Я сегодня училка с тетрадками!

📜 Зачем нужны проверочные на листочках, это же прошлый век?

Меня в последнее время всё больше переполняют мысли о том, что образование чересчур уж резко укатилось в онлайн за время ковида. Да, слушать лекции откуда удобно - круто. Да, их можно пересматривать. Да, можно смотреть на 2х и в любое удобное время. Но кажется, что тут теряется нечто незримое - контакт преподавателя с аудиторией. Кто-то пытается его состроить через А НУ-КА ВСЕ ВКЛЮЧИЛИ КАМЕРЫ или ВСЕ ОБЯЗАНЫ ЗАДАТЬ ПО ОДНОМУ ВОПРОСУ, но все же понимают, что это совсем не то :)

Проверочные на листочках - своего рода метафора на это дело.
Проверять ответы в формах было бы сильно быстрее и проще. Там всё четко и структурно, человек либо ответил, либо нет.

А вот на листочках - всё веселее. Тут кто-то рисует хитрые схемки, кто-то подчеркивает для себя ключевые вопросы в условии и отвечает по блокам, кто-то рисует котиков на полях от скуки. Проверяя такие работы (при условии того, что их не особо много) можно ещё лучше понять студентов: как они мыслят, на каких местах запинаются, где начинают писать сильно быстрее, а где наоборот пишут медленно и вдумчиво. Вдвойне приятно когда ребята пишут ровно те формулировки, которые мы проговаривали на лекциях и рисуют очень похожие схемки.

В общем, когда преподаватель пытается чувствовать аудиторию - это круто.
А такие непривычные проверочные на листочках - просто ещё один инструмент для этого. И весьма действенный :)

Правило 10 тысяч часов не работает само по себе

Я тут недавно понял, что скоро у меня будет юбилей - 5 лет в анализе данных.
За это время я чем только не занимался: и модели машинного обучения катил в прод, и оптимизацию всего чего угодно в оффлайн-ритейле делал, и с BI плотно поработал, сейчас в Яндексе работаю с данными всесторонне.

Решил посчитать.
1. 1 год ≈ 247 рабочих дней
2. Я в среднем работаю часов 10-11 в день, возьмём по нижней планке, 10 часов
Итого, не считая различных курсов, преподавания и тд, получается 5*247*10 ≈ 12 350 часов. Получается, порог в 10 тысяч пройден.

Но неужели всё действительно так просто? Фармишь 10 тысяч часов и всё? Думаю, нет 🙂
Со временем ты начинаешь всё лучше замечать паттерны, быстрее придумывать эффективные решения и

А ещё не так давно я наткнулся на клёвый видос, в котором говорится, что правило 10 тысяч часов работает только когда выполнены 4 условия:
1. Когда окружаюшая среда предсказуема
2. Когда ты много раз повторяешь то, что ты делаешь
3. Когда ты регулярную получаешь обратная связь
4. Когда ты тысячи часов тратишь на сознательную практику

Я в целом согласен с доводами. Просто делать своё дело и копить 10 тысяч часов недостаточно. Очень важно выбирать комфортную среду, работать максимально осознанно и постоянно процессить поступающую обратную связь.

Кто узнает студию, на которой сегодня пишем курс?)

Делаю курс "Аналитика для руководителей"

Кажется про это не особо где-то тизерил, пора рассказать 🙂
Мы вместе с Женей, автором канала Нескучный Data Science, делаем на платформе KARPOV.COURSES (да-да, той самой!) курс для руководителей.

В чём задумка.
Глобально сейчас существует 3 типа компаний:
1. В которых культура работы с данными не выстроена совсем никак. Данные живут где-то как-то в экселях/1c'ке, на них через призму аналитики вообще никто не смотрит
2. В которых есть какая-то аналитика, но мало кто понимает что они делают и какую пользу можно за счёт работы с данными извлечь
3. Продвинутые компании, в которых есть аналитические/ds отделы, которые приносят много вэлью. Но большая часть компании всё равно не понимает что они делают)

Наш курс призван помочь всем людям, которые очень хотят понять что можно делать с помощью аналитики и машинного обучения. В первую очередь руководителям, которые хотят внедрять работу с данными в свои процессы.

