Growth Lab
3.56K subscribers
15 photos
56 links
Пишу о маркетинге и росте IT-продуктов. Growth Manager в Яндекс.

Рекламу не размещаю.
Download Telegram
Часто ли вам приходилось «гуглить» постоянно обновляющиеся термины и понятия из digital-маркетинга?
Даже опытные маркетологи порой путают или не знают всей терминалогии.
Давайте это исправим!

Собрал для вас глоссарии основных направлений digital-маркетинга — 6 отраслевых словарей.
Отдельное спасибо ребятам из IAB Russia за подготовку глоссариев.

1. Словарь нативной рекламы;
2. Словарь Smart TV рекламы;
3. Словарь мобильной рекламы;
4. Словарь аудиорекламы;
5. CPA словарь;
6. Словарь онлайн-брендинга.

Изучайте сами и делитесь с коллегами.
Всем знаний!
Периодически мониторю producthunt.com, смотрю какие новые продукты появились, и как они могут помочь в работе маркетолога.
Сделал подборку интересных сервисов, что вышли совсем недавно.

1. Direktor — сервис для А/B тестирования от Bit.ly.
Direktor прост в использовании.
Добавляете несколько сайтов, те, что хотите протестировать, и сервис выдаст вам одну ссылку с редиректом.
Далее ведете трафик на эту ссылку, а сервис равномерно распределяет трафик по нужным вам страницам. Все просто.

2. UXReality — сервис превращает любое мобильное устройство в инструмент для изучения поведения пользователей. Сможете смотреть глазами пользователей, понимать их чувства, слушать, что они говорят.

3. Popsters 2.0 — сервис позиционирует себя, как первый в мире аналитический инструмент для TikTok.
Но умеет анализировать и другие соц.сети (всего 12 соц.сетей)

4. Krisp for iOS — бесшумный конференц-зал с мобильного телефона в любом месте. Сервис с помощю AI приглушает фоновый шум, оставляя только чистый человеческий голос. Как по мне — крутая технология!

5. Obviously AI — Data science без кода.
Сервис позволяет запускать сложные прогнозы и аналитику из интерфейса. Никакого кода и никаких хлопот. Потестируйте, может у вас корректно сработает.

6. SEO Heartbeat — Сервис SEO-аудита.
Да, таких сервисов много, но SEO Heartbeat утверждают, что они дешевле и производительнее конкурентов. Весомый аргумент, стоит это проверить.

7. 30 seconds of code — для тех, кто хочет научиться программировать. Обучающий ресурс в виде большой коллекции из 500+ коротких фрагментов кода на JavaScript, Python, CSS и React.

Вообще на producthunt.com каждый день выходят новые продукты/стартапы. Много интересных, посмотрите на досуге)
Не могу не поделиться с вами переводом прекрасной серии постов про создание и масштабирование маркетплейсов.
Автор постов — Lenny Rachitsky, раньше работал в роли Growth продакт-менеджера в Airbnb.

Lenny взял интервью у десятков людей, которые строили и масштабировали самые успешные маркетплейсы в мире (Airbnb, DoorDash, Thumbtack, Etsy, Uber и т.д). Далее он объединил их уроки в гайд по запуску, масштабированию и развитию маркетплейса.

Большое спасибо «GoPractice!» за перевод!

Приятного чтения.

Первая часть: Ограничение рынка маркетплейса;
Вторая часть: Решение, на какой стороне маркетплейса фокусироваться;
Третья часть: Привлечение первоначального предложения.

Продолжение следует...
Решил сделать единую статью-инструкцию, которая объединит все нужные материалы по работе с Google Tag Manager в одном месте.

При любом вопросе, касающимся менеджера тегов, в этой статье вы найдете ответ. От самых базовых вещей (что такое GTM, какие бывают типы триггеров и т.д) до работы с dataLayer и CSS-селекторами.

Сгруппировал информацию в статье максимально удобным образом.
Начинающий специалист сможет легко и структурированно изучить все тонкости работы с GTM, а опытный специалист может использовать статью, как справочник и обращаться к ней при необходимости.

