Модель Атрибуции Александра Игнатенко

Как небольшому магазину конкурировать с маркетплейсами и не разориться на комиссиях

Это боль. Магазин продаёт то же самое, что Ozon и Wildberries, — или продаёт что-то своё, но через них и отдаёт комиссию 40–50%.

Можно уйти в свободное плавание: но маркетплейсы уже переучили покупателя. Хочет купить - сначала открывает WB. Сломать эту привычку почти нереально.

Но её можно обойти. Я регулярно общаюсь по поводу внедрения Jobs to be Done в рутину крупных интернет-магазинов. Идея-то простая: клиент не покупает вас, он нанимает вас на работу. Я не покупаю Snickers - я нанимаю его утолить голод. Покупаю не Nike, а способ самовыражения. Ну и так далее.Пока оставим за скобками текущие внерыночные факторы. Смотрите.

Какую работу выполняют маркетплейсы? Всего одну, но блестяще - сам процесс покупки. Быстро, дёшево, удобно. Ресурсов у них вагон и маленькая тележка, так что если полезете в конкуренцию — проиграете. Это их поле.

Значит, играем на другом поле. Продаём не покупку, а работу уровнем выше. Или несколько параллельных работ. Вот три примера из моей практики:

• ECCO – продает не обувь, а гарантию оригинала и принадлежность к клубу фанатов бренда.
• Ascona – не матрас, а комфортный сон под ключ (аксессуары и прочее). Плюс удобный подборщик, которого на маркетплейсе нет.
• Flowwow – не букет, а забота о близком: подарки, открытка, напоминания.

За «купить подешевле» конкурировать невозможно. За «позаботиться», «получить оригинал», «выспаться» - вполне. Более того, маркетплейсов в этих работах нет. А знаете, что самое главное? В более высокоуровневых работах больше денег.

Да, это дольше и дороже быстрой распродажи. Но именно так строятся все сильные ecommerce-бренды - через органику, аудиторию и репутацию. И награда за это - стабильно высокая маржа. А не крохи со столов Wildberries, Ozon и всех остальных.

Интересно отстраиваться от маркетплейсов? Напишите в личку канала, попробуем обсудить.

@marketing_analysis

Я хотел работать меньше. А начал работать всегда.

Три года назад я руководил продуктовой аналитикой в большом удалённом проекте.

Куча задач, сильная команда, интересная работа. Мне правда нравилось.

Но с разницей во времени было, конечно, весело.

Надо было быть на связи до полуночи. Иногда до часу. Иногда до двух ночи.

А я человек, который привык ложиться рано. К двум ночи у меня уже не мозг, а тыква.

В какой-то момент меня с этой работы ушли.

И я, представляете, сначала даже обрадовался.

Думал: ну наконец-то. Буду меньше работать, ложиться раньше, вставать раньше. Жить как нормальный человек.

Такие дела.

А потом пришла работа на себя: консультации, свои проекты, продажи, ответственность за деньги.

Если что-то не сделал — никто не подхватит. Если клиенту не ответил — он может уйти. Если неделю ничего не продавал — это уже не проблема компании. Это твоя проблема.

Ложиться раньше я действительно стал. И вставать раньше тоже.

А вот работать меньше — нет.

Наоборот, стал работать почти всегда.

В найме можно было иногда расслабиться. Что-то отложить. Где-то сделать неидеально. Компания большая, процесс переживёт.

А в своём деле у меня включается внутренний отличник. Такой очень ответственный персонаж, который не умеет оставить незакрытое сообщение до завтра.

Видит недоделанный оффер — хочет дописать.

Видит свободный вечер — думает: а может, ещё чуть-чуть поработать?

Ушёл я от ночных созвонов. Вроде победа.

Но оказалось, что главный источник переработки сидел не в календаре.

Он сидел у меня в голове.

Бывало у вас такое?

@marketing_analysis

В Shopify, GA4 и Meta — три разные правды. Что с этим делать?

Недавно работал с интернет-магазином на Shopify. Meta показывала один объём трафика и покупок, GA4 — другой, Shopify — третий.