Часть Аналитика (которую разрабатываю и записываю я) - про построение аналитчиеского фундамента. В ней рассказываю про метрики, про инструменты для анализа данных (BI, Excel, Python), про визуализацию данных, обзорно про АВ-тесты, про приоретизацию гипотез и много о чём ещё :)
Часть Data Science (которую ведёт Женя) - про применение машинного обучения для оптимизации бизнес-процессов. Там есть всё про жизненный цикл разработки и внедрения моделей: от выявления бизнес-проблем и постановки задачи, до конкретных моделей и способ их внедрения и мониторинга.

Накидывайте огонёчки в поддержку курса :)

Про типы личностей

Я тут недавно наткнулся на статью Вастрика (блогер, который пишет про технологии и многое вокруг них). Очень понравилась эта классификация, куда больше, чем многие другие. Как верно отметили в комментариях, это фактически наследие классов персонажей Адизеса.

При организации работы команды действительно важно как можно скорее понять, кто есть кто. И стараться подстраивать задачи под это. А еще более верхнеуровнево - стараться выстраивать баланс в компании, управляя привлекаемыми типами людей.

Выделяются 4 базовых типа:
- 🏃‍♂️ Хуятор - тот, который делает. Вот просто молча берёт и делает то, что нужно.
- 👩‍🔬 Экспериментатор - тот, который генерит бесконечное количество идей. Причём все эти идеи мега-важные и перспективные, делать надо как можно скорее
- 👨‍💼 Бюрократ - тот, который старается стандартизировать всё вокруг. И кого, в обратную сторону, бесит когда всё идёт неструктурно
- 🤝 Интегратор - тот, который старается подружиться со всеми и помочь всем

Причём эти базовые типы - только базисы. А каждый человек складывается из их набора с какими-то коэффициентами.

Я вот про себя сидел думал. Я бы сказал, что моя формула сейчас выглядит скорее как-то вот так: 0.2*Х + 0.4*Э + 0.05*Б + 0.35*И. Я очень люблю погружаться в новое, экспереметировать, в том числе и своими руками. Бюрократия меня переводит в состояние физической боли, но иногда она нужна (чтобы полной разрухи не случилось).

А как вы думаете, кто вы в большей степени?

Ух и долгими же перерывами меня не бывает здесь... Торжественно клянусь, что постараюсь писать сюда чаще. А то какой-то неправильный из меня блогер получается 🙂

🌞 Про страны в Азии для Цифрового кочевничества. И про удобство!

За последние полгода у меня произошла кучу всего - я женился и уехал в 2-месячное путешествие по Азии (Бали-Сингапур-Вьетнам-Гонконг). Часть этих 2 месяцев покрыл отпуском, а часть - работал. В связи с этим, хочу поделиться кучкой инсайтов и мыслей про работу из жарких стран.

Коротко про страны:
- Бали - не для всех. Очень жарко и влажно, трафик бешеный, без скутера жить сложно. Местами - прям дорого. Своя культура, которой проникнется не каждый. Но красиво!
- Сингапур - круто, стоит побывать. Город будущего. Много культур, очень зелено и богато
- Вьетнам - восторг. Я был в Дананге, там огромный пляж, добрые вьетнамцы, в меру тепло (+25), куча еды со всего света. Колоритно, но мне очень зашло
- Гонконг - стильно, модно, молодежно. Посмотреть стоит точно!

