data dreamen

Про собесы

Всем привет, на связи data dreamen!

Рано или поздно каждый аналитик (да и вообще любой специалист) сталкивается со сменой работы – будь то ротация внутри компании или переход в другую. Это всегда ответственный и довольно стрессовый шаг, особенно когда дело касается собеседований. Я находился по обе стороны – и проходил отборы сам, и собеседовал кандидатов. Сегодня хочу поделиться несколькими личными наблюдениями и мыслями на эту тему.

1️⃣ Начинать проходить собеседования лучше не с тех компаний, в которые вы хотите больше всего
Собесы – это тоже навык, который после длительной паузы ухудшается. Стартовав с топа своего списка желаемых работодателей, вы рискуете столкнуться с вопросами и темами, которые подзабыли / недостаточно повторили. Пройдя же пару-тройку интервью вы прокачаете свою “собесную мышцу” и станете чувствовать себя намного увереннее.

2️⃣ Не стоит принимать результаты на личный счет
Далеко не всегда на результат собеседования влияют именно навыки и личные качества кандидата. В данном процессе существует много субъективности и внештатных ситуаций. Возможно, вы проходили отбор на позицию уходящего сотрудника, и вас уже готовы были брать, но вдруг тот самый сотрудник, которому искали замену, передумал увольняться. Или, например, из-за пересмотра плана развития продукта / остановки инвестиций в конкретный проект резко останавливают и найм. Тогда отказ является лишь результатом того, что кандидат оказался не в то время не в том месте.

3️⃣ Отказ – это далеко не всегда плохо
Отсутствие оффера часто обосновывается не тем, что кандидат слабее / хуже, чем ожидается на этой роли – он может просто не подходить под нее, и это нормально. И гораздо лучше получить отказ, чем выйти на новое место и разочароваться. В моем опыте был случай, когда мы при поиске отказали очень мотивированному и амбициозному кандидату, потому что понимали, что не сможем предложить ему задачи, соответствующие его уровню и ожиданиям. То есть, возможно, всё наоборот - кандидат просто слишком хорош, а нанимающая команда (к счастью) сознательна =)

4️⃣ Используйте доступное время интервью на максимум
Собеседование – это не только выбор работодателем кандидата, но и выбор кандидатом своего будущего места работы (которое, кстати, занимает более трети времени нашего времени бодрствования, а в пересчете с учетом ночных “еще немного и спать”.... ну, вы поняли). Так что точно стоит использовать собесы, особенно финальные этапы, как возможность узнать о команде получше. Более того, нестандартные и интересные вопросы выделяют конкретного кандидата среди остальных и показывают, что он неравнодушен и проактивен.

Ну а вообще, любое собеседование – это лишь одна из множества попыток, и попасть в компанию мечты не с первого раза – это нормально. А иногда отказ и вовсе подарок судьбы: возможно, впереди ждет позиция сильно интереснее, и на пути к ней важно не свернуть с тропинки раньше, чем задумано =)

Всем привет!
WB недавно анонсировал запуск нового приложения WIBES — «контентплейса», где покупки встречаются с вдохновением. По сути, это ещё одна попытка объединить соцсети и e-commerce. Такое явление называют «социальной коммерцией», и WB здесь далеко не первопроходец. Как человек, участвовавший в запуске (а потом и закрытии) похожего продукта, рассказываю, что к чему.

🔥 Откуда ветер дует?
Сама тенденция пошла из Китая — короткие вертикальные видео и live-стримы о товарах и внутри екома очень востребованы и сильно драйвят продажи. Но в мире и, в особенности, в России пока такая механика не очень прижилась.

Amazon в 2022 году запустил Inspire — ленту фотографий и видео товаров в стиле тиктока, но уже в начале 2024 году сервис перестал быть доступен. При этом сервис прямых стримов Amazon Live продолжает активную работу.

Российский опыт

Одной из первых попыток интеграции социальной сети в электронную коммерцию в России были проекты Ozon Live (прямые стримы внутри приложения) и Ozon Моменты (лента коротких видео с обзорами и распаковками). Проекты запустились в 2022 году, но уже в 2023 прекратили существование.