Пока зарабатываешь в пять раз больше, чем тратишь, это мало кого беспокоит.

У клиента было иначе: тратили больше, чем зарабатывали.

Юнит-экономика была на грани. Нужно было расти к таргету, отключать слабые кампании, усиливать сильные. Но принимать решения было не на чем: непонятно, сколько людей пришло и сколько купило.

В такой момент я и подключился. Магазин на Shopify, команда в Австралии, продажи в основном в США. Трафик закупали в Meta и Google Ads. Продавали игровые устройства со средним чеком $300–500, целевой CAC — до $90. Таргет — тысяча проданных устройств в месяц. Данные, как водится, грязные и расходятся между системами.

Сначала сделал подробный аудит. Нашёл несколько проблем:

1. Трекинг в Shopify. За последние годы платформа закрутила гайки: sandbox-режим для чекаута и множество ограничений усложнили отслеживание пользователей. В настройке были ошибки.

2. Conversion API для передачи данных в Meta. Проблемы были в параметрах и дедупликации. С ходу такое почти не заметно.

3. Команда принимала решения только по агрегированным данным из рекламных кабинетов и счётчиков. По средней температуре по больнице.

Короче, если есть возможность, решения нужно принимать по сырым данным — до уровня пользователя и покупки. Для этого нужно своё хранилище. Мы собрали его в BigQuery и быстро вывели визуализацию в Looker Studio. Хранилище может быть и другим, принцип тот же.

Сетап простой. Самое важное — детальный аудит на входе.

Что получила команда

Несколько точных дашбордов, которые быстро обновляются и сходятся с реальными продажами и расходами из кабинетов. Один из них — когортный: для e-commerce это способ видеть воронку и здоровье когорт.

Сразу стало видно, какие кампании тянут результат вверх, а какие — вниз. Одни отключаешь, другие усиливаешь — и двигаешься к таргету. Решения стали быстрее и точнее. Команда перестала жить в выгрузках из Excel и вручную склеивать отчёты.

Мораль

E-commerce нужна детальная аналитика — вплоть до пользователя и покупки. Готовые решения обычно не дают такой детализации из коробки.

Когда данные не сходятся, сначала проведите аудит. Атрибуцию и дашборды имеет смысл дорабатывать уже после него — хоть вместе с Claude.

Крупный магазин, льёте в Google Ads и Meta и ловите проблемы с данными, consent mode или трекингом? Напишите в личку канала, подскажу, с чего начать.

@marketing_analysis

Фотокарточки с конференции WeareCRM, где мне посчастливилось выступить.

@marketing_analysis

Что делать фаундеру, если AI-аналитика ломается, а SQL никто не читает?

Неприятная правда про вайб-кодинг: аналитика, собранная на нейронке, очень хрупкая.

Представьте книгу на тысячу страниц. Где-то внутри — одна ошибка. Если язык знаком, вы её найдёте: вспомните контекст, попросите модель подсказать нужный фрагмент, дочитаете сами.

Если язык чужой, перед вами тысяча непонятных страниц. Ваши 2 000 строк SQL — такая же книга.

Сначала всё работает красиво. А потом модель ошибается. И кто-то должен открыть код и понять, что произошло.

Если такого человека нет, система может молча врать цифрами, а вы продолжите ругаться с интерфейсом.

Что делать:

• не обязательно нанимать штат инженеров;
• нужен один человек, который уверенно читает SQL;
• он может быть в команде, на аутсорсе или работать по договорённости;
• лучше, если он участвовал в сборке и знает архитектуру.

Адекватного знания SQL обычно достаточно, чтобы найти большую часть косяков. Да, это дороже подписки за $20. Но AI-аналитика без технического плеча кажется дешёвой ровно до первой серьёзной поломки.

Конечно, можно собрать субагента, который будет проверять данные. И это правильный путь. Но ошибки в аналитике стоят дороже, чем ошибки в лендинге, собранном на Lovable. Пока вы вайбкодите очередной дашборд, платежеспособные клиенты могут уйти к конкурентам.