Коротко про работу на удаленке из других стран:
1. Закладывайте время на адаптацию
Иногда бываетm что считаешь примерно вот так: приеду на место проживания в 9 утра, в 10 работа, после работы пойду гулять. Оно так не работает, перелеты (особенно долгие) выматывают. Надо закладывать время на восстановление.
2. Заранее позаботьтесь о месте работы и стабильном интернете
Лично я всегда старался находить хорошие коворкинги с переговорками и интернетом 100+ Мбс. Это позволяет не отвлекаться на ерунду вроде обрывов связей или прибежавших откуда-то обезьян 🙂
3. Имейте запасную технику
У меня лично было полное дублирование: 2 ноута, 2 зарядки, 2 наушников и т.д. Сильно спокойнее иметь всё запасное, а не мотаться по всему городу в поисках нужной вам техники.
4. Заранее продумайте быт и досуг
Поищите локальные чатики, изучите гугл-мэпс, поспрагивайте друзей. Заранее найдите кафешки, прачечные и места, куда вы бы хотели съездить. Тогда вам не придется тратить на это драгоценное время
5. Если собираетесь в Азию - лучше возьмите пару уроков по вождению скутера
В Азии есть свои правила, про которые лучше узнать заранее. А если вы не ездили на мотиках до этого - вдвойне полезно 🙂


Накидайте ❤️ если вам интересно послушать про путешествия. И 🔥 - если интересно послушать про быт на удаленке 🙂

🚀 Про ключевые навыки в современном мире. Часть 1

Очень часто задаюсь в последнее время вопросами касательно того, какие навыки наиболее ценны сейчас. На работе, в быту, в повседневной жизни. И сформировал для себя некоторый топ.

Навык 1. Умение задавать вопросы
Если не понимаешь что-то - спроси! Кажется, настолько очевидная штука, но почему-то не у всех так работает. Источники ответов очень быстро эволюционировали за последние ~30 лет: от умных коллег и книг к поисковикам и умным LLM-кам. Сейчас можно быстро найти ответы на 99% повседневных вопросов, важно уметь их правильно задавать.

Важно:
- Уметь четко и последовательно формулировать вопросы.
- Задавать вопросы нужным людям/системам. Если человек/
- Отличать адекватный ответ от полной дичи. Но с этим помогает скорее Навык 2

Навык 2. Критическое мышление
Нужно быстро отличать правду от неправды. Отличить в позиции человека/ответе поисковой выдачи/ответе chatgpt то, что имеет право на существование, от противоположенного бывает очень сложно. Но если это не отсекать - вы погибните в том потоке информации, который на вас валится.

Несколько понятных проявлений критического мышления в жизни/работе:
- Если делаете аналитику на работе - проверьте её "на дурака" прежде чем отдавать руководителю. Что метрики находятся в разумных пределах и бьются с вашим представлением и мире
- Если вы видите некоторый факт и он вас тревожит - приземлите это на статистику. Возможно, статистика будет говорить об обратном.
- Если вы чувствуете, что прожигаете зря своё время занимаясь чем-то - сядьте и трезво оцените на что и с какой пользой вы его можете тратить. Тут же вы можете уйти в Навык 1 чтобы задать себе правильные вопросы.

🚀 Про ключевые навыки в современном мире. Часть 2
Тут уже идут менее очевидные навыки. Но они всё равно имеют большой вес 🙂

Навык 3. Умение и желание понимать что нужно людям.
Это в первую очередь относится к созданию своих проектов. Многие люди сильно зациклены вокруг своего восприятия мира. Очень важно периодически отзумиваться и понимать потребности/желания других людей.
Это работает везде: как в работе (понять, что в конечном итоге нужно другому подразделению), так и при построении отношений с людьми (понять, что наиболее важно для партнера).
Этот навык очень сильно коррелирует с другим - умение отзумиваться и видеть ситуацию шире, чем остальные. Для него даже есть специальный термин - Helicopter view

Навык 4. Адаптивность
Слышал статистику, что если раньше человек менял за жизнь 2-3 професии, то сейчас 7-8 - норма. Оригинал не нашёл, но про это писали например в этой статье в Forbes.
Это явно прослеживается в ситуации нашего переменчивого мира: кто-то жёстко фиксируется на текущем положении и яростно держится за него, а кто-то адаптируется к окружающей среде. Это было сильно заметно когда в свет выпустили первые версии ChatGPT. Адаптирующиеся сразу видели в этом новые возможности и испытывали их, а другие вовсю разгоняли темы формата 'конец близок', 'нас всех заменят' и т.д. Важно не быть другими. Из любой ситуации можно найти выход если хорошо искать. А нахождение выходов из ситуаций - вполне себе навык, который тоже стоит качать 🙂