Когда я присоединился к команде Моментов, был убежден, что мы делаем то, за чем будущее торговых площадок. Мы изучали алгоритмы всем известных соцсеток, привлекали креаторов, делали коллабы с большими блогерами и горели большой идеей. Но, видимо, продукт опередил время на пару-тройку, а, возможно, и пятерку лет.

Однако Ozon не сдается: часть функционала Ozon Моментов снова реализована в ленте коротких видео в Fashion и видео отзывах на товары. Также вернулись и публичные социальные профили.

В стороне от социальной коммерции не остался и Яндекс, запустив Шоты (лента коротких видео в Маркете), а также начав бета-тестирование нового отдельного сервиса - Яндекс Ритм (производители и продавцы могут размещать фото и короткие видео с ссылками на каталоги и сайты).

Короткие видео также были и в приложении Sunlight — в виде продукта Sunlight Play, но сейчас найти такие видео в приложении уже не получится, сервис тоже закрыли.

Почему все идут в социальную коммерцию?

💰Время + вовлечение = деньги
Шопинг на маркетплейсах для многих уже превратился в развлечение. Часто пользователи залипают в ленте рекомендаций без четкого интента купить что-то конкретное. Соцком - отличный способ поддержать эту тенденцию и заставить залипнуть на еще большее время. А чем дольше пользователь в приложении — тем выше шанс, что он купит (даже то, что ему не нужно).

💅Эра инфлюенсеров
Продажи товаров взлетают после упоминания блогерами и e-commerce хочет держать этот инструмент внутри платформ. При этом в мире растет также и влияние контента от простых пользователей: многие бренды ради упоминаний и обзоров (UGC-контента) бесплатно присылают товары практически всем желающим.

🚀 Что дальше?
Думаю, как и любой механике, социальной коммерции нужно пройти диффузию — стадию распространения и внедрения в пользовательский опыт. Появление WIBES от WB может встряхнуть рынок. А я продолжу с интересом наблюдать, потому как хочу считать, что к этой движухе чуточку причастен =)

А вы как думаете? Верите, что соцком взлетит в России? 💬

Вжух-вжух, и ты в ловушке🪄

Привет! После небольшого перерыва пришел к вам с рассказом о том, в какие ловушки можно попасть, если обращаться с аналитикой неаккуратно.

1️⃣Манипулятивные метрики
Однажды американский банк Wells Fargo принял решение всерьез взяться за развитие перекрестных продаж и установил для сотрудников план продаж дополнительных продуктов к основным потребностям клиента (например открытие кредитной карты при создании депозитного счета). Однако топ-менеджмент не предусмотрел изобретательность своих сотрудников в погоне за премией.

Работники банка стали открывать продукты, которыми никто никогда не пользовался, часто даже без ведома клиентов. Расходы на обслуживание продуктов росли, а доходы с них - нет. Через какое-то время все вскрылось и многих сотрудников уволили за манипуляции. Но всего этого могло и не случиться, если бы целевая метрика шла в паре в контр-метрикой или цель лежала глубже по воронке.

2️⃣ Смешанные причина, следствие и корреляция
В начале текущего года по инфополю пронеслось несколько новостей о колоссальном росте в 2024 году суммы начисленных штрафов и пеней по ним. Вполне ожидаемо, что многие СМИ связали это с ростом числа нарушителей. Ведь логично, что, раз растут штрафы, то во всем виноват рост числа недобросовестных граждан?

Ну… не совсем. За последние два года ключевая ставка выросла почти в три раза, а вместе с ней выросли и проценты по пеням, а также суммы многих штрафов, зависимых от ключевой ставки. Итого - не всегда сонаправленное движение двух показателей говорит о наличии между ними связей.

3️⃣ Парадокс Симпсона
В 70-е он привел к большой шумихе вокруг университета Беркли. При анализе конверсий в поступление выяснилось, что мужчины принимались на обучение значительно чаще женщин (из подавших документы мужчин поступали 44% против 35% подавших документы женщин). На лицо дискриминация по половому признаку?

Снова нет. Детальный разбор по факультетам показал: женщины чаще подавали заявки на гиперконкурентные направления с низким процентом зачисления, тогда как мужчины чаще подавались на более крупные и менее конкурентные направления. Это и создало парадокс Симпсона: агрегированные данные исказили реальную картину. Абсолюты же поступивших были приблизительно сопоставимы, как и конверсии в группах мужчин и женщин по отдельным факультетам.

