This is Data

Я нашел интересное исследование метрики TTV (Time-to-Value). Автор опросил компании разного калибра, что они знают о метрике, как считают ее и как используют данные. Исследование полно инсайтов. Например, оказалось, что около 70% опрошенных никак не отслеживают TTV. Главная причина – компании не знают, как ее считать. Это не удивительно. Для расчетов команде нужно однозначно сформулировать ценность для клиента (value), которую порой сложно стандартизировать. С другой стороны, те, кто отслеживают метрику, понимают под TTV разные вещи, путая ее то с Activation, то с AHA moment. Сам же автор определяет ее так: TTV – это время от конца Acquisition до конца Activation, за которое пользователь становится лояльным клиентом.

А вы знали, что около 45% выручки от покупок в приложении (in-app purchase, IAP) измеряются неточно? Так утверждает автор статьи в блоге Appsflyer. Он выделяет 7 подводных камней при расчете IAP, например:
🔹мошеннические транзакции;
🔹дупликация данных;
🔹возвраты покупок;
🔹отложенные транзакции, которые не всегда заканчиваются оплатой покупки.
Многие из названных проблем характерны для любых проектов, в которых есть оплата. Статья подсвечивает темные места при расчете выручки и рассказывает, как проконтролировать их. Чем точнее вы измеряете IAP, тем лучше показатели ROMI и ROAS.

Интересный пример визуализации климатических данных от Яндекса. Команда изучила исторические данные сервиса Яндекс Погода и выяснила, какие климатические изменения произошли в России с середины прошлого века. Исследователи изучали погоду по регионам и отдельно – по городам-миллионникам. Результаты однозначны: в России тоже потепление. В целом температура в последнее десятилетие была на 2,2 °C выше, чем в 1950–1979.

#дайджест

Время перемен

У меня есть одно негласное правило: как только я замечаю, что работа меня не драйвит, а мысли только о зарплате и погашении ипотеки, значит, пришло время.

Работа не должна становиться рутиной, она должна быть страстью. Мы тут не для того, чтобы просто зарабатывать деньги. Нам нужны вызовы, исследования, обучение и рост. И когда этого нет, знаете что я делаю? Ищу перемен!

Если ты почувствовал, что тебе больше нечему научиться и ты уперся в потолок, то у тебя есть только два варианта.

Первый – внутренний переход. Попробуй сменить роль внутри своей же компании. Был продуктовым аналитиком? Стань начинающим продактом. Не бойся обсудить это со своим менеджером. Если ты ценный сотрудник, тебе помогут остаться в команде.

Вариант номер два – сменить работу. Но, пожалуйста, не гонись за баблом! Ищи место, где ты сможешь расти, учиться новому, а вокруг тебя будут крутые коллеги и атмосфера в которой ты сможешь себя проявить. Знаешь, что самое классное? Когда делаешь то, что любишь, деньги придут сами.

И последнее: никогда и ничего не бойся! Ведь только перемены делают нас сильнее.

#мысли

Пока мы все ждем весеннего тепла, можно скоротать время за чтением дайджеста.

Бизнес начал охоту на единорогов! На дата-единорогов 🦄✌🏻. Так называют «супер-аналитиков», которые чувствуют боль клиента и знают, как снять ее. Именно они правильно переводят потребности бизнеса в понятные требования к данным. Cтатья на Medium (VPN) рассказывает, как определить, кто из команды – единорог 😃. Часто он занимает должности дата-продактов, дата-аналитиков и инженеров по аналитике. С другой стороны, единорогами не рождаются, а становятся. Их главная суперспособность – жажда знаний. Дата-единороги изучают техническую сторону аналитики и бизнес-науку, при этом живя в мире клиента. На мой взгляд, каждому аналитику стоит развивать «единорожное» мышление.

Если в данные при подготовке отчета закралась ошибка или упало обновление датасета, кто должен это исправлять? Какая команда отвечает за конкретные данные? Автор блога на Medium (VPN) поделился опытом решения этих вопросов. Во-первых, владение можно указывать в коде или в интерфейсе. Оба типа имеют свои особенности. Во-вторых, при обращении с вопросами к владельцу данных нужно четко оговорить ваши ожидания от его работы и указать приоритет задачи. В-третьих, кого стоит уведомить о проблеме: команду, конкретного инженера или менеджера команды? Ответ ищи в статье.

На Бизнес-секретах я нашел статью о том, как планировать закупки и продажи товаров с помощью ABC- и XYZ-анализа. Автор на примерах разбирает, как применить оба инструмента в своем бизнесе. ABC-анализ показывает объем продаж за выбранный период, XYZ-анализ – стабильность продаж. Оба анализа можно использовать вместе, вычисляя самые выгодные категории товаров. К статьям прилагаются чек-листы (первый и второй), которые помогут определить неликвидный товар и перестать переплачивать.