Приятного изучения!)

Большая подборка материалов для изучения Google Tag Manager

Не забудьте поделиться с коллегами или просто с теми, кому может быть интересна статья.

Всем знаний!
Давно не делился с вами полезными книгами на канале.
Чтобы не спамить вас, я публикую прочитанные книги в таблице ресурсов, но не все оперативно мониторят изменения)
И во время карантина и всей этой ситуации можно больше времени уделить чтению.

В общем, делюсь.
Шесть книг, которые я прочел за последние три месяца и могу вам порекомендовать:

1. «Когда кофе и капуста конкуренты. Станьте непревзойденными в создании востребованных продуктов» Алан Клемент.
Книга целиком про один классный фреймворк, о котором, к сожалению, знают немногие: Jobs-To-Be-Done (JTBD)
По ссылке можно скачать книгу бесплатно.

2. «Взлом креатива» Майкл Микалко.
Автор разбирает разные методы мышления таких людей, как Альберт Эйнштейн, Леонардо да Винчи, Ричард Фейнман и многих других.
В книге вы найдете много методов, чтобы мыслить нестандартно и создавать новые идеи.

3. «Измеряйте самое важное» Джон Дорр.
Книга про методологию OKR (Objectives and Key Results).
Эта система помогла Google и Intel показать значимый рост. Сейчас среди приверженцев OKR — Dropbox, LinkedIn, Oracle, Slack, Spotify и Twitter и т.д.

4. «Вопросы — это ответы» Хэл Грегерсон
Продуманная постановка вопросов способна помочь в решении сложных проблем.
Лучше всего о важности формулирования вопросов говорил Альберт Эйнштейн:
«Если бы у меня был один час для решения проблемы, от которой зависела моя жизнь, я бы потратил первые 55 минут на то, чтобы сформулировать вопрос; потому что если ты задаешь правильный вопрос, проблему можно разрешить менее чем за 5 минут».

5. Intercom on Product Management
Название говорит само за себя. Небольшая книга про продакт менеджмент от Intercom.
Бесплатную книгу можно скачать тут (Книга на Eng)

6. «Голая статистика. Самая интересная книга о самой скучной науке».
На самом деле, статистика очень интересна и практична, так как отвечает на очень много важных вопросов:

Как Netflix определяет, какие фильмы вам понравятся?
Какое поведение является правильным при решении «Парадокса Монти Холла»?
Как определить, какие привычки и поведение вызывают рак, не ставя эксперименты на людях?
Книга стоит того, чтобы её прочитать.
Наблюдая за работой множества маркетинговых команд, заметил, что многие допускают одни и те же ошибки в процесс поиска, приоритизации и тестирования гипотез.

Написал статью, где пошагово расписываю весь процесс. Старался дать сложный материал максимально просто.

Из статьи вы узнаете, как формировать бэклог гипотез и приоритизировать их по ICE Score и PXL-фреймворку. Как проводить A/B-тестирование. Научитесь рассчитывать размер выборки, доверительный интервал, статистическую мощность и статистическую значимость.

При написании я ориентировался на маркетинговые и Growth-команды, учтите, что для других команд процесс может не подойти.

https://growth-lab.pro/growth-marketing-process

Изучайте сами и делитесь с коллегами.
Всем знаний!
Друзья, 29 апреля каналу исполнился 1 год (а вас уже более 3 600 — это очень круто!)

За год я опубликовал много статей, гайдов и т.д, а их суммарное количество просмотров превысило 400К. Надеюсь, они помогли вам в работе 😊
И как вы могли заметить, на канале никогда не было рекламы, да и не планируется в ближайшее время.

Это я всё к чему, если вам нравится этот канал, поделитесь ссылкой на него с друзьями: https://t.me/proroas

Сделаем знания открытыми!

