📦 Разбираем e-com кейс на аномальную долю возвратов
Пятница, вечер.
Мы - аналитик данных в молодом маркетплейсе.
Готовимся к выходным.
По традиции от CEO прилетает срочное сообщение:
Бросаться сразу строить сложные решения - фатальная ошибка.
Ваш первый шаг - задать наводящие вопросы CEO, чтобы синхронизировать ожидания:
1. Почему вас интересует именно эта метрика?
Фокус на RR вызван просадкой операционной прибыли (EBITDA), или просто было замечено отклонение от бенчмарка?
2. Как именно считается RR?
Это отказы после примерки на ПВЗ, отмены в пути или невыкупы (когда клиент просто не пришел за заказом)?
3. Почему забили тревогу именно сейчас?
Метрика резко скакнула на этой неделе, или это давняя системная проблема?
Получив вводные (метрика исторически высокая, влияет на прибыль, невыкупы), переходим к анализу.
Шаг 1. Осознаем масштаб бедствия
Чтобы это сделать, нужно приземлить RR на формулу маржинальной прибыли (CM2).
Наш маркетплейс сам оплачивает логистику, поэтому возвраты бьют по экономике дважды: платформа теряет комиссию и оплачивает «покатушки» товара туда-обратно.
При низком чеке (AOV) и высокой доле возвратов (RR) доходы стремятся к нулю, а логистика агрессивно съедает экономику.
Шаг 2. Локализуем проблему
На этом этапе отсекаются ложные следы: крупных промо-акций не было, флоу оплаты не ломался, сезонность не влияет.
Спускаемся на уровень разрезов: Регионы и Категории
Именно здесь кроется инсайт: главным драйвером аномально высокого RR является сегмент FMCG (бытовая химия, шампуни и пр.).
Учитывая традиционно низкий средний чек в этой категории, их итоговый CM2 может уходить в минус при колебании доли возвратов.
Шаг 3. Анализ клиентского пути
Почему клиенты массово возвращают шампуни? Товар не портится, не требует примерки, поэтому вероятно есть проблемы в клиентском пути.
Чтобы разобраться, идем в логи и анализируем воронку. Также можно провести качественное или количественное исследование.
Оказывается, 90% невыкупов в FMCG приходятся на заказы с оплатой при получении (постоплатой). По результатам качественного исследования сценарий возврата - это неявка клиента за заказом, а не отказ на ПВЗ из-за брака, как можно показаться на первый взгляд.
С чем это связано?
Молодой маркетплейс - это часто платформа с еще несформированным кредитом доверия.
Клиентам страшно привязывать карту и вносить 100% предоплату за «кота в мешке». Поэтому они выбирают постоплату и формируется следующий сценарий:
- клиент заказал шампунь, деньги с карты не списались
- вечером, возвращаясь с работы, он заходит в ближайший супермаркет, покупает шампунь там
- про заказ на маркетплейсе просто забывает
Шаг 4. Формируем рекомендации
Просто отключить постоплату нельзя - это моментально обрушит общую конверсию в заказ (CR), а маркетинговый бюджет на привлечение (CPO) улетит в космос.
Действовать нужно тоньше:
->> Гипотеза 1: Пессимизация постоплаты.
Ввести платный возврат или сервисный сбор за доставку только для заказов по постоплате в категориях с низким чеком.
Это эффективно отсеет импульсивные заказы без твердого намерения выкупа.
->> Гипотеза 2: Влияние через выгоду.
Сделать онлайн-предоплату экономически привлекательнее, внедрив механику:
Эта скидка обойдется бизнесу значительно дешевле, чем регулярная оплата холостой логистики.
->> Гипотеза 3: Триггерные коммуникации.
Настроить отдельную цепочку пушей для FMCG-постоплаты через выгоду:
Резюме для CEO:
Проблема не в логистике или качестве товаров. Проблема в низком доверии к платформе и специфики потребления FMCG товаров.
Рекомендуется провести A/B тест на экономическое стимулирование предоплаты для категории FMCG с целью снижения RR.
Пятница, вечер.
Мы - аналитик данных в молодом маркетплейсе.
Готовимся к выходным.
По традиции от CEO прилетает срочное сообщение:
«Доля возвратов (Return Rate RR) слишком высокая, мы сжигаем деньги. Нужен план снижения».
Бросаться сразу строить сложные решения - фатальная ошибка.
Ваш первый шаг - задать наводящие вопросы CEO, чтобы синхронизировать ожидания:
1. Почему вас интересует именно эта метрика?
Фокус на RR вызван просадкой операционной прибыли (EBITDA), или просто было замечено отклонение от бенчмарка?
2. Как именно считается RR?
Это отказы после примерки на ПВЗ, отмены в пути или невыкупы (когда клиент просто не пришел за заказом)?
3. Почему забили тревогу именно сейчас?
Метрика резко скакнула на этой неделе, или это давняя системная проблема?
Получив вводные (метрика исторически высокая, влияет на прибыль, невыкупы), переходим к анализу.
Шаг 1. Осознаем масштаб бедствия
Чтобы это сделать, нужно приземлить RR на формулу маржинальной прибыли (CM2).
CM2 = Доходы с выкупленных заказов - Расходы на логистику - Убытки от возвратов - МаркетингНаш маркетплейс сам оплачивает логистику, поэтому возвраты бьют по экономике дважды: платформа теряет комиссию и оплачивает «покатушки» товара туда-обратно.
При низком чеке (AOV) и высокой доле возвратов (RR) доходы стремятся к нулю, а логистика агрессивно съедает экономику.