Мораль сей басни - если вы проводите декомпозицию какой-либо метрики, важно учитывать не только сами метрики компонентов, но и их веса.

Ставьте реакции, если интересно читать о примерах подобных аналитических ловушек в жизни. Всем хорошей рабочей недели!

Метрики и слова “черные дыры”

В работе мы ежедневно оперируем сотнями терминов и определений, но многие из них не имеют однозначной трактовки. Из-за этого во время обсуждений вы и коллеги можете подразумевать совершенно разное, называя это одинаковыми словами. Такие слова-«чёрные дыры» в процессе коммуникации поглощают время и энергию, но так и не приводят к нужному результату.

В аналитике проблема становится острее: «чёрными дырами» могут оказаться метрики. За каждой из них стоит методология расчёта, которую участники не всегда полностью понимают. Это грозит не только недопониманием, но и ошибочными бизнес-решениями.

Не все метрики подвержены риску: например, DAU/MAU обычно понятны команде. А вот финансовые показатели или продуктоспецифичные метрики часто становятся «дырами».

Как избежать проблем?

1️⃣ Задавайте вопросы без стеснения
Уточнения экономят время всем. Поддерживайте культуру, где вопросы приветствуются. Если на встрече много новичков — начните с мини-словарика терминов. Это повысит эффективность дискуссии в разы!

2️⃣Мы в ответе за тех, кого приручили
При создании новой метрики назначайте ответственного. Его задача — актуализировать информацию и оперативно информировать команду об изменениях. Используйте каталоги метрик, глоссарии или внутренние базы знаний.

3️⃣Онбординг с живыми материалами
Учебные документы часто устаревают быстрее, чем развивается компания. Решение: каждый, кто сталкивается с неоднозначностью и находит ответ, обязан добавить пояснение в общий глоссарий.

А вы сталкивались с «чёрными дырами» в терминах или метриках?
К чему это привело? Делитесь в комментариях! ✍️

Всем привет! Совсем недавно в ИТ-инфополе снова активно заговорили о супераппах и их развитии.

Что такое суперапп?

Суперапп — это мобильное приложение, объединяющее множество сервисов и функций в одном месте.

В России ярким примером успешного супераппа служит Яндекс Go. Самым известным представителем в мире является китайский WeChat, которым пользуется около миллиарда человек и в котором собраны практически все необходимые сервисы для жизни.

Сегодня хочу поделиться своим взглядом на аналитику в подобных сервисах. Начнем с положительных аспектов.

1️⃣ Неоспоримым преимуществом является синергия и обширная база пользователей. Даже новым фичам и продуктам внутри супераппа практически не стоит беспокоиться о том, откуда взять трафик. Например, “Самокаты” были запущены сразу в рамках Яндекс Go, поскольку там уже находилась целевая аудитория этого сервиса.

2️⃣ Супераппы генерируют море данных о самых разных аспектах жизни пользователей, и для аналитика это – рай! У вас будет возможность анализировать поведение пользователей в комплексе, выявлять скрытые взаимосвязи и находить инсайты, которые невозможно получить, работая в компании, специализирующейся на одном узком направлении. Это просто кладезь для персонализации, настройки рекомендаций и CRM-коммуникаций.

3️⃣ Расширение границ. Супераппы позволяют попробовать себя в разных сферах и бизнесах, оставаясь в одной компании. Даже работая в одной команде, для выполнения ряда задач необходимо погружаться в контексты бизнесов других команд, а если захочется сменить сферу, достаточно просто ротироваться.

Но есть и другая сторона.

1️⃣ Бешеная конкуренция за ресурсы. Пиксели на экране супераппа не бесплатны. Вашей команде придется часто толкаться локтями с коллегами и доказывать, что ваш продукт достоин быть первым в выпадающем списке, не скрываться за скроллом и т.д. Аналитикам регулярно нужно доказывать эффективность каждого сервиса в рамках приложения. И порой это скатывается в бюрократию, приводящую к топтанию на месте.

