Коммуналка аналитиков

Зелёные тесты и сырники, рассказываем про кайфушечки аналитиков

❤️ Когда чей-то дэш помог ответить на все вопросы за 2 минуты

❤️ Задачу, рассчитанную на день, получилось сделать за полчаса

❤️ Скрипт, обрабатывающийся обычно час, выполнился за 5 минут — и как будто ничего оптимизировать уже не надо

❤️ Тест оказался зелёным, и можно не копать дальше

❤️ Расчёты, сделанные по разным методологиям, сошлись

❤️ Заказчики решили, что больше не нужна выгрузка

❤️ На кухне дают сырки

❤️ Встречу на час закончили за 20 минут

❤️ Аналитическое исследование действительно прочитали до конца и задали актуальные вопросы по нему

❤️ Не получилось подключиться на собес, но нашёлся коллега, готовый подхватить

❤️ Причину просадки метрики поняли за первые пять минут

❤️ Скинули код другого аналитика — и в нём ничего не нужно было чинить

Что забыли?)

🎯Вопрос целеполагания рано или поздно касается каждого сотрудника компании. Часто к целям относятся формально: как к обязательному полю в performance review и способу доказать, что ты весь год работал не зря.

Но сила целей гораздо больше. Они не просто фиксируют ожидаемый результат — они напрямую меняют поведение людей и команд. Особенно когда от их выполнения зависят оценка, бонус или повышение.

Кажется, логика простая: выбираем релевантную метрику, рассчитываем для неё амбициозное, но достижимое значение — и записываем себе в цели.

Но здесь начинает работать закон Гудхарта: «Когда мера становится целью, она перестаёт быть хорошей мерой».

На практике это выглядит следующим образом. Пока метрика используется для наблюдения, она более-менее честно отражает положение дел. Но как только метрика становится целью, люди начинают достигать её самым доступным способом — не всегда улучшая продукт, иногда просто улучшая сам показатель.

Причём чаще всего это происходит не из-за злого умысла. Команда просто адаптируется к правилам игры, которые для неё установили.

Например:
➡️ есть цель по росту числа регистраций — упрощаем вход и получаем множество аккаунтов, которыми никто не пользуется;
➡️ есть цель по числу закрытых аналитических задач — декомпозируем одно большое исследование на множество маленьких тикетов. Задач закрыто больше, а пользы создано столько же;
➡️ есть цель по росту числа заказов — активно привлекаем низкоинтентных пользователей скидками. Заказов становится больше, но вместе с ними растут отмены, возвраты и издержки, а прибыль почти не меняется.

И что с этим делать?
1. Проводить стресс-тест цели. Перед тем как закрепить KPI, стоит задать простой вопрос:

Как можно формально выполнить эту цель, не сделав продукт или процесс реально лучше?

2. Добавлять контрметрики. Они помогают проверить, не была ли цель достигнута за счёт ухудшения качества или соседних показателей. Здесь важно не сводить проблему только к прямому фроду — сотрудники могут совершенно добросовестно выбирать более простые задачи, привлекать пользователей низкого качества или перекладывать негативный эффект на соседнюю команду.

3. Делать метрику устойчивее к играбельности.

Можно растить не просто число зарегистрированных аккаунтов, а число новых пользователей, совершивших хотя бы одно целевое действие.

Не просто количество заказов, а количество успешно выполненных и экономически оправданных заказов.

Чем ближе метрика к реальной ценности для пользователя или бизнеса, тем сложнее выполнить её исключительно на бумаге.

4. Смотреть не только на цифру, но и на поведение. Даже хорошая метрика может испортиться после того, как к ней привязали мотивацию. Поэтому после постановки цели важно следить не только за её значением, но и за тем, какое поведение она начала создавать.

Полностью победить закон Гудхарта, скорее всего, невозможно: люди всегда адаптируются к правилам игры. Задача — сделать так, чтобы самый простой способ выполнить цель одновременно был полезен продукту.

А какие цели в вашей практике выполнялись на 120%, хотя продукту или бизнесу от этого лучше не становилось? 👇

Кажется, мы получили шикарный кейс про качество данных на этой неделе: на сайте Канье концерт в Петербурге есть, организатор говорит, что всё в силе, билеты продаются, а «Газпром Арена» говорит, что договора нет, и концерта у них не будет.

Очень знакомая история для аналитики.

Допустим, бизнес спрашивает, сколько у нас активных пользователей. В одном отчёте 5 млн, в другом 4,2, в третьем 4,7. Первая мысль — где-то ошибка. Начинаем проверять запросы, фильтры и даты. А потом оказывается, что всё посчитано правильно. Просто в одном месте активный — тот, кто заходил за месяц, в другом — тот, кто совершил нужное действие, а в третьем есть ещё несколько условий.