Шаг 2. Локализуем проблему
На этом этапе отсекаются ложные следы: крупных промо-акций не было, флоу оплаты не ломался, сезонность не влияет.
Спускаемся на уровень разрезов: Регионы и Категории
Именно здесь кроется инсайт: главным драйвером аномально высокого RR является сегмент FMCG (бытовая химия, шампуни и пр.).
Учитывая традиционно низкий средний чек в этой категории, их итоговый CM2 может уходить в минус при колебании доли возвратов.
Шаг 3. Анализ клиентского пути
Почему клиенты массово возвращают шампуни? Товар не портится, не требует примерки, поэтому вероятно есть проблемы в клиентском пути.
Чтобы разобраться, идем в логи и анализируем воронку. Также можно провести качественное или количественное исследование.
Оказывается, 90% невыкупов в FMCG приходятся на заказы с оплатой при получении (постоплатой). По результатам качественного исследования сценарий возврата - это неявка клиента за заказом, а не отказ на ПВЗ из-за брака, как можно показаться на первый взгляд.
С чем это связано?
Молодой маркетплейс - это часто платформа с еще несформированным кредитом доверия.
Клиентам страшно привязывать карту и вносить 100% предоплату за «кота в мешке». Поэтому они выбирают постоплату и формируется следующий сценарий:
- клиент заказал шампунь, деньги с карты не списались
- вечером, возвращаясь с работы, он заходит в ближайший супермаркет, покупает шампунь там
- про заказ на маркетплейсе просто забывает
Мотивации идти на ПВЗ нет. Деньги-то не уплачены.
Шаг 4. Формируем рекомендации
Просто отключить постоплату нельзя - это моментально обрушит общую конверсию в заказ (CR), а маркетинговый бюджет на привлечение (CPO) улетит в космос.
Действовать нужно тоньше:
->> Гипотеза 1: Пессимизация постоплаты.
Ввести платный возврат или сервисный сбор за доставку только для заказов по постоплате в категориях с низким чеком.
Это эффективно отсеет импульсивные заказы без твердого намерения выкупа.
->> Гипотеза 2: Влияние через выгоду.
Сделать онлайн-предоплату экономически привлекательнее, внедрив механику:
Оплати заказ прямо сейчас - получи гарантированную скидку 3%
Эта скидка обойдется бизнесу значительно дешевле, чем регулярная оплата холостой логистики.
->> Гипотеза 3: Триггерные коммуникации.
Настроить отдельную цепочку пушей для FMCG-постоплаты через выгоду:
Ваш любимый шампунь уже ждет на ПВЗ, заберите сегодня, чтобы не переплачивать в супермаркете
Резюме для CEO:
Проблема не в логистике или качестве товаров. Проблема в низком доверии к платформе и специфики потребления FMCG товаров.
Рекомендуется провести A/B тест на экономическое стимулирование предоплаты для категории FMCG с целью снижения RR.
🔥12
На этой неделе постов скорее всего не будет.
Знакомлюсь с красотами Китая
Знакомлюсь с красотами Китая
Метрики 101. Часть 2: Социальные сети и контентные платформы
Мы начинаем препарировать конкретные индустрии. И первыми на операционный стол ложатся контентные платформы и соцсети - классические представители Экономики внимания.
В ней главная валюта - не деньги, а минуты вашей жизни. Чем дольше вы остаетесь внутри приложения, тем больше рекламы вам успеют показать.
Давайте разберем, как выглядит дерево метрик таких компаний на примере YouTube и TikTok.
🌟 Level 0: North Star Metric
Для YouTube и TikTok главная метрика - Total Watch Time (Общее время просмотра за сутки или месяц.
Почему не лайки или регистрации?
Лайки не монетизируются, а регистрации без просмотров бесполезны.
Время просмотра напрямую связано с рекламным инвентарем (Ad Inventory) - количеством слотов, которые платформа может продать рекламодателям. Поэтому чем больше время просмотра - тем больше денег компания заработает с рекламы.
Level 1: Драйверы роста
Чтобы разложить Total Watch Time на понятные слагаемые, мы используем декомпозицию через вовлечение.
Время просмотра зависит от трех факторов:
- Reach (Охват): Количество активных пользователей (DAU / MAU). Если в приложение никто не зашел, крутить видео некому
- Frequency (Частота): Количество сессий на одного юзера. Зашел ли человек один раз в день или открывает приложение каждые полчаса от скуки?
- Depth (Глубина сессии): Сколько минут человек проводит в приложении за один запуск (Average Session Duration).
🛠 Level 2: Операционные метрики
На этом уровне работают продуктовые команды и алгоритмы рекомендаций. Они крутят ручки на уровне L2, чтобы поднять показатели L1.
- для Охвата: Конверсия из пуш-уведомления в открытие, Retention 1/7/30 дня
- для Частоты: Количество отправленных пушей, доля шеров (Viral Loop)
- Для Глубины:
---> CTR (Click-Through Rate): Кликнул ли юзер на предложенную обложку видео?
---> Completion Rate (Досматриваемость): Какая доля видео была просмотрена? Если пользователь уходит на 5-й секунде = рекомендация плохая.
---> Количество свайпов/скроллов: Как глубоко юзер ушел по ленте контента?
🤨 Контр-метрики: Как не превратить платформу в помойку
На интервью вас могут спросить:
Метрик уровней L0-L2 недостаточно , чтобы ответить на этот вопрос.
