😬😬😬 Да, да, да! Обязательно возьмем эту задачу в ближайший спринт... #bad_humour #шутки_категории_B
🤓4😁3
📓📓📓 Что такое MDE в A/B тестах? Часть-1: #statistics #ab_testing
📚 Определение :
📍 MDE (minimum detectable effect) - это минимальный размер эффекта, который мы сможем задетектировать в рамках A/B теста при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n).
📍 MDE (minimum detectable effect) - это минимальное значение изменения целевой метрики, которое мы сможем обнаружить в рамках A/B теста и оно будет статистически значимым при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n).
📚 Формула расчета MDE :
📍 MDE можно вывести из формулы расчета статистической мощности (Power Analysis) или формулы расчёта оптимального размера выборки (n). Изменяя один из трех параметров формулы, а именно: уровень значимости (α), статистическую мощность (β) или размер выборки (n), будет меняться и само значение MDE.
‼️ Формула статистической мощности (см. Power Analysis), где: n - размер выборки каждой из 2 групп теста, Var1, Var2 - выборочные дисперсии группы i, z_1-α/2, z_1-β - значения стандартного нормального распределения для заданного уровня значимости (α) и мощности критерия (β), MDE - ожидаемый минимальный размер эффекта.
📚 Параметры, влияющие на MDE :
▪️ 1. Размер выборки (n) - Чем выше будет размер выборки (n), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 2. Уровень значимости (α) - Чем выше значение уровня значимости (α), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 3. Мощность критерия (β) - Чем выше значение мощности критерия (β), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 4. Волатильность данных (σ) - Чем выше волатильность данных (σ), тем выше будет MDE.
Зависимость: ⬆️⬆️
⚠️ Итоги: MDE отрицательно зависит от размера выборки (n), уровня значимости (α) и мощности критерия (β) и положительно зависит от волатильности данных (σ).
📚 Определение :
📍 MDE (minimum detectable effect) - это минимальный размер эффекта, который мы сможем задетектировать в рамках A/B теста при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n).
📍 MDE (minimum detectable effect) - это минимальное значение изменения целевой метрики, которое мы сможем обнаружить в рамках A/B теста и оно будет статистически значимым при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n).
📚 Формула расчета MDE :
📍 MDE можно вывести из формулы расчета статистической мощности (Power Analysis) или формулы расчёта оптимального размера выборки (n). Изменяя один из трех параметров формулы, а именно: уровень значимости (α), статистическую мощность (β) или размер выборки (n), будет меняться и само значение MDE.
‼️ Формула статистической мощности (см. Power Analysis), где: n - размер выборки каждой из 2 групп теста, Var1, Var2 - выборочные дисперсии группы i, z_1-α/2, z_1-β - значения стандартного нормального распределения для заданного уровня значимости (α) и мощности критерия (β), MDE - ожидаемый минимальный размер эффекта.
📚 Параметры, влияющие на MDE :
▪️ 1. Размер выборки (n) - Чем выше будет размер выборки (n), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 2. Уровень значимости (α) - Чем выше значение уровня значимости (α), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 3. Мощность критерия (β) - Чем выше значение мощности критерия (β), тем ниже будет значение MDE.
Зависимость: ⬆️⬇️
▪️ 4. Волатильность данных (σ) - Чем выше волатильность данных (σ), тем выше будет MDE.
Зависимость: ⬆️⬆️
⚠️ Итоги: MDE отрицательно зависит от размера выборки (n), уровня значимости (α) и мощности критерия (β) и положительно зависит от волатильности данных (σ).
🔥9👏1
📓📓📓 Что такое MDE в A/B тестах? Часть-2: #statistics #ab_testing
📚 Зачем нужен MDE :
📍 1. Определить оптимальный размер выборки (n): Зная MDE, можно рассчитать оптимальный размер выборки (n), чтобы получить статистически значимые результаты в рамках A/B теста.
📍 2. Определить оптимальный срок проведения A/B теста (t): Зная MDE, можно рассчитать оптимальный срок проведения A/B теста, чтобы получить статистически значимые результаты.
📍 3. Снизить вероятность ложных выводов: Зная MDE, можно корректно интерпретировать небольшие улучшения в рамках A/B теста, которые на самом деле являются случайными или просто шумом в данных, то есть статистические незначимыми.
📍 4. Повысить эффективность по управлению продуктовым бэклогом: Знание MDE позволяет сосредоточиться на тестирование только тех продуктовых фичей и статистических гипотез, которые с высокой вероятностью могут быть статистически значимыми и обладают высоким потенциалом, что в итоге приводит к минимизации потерь времени компании по тестированию продуктовых фичей с низким потенциалом.
📚 Life-hacks по работе с MDE :
📍 1. Определите MDE на этапе дизайна A/B теста: MDE нужен будет для подготовки корректного дизайна A/B теста, что позволит в том числе избежать основных ошибок при проведении A/B тестов
📍 2. Стремитесь использовать реалистичные значения MDE: От того насколько реалистичное значение MDE вы выберете, зависит корректность самого дизайна и итоговых результатов A/B теста. Для маленьких значений MDE потребуется большой объема выборки (n) и длительный срок проведения A/B теста (t), что в итоге может затянуть тестирование продуктовой фичи на длительный период.
📍 3. Учитывайте специфику продуктовой фичи: Оптимальное значение MDE зависит в том числе и от выбранной целевой метрик, а именно от её чувствительности в рамках тестирования той или иной продуктовой фичи.
📍 4. Корректируйте значение MDE: Если выбранный MDE не реалистичен, то не стесняйтесь изменить его значение.
📚 Пример расчета MDE :
✏️ 1️⃣ Например, в рамках A/B теста на App вы тестируете продуктовую фичу, которая должна увеличить конверсию в покупку.
✏️ 2️⃣ Базовое значение конверсии в покупку: 5% и MDE: 10%.
✏️ 3️⃣ Это означает, что вы хотите обнаружить в рамках A/B теста увеличение конверсии в покупку, как минимум на 10% или на 0,5 процентных пункта, то есть до 5% + 0,1*5% = 5,5% и при этом оно будет статистически значимым при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n). скорректировать.
📚 Зачем нужен MDE :
📍 1. Определить оптимальный размер выборки (n): Зная MDE, можно рассчитать оптимальный размер выборки (n), чтобы получить статистически значимые результаты в рамках A/B теста.
