Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
У Amazon все позитивно. Чистый объем продаж вырос на 40% до 88,9 млрд долларов во 2q20 по сравнению с 63,4 млрд долларов в 2q19 г. Операционная прибыль увеличилась до 5,8 млрд долларов во 2q20 по сравнению с 3,1 млрд долларов в 2q19 г.
Amazon увеличил объемы доставки продуктов более чем на 160% и утроил количество мест, где можно получить продукты, для поддержки клиентов во время COVID-19. Продажи продуктов онлайн во втором квартале утроились по сравнению с аналогичным периодом прошлого года.
План на третий квартал: ожидается, что чистые продажи составят от 87,0 до 93,0 млрд. долл., или вырастут на 24–33% по сравнению с 3q19 г.
Подробности: https://ir.aboutamazon.com/quarterly-results/default.aspx
PDF: https://s2.q4cdn.com/299287126/files/doc_financials/2020/q2/update/Q2-2020-Amazon-Earnings-Release.pdf
@internetanalytics
Amazon увеличил объемы доставки продуктов более чем на 160% и утроил количество мест, где можно получить продукты, для поддержки клиентов во время COVID-19. Продажи продуктов онлайн во втором квартале утроились по сравнению с аналогичным периодом прошлого года.
План на третий квартал: ожидается, что чистые продажи составят от 87,0 до 93,0 млрд. долл., или вырастут на 24–33% по сравнению с 3q19 г.
Подробности: https://ir.aboutamazon.com/quarterly-results/default.aspx
PDF: https://s2.q4cdn.com/299287126/files/doc_financials/2020/q2/update/Q2-2020-Amazon-Earnings-Release.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Итоги 2q20 для Google, тoчнее - Alphabet
Рекламный бизнес падает на 8%. Растут облака - Google Cloud +43% год к году.
COVID сказался на медиапотреблении и реклама в YouTube растет на 6% год к году.
Google диверсифицируется. Доля рекламной выручки составляет 78%, хотя еще год назад составляла 83%.
Подробности: https://abc.xyz/investor/static/pdf/2020Q2_alphabet_earnings_release.pdf
@internetanalytics
Рекламный бизнес падает на 8%. Растут облака - Google Cloud +43% год к году.
COVID сказался на медиапотреблении и реклама в YouTube растет на 6% год к году.
Google диверсифицируется. Доля рекламной выручки составляет 78%, хотя еще год назад составляла 83%.
Подробности: https://abc.xyz/investor/static/pdf/2020Q2_alphabet_earnings_release.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
И, кстати, еще про Google.
Google открыл обучение по новой специальности ML Engineer.
Это курс для опытных дата-сатанистов, например, необходимо более 3-х лет опыта с продуктами GCloud, а акцент курса поставлен на решения для продакшена.
Эксперты советуют как можно быстрее получить сертификат, ведь его ценность в том, что его пока ни у кого нет.
Тем не менее, самой популярной облачной платформой остается AWS. И у них есть свой ML сертификат. Вот только на одном LinkedIn зарегистрировано 2 000 обладателей этой бумажки.
Кстати, интересный факт: на Coursera 4 миллиона людей прошло курс Andrew Ng по машинному обучению, тогда как в мире насчитывается только 17 100 ML инженеров...
В общем, надо разобраться, что за курс и куда "движутся облака"
@internetanalytics
Google открыл обучение по новой специальности ML Engineer.
Это курс для опытных дата-сатанистов, например, необходимо более 3-х лет опыта с продуктами GCloud, а акцент курса поставлен на решения для продакшена.
Эксперты советуют как можно быстрее получить сертификат, ведь его ценность в том, что его пока ни у кого нет.
Тем не менее, самой популярной облачной платформой остается AWS. И у них есть свой ML сертификат. Вот только на одном LinkedIn зарегистрировано 2 000 обладателей этой бумажки.
Кстати, интересный факт: на Coursera 4 миллиона людей прошло курс Andrew Ng по машинному обучению, тогда как в мире насчитывается только 17 100 ML инженеров...