Пока писал этот пост, накидал целый бэклог постов наперёд 🙂
Накидайте ❤️ если вам нравится такой формат 🙂

​🧠 Цикл Колба или как мы учимся

Не так давно узнал про такое понятие, как Цикл Колба - система, которая описывает буквально любой процесс обучения новому.
Это может быть что угодно: как изучение новых языков, так и изучение ранее незнакомых областей бизнеса

Ключевые постулаты:
1. Процесс обучения состоит из 4 этапов: Опыт (Наблюдаю и отмечаю для себя как что-то работает) -> Анализ (Пытаюсь понять взаимодействия внутри системы) -> Теория (Изучаю материалы и смотрю, как подобные задачи решают другие) -> Практика (применяю полученные знания для совершения действий)
2. Обучение - это цикл. Вы можете залететь в любой этап, но всё равно в той или иной степени вам придётся затронуть каждый из них
3. У каждого человека, как правило, есть персональный перекос в какую-то из частей. Кому-то больше нравится экспериментировать, а кому-то - изучать теоретические аспекты алгоритмов и систем
4. У компаний тоже есть перекосы в разные части цикла. Где-то больше концентрируются на практике и опыте, а где-то - на анализе и теории

Что из этого можно вынести:
1. Если вы руководитель - важно понять, что требуют от вас реалии компании и стараться наниматься соответствующих людей. Если компания предполагает, что 90% работы R&D - вам скорее нужны люди с перекосом в теорию (мыслители), а если предполагает быстрый рост бизнеса и огромное количество экспериментов - скорее с перекосом в практику (активисты)
2. Если вы изучаете новое - важно подумать о всех аспектах цикла. Пример: изучаю новый язык. Стоит спросить себя: по каким материалам стоит его изучать (теория)?; где я смогу потренироваться (практика)?; как я смогу пообщаться с носителем/экспертом (практика), который даст мне обратную связь (анализ)?
3. Если не можете понять другого человека - попробуйте разложить его образ мышления по циклу Колба. Возможно, он имеет перекос в совсем другую грань. Она у вас тоже есть, но, скорее всего, в других масштабах 🙂

💪 Про детский яркий запал при решении задач

Все мы были маленькими. Давайте вместе немного порефлексируем и вспомним себя в возрасте ~5-12 лет. Готов поспорить, что каждый из вас в этом возрасте чем-то ярко увлекался. Это может быть всё что угодно: от поделок из желудей до игр с друзьями во дворе до поздней ночи.
Помните тот яркий энтузиазм, которым вы тогда были зажжены? Когда вы были поглощены своим небольшим миром (который создавали сами) настолько, что не замечали как улетает время!

Так вот, мысль. Увлекаться чем-то настолько же ярко во взрослом возрасте - очень ценный скилл!
За последнее время я познакомился с большим количеством ребят, который горят своим делом и своими задачами. Горят в хорошем смысле! Они увлекаются этим настолько, что порой не замечают как пролетает время. Настолько, что когда они начинают говорить о своих проектах, у них буквально искры из глаз валят. Причём это не зависит от объёма проекта. Кто-то может с горящими глазами делать свой стартап, кто-то - строить аналитику в огромном сервисе, а кто-то - разрабатывать алгоритм оптимизации, метрику или дашборд.
Это безумно круто. Такие люди по-настоящему умеют заряжать своей энергетикой. И именно такие люди по-настоящему могут воодушевлять своё окружение и всех вокруг 🙂

О чём это я? Важно не давать рутине поглотить себя.
Если чувствуете, что тонете, предлагаю задать себе несколько вопросов:
1. А был ли у вас этот запал? Если да, то в какие моменты?
2. Как я могу сделать так, чтобы моментов из пункта 1 стало больше?
3. Какие активности наоборот уменьшают мой запал? В какие моменты я чувствую себя максимально прибито? Как можно минимизировать число таких моментов?
4. Насколько я эмоционально/физически устал? Может, стоит взять отпуск и уехать куда-нибудь на недельку, отключив все устройства?