То есть проблема не в цифрах, просто один вопрос все поняли немного по-разному.

Самый простой способ не потратить два часа на сверку — перед расчётом одной фразой зафиксировать, что именно мы считаем. Например: «активный пользователь — тот, кто совершил хотя бы одно действие за последние 30 дней». Если с этой фразой все согласны, дальше обычно становится сильно проще.

🤔 Так что главный аналитический вопрос недели: концерт Канье есть или его считают по другой методологии?

Рассчитали юнит-экономику для Красти Крабса и узнали секрет крабсбургеров 🦀

Всем привет, на связи Армен. Уже середина недели, так что можно немного выдохнуть и продолжить рубрику «Мультики глазами аналитиков».

В прошлый раз разбирали, кем были бы дата-функции во вселенной «Смешариков». А сегодня решили посмотреть на мультфильм уже не глазами команды, а глазами бизнеса.

Представим, что мистер Крабс пришёл к аналитикам с простым вопросом: «А сколько я вообще зарабатываю на одном крабсбургере?»

Посчитали маржу, точку безубыточности, посмотрели на retention, операционные риски и даже подумали, сколько денег может стоить плохое настроение Сквидварда.

Спойлер: возможно, Планктону стоило красть не рецепт, а трекшен-модель ресторана Красти Крабс.

Листайте карточки ⬆️

А в комментариях оставляйте варианты, какой мультфильм разобрать следующим 👇

Приглашаем на Avito.Tech.Conf 2026
Присоединяйтесь к комьюнити тех, кто управляет сложным в IT — лидов команд и C-level.

Ждём вас 26 сентября в Москве на площадке AG Loft. 

Чем займёмся
👉 Разберёмся с AI для лидов: как от хаоса и огромного объёма информации прийти к рабочим решениям для ежедневных задач.

👉 Обсудим, как управлять продуктами и процессами в ситуации нехватки ресурсов.

👉 Поговорим про путь к C-level, Quiet cracking и одиночество лидов.

Из классических активностей будут доклады, воркшопы, мастермайнды и нетворкинг.

⭐️А ещё необычные зоны вроде покер-клуба от Авито Работы и аукциона вещей с историей, которые можно будет забрать с собой.

Детали программы и расписания уже можно посмотреть на сайте.

Успевайте подать заявку на офлайн-участие, потому что количество билетов ограничено. 

До встречи!

👀 Поделись с коллегами 👀

Продолжаем тему «родился, женился, умер» (надеюсь, вы уже прочитали вчерашний пост Вики).

Пару недель назад у нас прошёл корпоратив, на котором были разные активности и в том числе гадалка. Можно было задать любой вопрос, кроме политики и здоровья — я решила спросить, выйду ли замуж в течение года 💍

И вот девушка в красивом наряде достаёт 4 карты из своей колоды Таро… и все 4 плохие 😂

Длинного поста сегодня не будет, как и моей свадьбы, но я предлагаю вам сделать лёгкую разминку для мозга и посчитать, а какова была вероятность, что выпадут 4 негативные карты? Я не эксперт в Таро, но будем считать, что всего в колоде 78 карт, из которых негативных — 25.

Принимаю ваши ответы и поддержку в комментариях 🥰

#МашаАн

Обычно аналитику любят за то, что она помогает снизить неопределённость и принять решение. Бывают случаи, когда всё начинает работать наоборот.

Недавно у нас в команде было долгое обсуждение итогов АБ-теста с неоднозначными результатами. С аргументами за и против раскатки разобрались, но в какой-то момент появилась мысль: данных пока недостаточно, чтобы понять, насколько выявленная проблема критична.

🤔 Звучит логично. Тут важно не остановиться на фразе «нужно больше данных», а договориться, каких именно данных и зачем.

Например, если мы решаем, запускаться или нет, до следующего расчёта полезно зафиксировать три вещи: 

💚 какую метрику смотрим, 
💚 какое значение поменяет решение,
💚 что делаем, если попадём в серую зону.

То есть, мы не бездумно смотрим на сегменты, а ищем конкретику: если в проблемном сегменте эффект окажется достаточно большим — не запускаемся; если нет — запускаемся. А если хотим ещё неделю собирать данные, то заранее прописываем условия, при которых заново рассчитанный эффект может повлиять на решение.

Если такой логики нет, почти всегда можно найти следующий срез, новую метрику или продлить эксперимент ещё на неделю. И в этот момент аналитика превращается в очень удобную форму прокрастинации: со стороны кажется, что мы снижаем неопределённость, хотя на деле просто откладываем момент принятия решения.

Для себя я бы сформулировал простой фильтр перед любым дополнительным расчётом:

🖇Есть ли вообще результат этого расчёта, который поменяет наше решение?🖇

Если ответ отрицательный, возможно, считать это прямо сейчас вообще не нужно. Именно такой вопрос: 

Какая цифра реально изменит решение?