В общем, надо разобраться, что за курс и куда "движутся облака"
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Итоги 2q20 для Facebook
Рост по всем фронтам. И DAU и MAU растут на 12%.
Рост рекламных доходов - на 10%.
Подробности: https://investor.fb.com/investor-events/default.aspx
PDF: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2'20-FB-Financial-Results-Press-Release.pdf
Классная преза с картинками для ваших презентаций: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2-2020-FB-Earnings-Presentation.pdf
@internetanalytics
Рост по всем фронтам. И DAU и MAU растут на 12%.
Рост рекламных доходов - на 10%.
Подробности: https://investor.fb.com/investor-events/default.aspx
PDF: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2'20-FB-Financial-Results-Press-Release.pdf
Классная преза с картинками для ваших презентаций: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2-2020-FB-Earnings-Presentation.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Spotify показывает скромные темпы роста в 2q20.
(Но нам ли судить...)
МАU почти 300 млн, платящих пользователей - 138 млн,
Рост на единицы процентов по доходам.
PDF: https://s22.q4cdn.com/540910603/files/doc_financials/2020/q2/Shareholder-Letter-Q2-2020-FINAL.pdf
Обзорная статья: https://variety.com/2020/digital/news/spotify-q2-users-299-million-coronavirus-1234719410/
@internetanalytics
(Но нам ли судить...)
МАU почти 300 млн, платящих пользователей - 138 млн,
Рост на единицы процентов по доходам.
PDF: https://s22.q4cdn.com/540910603/files/doc_financials/2020/q2/Shareholder-Letter-Q2-2020-FINAL.pdf
Обзорная статья: https://variety.com/2020/digital/news/spotify-q2-users-299-million-coronavirus-1234719410/
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Яндекс.
Выручка от продажи рекламы падает на 15% 😞
Зато Такси растет на 42% (но на самом деле - это Лавка и Еда)
Количество платных кликов (paid clicks) на сайтах Яндекса и на сайтах Рекламной сети Яндекса выросло в совокупности на 22% по сравнению с аналогичным показателем за второй квартал 2019 года.
Средняя цена за клик (cost per click) снизилась на 30% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число поездок сервиса Такси снизилось на 6% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число подписчиков Медиасервисов на конец второго квартала 2020 года достигло 4,5 миллиона.
Ежедневная аудитория Яндекс.Дзена в июне 2020 года составила 16,8 миллиона пользователей и увеличилась на 59% по сравнению с аналогичным показателем за июнь 2019 года
Источник: https://yandex.ru/company/press_releases/2020/2020-07-28
@internetanalytics
Выручка от продажи рекламы падает на 15% 😞
Зато Такси растет на 42% (но на самом деле - это Лавка и Еда)
Количество платных кликов (paid clicks) на сайтах Яндекса и на сайтах Рекламной сети Яндекса выросло в совокупности на 22% по сравнению с аналогичным показателем за второй квартал 2019 года.
Средняя цена за клик (cost per click) снизилась на 30% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число поездок сервиса Такси снизилось на 6% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число подписчиков Медиасервисов на конец второго квартала 2020 года достигло 4,5 миллиона.
Ежедневная аудитория Яндекс.Дзена в июне 2020 года составила 16,8 миллиона пользователей и увеличилась на 59% по сравнению с аналогичным показателем за июнь 2019 года
Источник: https://yandex.ru/company/press_releases/2020/2020-07-28
@internetanalytics
scale_2400.webp
54.6 KB
По оценкам Pew Research Center, лишь чуть больше половины миллениалов (которым сейчас от 23 до 38 лет) живут со своей семьёй. Своя семья - это супруг/супруга и/или дети. 13% миллениалов живут вдвоём с супругом, 30% с супругом и детьми, 12% с ребёнком без супруга.