By the way, умные дяди называют это состояние Состоянием потока. Даже книжки про это пишут!
Накидайте 🔥 под этим постом и раскроем тему подробнее!

💼 Роль аналитики в компании

Не так давно я выступил на конференции Analyst Days, где рассказал про роли аналитики в компании. Эта концепция далеко не моя авторская, напротив, я сформировал понимание касательно неё после общения с несколькими очень крутыми людьми.
На конференции тема вызвала живой интерес, поэтому решил рассказать про это здесь 🙂

Выбор вектора деятельности аналитики - важное решение, которое принимается на уровне руководителей аналитики/компании/конкретных стримов. При этом под вектором можно подразумевать не только конкретные проекты, но и сам подход к работе.
Этот подход задаёт темп всей аналитике компании. Но при этом от команды к команде роли аналитики могут в целом двигаться влево-вправо.
Так или иначе, четкое понимание того, куда вы попали или чем руководите, позволяет лучше понимать процессы и эффективнее работать.

Итак, 3 основных подхода:

1. Аналитика как сервис
Хорошо работает в сурово-бюрократических компаниях: банки, гос. компании и т.д.
Отличительные особенности: роль аналитиков - считать таблички и поддерживать имеющиеся процессы. Минимум тестов/новых проектов/доп. активностей.
В такие команды достаточно просто нанимать т.к. нужны ответственные исполнители, которые будут готовы жить в такой картинке мира. Ключевое - владение основных тех. скиллами на базовом уровне.

2. Аналитика как партнёр
Отлично работает в технологических компаниях
Отличительные особенности: большинство решений принимаются на основе аналитики и при высоком содействии с ней. Часть инициатив идёт именно от аналитических команд ("мы тут ковыряли данные и нашли интересные паттерны, давайте тестировать!")
Сюда уже сложнее нанимать - нужны проактивные ребята, которые будут готовы предлагать и проталкивать свои идеи. При этом харды требуются тоже выше чем в пункте 1.

3. Аналитика как лидер
Применима к тем областям и направлениям, где бизнес уже дорос до полной/почти полной автоматизации принятия решений. Примеры: расчёт стоимости доставки в сервисах Яндекса, автоматический заказ товаров в ритейле
Отличительные особенности: основные алгоритмы принятия решений находятся на стороне аналитики и расчитываются автоматически. Да, бизнес диктует условия, да, есть четкие рамки. Но рычаги принятия решений во многом на стороне аналитики.
Здесь нужны очень сильные руководители/менеджеры, которые будут поддерживать титул лидерства технической команды. И очень ответственные аналитики, которые будут и ответственно поддерживать текущие процессы, и постоянно генерить-проверять новые гипотезы для их улучшения

Накидайте 👍 если согласны с классификацией. И пишите в комментах, если считаете по-другому

[Опрос завершён] Расскажите кто вы и что вам интересно!

Решил провести небольшое исследование аудитории 🙂
У меня в заметках есть целая куча идей постов на разные темы, очень хочу их приоретизировать друг относительно друга.

Для этого хочется понять кто вы, что вам интересно и что вы уже знаете

Ставьте лайк если хотя бы раз чувствовали себя именно так при работе над проектами

🤖 Про использование ChatGPT в повседневной жизни

Я тут понял, что настолько пытался обойти боком хайп с LLM-моделями, что вообще ничего про это здесь не писал.
Хотя сам использую модельки буквально повседневно. Решил рассказать про свои самые частые/интересные кейсы использования. Думаю, многим будет полезно.
Использую чаще всего GPT-4 Omni

Итак, топ моих кейсов использования GPT-подоных моделей:

1. Быстрая справка по новой тематике
Формата ‘Чем инверторный кондиционер отличается неинвенторного, какие плюсы и минусы у обоих. Опиши кратко и по пунктам’.
Раньше подобные запросы приходилось искать в поиске и тратить время на анализ страничек, а сейчас умные LLM-ки готовы суммаризовать тексты за вас 🙂
Кстати, с этим классом задач очень круто справляется Нейро от Яндекса (почитать можно тут)