#дайджест

Атрибуция на основе первого значимого касания 👈

▪️Атрибуция – это присвоение ценности конверсии различным событиям (точкам касания), происходящим на пути к этой конверсии.
▪️Конверсия – в случае финтех проекта – отправленная заявка на кредит.
▪️Модель атрибуции – это правило или набор правил, определяющих принцип распределения ценности между точками касания и источниками трафика.
▪️Точка касания – это любое взаимодействие клиента с продуктом, отраженное в базе данных (посещение, регистрация, расчет условий и отправка заявки).
▪️Цепочка взаимодействий – несколько точек касания, приведших к конверсии.
▪️Идентификатором клиента для поиска точки касания является по нисходящей:
- Сlient ID из системы трекинга;
- User ID из системы авторизации;
- e-mail;
- телефон.
Важно: Сlient ID и прочие куки можно не использовать, если вы решили присваивать ценность только тем касаниям, которые принесли реальные контактные данные пользователя.
▪️Окно атрибуции – настраиваемый параметр, в рамках которого происходит поиск точек касания клиента с продуктом, по умолчанию равен 30 дням.

Логика атрибуции 📐

Канал привлечения (cpc, cpa, organic, email и тд) успешно привел конверсию только в том случае, если выполняется ряд условий:

1️⃣ Берется вся историческая цепочка взаимодействий по идентификатору клиента;
2️⃣ Накладывается окно атрибуции (30 дней);
3️⃣ Ценность конверсии присваивается первой точке касания в рамках окна;
4️⃣ Если такой точки нет, то ценность конверсии присваивается последней точке касания в цепочке (Last Click).

Графически принцип работы представлен на слайде.

P.S. Нужно понимать, что одноканальная атрибуция является удобным инструментом для отслеживания эффективности одного маркетингового канала, но она имеет много минусов.
➖Такая атрибуция не дает полной картины пути клиента и, следовательно, может затруднить выявление ключевых паттернов в поведении.
➖ Это может привести к инвестициям в менее эффективные каналы, так как им отдается вся ценность конверсии, даже если другие каналы сыграли более значимую роль.

Иногда мне приходят сообщения от коллег маркетологов или ребят из продукта с просьбой помочь им настроить атрибуцию. И каждый раз я задаю им один важный вопрос: «Вам шашечки или ехать Вам нужна одноканальная атрибуция или мультиканальная?»

Чаще всего ответ такой: «Нам нужна модель, которая присваивает всю ценность конверсии одному каналу». Почему? Потому что им важно знать, какой именно канал привел к первому контакту с пользователем, после которого он оставил свои данные. И это имеет большое значение, особенно в финтех проектах, где расчет с партнерами за трафик зависит от этих данных.

Чтобы не отвечать на вопрос по несколько раз, я подготовил простую, но эффективную инструкцию по настройке такой атрибуции.
Инструкцию можно передать аналитику как техническое задание для написания SQL-кода (+ шпаргалку по оконным функциям), и после реализации вам останется только добавить в ваши отчеты еще один показатель с рассчитанной атрибуцией ⬇️

#опыт

Скучали по дайджесту? А он уже в ленте.

Дата-платформа – это набор интегрированных между собой инструментов, с помощью которых команды анализируют данные. На Medium (VPN) я нашел интересную статью о нюансах построения дата-платформы для аналитики и Data Science. Автор рассказывает, какие изменения произошли в индустрии за последние три года и дает рекомендации на будущее. Вот несколько инсайтов:
🔹Дата инженеры должны учитывать возрастающие объемы данных. Все больше компаний выходит на уровень масштабов данных, которые ранее были присущи только гигантам вроде Netflix.
🔹Data Streaming – единственный способ получать данные в темпе развития бизнеса.
🔹Модульная структура и оркестровка сервисов – два столпа при создании дата-платформы.

В эпоху генерации текстов и изображений люди стали мистифицировать профессию дата сайентиста. Им рисуется образ Нео и великой Матрицы. На деле ребята каждый день сталкиваются с рутинными задачами. А когда процесс становится механическим, нужно переходить к его автоматизации. Head of ML Laboratory Альфа-банка проанализировал проблему рутины в Data Science под разными углами и поделился решениями своей команды по борьбе с ней. Мне понравился тезис о том, что обратная сторона рутины – это экспертность. Рутина лишь означает, что вы научились решать сложную задачу. Важно не останавливаться на этом этапе, а переходить дальше – к ее автоматизации.

В прошлых дайджестах я приводил множество статей на тему, как построить стильные и информативные графики, и ни одну о том, как размещать заголовки, описания и другие текстовые элементы. Статья в блоге Datawrapper как раз дает много советов по работе с текстом при визуализации данных. Например,
✔️Размещай информацию рядом с объектом. Не заставляй читателя бродить в поисках описания.
✔️Повторяй единицы измерения на осях, тултипах и в аннотации.
✔️Не выравнивай абзацы по центру. Используй выравнивание по левому краю.
✔️Заменяй нули в больших числах на буквы К и М. Например, вместо 20 000 напиши 20к.