Поэтому мы будем использовать контр-метрики (Guardrail metrics):
- Do Not Recommend Rate / Скрытия : Как часто жмут «Не интересует»
- Report Rate: Количество жалоб на контент
- Long-term Retention: Если краткосрочно Watch Time растет, а удержание 30-го дня падает - алгоритм выжигает аудиторию токсичным контентом ради минутной выгоды
👌 Лайфхак для собеса
Покажите глубокое понимание механики работы YouTube и TikTok.
Из-за разницы форматов их L2-метрики принципиально отличаются:
В обычном YouTube контент длинный, а выбор осознанный (клик по превью). Для него критически важны CTR обложки и Search Query Success Rate (нашел ли то, что искал через поиск)
В TikTok/ YouTube Shorts выбор пассивный (лента сама включает видео).
Юзер тратит долю секунды на оценку. Здесь главные метрики = Retention первых 3-х секунд (зацепило ли видео со старта) и скорость свайпа.
Понимание разницы между активным и пассивным выбором - это маркер сильного аналитика. Именно оно позволяет правильно подобрать операционные рычаги под конкретный формат и разложить общее время просмотра на здоровые драйверы роста.
Но главное - всегда балансируйте получившуюся иерархию контрметриками, чтобы сиюминутный залипательный контент не выжег долгосрочное удержание аудитории.
---------------------------------------------------------------------------------------------------
Ставьте🍕 если пост вам зашел
В следующий раз мы рассмотрим модель подписок и разберем Netflix, Spotify и Яндекс Плюс.
Мы начинаем препарировать конкретные индустрии. И первыми на операционный стол ложатся контентные платформы и соцсети - классические представители Экономики внимания.
В ней главная валюта - не деньги, а минуты вашей жизни. Чем дольше вы остаетесь внутри приложения, тем больше рекламы вам успеют показать.
Давайте разберем, как выглядит дерево метрик таких компаний на примере YouTube и TikTok.
🌟 Level 0: North Star Metric
Для YouTube и TikTok главная метрика - Total Watch Time (Общее время просмотра за сутки или месяц.
Почему не лайки или регистрации?
Лайки не монетизируются, а регистрации без просмотров бесполезны.
Время просмотра напрямую связано с рекламным инвентарем (Ad Inventory) - количеством слотов, которые платформа может продать рекламодателям. Поэтому чем больше время просмотра - тем больше денег компания заработает с рекламы.
Level 1: Драйверы роста
Чтобы разложить Total Watch Time на понятные слагаемые, мы используем декомпозицию через вовлечение.
Время просмотра зависит от трех факторов:
Total Watch Time = Reach (Охват) x Frequency (Частота) x Depth (Глубина)- Reach (Охват): Количество активных пользователей (DAU / MAU). Если в приложение никто не зашел, крутить видео некому
- Frequency (Частота): Количество сессий на одного юзера. Зашел ли человек один раз в день или открывает приложение каждые полчаса от скуки?
- Depth (Глубина сессии): Сколько минут человек проводит в приложении за один запуск (Average Session Duration).
🛠 Level 2: Операционные метрики
На этом уровне работают продуктовые команды и алгоритмы рекомендаций. Они крутят ручки на уровне L2, чтобы поднять показатели L1.
- для Охвата: Конверсия из пуш-уведомления в открытие, Retention 1/7/30 дня
- для Частоты: Количество отправленных пушей, доля шеров (Viral Loop)
- Для Глубины:
---> CTR (Click-Through Rate): Кликнул ли юзер на предложенную обложку видео?
---> Completion Rate (Досматриваемость): Какая доля видео была просмотрена? Если пользователь уходит на 5-й секунде = рекомендация плохая.
---> Количество свайпов/скроллов: Как глубоко юзер ушел по ленте контента?
На интервью вас могут спросить:
Допустим алгоритм в погоне за Watch Time начнет рекомендовать низкокачественный, но залипательный контент (трэш-стримы, скандалы, шок-видео) - в моменте люди будут на нем залипать, и метрика вырастет. Как убедиться, что эту фичу стоит раскатывать?
Метрик уровней L0-L2 недостаточно , чтобы ответить на этот вопрос.
Поэтому мы будем использовать контр-метрики (Guardrail metrics):
- Do Not Recommend Rate / Скрытия : Как часто жмут «Не интересует»
- Report Rate: Количество жалоб на контент
- Long-term Retention: Если краткосрочно Watch Time растет, а удержание 30-го дня падает - алгоритм выжигает аудиторию токсичным контентом ради минутной выгоды
Покажите глубокое понимание механики работы YouTube и TikTok.
Из-за разницы форматов их L2-метрики принципиально отличаются:
В обычном YouTube контент длинный, а выбор осознанный (клик по превью). Для него критически важны CTR обложки и Search Query Success Rate (нашел ли то, что искал через поиск)
В TikTok/ YouTube Shorts выбор пассивный (лента сама включает видео).
Юзер тратит долю секунды на оценку. Здесь главные метрики = Retention первых 3-х секунд (зацепило ли видео со старта) и скорость свайпа.
Понимание разницы между активным и пассивным выбором - это маркер сильного аналитика. Именно оно позволяет правильно подобрать операционные рычаги под конкретный формат и разложить общее время просмотра на здоровые драйверы роста.
Но главное - всегда балансируйте получившуюся иерархию контрметриками, чтобы сиюминутный залипательный контент не выжег долгосрочное удержание аудитории.
---------------------------------------------------------------------------------------------------
Ставьте
В следующий раз мы рассмотрим модель подписок и разберем Netflix, Spotify и Яндекс Плюс.
Please open Telegram to view this post
VIEW IN TELEGRAM
Рынок аналитики данных в Европе
Мы с Аксиньей из [Аксинья и мысли | аналитика · продукт · AI] решили разобрать 2 рынка аналитики данных: Россию и Европу, ответив на вопрос «Правда ли у соседа трава зеленее?»
