Looker Studio

В эту неделю мы изучаем Google Looker Studio. Эта утилита позволяет создавать очень гибкие дашборды. Кроме этого, платная версия имеет свой язык запросов LookML, который отличен от традиционного SQL. Вот небольшое видео, иллюстрирующее возможности Looker Studio.
https://www.youtube.com/watch?v=5NNMzBKEFCg

Отличное видео по Looker Studio, заодно иллюстрируется, как создать красивый дашборд:
https://www.youtube.com/watch?v=OQngv9Gsskc

Пробуем Looker Studio

Чтобы попробовать Looker Studio, можно импортировать этот набор данных:
https://docs.google.com/spreadsheets/d/1sns7is56QWKMO3XGy40b92xs0I_RY4bC4I6aqeqkCV4/edit?usp=sharing
И поиграть с ним! Обратите внимание, что в этом файле есть несколько рабочих листов - на каждом свой датасет.
Сам я набросал простенький репорт для датасета Top movies 2019:
https://lookerstudio.google.com/reporting/8c93559c-b62c-4f7c-940a-8a8f5d923d8a

Power BI

Еще один популярный инструмент для аналитики данных от Майкрософт. Вот неплохое обучающее видео:
https://www.youtube.com/watch?v=jcBEdmD5MCU

Tableau

Последний инструмент, с которым мы познакомимся для визуальной аналитики данных - это табло. Ничего более свежего на русском языке не нашел, поэтому, если есть хорошие видео по теме, кидайте их в комментарии.
https://www.youtube.com/watch?v=gcRKayBhHAQ

А/Б-тестирование

Один из важных инструментов проверки гипотез для исследователя пользователей - А/Б-тестирование. Этот инструмент позволяет понять, принесет ли изменение, которое мы хотим внедрить, положительный эффект. В ходе такого тестирования мы выделяем две группы пользователей: одной даем старую версию продукта, другой — новую. Для каждой группы вычисляем некоторую метрику (удобство использования, число переходов по ссылке, конверсия в покупку) и статистически проверяем, принесло ли наше изменение положительный эффект. Если эффект положительный, то внедряем эту фичу для всех пользователей.
Однако, у А/Б-тестирования есть несколько тонких моментов. Вот плейлист с неплохим объяснением от ВШЭ:
https://www.youtube.com/watch?v=D81kNptqPiw&list=PLCf-cQCe1FRx6vgs5NHWKzOL5RSyWiiuW

Метрики: CAC (Customer Acquisition Cost)

Это метрика, которая описывает, сколько денег бизнес тратит на маркетинг и продажи, чтобы получить нового покупателя. Переводится с английского как «стоимость привлечения клиента». Очевидно, что нам хотелось бы привлекать клиентов за меньшие деньги, поэтому это одна из начимых метрик.

Ознакомиться с примерами можно по следующим ссылкам:
https://www.bitrix24.ru/journal/cac/
https://www.carrotquest.io/blog/customer-acquisition-cost/

Метрики: ROAS, ROI, ROMI

Для того, чтобы измерить эффективность рекламной кампании или работы отдела маркетинга, можно использовать перечисленные метрики. На картинке — небольшая шпаргалка. А подробнее можно почитать тут:
https://timeweb.com/ru/blog/authors/ajshe/articles/chto-takoe-roas-formula-rascheta-i-primery/
https://www.carrotquest.io/blog/formula-roi/
https://www.carrotquest.io/blog/romi/
https://yandex.ru/adv/edu/materials/romi
Интересно, что разные источники определяют ROMI слегка по-разному. Буду рад, если кто-то с опытом раскажет о ROMI подробнее в комментариях.

Метрики: LTV

LTV (Lifetime Value) — метрика, которая показывает, сколько прибыли приносит компании клиент за определенный промежуток времени. Очевидно, что мы хотим увеличить этот показатель.

В этой статье описывается в общих словах, что же это такое:
https://practicum.yandex.ru/blog/chto-takoe-ltv-v-marketinge/

А в этой даётся пара дополнительных формул для расчета:
https://romi.center/ru/learning/glossary/ltv/

Совместное прохождение SQL

В общем, через неделю начинаем повторять SQL на прекрасном курсе-тренажере. Одновременно, я буду подкидывать какие-то дополнительные статейки. Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Как всё будет проходить
Раз в неделю я буду анонсировать, что мы прошли и что будем проходить. Под постами и в чате в тг можно задавать вопросы по курсу. Официальный старт нашего прохождения — 18 апреля, но желающие могут начать и раньше😏