В общем, считайте деньги.

Подробно разбираю, как собрать рабочую AI-аналитику, в бесплатном курсе: https://youtu.be/8dGuEgc16IU

@marketing_analysis

Ретаргетинг реально окупается? Или вы просто переплачиваете за своих же пользователей?

Вопрос, конечно, на миллион.

Вы крутите ретаргетинг: возвращаете тех, кто зарегистрировался, но не купил. Тратите деньги. И проблема всегда одна и та же. А этот пользователь вернулся бы и сам? Не платим ли мы за то, что и так бы случилось?

Это и есть паранойя каннибализация. Если она вас беспокоит – вот кейс.

Работал с мобильным приложением – соцсеть с игровыми механиками, много гео: Африка, Европа, Штаты. Часть бюджета уходила на повторное привлечение тех, кто уже поставил приложение.

Вопрос стоял ребром: они правда приносят больше – или ведут себя так же, как те, кого мы не трогали?

Идеальный способ ответить – контролируемый A/B-тест с разделением групп. Но на стороне площадки так тонко управлять распределением трафика не выходит. Зато были богатые исторические данные. Их хватило.

Оценивали session_time - время в приложении. Монетизация во многом рекламная, так что время почти линейно превращается в деньги.

Казалось бы, просто: сравни тех, кого привлекали повторно, с теми, кого нет.

Но тут ловушка.

Кто среагировал на объявление – уже по определению более вовлечён. Смещение выборки. Сравнишь в лоб – «привлечённые» всегда выглядят лучше, но не из-за ретаргетинга.

Такие дела.

Поэтому резали выборки тоньше. Собрали матрицу сегментов по бакетам: сколько дней пользователь был активен, сколько потом неактивен до повторного вовлечения. Плюс гео, устройства, поведение по покупкам. И сравнивали внутри одинаковых бакетов: часть привлекали повторно, часть – нет.

В матрице проявилась картина. Сегменты разделились на два типа:

1. Привлекать выгодно. Прирост по времени в приложении (то есть в деньгах) больше стоимости повторного привлечения. Чаще всего это те, кто уже что-то вложил в приложение, а потом отвлёкся – их стоило вернуть.

2. Привлекать невыгодно. Человек ушёл сразу после установки, ретаргетинг на поведение почти не влияет – тут просто жжём бюджет.

Это позволило оптимизировать бюджет ретаргетинга только на тех, кто даёт результат.

Конечно, это синтетический эксперимент на исторических данных – OLS, Causal Impact и ещё пара моделей. Каузальные выводы без реального теста всегда шумноваты.

Но взамен мы не тронули ни одной живой кампании, не потеряли ни рубля и получили осознанные выводы там, где полноценный эксперимент не поставить. Это было очень дешево!

Хотите понять, как платный трафик влияет на окупаемость в разных разрезах? Исторические данные часто дают самый эффективный ответ. Пишите в ЛС канала - обсудим.

@marketing_analysis

➕ Ищу аналитика коммерции и маркетинга в свою команду

Одна из моих задач — собрать сильную команду вокруг маркетинга, где решения принимаются не на ощущениях, а на данных.
Поэтому ищем человека, который поможет глубже разбираться в клиентской базе и находить реальные точки роста бизнеса.

Что предстоит делать:
• анализировать клиентскую базу, воронку и пользовательский путь;
• искать точки роста Retention и LTV;
• сегментировать пользователей и находить закономерности в их поведении;
• оценивать эффективность маркетинговых кампаний и помогать понимать, что действительно дает инкрементальный эффект.

Что важно:
• опыт работы с маркетинговыми и продуктовыми метриками;
• уверенные Python, SQL, Power BI;
• умение не просто построить отчет, а докопаться до причины и сформулировать вывод для бизнеса.

Из приятного: ДМС + онлайн-медицина, обучение, корпоративные скидки и офис у Преображенской площади / Электрозаводской.
А от себя добавлю: задач будет много — от acquisition и CRM до retention, loyalty и коммерческой аналитики. Поэтому для человека, который хочет сильно прокачаться на стыке данных × маркетинга × бизнеса, поле большое.