📍 2. Определить оптимальный срок проведения A/B теста (t): Зная MDE, можно рассчитать оптимальный срок проведения A/B теста, чтобы получить статистически значимые результаты.
📍 3. Снизить вероятность ложных выводов: Зная MDE, можно корректно интерпретировать небольшие улучшения в рамках A/B теста, которые на самом деле являются случайными или просто шумом в данных, то есть статистические незначимыми.
📍 4. Повысить эффективность по управлению продуктовым бэклогом: Знание MDE позволяет сосредоточиться на тестирование только тех продуктовых фичей и статистических гипотез, которые с высокой вероятностью могут быть статистически значимыми и обладают высоким потенциалом, что в итоге приводит к минимизации потерь времени компании по тестированию продуктовых фичей с низким потенциалом.
📚 Life-hacks по работе с MDE :
📍 1. Определите MDE на этапе дизайна A/B теста: MDE нужен будет для подготовки корректного дизайна A/B теста, что позволит в том числе избежать основных ошибок при проведении A/B тестов
(см. предыдущие посты).📍 2. Стремитесь использовать реалистичные значения MDE: От того насколько реалистичное значение MDE вы выберете, зависит корректность самого дизайна и итоговых результатов A/B теста. Для маленьких значений MDE потребуется большой объема выборки (n) и длительный срок проведения A/B теста (t), что в итоге может затянуть тестирование продуктовой фичи на длительный период.
📍 3. Учитывайте специфику продуктовой фичи: Оптимальное значение MDE зависит в том числе и от выбранной целевой метрик, а именно от её чувствительности в рамках тестирования той или иной продуктовой фичи.
📍 4. Корректируйте значение MDE: Если выбранный MDE не реалистичен, то не стесняйтесь изменить его значение.
📚 Пример расчета MDE :
✏️ 1️⃣ Например, в рамках A/B теста на App вы тестируете продуктовую фичу, которая должна увеличить конверсию в покупку.
✏️ 2️⃣ Базовое значение конверсии в покупку: 5% и MDE: 10%.
✏️ 3️⃣ Это означает, что вы хотите обнаружить в рамках A/B теста увеличение конверсии в покупку, как минимум на 10% или на 0,5 процентных пункта, то есть до 5% + 0,1*5% = 5,5% и при этом оно будет статистически значимым при заданных значениях уровня значимости (α), статистической мощности (β) и размера выборки (n). скорректировать.
🔥5👏2
🤖🤖🤖 Обзор топ-платформ для A/B тестирования. Часть-1: #ab_testing #продукт #App #Web
🖥 Топ-платформы для A/B тестирования РФ и страны СНГ:
▫️ 1. Kameleoon : Kameleoon_A/B
▫️ 2. GrowthBook : Growthbook.io
▫️ 3. Dynamic Yield : DY_ab_testing
▫️ 4. VWO Testing : VWO_ab_testing
▫️ 5. ABTasty : ABTasty_ab_testing
▫️ 6. Amplitude : Amplitude_A/B
▫️ 7. Optimizely : Optimizely_A/B
▫️ 8. ABlyft : ABlyft_ab_testing
▫️ 9. Авито : Trisigma.io
▫️ 10. Yandex : Varioqub
▫️ 11. EXPF : EXPF_Sigma
▫️ 12. Flocktory : Flocktory_A/B
📝 Ссылка на статьи с обзором и сравнением лучших A/B платформ 2024 года:
▫️A/B Testing Tools Comparison
▫️Top A/B Testing Tools for 2024
▫️Best A/B Testing Tools for 2023
🖥 Топ-платформы для A/B тестирования РФ и страны СНГ:
▫️ 1. Kameleoon : Kameleoon_A/B
▫️ 2. GrowthBook : Growthbook.io
▫️ 3. Dynamic Yield : DY_ab_testing
▫️ 4. VWO Testing : VWO_ab_testing
▫️ 5. ABTasty : ABTasty_ab_testing
▫️ 6. Amplitude : Amplitude_A/B
▫️ 7. Optimizely : Optimizely_A/B
▫️ 8. ABlyft : ABlyft_ab_testing
▫️ 9. Авито : Trisigma.io
▫️ 10. Yandex : Varioqub
▫️ 11. EXPF : EXPF_Sigma
▫️ 12. Flocktory : Flocktory_A/B
📝 Ссылка на статьи с обзором и сравнением лучших A/B платформ 2024 года:
▫️A/B Testing Tools Comparison
▫️Top A/B Testing Tools for 2024
▫️Best A/B Testing Tools for 2023
Kameleoon
Build experiments in minutes by chatting with AI | Kameleoon
Kameleoon's AI platform allows you to build, test, and roll out impactful experiments in one place. From the first test to final release, you’re in control.
👍4🔥1👏1
👁🗨👁🗨👁🗨 Подготовка к IT-собеседованию. SQL-задачи и вопросы. Часть-5: #sql_задачи #собеседование
🟡 Тинькофф Банк. SQL-задача на позицию data analyst / product analyst.
💻 Данные: Есть таблица:
- staff - справочник о сотрудниках
⁉️ Вопрос: Что вернется в результате следующего запроса:
🟡 Тинькофф Банк. SQL-задача на позицию data analyst / product analyst.
💻 Данные: Есть таблица:
- staff - справочник о сотрудниках
⁉️ Вопрос: Что вернется в результате следующего запроса:
SELECT staff_id FROM Staff WHERE name NOT LIKE '%Иван%'
(см.таблицу и варианты ответов выше).🔥5👍1
Practical Statistics for Data Scientists_Orielly_2018.pdf
8.5 MB
📓📓📓 Классная книга для погружения в Data Science и статистику A/B тестов #data_science #statistics #ab_testing
📖 Книга будет полезна для всех, кто давно хотел более детально погрузиться в тему Data Science или расширить свои знания в этой сфере. Для тех, кто развивается и строит свой карьерный трэк по направлению data analytics/ product analytics будут особенны полезны главы: 1, 2, 3, 7, которые раскрывают следующие темы: 1. EDA-анализ, 2. основные виды распределения данных, 3. мат. статистика A/B тестов и 4. кластерный анализ, который широко используется при сегментации и когортном анализе клиентской базы.