2️⃣ Сложность атрибуции эффектов. В рамках супераппа каждая команда хочет оценивать своё влияние, и здесь перед аналитиком встает логичная задача: как и к кому атрибуцировать активность пользователей. На рынке существует много практик (last/first click, position-based и т. д.), но внедрить и обосновать конкретную методологию — крайне непростая задача, а спрогнозировать и доказать долгосрочное влияние, чтобы положить его в цели/бюджеты... ну, вы поняли)

3️⃣ Всегда необходимо учитывать влияние новых решений на другие продукты и сервисы, входящие в экосистему супераппа. Например, оценивать, как размещение точки входа в ваш продукт на главной странице повлияет на остальные продукты, и в случае негативного влияния предоставить аргументы и цифры, нивелирующие его. Это требует включения “helicopter view” — понимания взаимосвязией сервисов, ключевых метрик, процессов и инструментов на уровне всей платформы.

А что вы думаете, какой опыт интереснее и ценнее: в больших мультикатегорийных сервисах или в командах, сфокусированных на одном сервисе/продукте?

Конец профессии?

На фоне новостей о выходе новых моделей ИИ — DeepSeek и Qwen2.5-Max, которые, судя по тестам, местами даже превосходят решения OpenAI, снова возникает вопрос: что будет дальше? Сможет ли ИИ заменить меня, аналитика? И что мне с этим делать?

Если коротко — пока нет. Это подтверждается многими исследованиями перспективных специальностей - профессии, связанные с аналитикой данных и Data Science входят в топ самых перспективных и быстрорастущих к 2030 году вместе с DWH-инженерами и специалистами по Big Data.

Однако, несмотря на высокий спрос на аналитиков, ИИ все же серьезно повлияет на рынок и характер работы в этой сфере. Вопрос в том, как именно.

1️⃣ Автоматизация инструментов. ИИ будет активно заменять рутинные задачи, в том числе у аналитиков. Написание кода, выгрузка данных, подготовка отчетов — всё это будет автоматизироваться, минимизируя ручной труд.

2️⃣ Развитие self-service. Чем больше задач автоматизируется, тем меньше заказчикам потребуется обращаться к аналитикам напрямую. Многие вопросы смогут решаться через self-service инструменты, снижая нагрузку на команду аналитики.

3️⃣ Масштабирование и рост зоны ответственности. ИИ возьмёт на себя базовые аналитические задачи, а аналитикам останутся более сложные, стратегические и ответственные решения — там, где автоматизация не справляется.


В чем все-таки ИИ не сможет заменить аналитиков?

1️⃣ Разработка и принятие нестандартных решений. ИИ — это модель, обученная на данных, но он не обладает креативностью и не умеет находить альтернативные пути решения. Когда нужно выйти за рамки типовых сценариев, роль человека остаётся ключевой.

2️⃣ Контекст, бизнес-логика и коммерческая тайна. Во многих компаниях процессы настолько сложны, что даже человеку требуется несколько лет, чтобы в них разобраться. ИИ может помогать, но учесть все нюансы и скрытые факторы ему пока не под силу. К тому же, передача коммерческих данных открытым моделям может быть небезопасной.

3️⃣ Коммуникация. Аналитика — это не только цифры, но и умение "продать" свои выводы бизнесу, донести ценность и добиться внедрения решений. Даже идеальный расчет не будет полезен, если его не смогли правильно презентовать. Ну и, конечно, навыки постановки ТЗ у заказчиков пока не оставляют шансов ИИ полностью заменить аналитиков.


Что же в итоге нас ждет?

Скорее всего, компании будут разрабатывать собственные решения или внедрять рыночные инструменты для автоматизации аналитики, например:
- конвертеры текстовых запросов в SQL-скрипты
- АВ-платформы, которые смогут работать без участия аналитиков
- визуализаторы данных, создающие отчёты по текстовому запросу.

В результате акцент в работе аналитиков сместится: на первый план выйдут не базовые хард-скиллы (SQL, Python, BI-инструменты), а умение применять их в сложных и нестандартных ситуациях.

📉 К сожалению, это сильнее всего ударит по джунам — для принятия сложных решений нужен опыт, а простые задачи постепенно автоматизируются.

Но те, кто сможет адаптироваться, будут только в выигрыше! 🚀

Почему обсуждение “чистой” зарплаты на собеседовании теперь теряет смысл?


С 1 января 2025 года в России вступила в силу новая, более сложная шкала НДФЛ – налога, который ежемесячно удерживается из нашей заработной платы.

