Иногда запрос звучит размыто:
«Нам нужны метрики на квартал».
Иногда - с готовым ответом:
«Давай поставим цель - увеличить конверсию на 15%».
В обоих случаях у вас есть два пути.
Первый -
Второй -
Второй путь всегда лучше.
Что делает цель хорошей📌
Хорошая цель должна одновременно отвечать трём условиям:
Цель должна превышать базовый прогноз. Цель, которую команда выполнит при любом раскладе, не мотивирует и не создаёт фокуса.
Это значит, что команда понимает, какими именно действиями она влияет на эту метрику.
Если механизм влияния непонятен, цель превращается в пожелание.
Не знаете, что двигает конверсию в вашем продукте?
Тогда цифра «+15%» может оказаться либо сильно завышенной, либо сильно заниженной. В обоих случаях она бесполезна.
Все стороны одинаково понимают, как считается метрика и по каким данным будет оцениваться результат. Разночтения в методологии в конце квартала - одна из самых неприятных ситуаций для аналитика.
Недостижение цели - это не просто неудача команды. Это сигнал для руководства о низком качестве работы направления. Поэтому в ваших интересах - и в интересах вашего руководителя - ставить реальные, обоснованные цели, а не те, что кажутся красивыми на слайде.
Цель без инициатив - не цель💡
Таргет не существует в вакууме. Он должен отражать то, что команда реально планирует делать в квартале. Если в роадмапе три фичи и редизайн онбординга - это один разговор. Если роадмап пустой - совсем другой.
Идеальный таргет опирается на конкретные инициативы, подкреплённые аналитическими исследованиями, мета-анализом или отраслевыми бенчмарками. Цель, построенная на интуиции одного человека - это не цель, это ставка.
Не забывайте про внешний контекст
Даже самая обоснованная цель может не учитывать факторы вне контроля команды: рыночную конъюнктуру, действия конкурентов, сезонность, макроэкономику.
Хороший аналитик явно разделяет управляемые и неуправляемые факторы и закладывает это разделение в обоснование таргета. Обычно это делается на этапе формирования базового прогноза - бейзлайна. Бейзлайн отвечает на вопрос: «Что произойдёт с метрикой, если мы ничего не будем делать?»
Всё, что сверх него - это вклад команды.
Именно эту дельту и стоит превращать в цель.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7❤2🔥2
НАС ВСЕХ ЗАМЕНИТ ИИ
Эту фразу я все чаще и чаще читаю в постах в постах на LinkedIn.
Особенно часто в постах HR, которые таким образом набирают себе охваты.
Мы с Глебом, автором канала Analyst’s Notebook тоже решили порассуждать на эту тему.
Наверное, вы уже видели, что Андрей Карпаты, бывший директор по ИИ Тесла и один из основателей OpenAI опубликовал проект, в котором оценил уязвимость перед ИИ всех 342 профессий американской экономики. Каждая из профессий получила балл от 0 до 10, результаты визуализированы в виде интерактивной карты.
Ребята из Reymer.ai сделали аналогичный проект, адаптированный под реалии российского рынка.
И если посмотреть на оценку риска, то для профессии Аналитик данных она составляет 8/10 по оценке Reymer и 9/10 для роли Data Science по оценке Карпаты.
Достаточно высокая цифра😲
Значит ли это, что пора идти учиться на сварщика?
Я считаю, что нет.
Как правильно читать эту оценку
Нам больше не потребуется выполнять функцию «оператора баз данных»💻 или живого калькулятора для бизнеса. Писать SQL-запросы, строить дашборды, гонять A/B-тесты и обучать ML-модели будет за нас ИИ. И это, честно говоря, хорошая новость.
Потому что большинство из этих задач - не то, ради чего аналитика по-настоящему ценна.
Бизнесу никогда не был важен инструмент. Бизнесу важен результат: правильно принятое решение, вовремя замеченная проблема или найденная точка роста. Всё остальное - лишь средство.
Суть роли сместится в сторону партнёра бизнеса в принятии решений. Это тот, кто выстраивает архитектуру решения проблемы, формулирует правильные вопросы, настраивает агентов, интерпретирует результаты и несёт ответственность за качество выводов. Такой специалист будет нужен всегда - просто его рабочие инструменты изменятся. Так же, как у бухгалтера в свое время изменились счёты на Excel или 1С.
А что если агенты закроют и эту функцию?
Гипотетически можно представить, что ИИ-агенты однажды смогут полностью закрывать весь аналитический цикл - от постановки задачи до конкретного бизнес-результата. Участие человека не потребуется ни в одном из этапов.
В таком случае наша профессия действительно исчезнет. Но вместе с ней исчезнет кое-что ещё.
Если агент способен самостоятельно пройти путь от цели до результата в аналитике - он способен сделать то же самое в продажах, маркетинге, финансах и операционке.
А это означает одно: любой человек сможет написать агенту «Заработай мне денег за 24 часа» - и агент сам определит способы, сам реализует их, сам откроет счёт и переведёт деньги.
Это уже не вопрос о будущем аналитиков. Это вопрос о будущем экономики как таковой.
Верите в такой исход?
Я - нет.