☑️ Книга:"Практическая статистика для специалистов Data Science" раскрывает 50 важнейших понятий Data Science и следующие ключевые темы:
▫️ 1. EDA-анализ
▫️ 2. Основные виды распределения данных
▫️ 3. Мат. статистика A/B тестов
▫️ 4. Регрессионный анализ
▫️ 5. Классификационный анализ
▫️ 6. Обучение с учителем: бэггинг, бустинг
▫️ 7. Обучения без учителя: кластерный анализ
📖 Книга будет полезна для всех, кто давно хотел более детально погрузиться в тему Data Science или расширить свои знания в этой сфере. Для тех, кто развивается и строит свой карьерный трэк по направлению data analytics/ product analytics будут особенны полезны главы: 1, 2, 3, 7, которые раскрывают следующие темы: 1. EDA-анализ, 2. основные виды распределения данных, 3. мат. статистика A/B тестов и 4. кластерный анализ, который широко используется при сегментации и когортном анализе клиентской базы.
☑️ Книга:"Практическая статистика для специалистов Data Science" раскрывает 50 важнейших понятий Data Science и следующие ключевые темы:
▫️ 1. EDA-анализ
▫️ 2. Основные виды распределения данных
▫️ 3. Мат. статистика A/B тестов
▫️ 4. Регрессионный анализ
▫️ 5. Классификационный анализ
▫️ 6. Обучение с учителем: бэггинг, бустинг
▫️ 7. Обучения без учителя: кластерный анализ
👍10🔥1🙈1🆒1
👋👋👋 Всем привет! @channel
На связи команда : Product Analytics 404 (Not Found).
🙏🙏🙏 Будем сильно признательны каждому, если сможете поделиться ссылкой на наш канал среди ваших знакомых или коллег, чтобы обеспечить дальнейшее развитие нашего Edtech-проекта и мы смогли публиковать ещё больше интересного контента и материалов от наших экспертных авторов! На этой неделе также планируем провести внутренний опрос среди всех подписчиков, чтобы определить какие темы было бы интереснее всего осветить в следующих постах!
🤖 Ccылка на канал: https://t.me/product_analytics_404
🤯 Ну, а пока что, хотим поделиться вопросом, который периодически спрашиваем на собеседованиях на разных позиции product analyst. Вопрос может показаться очень простым, но кандидаты частно впадают от него в ступор, не смотря на то что это важный аспект перед тем как обсуждать конверсионные воронки и их оптимизацию:
1️⃣ Какие методологии расчета конверсионных метрик E-COM вы знаете?
2️⃣ Почему именно эта методология расчета конверсионных метрик подходит для того или иного бизнеса?
На связи команда : Product Analytics 404 (Not Found).
🙏🙏🙏 Будем сильно признательны каждому, если сможете поделиться ссылкой на наш канал среди ваших знакомых или коллег, чтобы обеспечить дальнейшее развитие нашего Edtech-проекта и мы смогли публиковать ещё больше интересного контента и материалов от наших экспертных авторов! На этой неделе также планируем провести внутренний опрос среди всех подписчиков, чтобы определить какие темы было бы интереснее всего осветить в следующих постах!
🤖 Ccылка на канал: https://t.me/product_analytics_404
🤯 Ну, а пока что, хотим поделиться вопросом, который периодически спрашиваем на собеседованиях на разных позиции product analyst. Вопрос может показаться очень простым, но кандидаты частно впадают от него в ступор, не смотря на то что это важный аспект перед тем как обсуждать конверсионные воронки и их оптимизацию:
1️⃣ Какие методологии расчета конверсионных метрик E-COM вы знаете?
2️⃣ Почему именно эта методология расчета конверсионных метрик подходит для того или иного бизнеса?
Telegram
Product Analytics 404
Обучающие и полезные материалы по product / marketing / data analytiсs + подготовка к собеседованию.
Основные тэги:
1. Product Analytics
2. Marketing Analytics
3. A/B Testing
4. IT-Собеседование
5. Data Engineering
6. BI-решения
7. АХД/КХД/DWH
8. DS/ML
Основные тэги:
1. Product Analytics
2. Marketing Analytics
3. A/B Testing
4. IT-Собеседование
5. Data Engineering
6. BI-решения
7. АХД/КХД/DWH
8. DS/ML
👍2❤1🔥1
🔎🔎🔎 Методологии расчета конверсионных метрик E-COM #product_metrics
1️⃣ Расчет конверсионных метрик от DAU:
▪️В случае однонаправленной конверсионной метрики, например: конверсия в добавление товара в корзину или конверсия в чекаут, числитель конверсионной метрики считается от DAU, а именно от кол-ва уникальных пользователей, которые сделали хотя бы 1 событие данного типа, а в качестве знаменателя конверсионной метрики будет сам DAU. В этому случае конверсионная метрика будет показывать долю уникальных пользователей, которые сделали хотя бы 1 событие данного типа от общего кол-во уникальных пользователей за n-период времени.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от DAU, а именно от кол-ва уникальных пользователей, которые сделали хотя бы 1 событие каждого типа. В этом случае конверсионная метрика будет показывать долю уникальных пользователей следующего этапа конверсионной воронки от общего кол-во уникальных пользователей предыдущего этапа.
2️⃣ Расчет конверсионных метрик от кол-ва сессий:
▪️В случае однонаправленной конверсионной метрики, например: конверсия в добавление товара в корзину или конверсия в чекаут, числитель конверсионной метрики считается от кол-ва сессий, а именно от кол-ва сессий, в которые сделали хотя бы 1 событие данного типа, а в качестве знаменателя конверсионной метрики будет общее кол-во сессий. В этому случае конверсионная метрика будет показывать долю сессий, в которые сделали хотя бы 1 событие данного типа от общего кол-во сессий за n-период времени.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от кол-ва сессий, а именно от кол-ва сессий, в которые сделали хотя бы 1 событие каждого типа. В этом случае конверсионная метрика будет показывать долю сессий следующего этапа конверсионной воронки от общего кол-во сессий предыдущего этапа.
3️⃣ Расчет конверсионных метрик от кол-ва событий:
▪️Случай расчета однонаправленной конверсионной метрики от кол-ва событий, к сожалению, не информативен и слабо применим на практике.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от кол-ва событий каждого типа. В этом случае конверсионная метрика будет показывать соотношение событий следующего этапа конверсионной воронки от общего кол-ва событий предыдущего этапа, например 5 событий добавления товара в корзину к 10 событиям просмотра карточки товара.
