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
Метрики 101. Часть 5: Такси и доставка (Uber, Яндекс Go, Самокат)
В прошлом посте мы разбирали маркетплейсы, где логистика может занимать дни. Сегодня мы будем анализировать On-Demand услуги (такси, доставка).
Главное отличие здесь - фактор реального времени.
Если на маркетплейсе товар везут со склада, то в такси или экспресс-доставке алгоритм обязан найти вам исполнителя за секунды и в радиусе пары километров.
Баланс спроса и предложения меняется каждую минуту: пошел ливень - спрос улетел в космос🚀. Кончился - и вот уже цены возвращаются к прежним уровням.
Как этим управлять?
Давайте ответим на этот вопрос с помощью иерархии метрик.
🌟 Level 0: North Star Metric
Для сервисов такси и доставки главная метрика - Number of Completed Rides/Orders (Количество успешных поездок/заказов).
И это логично: чем больше выполненных заказов, тем ценнее платформа для клиентов. Невозможно оказывать полезный клиенту сервис и при этом иметь малое количество выполненных заказов.
📈 Level 1: Драйверы роста
Количество поездок раскладывается на две стороны маркетплейса и метрику их баланса:
Demand (Спрос):
Здесь MAU - количество активных пассажиров, а Trips per User - частота использования сервиса.
Supply (Предложение):
Supply Hours - суммарное время водителей на линии.
Эта метрика показывает количество водителей и их доступное время работы.
Fulfillment Rate (Доля выполненных поездок):
Процент запросов, которые завершились успешной поездкой. Эта показывает, насколько эффективно платформа сводит пассажиров с водителями. Мы не сможем достичь высокого количества успешных поездок, если не будем следить и за этой метрикой.
🛠 Level 2: Operational Metrics
- ETA (Estimated Time of Arrival): Ожидаемое время прибытия курьера или машины. ETA сильно влияет на конверсию в заказ, поэтому за ней важно следить.
- Surge Multiplier (Коэффициент повышенного спроса): главная причина высоких цен на такси. Он временно сбивает избыточный спрос со стороны пассажиров и привлекает водителей в «горячую» зону повышенным заработком.
- Cancellation Rate (Доля отмен): Разделяется на отмены со стороны пользователя (передумал, долго ждать) и со стороны водителя (не поехал на невыгодный заказ).
- Utilization Rate (Утилизация): Процент времени, которое водитель проводит непосредственно везя пассажира, а не катаясь «холостым» в поисках заказа.
🛡 Контр-метрики (Guardrails)
Конечно же не стоит забывать и про контр-метрики:
- Surge Bounce Rate: Доля пользователей, которые открыли приложение, увидели космический ценник из-за коэффициента и сразу закрыли его.
- Driver Churn Rate (Отток водителей): Если алгоритмы заставляют водителей делать долгие «холостые» подачи за копейки, они уйдут в другие агрегаторы.
- Safety / Accident Rate: Метрики безопасности. Если экспресс-доставка заставляет курьеров доставлять заказы за 15 минут любой ценой, вырастет число аварий и штрафов, что уничтожит репутацию бренда.
💡 Важно помнить: райдтех - это гиперлокальный маркетплейс. Нам не важно, что в среднем по городу баланс спроса и предложения идеален.
Если в 18:00 у конкретного бизнес-центра стоит 500 пассажиров и нет ни одной машины, у нас локальный коллапс.
Поэтому ключевые метрики мы обязаны мониторить в разрезе микрозон (например, через гексагоны) и коротких временных слотов.
В прошлом посте мы разбирали маркетплейсы, где логистика может занимать дни. Сегодня мы будем анализировать On-Demand услуги (такси, доставка).
Главное отличие здесь - фактор реального времени.
Если на маркетплейсе товар везут со склада, то в такси или экспресс-доставке алгоритм обязан найти вам исполнителя за секунды и в радиусе пары километров.
Баланс спроса и предложения меняется каждую минуту: пошел ливень - спрос улетел в космос🚀. Кончился - и вот уже цены возвращаются к прежним уровням.
Как этим управлять?
Давайте ответим на этот вопрос с помощью иерархии метрик.
🌟 Level 0: North Star Metric
Для сервисов такси и доставки главная метрика - Number of Completed Rides/Orders (Количество успешных поездок/заказов).
И это логично: чем больше выполненных заказов, тем ценнее платформа для клиентов. Невозможно оказывать полезный клиенту сервис и при этом иметь малое количество выполненных заказов.
📈 Level 1: Драйверы роста
Количество поездок раскладывается на две стороны маркетплейса и метрику их баланса:
Demand (Спрос):
Trips = MAU × Trips per UserЗдесь MAU - количество активных пассажиров, а Trips per User - частота использования сервиса.
Supply (Предложение):
Supply Hours = Active Drivers × Hours per DriverSupply Hours - суммарное время водителей на линии.
Эта метрика показывает количество водителей и их доступное время работы.