В одиночестве живут 9%, с родителями рекордные 14%, ещё более рекордные же 14% проживают с другими родственниками (бабушки-дедушки, дяди-тёти, и так далее), а 7% проживают с какими-то посторонними людьми.
Для понимания масштаба изменений: среди людей, родившихся в 1940-ые, в возрасте 23-38 со своей семьёй жило 86%, из них 70% - с супругом и ребёнком. Ещё 8% с родителями, а остальные варианты совсем не пользовались популярностью.
Среди поколения, родившегося в 1950-1960-ые, с семьёй в том же возрасте жило 69%, через 20 лет таких стало 65%, а сейчас уже 55%.
В одиночестве живут 9%, с родителями рекордные 14%, ещё более рекордные же 14% проживают с другими родственниками (бабушки-дедушки, дяди-тёти, и так далее), а 7% проживают с какими-то посторонними людьми.
Для понимания масштаба изменений: среди людей, родившихся в 1940-ые, в возрасте 23-38 со своей семьёй жило 86%, из них 70% - с супругом и ребёнком. Ещё 8% с родителями, а остальные варианты совсем не пользовались популярностью.
Среди поколения, родившегося в 1950-1960-ые, с семьёй в том же возрасте жило 69%, через 20 лет таких стало 65%, а сейчас уже 55%.
Интересные данные по конверсии, передайте вашему web дизайнеру
Forwarded from 100x | Денис Мартынцев
Стереотипы продуктовой аналитики
Павел Левчук написал серию интересных постов про стереотипы продуктовой аналитики. Не могу пройти мимо, потому что работа с аналитикой – это, пожалуй, самая трудоемкая и сложная задача для команд роста и продукта.
Кратко перескажу стереотипы своими словами в посте. Если захотите изучить подробнее, переходите на страницу Павла и ищите по хэштегу Misunderstanding.
Стереотип #1
Сессионная аналитика (Google Analytics) позволит понять, как пользуются вашим продуктом.
Не позволит. Это универсальный и относительно простой способ что-то померять, но он не отражает реальность использования продукта.
Настоящее и будущее за event-based аналитикой (Amplitude, Mixpanel), которая строится на событиях, то есть, действиях, совершаемых пользователями.
Стереотип #2
Онбординг – это способ познакомить пользователей с функциями продукта.
Если копнуть чуть глубже, становится понятно, что это не так.
Пользователи не покупают функции, они покупают решение своих задач. Онбординг нужен, чтобы как можно скорее довести пользователей до совершения целевого действия, приносящего ценность.
Онбординг – это инструмент раскрытия ценности и формирования привычки пользоваться продуктом. Пересмотрев его в такой парадигме, вы сможете существенно увеличить активацию и удержание.
Стереотип #3
Monthly Active Users (MAU) – хороший способ измерять рост пользовательской базы.
Это не совсем верно, потому что показатель MAU ничего не говорит о том, что именно произошло: почему активных стало больше или меньше. Следовательно, через него вы не можете влиять на рост. Нужно раскладывать MAU на составляющие.
Для более точного понимания роста пользовательской базы лучше использовать относительный показатель Quick Ratio.
QR = (New + Resurrected) / (Churned)
С его помощью можно отслеживать динамику прироста базы и видеть причины изменений.
Стереотип #4
Липкость продукта измеряется как соотношение DAU и MAU.
Метрика stickiness (DAU/MAU) популярна для продуктов, предполагающих высокую частотность использования (казуальные игры, мессенджеры, соцсети). Но для большинства других продуктов, она достаточно бесполезна.
В качестве альтернативы можно использовать метрику Lness. Вместо агрегации данных на уровне месяца, строится гистограмма использования по количеству дней.
Например, L5/7 говорит о том, какой % пользователей воспользовался продуктом 5 дней из 7.
По аналогии можно построить любые другие шкалы, которые лучше описывают циклы использования именно вашего продукта.
Стереотип #5
Если в метрике есть недостатки, то она бесполезна.