Еще я есть на Facebook — добавляйтесь (art.saygin)
Друзья, делюсь с вами крутым сервисом для маркетологов.
Он содержит 374 бесплатных шаблонов, так необходимых нам в работе.

Тут вы найдете шаблоны контент-планов, стратегий, анализа конкурентов, SEO-аудита и многое другое.

Забирайте: 374 Free Resources for Marketing
У меня есть одна сильная, но недооцененная статья.
Немногие из вас её видели, т.к статью публиковал исключительно на своём сайте (на VC или Хабр её не найти). А в то время на канале было меньше 1000 подписчиков.

И сейчас, во времена удаленной работы, когда тяжело соблюдать work–life balance и высокий уровень продуктивности, самое время рассказать о ней еще раз.

Статья об Agile Results - подходе, направленном на достижение значимых результатов.

Метод основан на Agile software development, а автором системы является J.D. Meier — топ-менеджер в команде разработчиков Microsoft Enterprise Strategy.

Ключевыми особенностями подхода Agile Results являются:

1. Ориентация на достижение результатов, а не на выполнение задач;
2. Гибкость, постоянная адаптация к происходящим изменениям;
3. Простая, но эффективная методика расстановки приоритетов;
4. Ограничение временных и энергетических ресурсов для достижения лучших результатов;
5. Непрерывное совершенствование и развитие всех аспектов личности и самой системы.

Ссылка на статью: https://growth-lab.pro/agile-results

Эта статья поможет вам стать продуктивнее.
Добавляйте в закладки и делитесь с коллегами.

Скоро увидимся, готовлю для вас крутой материал.
Я немного запоздал с публикацией статьи, да и вообще давно ничего не писал — исправляюсь.
Прежде чем перейдем к новой статье, небольшое объявление.
Я переименую канал, т.к. всё больше пишу не о маркетинге, а, в целом, о росте продуктов.

А теперь статья)

Сегодня поговорим про инкрементальность (как не купить свою органику).

Каждый день компании теряют значимую часть бюджета на пользователей, которых получили бы и так, бесплатно. Представьте, что вы могли бы знать, какая часть маркетингового бюджета расходуется впустую, и сэкономить её. Статья в этом поможет.

Что вы узнаете из статьи:

- Что такое инкрементальность и фундаментальный принцип расчета, который применим ко всем каналам, источникам и нужным вам ключевым показателям (как revenue и т.д.)
- Поймете, как инкрементальность пересекается с атрибуцией.
- И главное — как с помощью этих данных сделать маркетинговую стратегию эффективнее.

Поехали.

Как не купить свою органику — гайд по инкрементальности в маркетинге.
Впереди новогодние праздники, а значит будет немного времени (я на это надеюсь) для изучения чего-то нового. Как насчет погружения в индустрию мобильных игр?

Сделал для вас подборку бесплатных курсов от devtodev.
Разработка, дизайн, аналитика и маркетинг мобильных игр, всё на одной платформе и в удобном формате.
Приятного изучения 😉

1. Маркетинг мобильных игр: базовый курс.
2. Игровая аналитика: от основ к продвинутым методам.
3. Введение в геймдев: Первый системный онлайн‑курс об игровой индустрии.
4. App Store Optimization: от простого к сложному.
5. Гиперказуальные игры: просто - не значит легко.
6. Разработка инди-игры: от идеи до релиза.
7. Геймдизайн: как делать игры, которые нравятся и приносят деньги.

Это не все курсы от devtodev, посмотрите на сайте, там их немного больше, чем я указал.
Изучайте сами и делитесь с коллегами.
Всем знаний и увидимся в следующем году.
Сегодня я расскажу про возможности бесплатного обучения в Яндексе, о которых вы могли не знать.