Если вам интересно — пишите @paalladin.

Описание вакансии на HH ➡️ тут

Если знаете сильного аналитика — буду благодарен за репост или рекомендацию 🙌

@pochemyneispolzuesh

Ребят, мой друг Макс Шагдаров перешёл на позицию CMO в Делимобиль и прямо сейчас ищет маркетинг-аналитика. Очень крутая возможность, пишите в личку канала или ему.

Что делать фаундеру, если он платит за аналитику, а решения всё ещё принимает на пальцах? И при чем тут AI?

Представьте ситуацию - есть аналитический SaaS с оплаченной подпиской, дашборды, рекомендации и так далее. Но каждое утро вы всё равно открываете старую-добрую Google-таблицу.

Это не лень и не привычка. Попробую объяснить.

Один фаундер как-то честно признался мне: он месяцами дублировал оплаченную аналитику своими таблицами. Просто потому что сервис долго не мог стабильно отдавать корректные данные.

То есть. Утром, например, нет спенда за вчера. Цифры не сходятся. ROAS 7 дней кривой, закупка встает. Поддержка, конечно, чинит, но что толку? Ждать долго, решение нужно здесь и сейчас.

Что он делал? Конечно, шел туда, где данные предсказуемее. Пусть руками, зато безопаснее и надежнее.

При этом никто не забудет выставить вам очередной счет. Про гонорар агентств и подрядчиков молчу.

Что происходит в такой момент? Фаундер платит дважды:

• деньгами за сервис;
• временем и вниманием за таблицы.

Это самый дорогой расклад. И, к сожалению, очень частый.

Что делать:

1. Выбрать инструмент.
2. Обозначить рамки доверия - какой уровень ошибки, как долго и в каких условиях вас устраивает. Условно, месяц с ручными выгрузками и небольшим лагом в поставке данных.
3. Обеспечить себе поддержку на параллельный период - профессионала, который будет под рукой для больных кейсов, срочных расчетов и правок.

То есть важно знать, сколько времени займет этот кошмар, и понимать, к кому если что можно сходить, чтобы не блочить принятие решений. Не страдать, а делать выбор.

Другой путь - признать, что платишь за инструмент, которым не пользуешься. Те самые параллельные таблицы «на всякий случай» - плохой знак. Он говорит, что таблички с вами ой-как надолго.

Можно ли решить вопрос с ИИ? Симптом - да, проблему - нет. Уточниться раз-два через Клода о валидности данных - это ок. Использовать как костыль в течение двух лет - безрассудно.

Если проще. Агент или скилл с детальным семантическим слоем на чистом датасете - твердый фундамент. Ежедневный CSV в чат с просьбой найти что-нибудь интересное - игра в "Монополию" на настоящие деньги вашей компании.

Я 100 раз писал здесь и напишу в 101-й. В табличках нет ничего плохого - если вы понимаете их ограничения и имеете план B на случай этих самых ограничений. В противном случае это самая настоящая лотерея.

Не играйте в лотерею, против казино нет шансов ни у кого.

Если хотите собрать аналитику, после которой таблицы становятся лишними, я показываю путь в бесплатном курсе.

@marketing_analysis

Я был готов работать бесплатно

Только никому не говорите.

Когда я работал продуктовым аналитиком в adult, задач было вагон и несколько совсем не маленьких тележек. Они длились месяцами: нужно было погружаться в продукт, копаться в данных, проверять гипотезы и постепенно собирать всю картину.

И у меня было лучшее, что можно дать аналитику, — свобода.

Тебе ставят задачу, а дальше крутись как хочешь. В хорошем смысле.

Нужна новая функция — изучай. Не хватает знаний по статистике — открывай материалы и разбирайся. Понадобился другой инструмент — осваивай и сразу тащи в проект.

Главное, чтобы всё работало и приносило результат. Такие дела.