Далеко не всегда. Например, тот же MAU, который был рассмотрен в третьем стереотипе, можно использовать для составления матрицы вовлеченности (Engagement matrix).
В матрице по оси X идёт % MAU, т.е. процент пользователей, которые хотя бы раз воспользовались функцией, по оси Y идёт Lness, т.е. среднее количество дней, когда пользовались функцией или генерировали событие в ней.
С помощью матрицы можно понять, какие именно функции вовлекают пользователей в продукт, отследить результаты изменения существующих функций и добавления новых.
Стереотип #6
Работать с поведенческими данными очень сложно: много событий, которые нужно отслеживать, они распределяются не симметрично, их сложно извлекать и отделять от бесполезного шума.
Отчасти так и есть, но можно использовать более простой статистический способ анализа – Key Influencers Visual в Power BI. С его помощью можно ускорить проверку продуктовых гипотез и упростить работу с данными.
Чтобы глубже погрузиться в тему аналитики роста продуктов, рекомендую также перечитать старые посты в блоге Павла.
Павел Левчук написал серию интересных постов про стереотипы продуктовой аналитики. Не могу пройти мимо, потому что работа с аналитикой – это, пожалуй, самая трудоемкая и сложная задача для команд роста и продукта.
Кратко перескажу стереотипы своими словами в посте. Если захотите изучить подробнее, переходите на страницу Павла и ищите по хэштегу Misunderstanding.
Стереотип #1
Сессионная аналитика (Google Analytics) позволит понять, как пользуются вашим продуктом.
Не позволит. Это универсальный и относительно простой способ что-то померять, но он не отражает реальность использования продукта.
Настоящее и будущее за event-based аналитикой (Amplitude, Mixpanel), которая строится на событиях, то есть, действиях, совершаемых пользователями.
Стереотип #2
Онбординг – это способ познакомить пользователей с функциями продукта.
Если копнуть чуть глубже, становится понятно, что это не так.
Пользователи не покупают функции, они покупают решение своих задач. Онбординг нужен, чтобы как можно скорее довести пользователей до совершения целевого действия, приносящего ценность.
Онбординг – это инструмент раскрытия ценности и формирования привычки пользоваться продуктом. Пересмотрев его в такой парадигме, вы сможете существенно увеличить активацию и удержание.
Стереотип #3
Monthly Active Users (MAU) – хороший способ измерять рост пользовательской базы.
Это не совсем верно, потому что показатель MAU ничего не говорит о том, что именно произошло: почему активных стало больше или меньше. Следовательно, через него вы не можете влиять на рост. Нужно раскладывать MAU на составляющие.
Для более точного понимания роста пользовательской базы лучше использовать относительный показатель Quick Ratio.
QR = (New + Resurrected) / (Churned)
С его помощью можно отслеживать динамику прироста базы и видеть причины изменений.
Стереотип #4
Липкость продукта измеряется как соотношение DAU и MAU.
Метрика stickiness (DAU/MAU) популярна для продуктов, предполагающих высокую частотность использования (казуальные игры, мессенджеры, соцсети). Но для большинства других продуктов, она достаточно бесполезна.
В качестве альтернативы можно использовать метрику Lness. Вместо агрегации данных на уровне месяца, строится гистограмма использования по количеству дней.
Например, L5/7 говорит о том, какой % пользователей воспользовался продуктом 5 дней из 7.
По аналогии можно построить любые другие шкалы, которые лучше описывают циклы использования именно вашего продукта.
Стереотип #5
Если в метрике есть недостатки, то она бесполезна.
Далеко не всегда. Например, тот же MAU, который был рассмотрен в третьем стереотипе, можно использовать для составления матрицы вовлеченности (Engagement matrix).
В матрице по оси X идёт % MAU, т.е. процент пользователей, которые хотя бы раз воспользовались функцией, по оси Y идёт Lness, т.е. среднее количество дней, когда пользовались функцией или генерировали событие в ней.
С помощью матрицы можно понять, какие именно функции вовлекают пользователей в продукт, отследить результаты изменения существующих функций и добавления новых.