💳 Многие привыкли к фиксированной ставке в 13% и, обсуждая предложения о работе, мысленно вычитали ее, концентрируясь на том, сколько денег “получат на руки”. Теперь же такие расчеты стали гораздо сложнее.

До 2021 года налог был единым для всех – 13%. С 2021 по 2024 год в России действовала прогрессивная шкала НДФЛ:

- 13% для доходов до 5 миллионов рублей в год.
- 15% для доходов свыше 5 миллионов рублей в год.

И хотя в IT-сфере зарплаты обычно высоки, порог в 5 миллионов для многих оставался достаточно далеким. Но теперь налоговые пороги стали гораздо ближе и ощутимее:

- 13% для доходов до 2,4 миллионов рублей в год.
- 15% для доходов от 2,4 до 5 миллионов рублей в год.
- 18% для доходов от 5 до 20 миллионов рублей в год.
- 20% для доходов от 20 до 50 миллионов рублей в год.
- 22% для доходов свыше 50 миллионов рублей в год.

Получается, что по мере накопления годового дохода ваша “чистая” ежемесячная зарплата будет уменьшаться, даже если оклад остается неизменным.

❗️ Важно: более высокая ставка применяется только к доходу, превышающему порог. То есть, независимо от того, сколько вы заработаете за год, за первые 2,4 миллиона рублей дохода вы заплатите только 13% – дополнительных начислений за уже полученный доход не будет.
Это важно, ведь если бы повышение ставки распространялось на всю сумму дохода, а не только на превышающую порог, получать повышения заработной платы в некоторых случаях было бы невыгодно.

🧮 Давайте рассмотрим пример: возьмем опытного Go-разработчика Ивана с окладом в 600 тысяч рублей и изучим, как его “чистый” доход будет меняться в течение года:

В январе Иван получил 522 тысячи рублей “на руки”.
Уже в мае его “чистый доход” снизился до 510 тысяч, так как он перешагнул порог в 2,4 миллиона рублей годового дохода.
А под конец года Иван стал получать и вовсе 492 тысячи, так как перешел и порог в 5 миллионов рублей. В сентябре же, поскольку порог пришелся почти на середину месяца, Иван заплатил часть налога по ставке 15%, а часть – уже по ставке 18%.

❓ Возвращаясь к вопросу в начале статьи: обсуждать на собеседовании оклад “на руки” (net) теперь крайне сложно. Ваша зарплата будет меняться в течение года даже при фиксированном окладе, если он превышает 200 тысяч рублей в месяц.

При этом остается еще много вопросов:

❓Как работодатель узнает общую сумму заработка, если сотрудник сменил работу или работает в нескольких местах одновременно?
❓Как и кто учитывает налог на доходы от вкладов и ценных бумаг?

В следующем посте я подробнее расскажу об этих “корнер-кейсах”.

Всем привет! 👋 Вот и подходит к концу первая полноценная рабочая неделя. Надеюсь, вы все плодотворно поработали. А что может быть лучше, чем плодотворно работать? Правильно — смотреть, как плодотворно работают другие! Поэтому ловите небольшую подборку фильмов о том, как работают аналитики🍿

👨🏼‍💼 “Человек, который изменил всё” (2011). Этот фильм погружает нас в мир спорта, который хакнула аналитика: генеральный менеджер бейсбольного клуба решает перестроить команду, основываясь на математическом моделировании и анализе статистики игроков. И у него, спойлер, получается! Чем не data-driven подход? 👀 Этот фильм ввел новый термин в спортивный словарь — “Moneyball”, что означает аналитический подход к подбору профессиональных бейсболистов.

📉 “Игра на понижение” (2015). Если вы никогда не погружались в мир финансов, местами может быть тяжеловато из-за обилия терминов, но роль аналитики в этом фильме запредельна. Сюжет погружает нас в финансовую систему США накануне кризиса 2008 года, когда несколько аналитиков независимо друг от друга приходят к выводу, что финансовую систему ждет крах, и пытаются воспользоваться этим. Фильм наглядно показывает, как аналитикам порой сложно защищать свои решения, когда они видят правду, но никто не готов в неё верить. Думаю, многим это знакомо👀

🏦 “Предел риска” (2011). Здесь тоже много про финансы, банки и кризис 2008 года, но, в отличие от предыдущего фильма, проблему видят не сторонние аналитики, а сотрудники банка, и пытаются убедить руководство в верности своей гипотезы. Я бы назвал этот фильм финансово-аналитическим триллером. Так что, если в выходные вы скучаете по напряжению от рабочих задач и встреч, то данный фильм поможет вам это компенсировать.