🤔 P.S. Разные методологии расчета конверсионных метрик могут использоваться в зависимости от конкретной задачи, сферы деятельности или операционной модели бизнеса. Как правило, в рамках 1 компании в качестве целевой методологии расчета конверсионных метрик используется один из подходов выше. Например, для E-COM бизнеса больше применима методология расчет конверсионных метрик от DAU, но, например для сайта знакомств будет больше применим подход расчета конверсионных метрик от кол-ва сессий, причина, в том, что в рамках E-COM бизнеса основной фокус нацелен на максимизацию конверсии в покупку и важно, чтобы конкретный уникальный пользователь дошел до покупки и не важно кол-во сессий, которое он потратит на своем пути для выполнения этой цели, а для сайта знакомств наоборот будет важна максимизация конверсии в целевое событие в рамках каждой сессии.
❗️DSC: Размышление выше это сугубо мнение автора, так как даже в рамках приведённых примеров подходы могут различаться.
1️⃣ Расчет конверсионных метрик от DAU:
▪️В случае однонаправленной конверсионной метрики, например: конверсия в добавление товара в корзину или конверсия в чекаут, числитель конверсионной метрики считается от DAU, а именно от кол-ва уникальных пользователей, которые сделали хотя бы 1 событие данного типа, а в качестве знаменателя конверсионной метрики будет сам DAU. В этому случае конверсионная метрика будет показывать долю уникальных пользователей, которые сделали хотя бы 1 событие данного типа от общего кол-во уникальных пользователей за n-период времени.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от DAU, а именно от кол-ва уникальных пользователей, которые сделали хотя бы 1 событие каждого типа. В этом случае конверсионная метрика будет показывать долю уникальных пользователей следующего этапа конверсионной воронки от общего кол-во уникальных пользователей предыдущего этапа.
2️⃣ Расчет конверсионных метрик от кол-ва сессий:
▪️В случае однонаправленной конверсионной метрики, например: конверсия в добавление товара в корзину или конверсия в чекаут, числитель конверсионной метрики считается от кол-ва сессий, а именно от кол-ва сессий, в которые сделали хотя бы 1 событие данного типа, а в качестве знаменателя конверсионной метрики будет общее кол-во сессий. В этому случае конверсионная метрика будет показывать долю сессий, в которые сделали хотя бы 1 событие данного типа от общего кол-во сессий за n-период времени.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от кол-ва сессий, а именно от кол-ва сессий, в которые сделали хотя бы 1 событие каждого типа. В этом случае конверсионная метрика будет показывать долю сессий следующего этапа конверсионной воронки от общего кол-во сессий предыдущего этапа.
3️⃣ Расчет конверсионных метрик от кол-ва событий:
▪️Случай расчета однонаправленной конверсионной метрики от кол-ва событий, к сожалению, не информативен и слабо применим на практике.
▪️В случае двунаправленной конверсионной метрики, например: конверсия из просмотра карточки товара в добавление товара в корзину или конверсия из чекаута в покупку, числитель и знаменатель конверсионной метрики считаются от кол-ва событий каждого типа. В этом случае конверсионная метрика будет показывать соотношение событий следующего этапа конверсионной воронки от общего кол-ва событий предыдущего этапа, например 5 событий добавления товара в корзину к 10 событиям просмотра карточки товара.
🤔 P.S. Разные методологии расчета конверсионных метрик могут использоваться в зависимости от конкретной задачи, сферы деятельности или операционной модели бизнеса. Как правило, в рамках 1 компании в качестве целевой методологии расчета конверсионных метрик используется один из подходов выше. Например, для E-COM бизнеса больше применима методология расчет конверсионных метрик от DAU, но, например для сайта знакомств будет больше применим подход расчета конверсионных метрик от кол-ва сессий, причина, в том, что в рамках E-COM бизнеса основной фокус нацелен на максимизацию конверсии в покупку и важно, чтобы конкретный уникальный пользователь дошел до покупки и не важно кол-во сессий, которое он потратит на своем пути для выполнения этой цели, а для сайта знакомств наоборот будет важна максимизация конверсии в целевое событие в рамках каждой сессии.
❗️DSC: Размышление выше это сугубо мнение автора, так как даже в рамках приведённых примеров подходы могут различаться.
🔥4🤔1
🔞🔞🔞 Дааа...коллектив у нас дружный, что сказать. Все готовы поддержать друг друга, прийти на помощь #bad_humour #шутки_категории_B
🤣10😁1
💸💸💸 Метрики дохода продукта. Часть-1: #product_metrics #собеседование
Метрики дохода E-COM продукта: Web / App
(Revenue Metrics) :
✔️ 1. GMV (Gross Merchandise Value) - это общая стоимость проданных товаров / услуг или заказов на сайте или в мобильном приложении за n-период времени без учета возвратов и скидок.
✔️ 2. NMV (Net Merchandise Value) - это чистая стоимость проданных товаров / услуг или заказов на сайте или в мобильном приложении за n-период времени с учетом всех комиссий: возвратов, скидок и налогов.
✔️ 3. CR_purchase - это конверсия в покупку, метрика, которая показывает долю пользователей, которые совершили покупку на сайте или в мобильном приложении за n-период времени.
✔️ 4. Total Orders - это общее кол-во заказов на сайте или в мобильном приложении за n-период времени.
✔️ 5. CR_order - это конверсия в заказ, метрика, которая показывает соотношение оформленных заказов к общему трафику на сайте или в мобильном приложении за n-период времени.
✔️ 6. AOPC (Average Orders Per Client) - это среднее кол-во заказов на 1 покупателя на сайте или в мобильном приложении за n-период времени.
✔️ 7. AOV (Average Order Value) - это средняя стоимость заказа на сайте или в мобильном приложении за n-период времени.
✔️ 8. MOV (Median Order Value) - это медианная стоимость заказа на сайте или в мобильном приложении за n-период времени.
✔️ 9. AIV (Average Item Value) - это средняя стоимость 1 товара в заказе на сайте или в мобильном приложении за n-период времени.
✔️ 10. Глубина заказа - это среднее кол-во купленных товаров в заказе на сайте или в мобильном приложении за n-период времени.
⚠️ P.S. Чтобы лучше понимать ЦА продукта и его покупательский паттерн, одновременно с расчетом метрик дохода продукта выше стоит также построить графики распределения по стоимости заказа, глубины заказа и кол-ва покупок на 1 клиента за n-период времени в разрезе платформ.