Аксинья разобрала рынок России и описала в своём посте [здесь], а я разобрал рынок Европы. В качестве источников использовал: hh.ru, Хабр Карьера, Glassdoor, LinkedIn, Eurostat, Hays и пр.
Что разберём:
1. Виды аналитических ролей в Европе и их отличия от РФ
2. Карьерные перспективы
3. Зарплаты gross и на руки
1. Виды аналитических ролей
В России рынок аналитики устроен просто: Data Analyst, Продуктовый аналитик, BI-аналитик, Data Scientist - и всё это нередко в одном человеке.
Аналитик в российской компании часто делает и SQL-отчёты, и A/B тесты, и дашборды, и иногда строит ML-модели.
В Европе роли нарезаны тоньше.
Там устоялись отдельные позиции: Analytics Engineer (трансформации данных, dbt), Data Engineer (пайплайны, Spark, Kafka), ML Engineer (продакшн моделей).
Продуктовая аналитика как самостоятельная дисциплина развита слабее - она чаще «зашита» внутрь роли Data Analyst или вообще у Product Manager.
Ключевое отличие: в Европе от Data Analyst не ждут Python как обязательного навыка - достаточно SQL + BI-инструмент. В России Python уже фактически обязателен даже на junior-уровне.
Российский аналитик по факту широкопрофильный специалист, европейский - более узкий.
Это плюс при поиске работы здесь, но минус при переезде: нужно выбрать, кем ты хочешь быть там.
2. Карьерные перспективы
В России от junior до senior: 3-5 лет. Рост быстрый, критерии размытые, но рынок это принимает. Дефицит кадров острый: по данным hh.ru. Senior и lead - в постоянном дефиците.
В Европе путь длиннее: 5-8 лет до senior.
Зато структура чётче: есть performance review, leveling-системы (особенно в tech-компаниях), понятные критерии роста.
Самые быстрорастущие роли - Analytics Engineer и ML Engineer: спрос превышает предложение, а рынок только формируется.
Важный нюанс: в Европе облачный стек (Snowflake, BigQuery, dbt) - уже не преимущество, а базовое требование. В России cloud-опыт пока редкость из-за ограниченного доступа к AWS/GCP/Azure.
Вывод: в России быстрее вырасти по грейду, в Европе - получить более структурированный карьерный трек и доступ к современному стеку. Analytics Engineer - самая перспективная роль на обоих рынках прямо сейчас.
3. Зарплаты
В России медиана для middle Data Analyst - около 175 - 210k ₽/мес на руки (~20-24k € в год). Data Scientist - 220-260k ₽/мес (~25-30k €).
В Европе gross выглядит внушительно: Data Analyst middle в Германии - €51-72k/год, в Нидерландах - €48-65k, в UK - £45-65k.
Но после налогов картина меняется: в Германии уходит 40-45% (net ~€32-37k), в Швеции - до 55% (net ~€22-28k).
Польша - дешевле жить, но и платят скромнее: €20-30k gross.
С поправкой на покупательную способность Россия неожиданно конкурентна: низкие цены делают реальный уровень жизни на московскую зарплату сопоставимым с немецкой net-зарплатой. Выигрывают в абсолюте UK и Нидерланды - там net для senior аналитика достигает €40-50k+.
Абсолютный доход в Европе выше на 40-80% в евро, но реальная покупательная способность в Москве ближе к паритету с Германией. Финансово переезд оправдан на senior-уровне в UK/NL, а не на junior/middle.
Общий вывод
Трава у соседа не зеленее - она другого сорта. Россия даёт более быстрый рост, высокий технический порог и конкурентную покупательную способность.
Европа - структуру, современный стек и абсолютный доход выше. Если переезжать - то с опытом 4+ лет, прокачанным английским и облачным стеком в резюме. Иначе выгоднее расти здесь.
Мы с Аксиньей из [Аксинья и мысли | аналитика · продукт · AI] решили разобрать 2 рынка аналитики данных: Россию и Европу, ответив на вопрос «Правда ли у соседа трава зеленее?»
Аксинья разобрала рынок России и описала в своём посте [здесь], а я разобрал рынок Европы. В качестве источников использовал: hh.ru, Хабр Карьера, Glassdoor, LinkedIn, Eurostat, Hays и пр.
Что разберём:
1. Виды аналитических ролей в Европе и их отличия от РФ
2. Карьерные перспективы
3. Зарплаты gross и на руки
1. Виды аналитических ролей
В России рынок аналитики устроен просто: Data Analyst, Продуктовый аналитик, BI-аналитик, Data Scientist - и всё это нередко в одном человеке.
Аналитик в российской компании часто делает и SQL-отчёты, и A/B тесты, и дашборды, и иногда строит ML-модели.
В Европе роли нарезаны тоньше.
Там устоялись отдельные позиции: Analytics Engineer (трансформации данных, dbt), Data Engineer (пайплайны, Spark, Kafka), ML Engineer (продакшн моделей).
Продуктовая аналитика как самостоятельная дисциплина развита слабее - она чаще «зашита» внутрь роли Data Analyst или вообще у Product Manager.
Ключевое отличие: в Европе от Data Analyst не ждут Python как обязательного навыка - достаточно SQL + BI-инструмент. В России Python уже фактически обязателен даже на junior-уровне.
Российский аналитик по факту широкопрофильный специалист, европейский - более узкий.
Это плюс при поиске работы здесь, но минус при переезде: нужно выбрать, кем ты хочешь быть там.