Fulfillment Rate (Доля выполненных поездок):
Процент запросов, которые завершились успешной поездкой. Эта показывает, насколько эффективно платформа сводит пассажиров с водителями. Мы не сможем достичь высокого количества успешных поездок, если не будем следить и за этой метрикой.
🛠 Level 2: Operational Metrics
- ETA (Estimated Time of Arrival): Ожидаемое время прибытия курьера или машины. ETA сильно влияет на конверсию в заказ, поэтому за ней важно следить.
- Surge Multiplier (Коэффициент повышенного спроса): главная причина высоких цен на такси. Он временно сбивает избыточный спрос со стороны пассажиров и привлекает водителей в «горячую» зону повышенным заработком.
- Cancellation Rate (Доля отмен): Разделяется на отмены со стороны пользователя (передумал, долго ждать) и со стороны водителя (не поехал на невыгодный заказ).
- Utilization Rate (Утилизация): Процент времени, которое водитель проводит непосредственно везя пассажира, а не катаясь «холостым» в поисках заказа.
🛡 Контр-метрики (Guardrails)
Конечно же не стоит забывать и про контр-метрики:
- Surge Bounce Rate: Доля пользователей, которые открыли приложение, увидели космический ценник из-за коэффициента и сразу закрыли его.
- Driver Churn Rate (Отток водителей): Если алгоритмы заставляют водителей делать долгие «холостые» подачи за копейки, они уйдут в другие агрегаторы.
- Safety / Accident Rate: Метрики безопасности. Если экспресс-доставка заставляет курьеров доставлять заказы за 15 минут любой ценой, вырастет число аварий и штрафов, что уничтожит репутацию бренда.
Если в 18:00 у конкретного бизнес-центра стоит 500 пассажиров и нет ни одной машины, у нас локальный коллапс.
Поэтому ключевые метрики мы обязаны мониторить в разрезе микрозон (например, через гексагоны) и коротких временных слотов.
Please open Telegram to view this post
VIEW IN TELEGRAM
Трагедия в 4х актах
> В курсоре стали быстро кончаться лимиты
> Купил подписку на Клод за 210 долларов, чтобы решить эту проблему
> Подключил гугл док к клоду через коннектор
> После 4х сообщений лимиты кончились..
> В курсоре стали быстро кончаться лимиты
> Купил подписку на Клод за 210 долларов, чтобы решить эту проблему
> Подключил гугл док к клоду через коннектор
> После 4х сообщений лимиты кончились..
🍕Что такое каннибализация?
Представьте ситуацию: ваши продуктовые маркетологи добавили в меню новую пиццу - анчоусы с ананасами (простите за мой вкус) с целью бустануть выручку в компании.
Проходит месяц после запуска, вы с командой открываете дашборд - и видите восходящий график заказов, продажи новинки уверенно растут. Вроде бы успех и пора праздновать.😏
Но потом смотрите на общую выручку пиццерии и замечаете, что она почти не изменилась.
Куда же делись деньги за эти 10 000 пицц?
А никуда. Часть клиентов просто взяла новинку вместо тех пицц, которые покупала раньше.
Это и есть каннибализация - когда новый продукт растёт за счёт ваших же старых продаж, а не за счёт нового спроса или клиентов конкурентов. Деньги перекладываются из одного кармана в другой, а в сумме бизнес не растёт.
Где встречается каннибализация?👀
А много где:
- Новая позиция в меню отъедает заказы у старых блюд вместо того, чтобы приводить новых гостей.
- Скидочная акция дарит людям скидку, которые купили бы и по полной цене.
- Дешёвая версия товара перетягивает спрос с более дорогой и маржинальной (продажи в штуках растут, а прибыль падает).
- Новую точку открыли слишком близко к старой - и вместо новых клиентов она забирает часть гостей у соседнего ресторана.
Когда это нормально?🤔
Каннибализация - не всегда зло.
Иногда на неё идут осознанно: например, запускают акцию, которая отъедает часть продаж по полной цене, но взамен растит частоту заказов или приводит новых клиентов.
Вопрос не в том, чтобы каннибализацию исключить, а в том, чтобы знать её масштаб и сознательно на него соглашаться.
А чтобы знать масштаб, его нужно измерить.
Как посчитать каннибализацию через A/B 🧪
-> Шаг 1: Делим аудиторию
Одной половине пользователей показываем меню с новинкой, другой - старое меню без неё.
Вторая группа (контроль) нужна, чтобы поймать всё, что влияет на выручку помимо новинки: сезон, погоду, параллельные акции.
Без неё вы потом не докажете, что старые пиццы просели именно из-за новинки, а не из-за того, что закончился предновогодний пик.
-> Шаг 2: Выбираем метрику для оценки
Хочется взять продажи новой пиццы и сказать: вот сколько денег она принесла. Но эта цифра показывает только саму новинку и молчит о том, что стало с остальным меню.
Считать нужно суммарную выручку на пользователя - по всему меню целиком. Только она покажет, прибавилось денег или они просто перетекли внутри ассортимента.