в итоге и отделяет обязательную проверку от исследовательского интереса. В решении важно учесть данные, но не надо всё строить на их основе. Ведь задача аналитики — уменьшить неопределённость до уровня, на котором человек готов взять на себя решение.

А у вас есть правило, по которому вы понимаете: всё, данных достаточно — пора уже принимать решение?
#АртемК

Эксперт или менеджер?

Рано или поздно на 1-1 с руководителем у многих сеньоров всплывает вопрос:

куда хочешь развиваться дальше?

Формально можно расти по-разному, и выбор кажется простым: стать экспертом или менеджером. Если нравятся сложные задачи — иди в экспертный трек, любишь работать с людьми — в менеджмент. Но чем ближе к реальному выбору, тем меньше верится в такую схему.

Менеджерский трек устроен понятно. У твоего менеджера есть менеджер выше, у него — свой, и так дальше до директора аналитики. Видно, как растёт масштаб: сначала отвечаешь за себя, потом за людей, команды, направления и систему решений.

❗️Но есть нюанс. Оргструктура не всегда двигается под твой рост, и просто заменить человека над собой нельзя. Даже если ты готов к следующему уровню, для него должны появиться:
— роль,
— команда или новая зона ответственности.

С экспертным треком сложнее. Не бывает «главного аналитика всея бигтеха», который одинаково глубоко понимает маркетинг, поиск, доставку, монетизацию, ML и все подходы этих команд одновременно. В больших компаниях контекст распределён, поэтому экспертность почти всегда доменная: ты глубоко понимаешь конкретную область и влияешь на решения внутри неё.

И не в каждой команде есть задача такого масштаба, которая явно отличит старшего аналитика от эксперта. Можно быть очень сильным, но не иметь достаточной зоны, где эта сила превратится в новый уровень влияния. Выходит, рост зависит и от контекста вокруг.

В какой-то момент понимаешь, что рост внутри команды зависит не только от твоих способностей и желания, а ещё от возможностей компании. Поэтому мне ближе думать об этом не как о выборе между задачами и людьми, а как о дилемме между двумя типами неопределённости.

Экспертный трек — это задачная неопределённость. Когда у компании есть важная и открытая проблема, но никто до конца не понимает, как к ней подступиться. Нужно превратить туманную задачу в аналитическое решение: сформулировать проблему, выбрать метрики, найти ограничения, договориться с продуктом и разработкой, показать эффект и довести до внедрения. Без формальных подчинённых, а через экспертизу, доверие и умение собрать людей вокруг задачи.

Менеджерский трек — это структурная неопределённость. Тут есть вопрос: как построить процесс, где правильные задачи будут решаться. Почему команда делает именно это? Кто владелец направления? Что нужно остановить? Как помочь сильным людям не бежать каждому в свою сторону?

Идеального ответа я не нашёл. Компаниям нужны оба типа людей: без экспертов команда теряет глубину, без менеджеров — фокус и среду, где эта глубина превращается в результат. Но кажется, что выбор начинается с честного вопроса к себе:

через что мне естественнее влиять — и с какой неопределённостью мне интереснее работать?

А вы где сейчас по ощущениям?

😎 — хочу расти как эксперт
👌 — хочу в менеджмент
🤔 — дайте ещё времени на подумать
👾 — просто хочу спокойно строить дашборды

#АрменЕс

Вечно писать можно про три темы: 

💚как сократить число адхоков,
💚как применять ИИ, 
💚где заканчивается зона ответственности аналитика. 
Сегодня о последнем!

Для меня ответ такой: она не заканчивается. С первого дня работы аналитиком, зоной своей ответственности я считала компанию. Вначале это уходило в крайности, и тогда я выучила урок, что если приходят с вопросом по чужому дашборду, надо так и сказать, а не идти его править 😀

За годы работы юношеское стремление взять ответственность за всю компанию органически переросло в более полезную ответственность за свой продукт, которую мы делим с продактом. 

Сейчас я понимаю, что такое отношение помогает расти профессионально и делать крутой продукт. Ведь когда ответственность не только на продакте, но и на аналитике, то две головы и думают лучше, и ошибки находят быстрее. 

🖇В лучших тандемах есть хороший продакт, который при необходимости неплохой аналитик, и хороший аналитик, который при необходимости неплохой продакт🖇

При этом знаю и о другом мнении: аналитик ответственен за аналитику и может найти продуктовый инсайт, который передаст продакту. Но если гипотезы не стреляют, то тут не к нам, мы правильно это посчитали и тебе, продакт, сообщили 🫥

А какая точка зрения близка вам?

❤️ — отвечаю за свой продукт
💅— отвечаю за аналитику, я же аналитик