Метрики дохода E-COM продукта: Web / App
(Revenue Metrics) :
✔️ 1. GMV (Gross Merchandise Value) - это общая стоимость проданных товаров / услуг или заказов на сайте или в мобильном приложении за n-период времени без учета возвратов и скидок.
✔️ 2. NMV (Net Merchandise Value) - это чистая стоимость проданных товаров / услуг или заказов на сайте или в мобильном приложении за n-период времени с учетом всех комиссий: возвратов, скидок и налогов.
✔️ 3. CR_purchase - это конверсия в покупку, метрика, которая показывает долю пользователей, которые совершили покупку на сайте или в мобильном приложении за n-период времени.
Формула = 1. DAC/DAU, 2. WAC/WAU, 3. MAC/MAU.
✔️ 4. Total Orders - это общее кол-во заказов на сайте или в мобильном приложении за n-период времени.
✔️ 5. CR_order - это конверсия в заказ, метрика, которая показывает соотношение оформленных заказов к общему трафику на сайте или в мобильном приложении за n-период времени.
Формула = Кол-во заказов / DAU за период
✔️ 6. AOPC (Average Orders Per Client) - это среднее кол-во заказов на 1 покупателя на сайте или в мобильном приложении за n-период времени.
Формула = Кол-во заказов / Кол-во покупателей за период
✔️ 7. AOV (Average Order Value) - это средняя стоимость заказа на сайте или в мобильном приложении за n-период времени.
Формула = GMV / Кол-во заказов за период
✔️ 8. MOV (Median Order Value) - это медианная стоимость заказа на сайте или в мобильном приложении за n-период времени.
✔️ 9. AIV (Average Item Value) - это средняя стоимость 1 товара в заказе на сайте или в мобильном приложении за n-период времени.
Формула = GMV / Кол-во проданных товаров за период
✔️ 10. Глубина заказа - это среднее кол-во купленных товаров в заказе на сайте или в мобильном приложении за n-период времени.
Формула = Кол-во проданных товаров / Кол-во заказов за период
⚠️ P.S. Чтобы лучше понимать ЦА продукта и его покупательский паттерн, одновременно с расчетом метрик дохода продукта выше стоит также построить графики распределения по стоимости заказа, глубины заказа и кол-ва покупок на 1 клиента за n-период времени в разрезе платформ.
👍7❤1🔥1
SQL-Большая шпаргалка.pdf
754.9 KB
⚡️⚡️⚡️ Большая шпаргалка по основным SQL-командам c примерами кода #sql #собеседование
👍3🔥1👏1
👁🗨👁🗨👁🗨 Парадокс Cимпсона в A/B тестах. Часть-1: #statistics #product_metrics #ab_testing
📖 Определение:
▪️Парадокс Симпсона или парадокс "объединения данных" - это статистический парадокс, когда в нескольких группах данных наблюдается одна тенденция / зависимость, но при их объединение тенденция / зависимость может поменяется на противоположную. Например, мы запустили A/B тест, подвели его итоги и получили, что результаты в тестовой группе хуже чем в котнрольной, но если мы начинаем рассматривать результаты того же A/B теста, но уже в разрезе клиентских когорт: новых и старых пользователей, то неожиданно получаем, что результаты в тестовой группе лучше в каждой из когорт (
📖 Причина возникновения парадокса "объединения данных":
▪️Причина парадокса "объединения данных" заключается в некорректном усреднении результатов нескольких выборок данных с разной долей контрольной и тестовой группы в них.
📖 Устранение парадокса "объединения данных":
✔️ Использование весов, устраняющих перекос доли контрольной и тестовой группы в выборках данных, результаты которых планируются объединять.
✔️ Использование формулы полной вероятности (теорема Байеса).
✔️ Объединение и сравнение клиентских групп в рамках продуктовых, маркетинговых исследований и A/B тестов, однородных по следующим группам признаков:
1️⃣ типы платформы и устройств
2️⃣ регионы и страны
3️⃣ доля новых и старых пользователей
4️⃣ социально-демографические группы
5️⃣ средний срок жизни клиента
6️⃣ другие клиентские признаки
📖 Определение:
▪️Парадокс Симпсона или парадокс "объединения данных" - это статистический парадокс, когда в нескольких группах данных наблюдается одна тенденция / зависимость, но при их объединение тенденция / зависимость может поменяется на противоположную. Например, мы запустили A/B тест, подвели его итоги и получили, что результаты в тестовой группе хуже чем в котнрольной, но если мы начинаем рассматривать результаты того же A/B теста, но уже в разрезе клиентских когорт: новых и старых пользователей, то неожиданно получаем, что результаты в тестовой группе лучше в каждой из когорт (
см.примеры в следующем посте).📖 Причина возникновения парадокса "объединения данных":
▪️Причина парадокса "объединения данных" заключается в некорректном усреднении результатов нескольких выборок данных с разной долей контрольной и тестовой группы в них.
📖 Устранение парадокса "объединения данных":
✔️ Использование весов, устраняющих перекос доли контрольной и тестовой группы в выборках данных, результаты которых планируются объединять.
✔️ Использование формулы полной вероятности (теорема Байеса).
✔️ Объединение и сравнение клиентских групп в рамках продуктовых, маркетинговых исследований и A/B тестов, однородных по следующим группам признаков:
1️⃣ типы платформы и устройств
2️⃣ регионы и страны
3️⃣ доля новых и старых пользователей
4️⃣ социально-демографические группы
5️⃣ средний срок жизни клиента
6️⃣ другие клиентские признаки
🤔6✍1
👁🗨👁🗨👁🗨 Парадокс Cимпсона в A/B тестах. Часть-2: #statistics #product_metrics #ab_testing
📖 Примеры парадокса "объединения данных":
▪️ Пример-1 : Подведение итогов A/B теста в разрезе клиентских когорт, где неравномерно распределены новые и старые пользователи в контрольной и тестовой группе.
Дизайн такого A/B теста изначально некорректный, так как сравниваются заведомо неоднородные по признаку выборки друг с другом, что может привести к смещенным результатам и некорректным выводам по итогам A/B теста. Также в рамках данного A/B теста будет некорректно объединять результаты по клиентским когортам и подводить по ним итоги из-за парадокса "объединения данных".