И пока этот сценарий остаётся фантастикой, у нас есть время и все основания не переучиваться на сварщика, а становиться теми, кто умеет работать с ИИ лучше остальных.
А что думаете вы по этому поводу?
Напишите в комментариях 👇
И обязательно загляните в канал Глеба.
Там он делится мыслями о том, как аналитики могут адаптироваться к прогрессу AI.
Эту фразу я все чаще и чаще читаю в постах в постах на LinkedIn.
Особенно часто в постах HR, которые таким образом набирают себе охваты.
Мы с Глебом, автором канала Analyst’s Notebook тоже решили порассуждать на эту тему.
Наверное, вы уже видели, что Андрей Карпаты, бывший директор по ИИ Тесла и один из основателей OpenAI опубликовал проект, в котором оценил уязвимость перед ИИ всех 342 профессий американской экономики. Каждая из профессий получила балл от 0 до 10, результаты визуализированы в виде интерактивной карты.
Ребята из Reymer.ai сделали аналогичный проект, адаптированный под реалии российского рынка.
И если посмотреть на оценку риска, то для профессии Аналитик данных она составляет 8/10 по оценке Reymer и 9/10 для роли Data Science по оценке Карпаты.
Достаточно высокая цифра
Значит ли это, что пора идти учиться на сварщика?
Как правильно читать эту оценку
Роль аналитика данных исчезнет в ее привычном понимании, но не исчезнет вообще
Высокий балл риска означает не то, что аналитики исчезнут как класс, а то, что исчезнет привычный набор задач, которым мы сейчас заполняем своё рабочее время.
Нам больше не потребуется выполнять функцию «оператора баз данных»
Потому что большинство из этих задач - не то, ради чего аналитика по-настоящему ценна.
Бизнесу никогда не был важен инструмент. Бизнесу важен результат: правильно принятое решение, вовремя замеченная проблема или найденная точка роста. Всё остальное - лишь средство.
Суть роли сместится в сторону партнёра бизнеса в принятии решений. Это тот, кто выстраивает архитектуру решения проблемы, формулирует правильные вопросы, настраивает агентов, интерпретирует результаты и несёт ответственность за качество выводов. Такой специалист будет нужен всегда - просто его рабочие инструменты изменятся. Так же, как у бухгалтера в свое время изменились счёты на Excel или 1С.
А что если агенты закроют и эту функцию?
Гипотетически можно представить, что ИИ-агенты однажды смогут полностью закрывать весь аналитический цикл - от постановки задачи до конкретного бизнес-результата. Участие человека не потребуется ни в одном из этапов.
В таком случае наша профессия действительно исчезнет. Но вместе с ней исчезнет кое-что ещё.
Если агент способен самостоятельно пройти путь от цели до результата в аналитике - он способен сделать то же самое в продажах, маркетинге, финансах и операционке.
А это означает одно: любой человек сможет написать агенту «Заработай мне денег за 24 часа» - и агент сам определит способы, сам реализует их, сам откроет счёт и переведёт деньги.
Кнопка "бабло" наконец-то станет реальной💸
Это уже не вопрос о будущем аналитиков. Это вопрос о будущем экономики как таковой.
Верите в такой исход?
Я - нет.
И пока этот сценарий остаётся фантастикой, у нас есть время и все основания не переучиваться на сварщика, а становиться теми, кто умеет работать с ИИ лучше остальных.
А что думаете вы по этому поводу?
Напишите в комментариях 👇
И обязательно загляните в канал Глеба.
Там он делится мыслями о том, как аналитики могут адаптироваться к прогрессу AI.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5💯3😱2
МОЯ ГОВОРИТЬ КОРОТКО - МОЯ ЭКОНОМИТЬ ТОКЕНЫ 🗿
В сети набирает популярность навык ИИ-агента: Caveman
Оказывается, если заставить ИИ говорить как пещерный человек, он может использовать до 75 % меньше токенов.
Вместо избитых вежливых фраз вроде «Я буду рад помочь вам с вашей задачей» или многословных объяснений пещерный Клод просто говорит: «инструмент работать»🗿
По словам одного пользователя Reddit, задача, на выполнение которой изначально требовалось около 180 токенов, сократилась до 45.
Чем меньше токенов, тем быстрее и дешевле запросы, не говоря уже о том, что в контекстное окно помещается больше информации.
Кроме того, легче читать 1-2 строки, чем целые абзацы текста.
Репозиторию всего 5 дней, и у него уже почти 10 тысяч звёзд на GitHub!⭐
В сети набирает популярность навык ИИ-агента: Caveman
Оказывается, если заставить ИИ говорить как пещерный человек, он может использовать до 75 % меньше токенов.
Вместо избитых вежливых фраз вроде «Я буду рад помочь вам с вашей задачей» или многословных объяснений пещерный Клод просто говорит: «инструмент работать»🗿
По словам одного пользователя Reddit, задача, на выполнение которой изначально требовалось около 180 токенов, сократилась до 45.
Чем меньше токенов, тем быстрее и дешевле запросы, не говоря уже о том, что в контекстное окно помещается больше информации.
Кроме того, легче читать 1-2 строки, чем целые абзацы текста.
Репозиторию всего 5 дней, и у него уже почти 10 тысяч звёзд на GitHub!⭐
👾7🗿4