🧮 “Служебный роман” (1977). Ну и напоследок — советская классика. В новогодние праздники наконец посмотрел этот фильм внимательно и понял, что действие-то разворачивается в статистическом бюро - вот они, дэши, трекшены и тим лиды 40 лет назад. Про аналитику там, по-честному, почти ничего, но только за эти фразы его стоило сюда добавить:

«Без статистики вообще не жизнь, а каторга какая-то»

«Статистика — это наука, она не терпит приблизительности»

Всем хороших выходных и вкусного попкорна!🎉

👋Всем привет! Вот и наступило утро 9го января, а вместе с ним и трудовые будни. Но пока всего на два дня🤫

Вы успели сделать всё запланированное за эти 10 выходных дней? И планировали ли вообще что-то неотдыхательное? Я лично осилил 60-65% из запланированного. Вообще я не очень люблю долгие праздники и такое резкое замедление, поэтому даже на «каникулы» формирую список дел, чтобы возврат в рабочий ритм был менее жестким.

А чтобы немного взбодриться, провел мини-ресерч о том, как долго отдыхают на Новый год и Рождество в разных частях мира.

🇺🇸В США официальные праздничные дни только 25 декабря и 1 января. Правда, кто-то из работодателей и может предоставить своим работникам дополнительные дни отдыха.

🇨🇳Китай отмечает свой Китайский Новый год с размахом, официально 8 дней в 2025 году с 28 января по 4 февраля, но по факту компании и учреждения отдыхают даже больше на 1-2 недели (так вот почему посылки из Китая задерживаются в в феврале) 🤔

🇬🇧В Великобритании отдыхают всего 3 дня. В этот раз это было 25-26 декабря и 1 января.

🌍 В Западной Европе праздничные дни отличаются от страны к стране (и даже от региона к региону, как в Германии). Но чаще всего праздничными днями являются 25 декабря и 1 января, иногда еще 26 декабря и 6 января.

🇰🇿В Казахстане выходными были только 1, 2, 3, 4 и 7 января (да, 5 января, воскресенье был рабочим днем)

🇧🇾В этом году в Беларуси праздничными были только 1, 2 и 7 января (если не считать переноса выходного с субботы на 6 января)

Выходит, что с российскими выходными в 9-10 дней могут сравниться только китайские. Но это все равно меньше количества дней, проведенных на встречах (спасибо статистике Толка)👀


🎉Грустить об окончании праздников не будем, ведь впереди в 2025 году нас ждет еще 110 выходных дней. Постараемся провести их с пользой для себя)

Ребята, всем бодрый привет из 1-го января!
Поздравляю с Наступившим и надеюсь, что вы уже успели оправиться от съеденных вчера салатов и выпитого шампанского!🎄🥂

Пусть в новом году ваши данные будут чисты, дисперсия минимальна, тренды только положительны, желаемые отклонения в а/б - статзначимы, закономерности - сильны! Запросов полегче, ad-hoc’ов поменьше, классных проектов и интересных задачек побольше!

До новых встреч на аналитических просторах в Наступившем 2025!

Всем привет!
Вот и подходит к концу 2024 год. Думаю, у каждого в нем было много классных моментов, интересных задач, сложных вызовов.
Предлагаю подвести итоги, зачеркивая клеточки в Новогоднем аналитическом бинго! Забирайте себе файлик, скриншотьте, зачеркивайте и делитесь тем, как прошел ваш 2024🎄

P.S. Теперь точно открыл комментарии)

Всем привет!

На связи Дима Кротов, аналитик вертикали Авто. Сегодня хочу поделиться ключевыми тезисами из доклада «CRM – маркетинг и self-service аналитика: как делегировать часть аналитики CRM’у и ничего не сломать» с конференции Матемаркетинг'24.