2. Карьерные перспективы
В России от junior до senior: 3-5 лет. Рост быстрый, критерии размытые, но рынок это принимает. Дефицит кадров острый: по данным hh.ru. Senior и lead - в постоянном дефиците.
В Европе путь длиннее: 5-8 лет до senior.
Зато структура чётче: есть performance review, leveling-системы (особенно в tech-компаниях), понятные критерии роста.
Самые быстрорастущие роли - Analytics Engineer и ML Engineer: спрос превышает предложение, а рынок только формируется.
Важный нюанс: в Европе облачный стек (Snowflake, BigQuery, dbt) - уже не преимущество, а базовое требование. В России cloud-опыт пока редкость из-за ограниченного доступа к AWS/GCP/Azure.
Вывод: в России быстрее вырасти по грейду, в Европе - получить более структурированный карьерный трек и доступ к современному стеку. Analytics Engineer - самая перспективная роль на обоих рынках прямо сейчас.
3. Зарплаты
В России медиана для middle Data Analyst - около 175 - 210k ₽/мес на руки (~20-24k € в год). Data Scientist - 220-260k ₽/мес (~25-30k €).
В Европе gross выглядит внушительно: Data Analyst middle в Германии - €51-72k/год, в Нидерландах - €48-65k, в UK - £45-65k.
Но после налогов картина меняется: в Германии уходит 40-45% (net ~€32-37k), в Швеции - до 55% (net ~€22-28k).
Польша - дешевле жить, но и платят скромнее: €20-30k gross.
С поправкой на покупательную способность Россия неожиданно конкурентна: низкие цены делают реальный уровень жизни на московскую зарплату сопоставимым с немецкой net-зарплатой. Выигрывают в абсолюте UK и Нидерланды - там net для senior аналитика достигает €40-50k+.
Абсолютный доход в Европе выше на 40-80% в евро, но реальная покупательная способность в Москве ближе к паритету с Германией. Финансово переезд оправдан на senior-уровне в UK/NL, а не на junior/middle.
Общий вывод
Трава у соседа не зеленее - она другого сорта. Россия даёт более быстрый рост, высокий технический порог и конкурентную покупательную способность.
Европа - структуру, современный стек и абсолютный доход выше. Если переезжать - то с опытом 4+ лет, прокачанным английским и облачным стеком в резюме. Иначе выгоднее расти здесь.
Если хотите еще больше разобраться в особенностях поиска работы зарубежом заскакивайте к Аксинье.
Она за 3 месяца выросла на 1000 фолловеров в LinkedIn и активно пишет о всех фишках в канале:
Поиск работы и интервью
• Как засетапить бесплатные mock interviews с ChatGPT
• Бесплатные mock peer interviews с реальными людьми
Про LinkedIn
• Как оформить свой Linedin Headline
• Как писать комментарии в LinkedIn
Она за 3 месяца выросла на 1000 фолловеров в LinkedIn и активно пишет о всех фишках в канале:
Поиск работы и интервью
• Как засетапить бесплатные mock interviews с ChatGPT
• Бесплатные mock peer interviews с реальными людьми
Про LinkedIn
• Как оформить свой Linedin Headline
• Как писать комментарии в LinkedIn
Разбавлю ленту еще несколькими фотками из Китая.
Страна огромная и очень многогранная.
Хочется возвращаться раз за разом.
Поделитесь впечатлениями в комментах, если тоже там были👇
Страна огромная и очень многогранная.
Хочется возвращаться раз за разом.
Поделитесь впечатлениями в комментах, если тоже там были👇
Метрики 101. Часть 3: Стриминг и подписки (Netflix, Spotify, Яндекс Плюс)
В прошлом посте мы разбирали «экономику внимания», где главная цель - заставить пользователя смотреть контент как можно дольше ради показа рекламы.
Сегодня мы переходим к принципиально другой бизнес-модели экономике подписок.
В этой модели пользователь платит не временем, а реальными деньгами из своего кармана.
И если в YouTube важна каждая минута просмотра здесь и сейчас, то для Netflix или Яндекс Плюса главное - чтобы пользователь продлил подписку на следующий месяц.
Давайте разберем, как устроена иерархия метрик в подписочных сервисах.
🌟 Level 0: North Star Metric
Для классического подписочного сервиса главная метрика - Number of Retained Paying Subscribers (Количество удерживаемых платящих подписчиков).
Выручка в подписках - это прямое следствие базы лояльных клиентов. Если база растет и люди не уходят, выручка гарантирована.
Если фокусироваться на краткосрочном доходе (например, резко поднять цены), можно спровоцировать массовый отток и убить бизнес-модель.
📈 Level 1: Драйверы роста
Математика подписочного бизнеса довольно простая. Общая база подписчиков следующего месяца зависит от трех слагаемых:
Отсюда логично вытекают три главных драйвера L1 уровня:
™️ New Paid Sign-ups (Привлечение): Сколько новых пользователей купили подписку или перешли на нее после бесплатного триала.
™️ Churn Rate (Отток) / Retention (Удержание): Какая доля пользователей отменяет подписку каждый месяц.
Для подписок отток - это главный враг. Если у вас высокая «течь» в подписке, маркетинг будет работать на износ, просто заполняя дыру.
™️ ARPU (Средний доход с пользователя): Сколько денег приносит один подписчик.
На этот показатель влияют семейные тарифы, корпоративные подписки и региональные цены.
🛠 Level 2: Операционные метрики
На этом уровне продуктовые команды ищут конкретные рычаги влияния на удержание и привлечение.
Для Привлечения и Конверсии:
- Trial Activation Rate: Доля тех, кто не просто оформил бесплатный пробный период, а совершил целевое действие (посмотрел первый фильм или добавил 5 треков) в первые 48 часов.