-> Шаг 3: Считаем реальный прирост
Допустим, в тесте новая пицца принесла 100 рублей с пользователя. Но суммарная выручка в тесте оказалась выше контроля только на 60 рублей.
Эти 60 рублей и есть реальный, инкрементальный прирост - деньги, которых без новинки в кассе бы не появилось.
-> Шаг 4: Вычисляем каннибализацию
Дальше простая арифметика. Каннибализация - это разница между продажами новинки и реальным приростом.
В нашем кейсе:
Каннибализация = 100 (продажи пиццы с анчоусами) - 60 (инкремент продаж в тесте относительно контроля) = 40 рублей
Перепроверить себя можно с другой стороны: посмотрите, насколько в тесте просели продажи старых пицц по сравнению с контролем.
Они упадут ровно на те же 40 рублей - деньги не пропали, они переехали в новинку.
💡 Главное: радоваться нужно не продажам новинки, а тому, что выросла суммарная выручка. Если новинка собрала 10 000 заказов, но в сумме денег не прибавилось - вы просто переложили их из кармана в карман.
А вы сталкивались с каннибализацией в своих продуктах? Поделитесь в комментах 👇
Представьте ситуацию: ваши продуктовые маркетологи добавили в меню новую пиццу - анчоусы с ананасами (простите за мой вкус) с целью бустануть выручку в компании.
Проходит месяц после запуска, вы с командой открываете дашборд - и видите восходящий график заказов, продажи новинки уверенно растут. Вроде бы успех и пора праздновать.
Но потом смотрите на общую выручку пиццерии и замечаете, что она почти не изменилась.
Куда же делись деньги за эти 10 000 пицц?
А никуда. Часть клиентов просто взяла новинку вместо тех пицц, которые покупала раньше.
Это и есть каннибализация - когда новый продукт растёт за счёт ваших же старых продаж, а не за счёт нового спроса или клиентов конкурентов. Деньги перекладываются из одного кармана в другой, а в сумме бизнес не растёт.
Где встречается каннибализация?
А много где:
- Новая позиция в меню отъедает заказы у старых блюд вместо того, чтобы приводить новых гостей.
- Скидочная акция дарит людям скидку, которые купили бы и по полной цене.
- Дешёвая версия товара перетягивает спрос с более дорогой и маржинальной (продажи в штуках растут, а прибыль падает).
- Новую точку открыли слишком близко к старой - и вместо новых клиентов она забирает часть гостей у соседнего ресторана.
Когда это нормально?
Каннибализация - не всегда зло.
Иногда на неё идут осознанно: например, запускают акцию, которая отъедает часть продаж по полной цене, но взамен растит частоту заказов или приводит новых клиентов.
Вопрос не в том, чтобы каннибализацию исключить, а в том, чтобы знать её масштаб и сознательно на него соглашаться.
А чтобы знать масштаб, его нужно измерить.
Как посчитать каннибализацию через A/B 🧪
-> Шаг 1: Делим аудиторию
Одной половине пользователей показываем меню с новинкой, другой - старое меню без неё.
Вторая группа (контроль) нужна, чтобы поймать всё, что влияет на выручку помимо новинки: сезон, погоду, параллельные акции.
Без неё вы потом не докажете, что старые пиццы просели именно из-за новинки, а не из-за того, что закончился предновогодний пик.
-> Шаг 2: Выбираем метрику для оценки
Хочется взять продажи новой пиццы и сказать: вот сколько денег она принесла. Но эта цифра показывает только саму новинку и молчит о том, что стало с остальным меню.
Считать нужно суммарную выручку на пользователя - по всему меню целиком. Только она покажет, прибавилось денег или они просто перетекли внутри ассортимента.
-> Шаг 3: Считаем реальный прирост
Допустим, в тесте новая пицца принесла 100 рублей с пользователя. Но суммарная выручка в тесте оказалась выше контроля только на 60 рублей.
Эти 60 рублей и есть реальный, инкрементальный прирост - деньги, которых без новинки в кассе бы не появилось.
-> Шаг 4: Вычисляем каннибализацию
Дальше простая арифметика. Каннибализация - это разница между продажами новинки и реальным приростом.
Каннибализация = Продажи новинки − Инкрементальный прирост общей выручкиВ нашем кейсе:
Каннибализация = 100 (продажи пиццы с анчоусами) - 60 (инкремент продаж в тесте относительно контроля) = 40 рублей
Перепроверить себя можно с другой стороны: посмотрите, насколько в тесте просели продажи старых пицц по сравнению с контролем.
Они упадут ровно на те же 40 рублей - деньги не пропали, они переехали в новинку.
💡 Главное: радоваться нужно не продажам новинки, а тому, что выросла суммарная выручка. Если новинка собрала 10 000 заказов, но в сумме денег не прибавилось - вы просто переложили их из кармана в карман.
А вы сталкивались с каннибализацией в своих продуктах? Поделитесь в комментах 👇
Please open Telegram to view this post
VIEW IN TELEGRAM