▪️ Пример-2 : Сравнение конверсионных метрик между платформами: Android, IOS, desktop и mobile, где разное соотношение новых и старых пользователей или разное соотношение соц-дем групп. Например, по результатам исследования конверсия покупку на платформе IOS выше, чем на платформе Android, но если рассмотреть результаты этого же исследования, но уже в разрезе клиентских когорт: новых и старых пользователей, то неожиданное оказывается, что конверсия в покупку выше в каждой из когорт на Android, как раз это следствие парадокcа "объединения".
⚠️ Пример результатов A/B теста с парадоксом "объединения данных":
1️⃣ сплитинг тестовой и контрольной группы: 35% на 65%
2️⃣ доля новых и старых пользователей в тестовой группе: 45% и 55%
3️⃣ доля новых и старых пользователей в контрольной группе: 15% и 85%
4️⃣ конверсия в покупку новых и старых пользователей в тестовой группе: 3,65% и 5,5%
5️⃣ конверсия в покупку новых и старых пользователей в контрольной группе: 3,45% и 5%
6️⃣ общая конверсия в покупку в тестовой группе: 4,65%
7️⃣ общая конверсия в покупку в контрольной группе: 4,78%
📖 Примеры парадокса "объединения данных":
▪️ Пример-1 : Подведение итогов A/B теста в разрезе клиентских когорт, где неравномерно распределены новые и старые пользователи в контрольной и тестовой группе.
Дизайн такого A/B теста изначально некорректный, так как сравниваются заведомо неоднородные по признаку выборки друг с другом, что может привести к смещенным результатам и некорректным выводам по итогам A/B теста. Также в рамках данного A/B теста будет некорректно объединять результаты по клиентским когортам и подводить по ним итоги из-за парадокса "объединения данных".
▪️ Пример-2 : Сравнение конверсионных метрик между платформами: Android, IOS, desktop и mobile, где разное соотношение новых и старых пользователей или разное соотношение соц-дем групп. Например, по результатам исследования конверсия покупку на платформе IOS выше, чем на платформе Android, но если рассмотреть результаты этого же исследования, но уже в разрезе клиентских когорт: новых и старых пользователей, то неожиданное оказывается, что конверсия в покупку выше в каждой из когорт на Android, как раз это следствие парадокcа "объединения".
⚠️ Пример результатов A/B теста с парадоксом "объединения данных":
1️⃣ сплитинг тестовой и контрольной группы: 35% на 65%
2️⃣ доля новых и старых пользователей в тестовой группе: 45% и 55%
3️⃣ доля новых и старых пользователей в контрольной группе: 15% и 85%
4️⃣ конверсия в покупку новых и старых пользователей в тестовой группе: 3,65% и 5,5%
5️⃣ конверсия в покупку новых и старых пользователей в контрольной группе: 3,45% и 5%
6️⃣ общая конверсия в покупку в тестовой группе: 4,65%
7️⃣ общая конверсия в покупку в контрольной группе: 4,78%
👍4🔥1
👔 Вакансия: Product Analyst (экспансия)
💼 Компания: L’etoile Digital (РФ)
💢 Категория: #ПродуктовыйАналитик
🧑🎓 Грейд: #Junior #Middle
🕒 Тип занятости: Полная
📋 Формат работы: Гибрид / Удаленная работа
🌐 Ссылка на вакансию: Product Analyst (экспансия)
👨🏻💼 Контакт: @e_vetkasova
⚠️ P.S. Если заинтересовала вакансия, то прикладывайте резюме и направляйте их выше указанному контакту в ТГ.
🔵 L’etoile Digital - это аккредитованная IT-компания Л'ЭТУАЛЬ. Компания активно развивает и создает уникальные ИТ-продукты: мобильное приложение, сайт Л'ЭТУАЛЬ (App+Web) и мобильное приложение для продавца и не только.
💻 IT стек:
▫️ MS SQL Server / ClickHouse / PostgreSQL / DBeaver
▫️ MS Power BI / Data Lens
▫️ Apache Airflow, Gitlab
▫️ Python/ Jupyter Hub
▫️ Google Analytics / Яндекс Метрика / AppMetrica /AppsFlyer
🔰 Задачи:
▫️ Разрабатывать иерархию/пирамиду метрик и определять ключевые драйверы роста продукта;
▫️ Рассчитывать и мониторить ключевые метрики продукта;
▫️ Заниматься построением продуктовых и маркетинговых воронок;
▫️ Запускать A/B тесты и подводить их итоги;
▫️ Рассчитывать инкремент от внедрения продуктовых фичей;
▫️ Разрабатывать новые витрины данных на основе разных внутренних и внешних источников данных;
▫️ Заниматься построением и автоматизацией отчетов и дашбордов в BI;
▫️ Заниматься поиском инсайтов и проведением исследований в рамках продукта;
▫️ Заниматься построением и разработкой макро-продуктовой модели;
▫️ Заниматься разметкой сайта и мобильное приложение;
▫️ Заниматься прогнозирование ключевых метрик продукта;
▫️ Выполнять Ad-hoc запросы от PM / CPO.
📚 Требования:
▫️ Опыт в продуктовой аналитики от 1 года;
▫️ Отличное знание SQL (вложенные запросы, оконные функции, обобщенные табличные выражения (CTE);
▫️ Опыт анализа реальных данных на Python;
▫️ Опыт практического проведение и запуска A/B тестов;
▫️ Опыт работы с одной с BI-систем: MS Power BI / Tableau / Qlik Sense / Apache Superset
▫️ Опыт работы c инструментами Web / App аналитики: Google Analytics / Яндекс Метрика / AppMetrica / Appsflyer;
▫️ Опыт работы c событийной аналитикой;
▫️ Опыт построения конверсионных воронок:
▫️ Базовые знания и владения основными инструментами математической статистики.
💼 Компания: L’etoile Digital (РФ)
💢 Категория: #ПродуктовыйАналитик
🧑🎓 Грейд: #Junior #Middle
🕒 Тип занятости: Полная
📋 Формат работы: Гибрид / Удаленная работа
🌐 Ссылка на вакансию: Product Analyst (экспансия)
👨🏻💼 Контакт: @e_vetkasova
⚠️ P.S. Если заинтересовала вакансия, то прикладывайте резюме и направляйте их выше указанному контакту в ТГ.
🔵 L’etoile Digital - это аккредитованная IT-компания Л'ЭТУАЛЬ. Компания активно развивает и создает уникальные ИТ-продукты: мобильное приложение, сайт Л'ЭТУАЛЬ (App+Web) и мобильное приложение для продавца и не только.