- Trial-to-Paid Conversion: Процент пользователей, у которых списались деньги за первый полноценный месяц после триала.
Для Удержания (Retention):
- Engagement Thresholds (Пороги вовлеченности): Доля подписчиков, которые пользуются сервисом выше определенного лимита.
Например, если юзер смотрит контент меньше 5 часов в месяц, вероятность его оттока снижается на 90%. Эту метрику принимают за порог вовлеченности и стараются ее растить.
- Объем личной библиотеки: Количество лайков, созданных плейлистов или закладок. Чем больше персонального контента накопил юзер внутри сервиса, тем сильнее он «прирастает» к продукту и ниже вероятность оттока.
🤨 Контр-метрики
Представьте, вам задали вопрос на собесе:
Для защиты от таких «темных паттернов» используют контр-метрики (Guardrail metrics):
- Customer Support Contact Rate: Количество негативных обращений в поддержку
- Involuntary Churn (Технический отток): Доля пользователей, у которых подписка отменилась из-за ошибки списания карты (срок действия, нехватка средств).
Если вы усложните интерфейс, этот показатель вырастет, так как люди не смогут вовремя обновить данные.
LTV / CAC Ratio: Соотношение пожизненной ценности клиента к стоимости его привлечения. Базовое здоровье бизнеса: LTV должен быть минимум в 3 раза выше CAC.
👌 Лайфхак для собеса
На собеседовании обязательно подсветите разницу между моно-сервисами и экосистемными подписками. Их механика удержания кардинально отличается.
В Монопродуктах (Netflix, Spotify): Удержание держится исключительно на глубине контента в одном приложении.
В Экосистемах (Яндекс Плюс, Amazon Prime): Удержание строится на широте сервисов.
Это важно учитывать при работе с удержанием.
В прошлом посте мы разбирали «экономику внимания», где главная цель - заставить пользователя смотреть контент как можно дольше ради показа рекламы.
Сегодня мы переходим к принципиально другой бизнес-модели экономике подписок.
В этой модели пользователь платит не временем, а реальными деньгами из своего кармана.
И если в YouTube важна каждая минута просмотра здесь и сейчас, то для Netflix или Яндекс Плюса главное - чтобы пользователь продлил подписку на следующий месяц.
Давайте разберем, как устроена иерархия метрик в подписочных сервисах.
🌟 Level 0: North Star Metric
Для классического подписочного сервиса главная метрика - Number of Retained Paying Subscribers (Количество удерживаемых платящих подписчиков).
Почему не просто выручка?
Выручка в подписках - это прямое следствие базы лояльных клиентов. Если база растет и люди не уходят, выручка гарантирована.
Если фокусироваться на краткосрочном доходе (например, резко поднять цены), можно спровоцировать массовый отток и убить бизнес-модель.
📈 Level 1: Драйверы роста
Математика подписочного бизнеса довольно простая. Общая база подписчиков следующего месяца зависит от трех слагаемых:
База подписчиков = Старые подписчики + Новые - Ушедшие (Churn)Отсюда логично вытекают три главных драйвера L1 уровня:
Для подписок отток - это главный враг. Если у вас высокая «течь» в подписке, маркетинг будет работать на износ, просто заполняя дыру.
На этот показатель влияют семейные тарифы, корпоративные подписки и региональные цены.
🛠 Level 2: Операционные метрики
На этом уровне продуктовые команды ищут конкретные рычаги влияния на удержание и привлечение.
Для Привлечения и Конверсии:
- Trial Activation Rate: Доля тех, кто не просто оформил бесплатный пробный период, а совершил целевое действие (посмотрел первый фильм или добавил 5 треков) в первые 48 часов.
- Trial-to-Paid Conversion: Процент пользователей, у которых списались деньги за первый полноценный месяц после триала.
Для Удержания (Retention):
- Engagement Thresholds (Пороги вовлеченности): Доля подписчиков, которые пользуются сервисом выше определенного лимита.
Например, если юзер смотрит контент меньше 5 часов в месяц, вероятность его оттока снижается на 90%. Эту метрику принимают за порог вовлеченности и стараются ее растить.
- Объем личной библиотеки: Количество лайков, созданных плейлистов или закладок. Чем больше персонального контента накопил юзер внутри сервиса, тем сильнее он «прирастает» к продукту и ниже вероятность оттока.
Представьте, вам задали вопрос на собесе:
«Мы можем легко снизить отток (Churn), если уберем кнопку "Отменить подписку" или спрячем её глубоко в настройки. Стоит ли так делать?»
Для защиты от таких «темных паттернов» используют контр-метрики (Guardrail metrics):
- Customer Support Contact Rate: Количество негативных обращений в поддержку
- Involuntary Churn (Технический отток): Доля пользователей, у которых подписка отменилась из-за ошибки списания карты (срок действия, нехватка средств).
Если вы усложните интерфейс, этот показатель вырастет, так как люди не смогут вовремя обновить данные.
LTV / CAC Ratio: Соотношение пожизненной ценности клиента к стоимости его привлечения. Базовое здоровье бизнеса: LTV должен быть минимум в 3 раза выше CAC.
На собеседовании обязательно подсветите разницу между моно-сервисами и экосистемными подписками. Их механика удержания кардинально отличается.
В Монопродуктах (Netflix, Spotify): Удержание держится исключительно на глубине контента в одном приложении.
В Экосистемах (Яндекс Плюс, Amazon Prime): Удержание строится на широте сервисов.