2 Суммаризация текстов
Если есть какая-то большая статья, из которой нужно выудить основную инфу, часто использую ChatGPT.
Промпт формата 'Привет, сегодня ты - суммаризатор статей, твоя задача - вытащить ключевые мысли текста и отразить их в структурном виде. Далее я пришлю тебе статью, после моего сообщения 'Статья всё, давай суммаризировать' пришли саммэри'.
Работает очень круто и экономит десятки часов времени

3. Написание нудных текстов
Часто (в основном по академической работе) бывает нужно писать большие нудные тексты. Из явных примеров - мне недавно нужно было написать отзыв студенту на диплом, я делал это силами чатгпт с промптами формата ‘Привет! Сегодня ты - научный руководитель крутого студента. Напиши что студент А - топовый чел, подчеркни его инициативность и ответственность. Распиши это в 5 предложениях на английском’.
Тут меня иногда гложет совесть, поэтому я обязательно перечитываю и правлю написанные тексты, но в качестве первых итераций текстов - работает очень круто

4. Быстрое написание кода
Объективно, написать кусок кода с помощью гпт сильно быстрее чем делать это руками. Мне периодически по работе приходится писать скрипты на питоне разной сложности. И я уже наловчился писать промпты формата ‘У тебя есть df1 и df2 - два датафрейма. Тебя интересуют только столбцы sku_name, category и weight. Напиши функцию, которая к каждому товару каждой строчки из df1 приделывает самый близкий товар по названию и весу той же категории’. Гпт прекрасно ест такие запросы и пишет вполне сносный код.
Кроме того, его можно отлично дотюнивать дозапросами формата 'закомментируй все основные действия' или 'используй fasttext для поиска похожих названий'. Кроме того, можно кидать ему куски кода с ошибками, он поможет разобраться откуда она может браться

5. [Внезапно] Решение сложных математических задач
Не так давно мне пришлось решить кучку задач по математической статистике. Достаточно сложных задач (уровня 2-3 курса аспирантуры ВМК). Там было всё: всевозможные случайные процессы, интегралы Ито, мартингалы... И на удивление ChatGPT в куче задач очень сильно помог с решением - давал очень правильные советы, а некоторые преобразования делал сам буквально от и до.
После этого я побаловался с задачами матана-линала-теорвера уровня 1-2 курса мехмата/вмк и он тоже отлично справился.
Очень интересно как живётся нынешним студентам и их преподавателям 🙂

А как вы используете LLM-ки в повседневной жизни? Поделитесь мыслями!
И накидайте 🔥 этому посту если тоже часто используете LLMки в повседневной жизни

👨‍🎨 Про аналитические слайды

У Ромы Маресова недавно вышел очень клёвый пост про оформление слайдов.
Пост на вес золота - лично я узнавал все эти правила на бою, кусочками, в основном от ребят ex-BCG/ex-McKinsey, которых не так просто найти 🙂

Хочу немного обогатить его аналитическими правилами при создании слайдов.
Их стоит использовать, когда вы показываете коллегам хоть сколько-то сложную аналитику.

1. Большинство людей - визуалы. Старайтесь использовать по-минимуму сырых табличек, по-максимуму графиков.
Если таблички всё-таки приходится показывать, постарайтесь выделить в них ключевые моменты жирным, чтобы у человека не было паники "ААА КУДА СМОТРЕТЬ В ПЕРВУЮ ОЧЕРЕДЬ?". Кроме того, в некоторых случаях уместно прикрутить условное форматирование, чтобы сразу смотреть на вылету в ту или иную сторону

2. Имейте аналитическую совесть! Если вы говорите про влияние факторов друг на друга (или корреляцию между ними), хорошо бы иметь под этим какую-то аналитическую основу (в виде регрессий-корреляций и тд). Сюда же ложится правило про дов. интервалы/статзначимые изменения. Если вы говорите что та или иная метрика изменилась, проверьте действительно ли это так статистически! И как минимум будьте готовы ответить на вопрос "а это значимо?", как максимум - указывайте это на слайдах

3. Всегда держите в уме уровень аналитической культуры тех коллег, кому вы рассказывате материал.
Если он не очень высок - стоит в начале рассказать про все основные метрики и терминологию. А если вы работаете с уже бывалыми заказчиками - скорее всего, нужно вводить только новые метрики/подходы. При этом важно понимать, что большинству ребят из бизнеса приходистя держать в голове кучу контекстов одновременно, поэтому лучше держать в бэкапе слайды про сложные детали рассказа.