🔍 В большинстве бигтех компаний аналитика является неотъемлемой частью ежедневной работы сотрудников разных функций. Мы в Авито стремимся к тому, чтобы взаимодействие разных функций с аналитикой было максимально эффективным и полезным для всех сторон. С такой идеей мы подошли и к вопросу организации взаимодействия между аналитикой и CRM-маркетингом. И вот что из этого вышло.

😀 Читайте статью, а если у вас есть вопросы или хотите поделиться своим опытом настройки эффективного взаимодействия аналитики с другими функциями, пишите в комментариях — обсудим!

Всем привет! Я с классными новостями про #мероприятия

Хотите узнать больше о том, как аналитики создают крутые решения для продукта и бизнеса?

🔥Узнайте об этом на онлайн-митапе от Авито!

5 декабря в 18:00 спикеры из Авито и Т-Банка расскажут про:

➡️особенности внедрения RFM-сегментации клиентов
➡️ эффективное управление при запуске Discovery-процессов
➡️использование ML Autotasking для автоматизации задач

Подробности и регистрация ➡️ по ссылке.

Бу! Испугался? Не бойся, я кот Авито Тех, я тебя не обижу. Приходи к нам в зал на Матемаркетинге, сядь рядом со мной, посмотри наши вакансии)

Channel name was changed to «data dreamen»

Channel photo updated

Всем привет! Уже через неделю стартует Матемаркетинг'24 - 7-8 ноября в кластере Ломоносов пройдет самая большая конференция по продуктовой и маркетинговой аналитике.

В этом году у Авито будет свой зал ("Физика") с собственным треком. Будет много классных докладов и активностей: про АБшницу Авито, мастер классы с хедами аналитики БигТеха, разбор региональных А/Б, обсудим развитие self-service (а это будет от меня 👀) и много все классного - посмотреть можно тут.

Если еще не успели приборести билет, то сейчас самое время, кажется будет очень круто💪

select * from

Channel name was changed to «select * from»

Метрика Stickiness (прилипаемость): что это, зачем и почему?

Что такое Stickiness?

Stickiness (прилипаемость) измеряет уровень вовлечённости пользователей и их склонность возвращаться к вашему контенту. Высокий уровень stickiness означает, что пользователи регулярно возвращаются и проводят много времени, взаимодействуя с вашим продуктом.
Метрика Stickiness (прилипаемость): что это, зачем и почему?


Как рассчитывается Stickiness?

Обычно stickiness выражается в виде процента и рассчитывается по формуле:

Stickiness = DAU / MAU * 100%

Где:

DAU (Daily Active Users) — количество уникальных активных пользователей за день.
MAU (Monthly Active Users) — количество уникальных активных пользователей за месяц.
Способы расчета Stickiness

Stickiness можно рассчитывать тремя основными способами:

- По календарным месяцам: Средний DAU за календарный месяц / MAU за календарный месяц.
- Плавающий: Текущий DAU / MAU за последние 30 дней.
- Сглаженный плавающий: Средний DAU за последние 30 дней / MAU за последние 30 дней.


Почему Stickiness важен?

📈1. Оценка вовлечённости и лояльности - высокий уровень stickiness говорит о том, что ваш контент интересен и полезен для пользователей, и они регулярно к нему возвращаются. Например, самый высокий stickiness наблюдается у социальных сетей, а затем идут сервисы повседневного использования, такие как доставка и маркетплейсы.

📱2. Оптимизация продукта и контента - анализ stickiness помогает выявить наиболее привлекательные части продукта для пользователей, что позволяет корректировать стратегию развития компании и продукта. Для более детального анализа метрику stickiness необходимо декомпозировать по различным элементам вашего продукта.

🗓️3. Планирование маркетинговых стратегий - понимание stickiness помогает лучше планировать рекламные кампании и стратегии удержания пользователей. Если вы запустили кампанию по привлечению новых пользователей, скорее всего, stickiness временно снизится. Stickiness можно использовать как контр-метрику: если из новичков мало кто становится постоянным пользователем и метрика сильно проседает, то, вероятно, компания не достигает успеха.

Как часто вы путаетесь в стат критериях?

Даже если не часто, то разложить информацию по полочкам будет полезно.

Помню как из разных источников собирал перед собесами информацию, записывал, классифицировал

Но тут наткнулся на статью, которая кажется очень хорошо решает подробную проблему

#материалы