Это важно учитывать при работе с удержанием.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7
Метрики 101. Часть 4: Маркетплейсы
Продолжаем серию постов по иерархиям метрик в разных индустриях.
Сегодня мы разберем Маркетплейсы.
Главная особенность маркетплейсов заключается в том, что его бизнес-модель представляет собой двухстороннюю платформу: с одной стороны покупатели (Demand) 🛒 , с другой - продавцы (Supply) 📦.
Бизнесу необходимо балансировать между ними: держать количество продавцов и покупателей таким, чтобы покупателям всегда было что купить, а продавцам - что продать.
Давайте разберем, как может выглядеть дерево метрик для этого сценария.
>> Level0️⃣ : North Star Metric
Главный показатель любого маркетплейса - GMV (Gross Merchandise Value). Это общий оборот или суммарная стоимость всех проданных товаров.
Маркептлейс зарабатывает на комиссиях и продаже услуг, поэтому
если растет GMV, то растет и прибыль (при положительной юнит-экономике естественно).
>> Level1️⃣ : Драйверы роста
Чтобы разложить GMV на верхнеуровневые рычаги, нужно учесть обе стороны платформы и точку их пересечения. Это можно описать метриками:
➖ Demand (Спрос): Количество активных покупателей и частота их покупок.
➖ Supply (Предложение): Количество активных продавцов и глубина ассортимента (количество SKU — уникальных товарных позиций).
➖ Liquidity / Match Rate (Ликвидность): Процент продавцов или товаров, которые совершили хотя бы одну продажу за месяц. Это показатель того, насколько эффективно платформа сводит покупателя с продавцом.
>> Level2️⃣ : Операционные метрики
На операционном уровне также важно смотреть с точки зрения баланса.
На стороне покупателей (Demand):
➖ Конверсионная воронка: Переход из Поиска в просмотр карточки (PDP), оттуда в Корзину и в Оплату.
➖ AOV (Средний чек): Сколько товаров и на какую сумму юзер выкупает за один раз.
На стороне продавцов (Supply):
➖ Merchant Onboarding CR: Насколько легко новому продавцу пройти регистрацию и выставить первый товар.
➖ Out-of-Stock (OOS) Rate: Доля времени, когда популярный товар отсутствует на складе. Если товара нет, GMV падает.
На стороне ликвидности и логистики:
➖ Click-to-Delivery Time (ETA): Скорость доставки. Чем она быстрее, тем выше конверсия в заказ.
Доля выкупа (Pickup Rate): Какая часть доехавших до ПВЗ товаров реально забирается (критично для категории одежды). Про долю выкупа я разбирал кейс
➖ Контр-метрики (Guardrails)
Как и везде, важно не забывать про контр-метрики:
➖ Take Rate (Эффективная комиссия): Какую долю от GMV маркетплейс оставляет себе в виде чистого дохода. Если GMV растет, а Take Rate падает ниже себестоимости логистики — мы работаем в убыток.
➖ Order Cancellation & Return Rate: Доля отмен и возвратов. Если продавцы шлют брак или путают размеры, GMV в момент заказа будет красивым, но последующие возвраты уничтожат экономику.
➖ Seller Churn Rate: Отток продавцов. Если селены перестанут зарабатывать, они уйдут к конкурентам, ассортимент рухнет, а за ним и весь маркетплейс.
Как работать с этими метриками?
💡 Ответ простой: Всегда ищите «Бутылочное горлышко»
Например, если стоит задача вырастить GMV маркетплейса, не пытайтесь растить всё сразу. Определите, где проблема: на стороне спроса (покупателей) или предложения (селлеров)?
Если у нас дефицит продавцов - нужно пилить фичи для селлеров: автозагрузку товаров, внутреннюю аналитику, снижать барьеры входа.
Если дефицит покупателей - фокусироваться на скидках, рекомендациях, геймификации и UX.
Продолжаем серию постов по иерархиям метрик в разных индустриях.
Сегодня мы разберем Маркетплейсы.
Главная особенность маркетплейсов заключается в том, что его бизнес-модель представляет собой двухстороннюю платформу: с одной стороны покупатели (Demand) 🛒 , с другой - продавцы (Supply) 📦.
Бизнесу необходимо балансировать между ними: держать количество продавцов и покупателей таким, чтобы покупателям всегда было что купить, а продавцам - что продать.
Давайте разберем, как может выглядеть дерево метрик для этого сценария.
>> Level
Главный показатель любого маркетплейса - GMV (Gross Merchandise Value). Это общий оборот или суммарная стоимость всех проданных товаров.
Маркептлейс зарабатывает на комиссиях и продаже услуг, поэтому
если растет GMV, то растет и прибыль (при положительной юнит-экономике естественно).
>> Level
Чтобы разложить GMV на верхнеуровневые рычаги, нужно учесть обе стороны платформы и точку их пересечения. Это можно описать метриками:
>> Level
На операционном уровне также важно смотреть с точки зрения баланса.
На стороне покупателей (Demand):
На стороне продавцов (Supply):
На стороне ликвидности и логистики:
Доля выкупа (Pickup Rate): Какая часть доехавших до ПВЗ товаров реально забирается (критично для категории одежды). Про долю выкупа я разбирал кейс
Как и везде, важно не забывать про контр-метрики:
Как работать с этими метриками?
💡 Ответ простой: Всегда ищите «Бутылочное горлышко»
Например, если стоит задача вырастить GMV маркетплейса, не пытайтесь растить всё сразу. Определите, где проблема: на стороне спроса (покупателей) или предложения (селлеров)?
Если у нас дефицит продавцов - нужно пилить фичи для селлеров: автозагрузку товаров, внутреннюю аналитику, снижать барьеры входа.