В этом году Академия Яндекса открывает бесплатный набор в четыре школы: разработки интерфейсов, бэкенд-разработки, мобильной разработки и дизайна. Ещё есть школа продакт-менеджеров, но набора в нее я пока не вижу. Так что, если интересно изучить новую профессию, или вы только начинаете свой путь в IT-индустрии — вэлкам. Очень хороший старт и возможность поработать с реальными продуктами Яндекса.
Набор скоро откроется, тут можете подробнее изучить: https://academy.yandex.ru/schools

Также Академия ведёт крутейший YouTube канал: https://www.youtube.com/c/АкадемияЯндекса.
Ребята выкладывают записи с прошедших потоков школ и многое другое.
Лично я посмотрел всё, что связанно с управлением проектами и продуктом, а также дизайном. Как по мне, из этого YouTube-канала можно почерпнуть гораздо больше, чем из многих платных курсах.

Ну и конечно я не могу не упомянуть Школу анализа данных (ШАД) — это бесплатная (если пройдете вступительные испытания) двухгодичная программа для тех, кто хочет стать продвинутым Data Scientist. Следующий набор начнётся в апреле, так что ещё есть время подготовиться. Я поступать в ШАД пока не планирую, но точно буду проходить весь материал, как зритель.

Подробнее тут: https://yandexdataschool.ru

Как видите, Яндекс предоставляет массу возможностей для бесплатного обучения, было бы желание, а время найдется. 😉
Не забудьте поделится с теми, кому эта информация может быть важной.
Апрель в этом году прекрасен по двум причинам:
во-первых — исполняется два года каналу «Growth Lab», и лучшее поздравление — рассказать о канале знакомым, тем, кому он будет полезен;
во-вторых — уже год, как я работаю в Геосервисах Яндекса.
И с удивлением обнаружил, что ничего о работе в Яндексе вам не говорил. Кем работаю? Что делаю?
Просто исчез на год). Пришло время рассказать.

Работаю я на позиции Growth Manager. Возможно вы ничего и не слышали о такой профессии, т.к она еще достаточно новая, и обязанности сильно различаются в зависимости от компании. Если объединить Product Growth (сотрудник отвечает за рост продуктовых метрик) и Growth Marketing (отвечает за развитие каналов привлечения и поиск новых) — получится то, чем я занимаюсь. Нахожусь на стыке диджитал-маркетинга и разработки продукта — ращу ключевые метрики через процесс исследований и постоянных экспериментов.

Работаю с выделенными под проекты кросс-функциональными командами, разработкой, продактами, продюсерами, аналитиками и еще много кем. Как-то так, если вкратце.

В статье (https://t.me/proroas/91) я раскрываю, как работаю по growth-процессу и детально описываю фреймворк. Почитайте, если ещё этого не сделали. Но это всего лишь часть моей работы, есть еще большой пласт аналитики, планирования, менеджерской работы с командами и т.д. Как-нибудь соберусь и напишу статью по росту продуктов и работе growth-команд, ну, или сделаю курс — почему бы и нет)
Начинать изучение новой области (особенно с нуля) всегда трудно.
Слишком много вопросов и неопределённостей: с чего начать, в правильную ли сторону двигаюсь и как не выгореть по пути.
Под «областью» я понимаю любой большой предмет, к примеру: python, статистика и т.д. Сегодня расскажу о своём подходе к обучению. Америку не открою, но может, что-то полезное, а главное, применимое в подходе найдёте.

Дисклеймер: Сжатие большой темы до одного поста естественно привело к n-количеству нераскрытых пунктов.

0. До того как приступить к изучению, стоит задаться вопросом: почему нужно потратить ресурсы на эту область, а не на другую? Сколько времени потребуется, и какой ожидаемый результат от изучения получу. Для меня область должна быть применимой, и, в идеале, применить её можно было уже по ходу обучения. Если нужно выбрать из нескольких областей, то на помощь приходит ICE score.

1. Определившись с областью, перехожу к исследованию. На первом этапе собираю как можно больше информации из всевозможных (проверенных) источников. Максимально широко охватываю область, насколько в изначальном понимании могу охватить. И первый этап переходит во второй.

2. Собрав предельный массив данных, начинаю чистить и валидировать информацию, структурируя её в основные, большие блоки mind map (использую сервисы Miro или Mindmeister). На выходе получается черновой план обучения, но пока без детальной проработки.