Получалось, что я одновременно учился и применял свои знания. Утром находил новый метод, днём проверял его на реальных данных, вечером понимал, что опять ничего не работает.

Офигенное приключение.

Это был огромный полигон: настоящий продукт, сложные задачи, любые инструменты и право ошибаться.
И за всё это мне ещё платили. Натуральное безобразие.

В какой-то момент я поймал себя на кайфовой мысли: да я бы, кажется, занимался этим, даже если бы мне вообще не платили.

Деньги мне, конечно, были нужны. Ещё как. Но работа давала нечто очень дорогое — каждый день я становился сильнее.

Зарплата закрывала текущий месяц. Полученный опыт потом кормил меня годами.

С тех пор я постоянно повторяю ребятам, которых менторю, одно правило:

Если вы перестали учиться на своей работе — бегите оттуда.

Xорошая зарплата может замаскировать то, что вы стоите на месте.
Деньги выйдет заработать снова. Потраченный год вам уже никто и никогда не вернёт.

Время — самое дорогое, что может быть. И работа должна делать сильнее тех, кто тратит это самое время.

Ну и еще раз, на всякий случай. Если вы поняли, что готовы рабтать бесплатно - порадуйтесь этому молча. Начальнику знать необязательно.

@marketing_analysis

Как фаундеру понять, сколько тратить на аналитику? И при чём тут AI?

Берём калькулятор.

Ну вот коробочный SaaS для аналитики легко стоит $500 в месяц. Добавьте поддержку, разработку и собственное внимание - ту самую статью расходов, которую фаундеры почему-то считают бесплатной. Это посчитать трудно, но можно.

Теперь умножьте месячную сумму на 36.

Почему на 36? Потому что аналитический сетап строят не на выходные. Если вы планируете его на меньший срок, у меня есть неприятный вопрос: а бизнес вы тоже планируете закрыть через 3 месяца?

Получается минимум $18 000. Ещё до зарплат, интеграций и отвалившихся пайплайнов.

Еще раз - если вы покупаете трафик, то вы потратите на аналитику двадцатку. Минимум. При любом раскладе. Кайф?

А что насчет AI?

Агенты действительно могут писать SQL, подключать источники, строить пайплайны и собирать отчёты. Поэтому кажется, что теперь аналитику можно сделать за стоимость токенов и пары бодрых выходных.

В теории, конечно, красота.

На практике цена ошибки огромная. И это проблема. Кривой лендинг потеряет несколько заявок. Кривая аналитика сольет вам миллионы.

Поэтому при самостоятельной AI-сборке обязательно закладывайте деньги на сильную техническую экспертизу. Иногда достаточно показать архитектуру специалисту и задать один вопрос: «Этим агентам вообще можно верить?». Если у вас нет такого человека под рукой - вы сильно рискуете. Очень сильно. Увы. Говорю, потому что такой человек - я. И я был свидетелем подобных кейсов.

В общем, считать аналитику нужно в три строки:

• стоимость подписки на SaaS на 36 месяцев;
• разработку и поддержку;
• стоимость своего внимания;

Это будет нижняя граница. А верхняя? Оптимизация бюджета на маркетинг. То есть вы в любом случае планируете улучшать ваш аквизишн с помощью аналитики (если нет - вопросов еще больше). Планируемый размер оптимизации всегда можно выразить в процентах от спенда - как минимум.

Например, 5% от вашего спенда на горизонте таких же 36 месяцев.

Получили две циферки. Правда будет посередине, но важнее другое. $20-30K - это уже не пятьсот в месяц, кусается гораздо больнее.

В общем. Посчитать расходы на аналитику можно. И вот два главных вывода:

а) это далеко не копейки;
б) существуют легальные способы платить меньше, а зарабатывать больше.

Попробуйте прожить немного с этой мыслью.

Если хотите чтоб аналитика приносила больше сэкономленных $500 - пишите в личку канала, можем пообщаться.

@marketing_analysis

Как управлять кучей подрядчиков по ретаргетингу и не сойти с ума

Представьте: у вас пять подрядчиков по ретаргетингу. У каждого своя документация, свои пиксели, свои правила отправки данных.