4. Старайтесь максимально на пальцах рассказать про те алгоритмы, которые вы используете.
Очень часто аналитики делают невероятно сложные расчёты для оценки тех или иных величин. И нам это кажется обыденностью 🙂
Но при этом заказчики буквально тратят на размышления над этими алгоритмами меньше времени в силу, опять же, широты контекста!
Поэтому лично я считаю, что умение рассказать про сложные штуки на пальцах - ультра крутой навык.

5. Хак немного грязный, но применимый. Управляйте вниманием слушателя!
Вы можете сами направлять внимание слушателя по тому, как он рассматривает ту аналитику, которую вы подготовили.
Тут можно делать чекап: когда вы закончите подготовку материлов ко встрече, постарайтесь максимально обнулиться. Пройдитесь, послушайте музыку, съешьте что-нибудь вкусное. А потом постарайтесь пробежаться по слайдам взглядом человека, который видит их в первый раз. Куда бросается внимание? Что наоборот ускользает от взгляда и вызывает вопросы? Если эти вопросы возникли у вас, скорее всего они возникнут и у ваших слушателей 🙂

🗂 Аналитическая проблема папок в телеграмме. Или как убить качество юзеров продукта одним действием

---

На примере явления папок давайте рассмотрим одну из очень важных идей касательно метрик. А именно: важно чётко понимать какую метрику вы хотите максимизировать своими механиками

Например, в клиенских сервисах очевидная метрика - число новых юзеров. Если новых клиентов становится больше - всё хорошо, если нет - нет 🙂
Поверхностно оно так. Но если зарываться глубже, всё может быть сложнее.
В этом примере число новичков - плохая метрика. Куда лучше оценивать число ХОРОШИХ новичков (тех, кто приносит деньги сервисы), а ещё лучше - LTV новичков.

----

В телеграмме тоже есть ряд важных метрик, за которыми следят владельцы каналов 🙂

Основные:
Число подписчиков, просмотры на пост, ERR ( = [просмотры на пост] / [число подписчиков]), число реакций и комментов на постах.

Глобально, каналы ведут для двух целей: [признание+личный бренд] и [потенциальный доход с рекламы].
Ирония в том, что для обоих целей метрика [Число подписчиков] вообще не имеет смысла!
То есть с точки зрения них лучше иметь канал на 1000 человек с 800 просмотрами на посте, чем канал на 3000 человек с 600 просмотрами.

----
Где-то год назад в телеграмме запустились папки: механика, в которой вы можете одновременно подписаться на N каналов. Часто N > 20. При этом с точки зрения авторов канала это было буквально золотой пулей - некоторые каналы за считанные дни росли на 2к+ подписчиков!
Однако, давайте разберемся в деталях.

Как человек принимает решение по поводу подписки на папку:
1. Смотрит поверхностно на каналы + описание папки
2. Видит уважаемых ребят в каналах
3. Добавляет папку

Что происходит дальше? У человека появляется 15-30 новых каналов! Сколько из них он реально будет читать? Практика показывает, что в среднем 2-3 самых интересных/активных, остальные улетят в мут.

Что это означает с точки зрения метрик для среднего канала из папки:
1. Подписчики растут
2. Просмотры на пост растут сильно медленнее
3. ERR падает

С точки зрения маркетинговой аналитики это означает, что мы привлекаем очень неэффективную когорту людей, которая не будет значимо растить наш трафик. А в случае телеграмма это очень плохо т.к. от этих мертвых подписчиков будет уже не избавиться. И канал, который был раскручен таким образом, скорее всего обречен на вечно низкий ERR.

----

Вывод: всегда тщательно выбирайте те метрики, на которые хотите влиять своими действиями!