3. На третьем этапе выбираю источники получения информации: книги, курсы и т.д.

4. Выбрав источники, определяюсь с дедлайном и распределяю ресурсы — сколько часов могу выделить в день/неделю, и какие временные слоты подходят под это. Далее перехожу непосредственно к обучению.

5. Начинаю изучение с логического понимания области. Стараюсь понять в общих чертах, как всё устроено и работает, пока без погружения в детали, формулы и т.д. Когда логически всё становится понятно — перехожу к деталям.

6. Логическое понимание области перетекает в углубленное изучение. И mind map из этапа 2 декомпозируется на мелкие пункты, те в свою очередь на ещё более мелкие — подпункты. После всех итераций получаю готовый, проработанный план и осмысленный на логическом уровне. Конечно, план ещё будет дополняться с расширением знания в области.

Как вы могли заметить, я осознанно исключил поддержание уже изученных областей — это тема для отдельной статьи.
Хорошего дня!
Сделал подборку курсов, для тех, кто делает первые шаги в Data Science.
Делал изначально для себя, чтобы структурировать и упорядочить знания, но решил, что подборка будет полезна кому-то ещё.

Структура курсов:

1. Линейная алгебра и дискретная математика.
2. Статистика и теория вероятностей.
3. Python, SQL, R.
4. Машинное обучение.
5. Алгоритмы и структуры данных.
6. Нейронные сети и Deep learning.

Курсы упорядочил по степени необходимости, начиная с базовых знаний, без которых будет тяжело даваться дальнейшее изучение (линейная алгебра, статистика, базовое знание python и т.д.), переходя к более сложным.

Старался избавиться от избыточности, оставляя только самые ценные, на мой взгляд, курсы. Эти бесплатные курсы легко заменят вам платные.

https://habr.com/ru/post/584964/

Не забудьте поделится статьей с теми, кому она может быть важной.
Решил возобновить серию еженедельных постов, а точнее заметок. Так что не удивляйтесь, моему частому появлению 😊 учитывая, что это мой пятый пост за год.

И первая заметка, о которой сегодня поговорим – альтернативный способ поиска точек роста в продукте при анализе пользовательского пути.

Говоря о пользовательском пути, мы часто представляем его в виде воронки, где пользователи двигаются последовательно от шага 1 к шагу 2 и т.д., пока не дойдут до ключевой цели (или не отвалятся по пути). Воронки хорошо описывают путь и помогают верхнеуровнево увидеть проблему на каждом шаге.

Но, если детально проанализировать пути пользователей в продукте (от ивента к ивенту), то можно заметить, что он, зачастую, нелинейный и не вписывается в стандартную воронку. И чем сложнее и многосценарнее продукт, тем это заметнее. Нелинейность пути подталкивает нас к поиску нового метода анализа проблемных участков.

И один из них – анализ траекторий пользователей на графах.
Графы при правильном использовании помогают увидеть проблемы (точки роста) там, где не справляются стандартные методы.

Основные проблемы, которые можно найти при анализе траекторий:

1. Петли – повторение одного события в траектории пользователя.
2. Циклы – замкнутые траектории, как и петли, но включающие в себя больше одного события.
3. Точки торможения – точки, препятствующие быстрому прохождению до ключевой цели.
4. Точки отвлечения – лишние действия, которые уводят/отвлекают от целевого действия.

Но с графами не так всё просто. Нельзя взять и построить граф на всех данных, что у нас есть, так мы рискуем ничего не увидеть и потеряться в огромном количестве вершин и рёбер. Вначале нужно отходить от гипотез или кластерного анализа и далее переходить к построению и поиску аномалий.

Если хотите разобраться в теме подробнее, то копайте в сторону retentioneering.
Также есть бесплатная open-source библиотека на GitHub.

До встречи на следующей неделе.
Продолжаю разгребать свои черновики и публиковать заметки.