💻 IT стек:
▫️ MS SQL Server / ClickHouse / PostgreSQL / DBeaver
▫️ MS Power BI / Data Lens
▫️ Apache Airflow, Gitlab
▫️ Python/ Jupyter Hub
▫️ Google Analytics / Яндекс Метрика / AppMetrica /AppsFlyer
🔰 Задачи:
▫️ Разрабатывать иерархию/пирамиду метрик и определять ключевые драйверы роста продукта;
▫️ Рассчитывать и мониторить ключевые метрики продукта;
▫️ Заниматься построением продуктовых и маркетинговых воронок;
▫️ Запускать A/B тесты и подводить их итоги;
▫️ Рассчитывать инкремент от внедрения продуктовых фичей;
▫️ Разрабатывать новые витрины данных на основе разных внутренних и внешних источников данных;
▫️ Заниматься построением и автоматизацией отчетов и дашбордов в BI;
▫️ Заниматься поиском инсайтов и проведением исследований в рамках продукта;
▫️ Заниматься построением и разработкой макро-продуктовой модели;
▫️ Заниматься разметкой сайта и мобильное приложение;
▫️ Заниматься прогнозирование ключевых метрик продукта;
▫️ Выполнять Ad-hoc запросы от PM / CPO.
📚 Требования:
▫️ Опыт в продуктовой аналитики от 1 года;
▫️ Отличное знание SQL (вложенные запросы, оконные функции, обобщенные табличные выражения (CTE);
▫️ Опыт анализа реальных данных на Python;
▫️ Опыт практического проведение и запуска A/B тестов;
▫️ Опыт работы с одной с BI-систем: MS Power BI / Tableau / Qlik Sense / Apache Superset
▫️ Опыт работы c инструментами Web / App аналитики: Google Analytics / Яндекс Метрика / AppMetrica / Appsflyer;
▫️ Опыт работы c событийной аналитикой;
▫️ Опыт построения конверсионных воронок:
▫️ Базовые знания и владения основными инструментами математической статистики.
hh.ru
Вакансия Product Analyst Junior + (экспансия) в Москве, работа в компании Лэтуаль Диджитал (вакансия в архиве c 5 декабря 2024)
Зарплата: не указана. Москва. Требуемый опыт: 1–3 года. Полная занятость. Дата публикации: 02.12.2024.
🔥4❤1
💸💸💸 Метрики дохода продукта. Часть-2: #product_metrics #собеседование
Метрики дохода E-COM продукта: Web / App
(Revenue Metrics) :
✔️ 11. ARPDAU / ARPWAU / ARPMAU - это средняя выручка на одного пользователя на сайте или в мобильном приложении за n-период времени. ARPDAU/ ARPWAU/ ARPMAU: Average Revenue Per DAU/ WAU/ MAU.
✔️ 12. ARPU (Average Revenue Per User) - это средняя выручка на одного активного клиента на сайте или в мобильном приложении за n-период времени. Активный клиент - это клиент, который совершид хотя бы 1 покупку на сайте или в мобильном приложении за n-период времени, начиная с отчетной даты, как правило за последние 6,12,24 месяца. Выбор оптимального периода времени для расчета активной клиентской базы зависит от среднего срока жизни клиента на продукте.
✔️ 13. ARPPU (Average Revenue Per Paying User) - это средняя выручка на одного покупателя на сайте или в мобильном приложении за n-период времени.
✔️ 14. CLTV (Customer Life Time Value) - это суммарная ценность клиента, которая равна его общей сумме покупок на сайте или в мобильном приложении за n-период времени, равному среднему сроку жизни клиента на продукте. Метрика CLTV может рассчитываться как на фактических данных в разрезе когорт по сроку жизни клиента на продукте, так и быть прогнозной метрикой.
✔️ 15. CAC (Customer Acquisition Cost) - это метрика, которая показывает стоимость привлечения одного покупателя в разрезе маркетинговых каналов за n-период времени. Как правило метрику CAC используют для построения Unit-экономики продукта или для оценки эффективности работы маркетинга, сравнивая её с LTV.
Метрики дохода E-COM продукта: Web / App
(Revenue Metrics) :
✔️ 11. ARPDAU / ARPWAU / ARPMAU - это средняя выручка на одного пользователя на сайте или в мобильном приложении за n-период времени. ARPDAU/ ARPWAU/ ARPMAU: Average Revenue Per DAU/ WAU/ MAU.
Формула = 1. GMV_daily / DAU, 2. GMV_weekly / WAU, 3. GMV_monthly / MAU
✔️ 12. ARPU (Average Revenue Per User) - это средняя выручка на одного активного клиента на сайте или в мобильном приложении за n-период времени. Активный клиент - это клиент, который совершид хотя бы 1 покупку на сайте или в мобильном приложении за n-период времени, начиная с отчетной даты, как правило за последние 6,12,24 месяца. Выбор оптимального периода времени для расчета активной клиентской базы зависит от среднего срока жизни клиента на продукте.
Формула = GMV / Active Client Base за период
✔️ 13. ARPPU (Average Revenue Per Paying User) - это средняя выручка на одного покупателя на сайте или в мобильном приложении за n-период времени.
Формула = 1. GMV_daily / DAC, 2. GMV_weekly / WAC, 3. GMV_monthly / MAC
✔️ 14. CLTV (Customer Life Time Value) - это суммарная ценность клиента, которая равна его общей сумме покупок на сайте или в мобильном приложении за n-период времени, равному среднему сроку жизни клиента на продукте. Метрика CLTV может рассчитываться как на фактических данных в разрезе когорт по сроку жизни клиента на продукте, так и быть прогнозной метрикой.
✔️ 15. CAC (Customer Acquisition Cost) - это метрика, которая показывает стоимость привлечения одного покупателя в разрезе маркетинговых каналов за n-период времени. Как правило метрику CAC используют для построения Unit-экономики продукта или для оценки эффективности работы маркетинга, сравнивая её с LTV.