Стереотип #6
Работать с поведенческими данными очень сложно: много событий, которые нужно отслеживать, они распределяются не симметрично, их сложно извлекать и отделять от бесполезного шума.
Отчасти так и есть, но можно использовать более простой статистический способ анализа – Key Influencers Visual в Power BI. С его помощью можно ускорить проверку продуктовых гипотез и упростить работу с данными.
Чтобы глубже погрузиться в тему аналитики роста продуктов, рекомендую также перечитать старые посты в блоге Павла.
Forwarded from 100x | Денис Мартынцев
Как измерить сарафанное радио
В блоге Reforge вышла гостевая статья от Yousuf Bhaijee в недавнем прошлом VP of Growth в Eaze, а до этого в Disney и Zynga. Автор предложил крутой способ измерить эффект для продукта от сарафанного радио.
Не могу пройти мимо. Темы виральности, вирусного маркетинга и сарафана мне особенно интересны. Именно поэтому я сделал отдельный курс.
Основные мысли и идеи статьи:
1. Сарафанное радио (Word of Mouth) всегда был актуальным источником новых клиентов, а сейчас становится еще актуальнее. Facebook, Google и Amazon монополизировали рынок рекламы и продолжают доминировать, занимая 70% рынка digital-рекламы. Apple отменил advertising ID, поисковые системы убивают органику, продвигая колдунщиков и рекламную выдачу. Все это увеличивает конкуренцию за внимание аудитории и повышает стоимость привлечения.
2. Эффект от Word of Mouth сложно измерить, а значит сложно на него осмысленно повлиять. Многие компании пытаются что-то делать, измеряя NPS, проводя опросы, мониторя соцсети. Эти методы не дают адекватного количественного показателя, с помощью которого можно судить о реальном влиянии WOM на продукт.
3. WOM-коэффициент позволяет отслеживать, как ваши активные пользователи приводят новых через личные рекомендации. Рассчитывается следующим образом:
WOM-coeff = New Organic Users / (Returning Users + Non-organic New Users)
То есть, новых органических пользователей (нельзя отследить источник) мы делим на сумму вернувшихся и новых неорганических (источник известен). Период измерения вы определяете сами в зависимости от частоты использования продукта (день, неделя или месяц).
4. Ключевой параметр здесь – активные, вернувшиеся пользователи. Именно те пользователи, которые продолжают возвращаться в ваш продукт, получая от него ценность, являются главными передатчиками информации по сарафанному радио. Это подтверждается данными по нескольким десяткам продуктов на интервале 3-х лет. Количество новых органических пользователей линейно зависит от количества активных. Даже когда количество активных увеличивалось в 7 раз, зависимость сохранялась.
5. WOM-coefficient и K-Factor – это разные показатели. K-factor рассчитывается, когда мы можем измерить действия пользователей в продукте (копируют ссылку, шерят). Через него мы можем измерять виральность, но не сарафанное радио. Про разницу между этими понятиями смотрите мой вебинар. Сарафан по своей природе отследить сложно, именно поэтому в качестве входных данных используется косвенный показатель – количество активных пользователей.
6. Пример для приложения, обучающего игре на фортепьяно (график внизу). Продукт сильно зависит от платного трафика, который является основным источником новых пользователей.
При масштабировании платных каналов привлечения, WOM-коэффициент уменьшается, как и показатель удержания. Это логично: чем больше масштаб привлечения, тем ниже качество пользователей.
По мере увеличения объема, WOM-коэффициент становится более стабильным, уменьшается волатильность. Но даже в самом нестабильном состоянии, диапазон достаточно узкий, чтобы считать показатель корректным для отслеживания и прогнозирования.
Измеряя WOM-коэффициент и отслеживая его взаимосвязь с продуктовыми метриками (удержание, вовлеченность), вы можете прогнозировать влияние изменений в продукте на приток новых пользователей через сарафанное радио.