Если дефицит покупателей - фокусироваться на скидках, рекомендациях, геймификации и UX.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3
Мифы работы аналитиком данных
Наткнулся на тред в соседнем канале: человек, будучи лидом системной аналитики думает над переходом в продуктовую аналитику на джун/мидл позицию.
Я задумался: профессию аналитика данных очень романтизируют. Это формирует неверные ожидания.
В этом посте попытаюсь показать то, как в реальности устроена работа аналитика данных, чтобы вам не пришлось разбивать розовые очки.
Миф 1. Аналитик занимается интересными задачами
В реальности большую часть времени занимают чистка данных, починка дашбордов и ответы на вопросы вида «а почему цифра в отчёте не сходится с цифрой в таблице».
Красивые инсайты и ML-модели - это малая часть работы, о которых пишут в резюме. Но часто они приносят 80% результата😏
Миф 2. Аналитик принимает решения
Нет. Аналитик готовит данные для тех, кто принимает решения.
Ты можешь сделать идеальный анализ, который уйдёт в стол, потому что продакт уже всё решил интуитивно.
Нужно быть готовым отстаивать свою позицию или принимать эти условия.
Миф 3. Нужно уметь писать сложный код🤯
SQL закрывает 80% задач в большинстве компаний.
Python нужен, но чаще для автоматизации рутины (Парсинг данных, работа с API и тд), а не для построения нейросетей.
Если тебе говорят обратное на собесе - уточни, что конкретно ты будешь делать в первые три месяца на работе.
Но это не значит, что другие инструменты не нужны.
Миф 4. Данные всегда есть и они корректны
Данных либо нет, либо они кривые, либо никто не знает, что именно логируется и зачем.🙁
Значительная часть работы аналитика - разобраться в том, можно ли вообще доверять тому, что лежит в базе.
Как говорится:
Миф 5. Правильный инструмент решает всё:
Многие могут думать:
Нет. Инструмент - это 10% успеха.
Остальные 90% - это правильные процессы, корректная архитектура данных и люди, которые хотят и умеют смотреть на метрики.
Можно иметь лучший дашборд в мире, но если его никто не смотрит - это просто красивая трата денег.
Миф 6. В аналитике меньше корпоративной политики
™️ ™️ ™️ ™️ ™️
Неправда.
Данные - это мощный инструмент, и люди могу использовать их политически: подбирают метрики, чтобы доказать свою точку зрения, спорят о том, как считать KPI, требуют пересчётов, если результат не нравится.
Аналитик часто оказывается в центре конфликтов. Нужно быть дипломатичным и не очень эмоциональным.
И чем выше твой грейд, тем чаще ты в этом участвуешь.
А как у вас?
Напишите в комментариях, в каком из пунктов вы узнали себя.
Если что-то упустил - тоже пишите🍕
Наткнулся на тред в соседнем канале: человек, будучи лидом системной аналитики думает над переходом в продуктовую аналитику на джун/мидл позицию.
Я задумался: профессию аналитика данных очень романтизируют. Это формирует неверные ожидания.
В этом посте попытаюсь показать то, как в реальности устроена работа аналитика данных, чтобы вам не пришлось разбивать розовые очки.
Миф 1. Аналитик занимается интересными задачами
В реальности большую часть времени занимают чистка данных, починка дашбордов и ответы на вопросы вида «а почему цифра в отчёте не сходится с цифрой в таблице».
Красивые инсайты и ML-модели - это малая часть работы, о которых пишут в резюме. Но часто они приносят 80% результата
Миф 2. Аналитик принимает решения
Нет. Аналитик готовит данные для тех, кто принимает решения.
Ты можешь сделать идеальный анализ, который уйдёт в стол, потому что продакт уже всё решил интуитивно.
Нужно быть готовым отстаивать свою позицию или принимать эти условия.
Миф 3. Нужно уметь писать сложный код
SQL закрывает 80% задач в большинстве компаний.
Python нужен, но чаще для автоматизации рутины (Парсинг данных, работа с API и тд), а не для построения нейросетей.
Если тебе говорят обратное на собесе - уточни, что конкретно ты будешь делать в первые три месяца на работе.
Но это не значит, что другие инструменты не нужны.
Миф 4. Данные всегда есть и они корректны
Данных либо нет, либо они кривые, либо никто не знает, что именно логируется и зачем.
Значительная часть работы аналитика - разобраться в том, можно ли вообще доверять тому, что лежит в базе.
Как говорится:
7 раз отмерь - один раз отрежь
Миф 5. Правильный инструмент решает всё:
Многие могут думать:
вот если бы у нас был Tableau/Looker/Amplitude, всё было бы по-другому
Нет. Инструмент - это 10% успеха.
Остальные 90% - это правильные процессы, корректная архитектура данных и люди, которые хотят и умеют смотреть на метрики.
Можно иметь лучший дашборд в мире, но если его никто не смотрит - это просто красивая трата денег.
Миф 6. В аналитике меньше корпоративной политики
Неправда.
Данные - это мощный инструмент, и люди могу использовать их политически: подбирают метрики, чтобы доказать свою точку зрения, спорят о том, как считать KPI, требуют пересчётов, если результат не нравится.
Аналитик часто оказывается в центре конфликтов. Нужно быть дипломатичным и не очень эмоциональным.
И чем выше твой грейд, тем чаще ты в этом участвуешь.
А как у вас?
Напишите в комментариях, в каком из пунктов вы узнали себя.
Если что-то упустил - тоже пишите
Please open Telegram to view this post
VIEW IN TELEGRAM