И сегодня мы поговорим про коэффициент конверсии (в дальнейшем CR), а точнее — очевидное заблуждение при её интерпретации.

Итак. Жизненная ситуация. Представим, что вы пришли работать продактом или маркетологом в небольшой стартап. На второй месяц работы вы с ужасом наблюдаете, что CR из перехода в лид упал с 10% до 8%. Начинаете проверять все факторы, которые могли бы повлиять на столь резкое падение, и не находите. Что тут не так?

Проблема кроется в неправильном понимании значения CR.
CR (как и любое другое историческое значение метрики) — не является абсолютным/истинным, это лишь оценка значения в прошлом.
А реальное значение лежит в «некоем интервале», которое нужно ещё рассчитать.
То есть коэффициент конверсии может «плавать» от месяца к месяцу без изменения продукта или рекламных кампаний, но в заданном интервале.

А поможет нам в более точном понимании реального CR — доверительный интервал.
Доверительный интервал с заданной вероятностью (уровнем доверия обычно равном 95%) показывает, что действительный показатель конверсии с вероятностью 95% находится в этом интервале значений. В нашем же примере реальная конверсия могла лежать в интервале от 8% до 12%. И падение до 8% не связано с какими-либо изменениями.

Я не буду расписывать, как считается доверительный интервал, т.к. в сети огромное количество статей на эту тему и уже готовых калькуляторов (пример бесплатного калькулятора).

В общем: если бы все при указании коэффициента конверсии указывали еще и его доверительный интервал — жить стало бы легче)

Хороших выходных и увидимся на следующей неделе
Поделюсь правилами, которых я придерживаюсь в экспериментах над посадочными страницами.
На самом деле, в них нет ничего новаторского – они логичны и просты, но почему-то про них мало кто вспоминает, когда дело доходит до экспериментов.

1. Все эксперименты должны идти последовательно, в виде древовидной структуры, т.е. новый эксперимент наследует результативность предыдущего, а не ломает его. И запускается он после того, как предыдущий уже в проде.

2. Несколько экспериментов можно запускать параллельно, если они не пересекаются -> находятся на разных этапах воронки и имеют разные метрики для оценки.

3. Не делаем выводы по эксперименту и не катим его в прод, пока данные не будут статистически значимыми.

4. Чтобы избежать ошибки преждевременных выводов (peeking problem), перед каждым экспериментом нужно производить расчет. Расчет поможет определить количество пользователей в выборке и продолжительность эксперимента. Продолжаем придерживаться этого расчета до выявления победителя.

5. Данные для выводов должны быть «чистыми» – очищены от фрода, асимметрии в выборках (должны быть репрезентативными), сезонных и недельных перекосов.

Также чтобы принять или отвергнуть нулевую гипотезу, выборки в тестовой и контрольной группах не должны отличаться, т.е должны быть одинаковые источники трафика, аудитории/таргетинги, креативы и т.д.
На днях прошёл второй курс от GoPractice — «Симулятор управления ростом продукта».
Курс вышел совсем недавно, и мало кто делился опытом прохождения. Расскажу о своём.

Когда курс анонсировали, и появилась возможность ознакомиться с его программой, я засомневался, а нужно ли мне его проходить. В программе я не увидел чего-то нового для себя. Но по опыту прохождения первого курса (а первый курс мне очень понравился) понимал, что второй будет не хуже, и что-то полезное точно смогу получить. В общем, решил его пройти. И ничуть не пожалел.

Во-первых, узнал куда больше нового, чем ожидал. По-другому взглянул на JTBD и product/market fit. Закрыл слепые зоны в моделях и циклах роста. Даже в максимально изученных мною областях, как product/channels fit, всё равно было что почерпнуть.

Во-вторых, структурировал накопленные знания. Отдельные методологии, фреймворки соединились в единую картину.

В-третьих, стал смотреть на рост продуктов шире — за рамками метрик и воронок.

Команда GoPractice большие молодцы, второй курс, как по мне, оказался даже лучше первого.