Больше примеров и графиков можно найти в оригинальной статье. Автор обещает продолжение с более конкретной информацией о том, как корректно измерять и оценивать коэффициент. Будем следить.
В блоге Reforge вышла гостевая статья от Yousuf Bhaijee в недавнем прошлом VP of Growth в Eaze, а до этого в Disney и Zynga. Автор предложил крутой способ измерить эффект для продукта от сарафанного радио.
Не могу пройти мимо. Темы виральности, вирусного маркетинга и сарафана мне особенно интересны. Именно поэтому я сделал отдельный курс.
Основные мысли и идеи статьи:
1. Сарафанное радио (Word of Mouth) всегда был актуальным источником новых клиентов, а сейчас становится еще актуальнее. Facebook, Google и Amazon монополизировали рынок рекламы и продолжают доминировать, занимая 70% рынка digital-рекламы. Apple отменил advertising ID, поисковые системы убивают органику, продвигая колдунщиков и рекламную выдачу. Все это увеличивает конкуренцию за внимание аудитории и повышает стоимость привлечения.
2. Эффект от Word of Mouth сложно измерить, а значит сложно на него осмысленно повлиять. Многие компании пытаются что-то делать, измеряя NPS, проводя опросы, мониторя соцсети. Эти методы не дают адекватного количественного показателя, с помощью которого можно судить о реальном влиянии WOM на продукт.
3. WOM-коэффициент позволяет отслеживать, как ваши активные пользователи приводят новых через личные рекомендации. Рассчитывается следующим образом:
WOM-coeff = New Organic Users / (Returning Users + Non-organic New Users)
То есть, новых органических пользователей (нельзя отследить источник) мы делим на сумму вернувшихся и новых неорганических (источник известен). Период измерения вы определяете сами в зависимости от частоты использования продукта (день, неделя или месяц).
4. Ключевой параметр здесь – активные, вернувшиеся пользователи. Именно те пользователи, которые продолжают возвращаться в ваш продукт, получая от него ценность, являются главными передатчиками информации по сарафанному радио. Это подтверждается данными по нескольким десяткам продуктов на интервале 3-х лет. Количество новых органических пользователей линейно зависит от количества активных. Даже когда количество активных увеличивалось в 7 раз, зависимость сохранялась.
5. WOM-coefficient и K-Factor – это разные показатели. K-factor рассчитывается, когда мы можем измерить действия пользователей в продукте (копируют ссылку, шерят). Через него мы можем измерять виральность, но не сарафанное радио. Про разницу между этими понятиями смотрите мой вебинар. Сарафан по своей природе отследить сложно, именно поэтому в качестве входных данных используется косвенный показатель – количество активных пользователей.
6. Пример для приложения, обучающего игре на фортепьяно (график внизу). Продукт сильно зависит от платного трафика, который является основным источником новых пользователей.
При масштабировании платных каналов привлечения, WOM-коэффициент уменьшается, как и показатель удержания. Это логично: чем больше масштаб привлечения, тем ниже качество пользователей.
По мере увеличения объема, WOM-коэффициент становится более стабильным, уменьшается волатильность. Но даже в самом нестабильном состоянии, диапазон достаточно узкий, чтобы считать показатель корректным для отслеживания и прогнозирования.
Измеряя WOM-коэффициент и отслеживая его взаимосвязь с продуктовыми метриками (удержание, вовлеченность), вы можете прогнозировать влияние изменений в продукте на приток новых пользователей через сарафанное радио.
Больше примеров и графиков можно найти в оригинальной статье. Автор обещает продолжение с более конкретной информацией о том, как корректно измерять и оценивать коэффициент. Будем следить.
Вселенная социальных сетей https://www.visualcapitalist.com/visualizing-the-social-media-universe-in-2020/
Visual Capitalist
Visualizing the Social Media Universe in 2020
Nearly half the world has tapped into the social media universe. Monthly Active Users (MAUs) quantifies the success of these giant platforms.