Customer Journey Map

Customer Journey Map (карта пути клиента) — какой путь проходит пользователь, когда пытается сделать покупку. Мы буквально должны взглянуть глазами пользователя на взаимодействие с компанией, начиная с "точки касания" и заканчивая отзывом о компании.
Хорошее описание можно прочитать здесь:
https://www.bitrix24.ru/journal/customer-journey-map-chto-eto-i-kak-pravilno-sostavit-kartu-puti-klienta/
Больше примеров здесь:
https://blog.eduson.academy/articles/marketing/customer-journey-map/

Воронка продаж (funnel)

Воронка продаж — это маркетинговая модель, которая описывает путь потенциального клиента от первого контакта с вашим продуктом или услугой до момента покупки и далее. Если в карте пути клиент мы смотрели на продукт глазами клиента, то здесь мы анализируем путь клиента глазами компании. Основное, что нужно знать — считается, что клиент проходит 4 этапа (AIDA): Attention, Interest, Desire, Action. И нам нужно уменьшить потерю клиентов между этапами.

Подробнее можно прочитать здесь:
https://direct.yandex.ru/base/articles/chto-takoe-voronka-prodazh-prostym-yazykom

Еще один материал, в котором можно узнать о расширениях AIDA:
https://kontur.ru/articles/5734

Когортный анализ.

Когортный анализ позволяет нам разделить наших клиентов на группы по их поведению или по времени и проанализировать эти группы (почему покупают, почему уходят, сколько тратят и т.д.). Не стоит путать с сегментированием, где мы разделяем на группы по таким произнакам, как пол, возраст, интересы и т.д.
По этим ссылкам можно прочитать подробнее:
https://kaiten.ru/blog/kogortnyj-analiz-i-issledovanie/
https://marketolog.mts.ru/blog/kogortnii-analiz-v-marketinge-chto-eto-i-kak-provesti

Метрики: Retention Rate.

Retention Rate (коэффициент удержания клиентов) — это показатель удержания клиентов, который информирует, какой процент людей от общего числа пользователей возвращается за повторными покупками и/или продолжает пользоваться коммерческими продуктами бренда. Я сделал небольшую картинку с формулой для расчета, в сети же часто можно увидеть слегка измененную формулу.

Метрики: pLTV (Predictive Customer Lifetime Value)

Недавно мы поговорили о метрике Lifetime Value (LTV). Это ретроспективная метрика, которая показывает , сколько прибыли приносит компании клиент за определенный промежуток времени. Но нам ведь интересно узнать, сколько денег еще принесет клиент, сколько продуктов купит и с какой вероятностью он останется с нами (нужно ли тратить на его удержание деньги). Для этого и сущестует pLTV. Чтобы его рассчитать, можно использовать несколько методов и эвристик.
О паре таких методов говорится в этом видео: https://www.youtube.com/watch?v=HgQ1TbgCI3Y

Совместное прохождение SQL

Напоминаю, что сегодня мы начинаем повторять SQL на прекрасном курсе-тренажере. Одновременно, я буду подкидывать какие-то дополнительные статейки. Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Как всё будет проходить
Раз в неделю я буду анонсировать, что мы прошли и что будем проходить. Под постами и в чате в тг можно задавать вопросы по курсу.

Свойства метрик.

Прежде я выкладывал ссылку на плэйлист по AB-тестированию и несколько постов про метрики. Первый плейлист я все так же рекомендую. А вот одно видео оттуда по свойствам метрик: https://youtu.be/tLYfYliU6oU?si=I1dgdiUd-xv6mxB3

BigQuery

BigQuery — это облачное хранилище данных (Data Warehouse) от Google, предназначенное для хранения и анализа больших объемов информации (петабайты) с помощью обычного SQL. С помощью BigQuery мы можем делать эффективные запросы выборки данных и строить модели анализа данных.

Вот плейлист с доступным объяснением на английском:
https://www.youtube.com/playlist?list=PLJnkyVAO-LM7D_9kbeI47P7hJ0SjHj1VQ

Опрос

А каких AI-помощников вы используете для написания кода? Или для аналитики данных? Как вы их используете? Сколько они стоят?

Пишите в комментариях, а я попробую за пару недель протестировать разные решения и написать небольшой пост о своем опыте.

Пост на английском про оптимизацию запросов для больших данных:
https://towardsdatascience.com/14-ways-to-optimize-bigquery-sql-for-ferrari-speed-at-honda-cost-632ec705979/

Совместное прохождение SQL

Последний раз напоминаю, что мы начинаем повторять SQL на курсе-тренажере. Проходим до конца этой недели главы 1.1-1.3, а потом пойдем дальше и добиваем первую главу.
Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2