Приходит первый: «поставьте пиксель, шлите запрос на каждой покупке». Ок. Приходит второй – почти то же, но иначе. Потом третий, четвёртый. К четвёртому команда тихо сходит с ума: настраивает одно и то же, каждый раз по-новому.

А ещё подрядчиков надо отключать и подключать других. И вся эта радость ложится на разработку, которая вместо продукта в сотый раз шлёт одно и то же событие разным партнёрам.

С этим ко мне пришло онлайн-казино – закупает трафик в Европе и Латинской Америке, много работает с affiliate-подрядчиками. Проблема была глубокой.

Решение техничное, но по идее простое. Мы собрали связку из трёх кирпичей:

• Google Tag Manager
• GTM Server Side
• облачная база Firestore

Работает так:

1. Через GTM трекаем всё на лендингах: кто пришёл, с какими параметрами – click ID, user-agent, IP.

2. Все хиты от всех пользователей и всех подрядчиков складываем в Firestore. Просто копим у себя.

3. Разработчику говорим одну вещь: «На событие депозита отправь нам один запрос на GTM Server Side и приложи User ID. Всё. Больше не трогаем».

4. Внутри GTM Server Side маршрутизируем сами: берём User ID, подтягиваем из Firestore нужные параметры и рассылаем куда надо – одному подрядчику такие поля, другому такие, в Facebook третьи, в аналитику четвёртые.

Всем этим управляем на своей стороне, буквально драг-н-дропом.

Что получили. Раньше – несколько дней, чтобы подключить, настроить, отладить логи и промониторить очередного подрядчика. Теперь – пять минут. Один раз попросили разработку настроить отправку депозита, дальше живём сами.

Освободившиеся дни команда тратит не на переписку с разработкой и партнёрами, а на то, зачем нужна: точки роста, гипотезы, эффективность кампаний. Данные при этом чище и надёжнее.

Задача не тривиальная во внедрении, но решаемая. По шагам и с нужной экспертизой – экономите дни и кучу денег, а это ресурс под более ценные вещи.

Если у вас несколько подрядчиков, которых сложно контролировать, сравнивать и переключать, и болит голова, как разослать конверсии в десяток сервисов, – напишите. Разберём.

@marketing_analysis

Где лучше всего учат на аналитика?

На филфаке. Сейчас объясню.

В 2001 году, 25 лет назад, у меня было мало опыта, но гораздо больше, чем сейчас, волос на голове и уверенности в себе. В 16 лет я выбирал, где продолжить учебу после школы, и поступил сразу на два факультета: физический и филологический.

Вообще-то я мечтал стать спортивным журналистом, но по конкурсу не проходил на журфак. Поэтому стал филологом. Если что, это преподаватель русского языка и литературы. Я безумно любил читать книги и решил, что до журналистики можно добраться и так.

В общем, добрался быстро. В 17 лет я стал спортивным журналистом: ходил на матчи, писал статьи, брал интервью, ездил по турнирам. Удалось пообщаться с Веретенниковым, Павлом Патерой, Зариповым, Сашей Еременко и другими.

Если коротко, я был счастлив.

А потом жизнь предложила новые эксперименты. В какой-то момент я увлекся рекламой, потом оказался в маркетинге и продажах, полез в отчеты, таблицы, SQL и в итоге стал аналитиком.

Такие дела.

Филолог по образованию. Спортивный журналист в прошлом. Аналитик сегодня.

Звучит как история человека, который несколько раз ошибся дверью.

Но сейчас я вижу в этом вполне понятный маршрут. И вот почему.

Журналистика научила меня задавать вопросы, искать факты, замечать противоречия и превращать хаос в понятную историю.

В аналитике примерно то же самое. Только интервью ты берешь не у хоккеистов, а у стейкхолдеров.

И последние, кстати, тоже часто не могут связать двух слов.

Но важнее другое. В 16 лет я выбрал то, что мне нравилось. Потом повторил это. Потом еще раз. И еще.