Формула = Расходы на рекламу / Кол-во покупателей
👍3🔥1😎1
🕹🕹🕹 Калькуляторы для расчета оптимального размера выборки (n) в A/B тестах #statistics #ab_testing
🖥 Список самых популярных и часто применяемых Sample Size Calculators от команды Product Analytics 404:
▪️ 1. Evan Miller : Evan's Awesome A/B Tools
▪️ 2. AB Testguide : A/B-test size calculator
▪️ 3. STATSIG : Sample size calculator
▪️ 4. ABTasty : ABTasty Sample Size Calculator
▪️ 5. Statology : Statology Statistic Calculators
▪️ 6. Speero by CXL : A/B test Calculator
▪️ 7. Adobe Target : Adobe Target Sample Size Calculator
▪️ 8. Maestro : Maestro A/B Test Calculator
📋 Список комментариев по Sample Size Calculators:
▪️ Первые 4 калькулятора - это канонические инструменты для расчета оптимального размера выборки (n) в A/B тестах для конверсионных метрик.
▪️ Statology Statistic Calculators - это разные полезные статистические калькуляторы, где в том числе есть раздел: "Sample Size Calculators" с калькуляторами для расчета оптимального размера выборки (n) в A/B тестах как для конверсионных метрик, так и для количественных и метрик отношения.
▪️ A/B test Calculator от Speero by CXL - это калькулятор, где при выборе вкладки: "Pre-Test Analysis" есть удобная таблица, которая наглядно показывает зависимость размера выборки (n) / срока проведения A/B теста (t) от выбранного значения MDE целевой метрики.
▪️ Adobe Target Sample Size Calculator - это калькулятор расчета оптимального размера выборки (n) в A/B тестах как для конверсионных метрик, так и для метрик отношения.
▪️ Maestro A/B Test Calculator - это наиболее простой и интуитивно понятный калькулятор в использовании для расчета оптимального размера выборки (n) в A/B тестах, очень похож визуально на калькулятор от Mindbox.
🖥 Список самых популярных и часто применяемых Sample Size Calculators от команды Product Analytics 404:
▪️ 1. Evan Miller : Evan's Awesome A/B Tools
▪️ 2. AB Testguide : A/B-test size calculator
▪️ 3. STATSIG : Sample size calculator
▪️ 4. ABTasty : ABTasty Sample Size Calculator
▪️ 5. Statology : Statology Statistic Calculators
▪️ 6. Speero by CXL : A/B test Calculator
▪️ 7. Adobe Target : Adobe Target Sample Size Calculator
▪️ 8. Maestro : Maestro A/B Test Calculator
📋 Список комментариев по Sample Size Calculators:
▪️ Первые 4 калькулятора - это канонические инструменты для расчета оптимального размера выборки (n) в A/B тестах для конверсионных метрик.
▪️ Statology Statistic Calculators - это разные полезные статистические калькуляторы, где в том числе есть раздел: "Sample Size Calculators" с калькуляторами для расчета оптимального размера выборки (n) в A/B тестах как для конверсионных метрик, так и для количественных и метрик отношения.
▪️ A/B test Calculator от Speero by CXL - это калькулятор, где при выборе вкладки: "Pre-Test Analysis" есть удобная таблица, которая наглядно показывает зависимость размера выборки (n) / срока проведения A/B теста (t) от выбранного значения MDE целевой метрики.
▪️ Adobe Target Sample Size Calculator - это калькулятор расчета оптимального размера выборки (n) в A/B тестах как для конверсионных метрик, так и для метрик отношения.
▪️ Maestro A/B Test Calculator - это наиболее простой и интуитивно понятный калькулятор в использовании для расчета оптимального размера выборки (n) в A/B тестах, очень похож визуально на калькулятор от Mindbox.
www.evanmiller.org
Sample Size Calculator
Visual, interactive sample size calculator ideal for planning online experiments and A/B tests.
🤓4🔥1
👁🗨👁🗨👁🗨 Подготовка к IT-собеседованию. SQL-задачи и вопросы. Часть-6: #sql_задачи #собеседование
🟢 Дом-клик. SQL-вопрос на позицию product analyst.
💻 Данные: Есть таблица:
- transactions - таблица с информацией о транзакциях
⚠️ Комментарий: Таблица transactions содержит актуальную информацию и статусы по транзакциям клиентов банка на текущий день. Поле transac_id это уникальный идентификатор строки в таблице, по которому не может быть повторяющихся записей в ней, но произошла ETL-ошибка при обновлении таблицы transactions и появились дубли по некоторым транзакциям.
⁉️ Вопрос-1: Как найти дубли по полю transac_id в таблице transactions?
⁉️ Вопрос-2: Как вывести информацию только по дублирующимся записям по полю transac_id в таблице transactions?
P.S. Ваши варианты ответов оставляйте в комментариях. Также там можно будет свериться с правильными ответами через некоторое время.
🟢 Дом-клик. SQL-вопрос на позицию product analyst.
💻 Данные: Есть таблица:
- transactions - таблица с информацией о транзакциях
⚠️ Комментарий: Таблица transactions содержит актуальную информацию и статусы по транзакциям клиентов банка на текущий день. Поле transac_id это уникальный идентификатор строки в таблице, по которому не может быть повторяющихся записей в ней, но произошла ETL-ошибка при обновлении таблицы transactions и появились дубли по некоторым транзакциям.
⁉️ Вопрос-1: Как найти дубли по полю transac_id в таблице transactions?
⁉️ Вопрос-2: Как вывести информацию только по дублирующимся записям по полю transac_id в таблице transactions?
P.S. Ваши варианты ответов оставляйте в комментариях. Также там можно будет свериться с правильными ответами через некоторое время.
👍6🔥1
Product Analytics 404
👁🗨👁🗨👁🗨 Подготовка к IT-собеседованию. SQL-задачи и вопросы. Часть-6: #sql_задачи #собеседование 🟢 Дом-клик. SQL-вопрос на позицию product analyst. 💻 Данные: Есть таблица: - transactions - таблица с информацией о транзакциях ⚠️ Комментарий: Таблица transactions…
Ответ-1:
Select transac_id, count(*) from transactions
group by transac_id
having count(*)>1
✍2
Product Analytics 404
👁🗨👁🗨👁🗨 Подготовка к IT-собеседованию. SQL-задачи и вопросы. Часть-6: #sql_задачи #собеседование 🟢 Дом-клик. SQL-вопрос на позицию product analyst. 💻 Данные: Есть таблица: - transactions - таблица с информацией о транзакциях ⚠️ Комментарий: Таблица transactions…
Ответ-2:
Select * from transactions
where transac_id in (select transac_id from transactions
group by transac_id
having count(*)>1)
🤯3👍2