Сейчас я аналитик. И я уверен: менять профессию не страшно. Страшно всю жизнь хранить верность решению, которое ты принял 25 лет назад.

Лучший путь в аналитику может начаться на филфаке.

Найдите свой филфак.

@marketing_analysis

Как основателю использовать аналитику для решений по людям, а не только по каналам?

Аналитику почти всегда покупают «про каналы»: ROAS, CPA, гео, креативы.

Но самые дорогие решения фаундера часто про людей.

Пока ты сам сидишь в рекламном кабинете, всё видно руками. Когда появляется команда, а под ней ещё несколько уровней, ты физически не контролируешь, кто и как принимает решения.

В этот момент аналитика нужна для оценки людей.

У одного знакомого фаундера работали два UA-менеджера. Он не гадал, кто сильнее. Он развёл их кампании отдельно и смотрел на дистанции:

• вин-рейт креативов;
• качество решений;
• стабильность результата;
• поведение на длинном отрезке.

По одному стало видно: сначала закупал нормально, потом расслабился, потом решения начали ухудшаться. Фаундер перестал соглашаться с его подходом и уволил.

Это было решение про человека, принятое по данным.

Без инструмента он собирал бы то же самое руками неделями. Итог был бы похожий, но медленнее и с большим количеством сомнений.

Люди умеют красиво защищаться словами. Цифры на дистанции защищаются хуже.

Не сужай аналитику до каналов. Самые дорогие решения часто кадровые.

Если хочешь увидеть, как оценивать людей по данным, я показываю это в бесплатном курсе по аналитике с AI.

@marketing_analysis

Одна строчка в CV — и меня начали заваливать офферами

Нет, я не приписал себе работу в Google. Я просто поменял «продакт-менеджера» на «продуктового аналитика».

Короче.

В 2019 году я довольно долго искал работу продакта. Мне было 35, за плечами — много руководящего опыта. Я прошёл десятки собеседований, сделал кучу тестовых, несколько раз дошёл до финала — и снова ничего.

Отказывали обычно вежливо и довольно мутно:

«Вы слишком сильный для этой роли».
«Вам, наверное, будет скучно».
«Кажется, вы нам не совсем подходите».

В общем, меня как будто всё время пытались куда-то положить, но ни в одну коробку я нормально не влезал. Такие дела.

И в какой-то момент это действительно начало меня ломать.

Я не был новичком, умел довольно много и мог приносить пользу! Но рынок почему-то смотрел на всё это и говорил: спасибо, мы вам перезвоним.

Понятно, что постепенно я начал искать проблему в себе. Может, я уже слишком сложный для одних ролей и недостаточно понятный для других? Может, завис где-то посередине и теперь вообще никому не нужен?

При этом на текущей работе происходила совсем другая история.

Я руководил проектами в маркетинге и e-commerce, а аналитика у меня не было. Поэтому всю аналитику я постепенно забрал себе: писал SQL, собирал отчёты, разбирался, почему цифры не бьются, искал проблемы в данных.

И мне это нравилось.

Я мог несколько часов копаться в таблицах и не замечать времени. Аналитика меня не выматывала. Наоборот, после такой работы я чувствовал себя более собранным. Более живым.

И тут решился на эксперимент - просто поменял в резюме название позиции: продакт-менеджер → продуктовый аналитик.

Всё.

Почти сразу меня начали заваливать офферами. В течение месяца я сменил работу, а за следующие пару лет довольно сильно вырос в доходе.

Хотя важнее было другое: я наконец начал заниматься тем, что мне действительно нравилось.

С тех пор я часто рассказываю эту историю аналитикам, которых менторю.

Рынок отказывает не вам. Он отказывает версии себя, которую вы упорно пытаетесь ему продать.

Я несколько лет пытался построить карьеру вокруг роли, которая красиво звучала. А нужно было честно заметить, за какой работой я теряю счет времени.

Заниматься тем, что нравится, — это не романтическая глупость.

В моём случае это оказалось одним из самых практичных и прибыльных решений в жизни.

Не предавайте себя.

@marketing_analysis