#дайджест

Сегодня делюсь (чуть ли не единственной в своем роде) книгой от Amplitude, где ребята от А до Я рассказывают про фреймворк Полярной звезды или NSM. Все, кто хотел погрузиться в тему – самое время освоить рабочий фреймворк и найти свою Метрику Всевластия.

📚 The North Star Playbook. The guide to discovering your product’s North Star

Данная книга – полноценный гайд по освоению фреймворка NSM и внедрению его в проект. Она продолжает мой пост на тему NSM.

Нахождение NSM актуально для компаний, которые поставляют один продукт на рынок (если несколько, то для каждого продукта нужна своя NSM). В таком случае фреймворк поможет найти одну-единственную метрику и сфокусировать всю компанию на продукте и поиске ответа на вопрос: «Как продукт может удовлетворить потребности клиентов?».

Книга не большая, состоит из семи глав и чуть более 100 страниц. Первые две главы рассказывают о структуре фреймворка NSM и его целях, а также о том, какими характеристиками обладает NSM и с чем ее можно спутать. Третья глава посвящена проведению воркшопа по нахождению именно вашей NSM. Четвертая глава заостряет внимание на названии и определении NSM и входных метрик.

В пятой главе даются решения на типичные проблемы при освоении фреймворка. Шестая глава расскажет, как почувствовать, что метрика работает. В последней главе вы найдете советы, как совместить NSM с другими фреймворками.

Стоит упомянуть и о самой компании. Amplitude поставляет на рынок систему для продуктовой аналитики. Она позиционирует себя как более мощная альтернатива GA4. Основатели компании Спенсер Скейтс и Кертис Лю первоначально создали компанию Sonalight (а-ля Siri для устройств на Android), которая выпускала приложение для отправки текстовых сообщений голосом. Однако разработанное ими параллельно решение для диджитал-аналитики возымело больший успех, и основатели переключились на него, создав новую компанию Amplitude.

К сожалению, у книги нет перевода на русский язык.

🔗Электронная версия книги доступна бесплатно.
Онлайн версию ищите на сайте Amplitude.

#книга

Утро начинается не с ☕️, а с дайджеста!

Контекстные бандиты – это класс одношаговых алгоритмов обучения с подкреплением. Его задача – показывать пользователю наиболее подходящий контент исходя из его интересов. Для этого алгоритм динамически регулирует трафик, направляя показ того или иного варианта сегменту, в котором он работает лучше. Несмотря на возможности алгоритма, он не так широко известен в Data Science. Чтобы исправить это, автор блога на Medium (VPN) опубликовал пособие по контекстным бандитам. Он разбирает ситуации, когда применимы контекстные бандиты и чем они отличаются от A/В тестов и многоруких бандитов. Статья объясняет работу алгоритмов ε-greedy и UCB и показывает метод в деле.

Команда Yandex Cloud собрала в GitHub каталог типичных сценариев для построения аналитики в облаке. Data Platform Solution Library – это набор практических руководств, кода, документации и обучающих вебинаров. В библиотеке вы найдете описание того, как организовать гибридное хранение данных, как работать с Data Warehouse (DWH) и как переносить данные из Яндекс Директ или Метрики. В будущем библиотека пополнится рекомендациями по машинному обучению, real-time аналитике, репликации баз данных и не только.

Мне попались сразу две классные статьи с советами по построению графиков. Анастасия Кузнецова собрала 9 лучших практик создания столбчатых диаграмм (VPN). Например, она призывает не использовать 3D столбики и не скруглять их макушки. Это искажает пропорции и усложняет сравнение столбиков между собой. Вторая статья в блоге Datawrapper рассказывает про линейные диаграммы, а именно когда стоит приводить все данные в одном графике, а когда – представить их в виде отдельных панельных диаграмм. Приятный бонус – полезные источники в конце статьи.

#дайджест

Сегодня я хочу рассказать про фреймворк для нахождения метрики Полярной звезды. Кратко мы уже затрагивали эту тему.

Метрика North Star (NSM) - это главная метрика, которая отражает ключевую ценность продукта и фокусирует на его развитии в долгосрочной перспективе. Именно ценность продукта для клиента определяет, как долго клиент останется с вами и, как следствие, сколько прибыли он принесет в будущем. По этой причине некоторые аналитики считают метрику Revenue плохой NSM. Она концентрирует внимание на краткосрочной прибыли и не учитывает доход от лояльных клиентов в будущем.

Польза NSM:
🔹Определяет фокус всей компании;
🔹Дает прозрачную оценку прогресса;
🔹Ориентирует на пользе для клиента.

Она решает и более конкретные задачи:
✔️Измеряют ли A/B-тесты то, что нужно?
✔️На что смотреть при приемке релизов?
✔️Что подсвечивать в бизнес-дашбордах?
✔️Где искать инсайты и WOW-аналитику?

Однако нужен баланс. Гиперфокус на одной метрике опасен, потому что мы рискуем упустить другие показатели и не увидеть реальных изменений. Также зацикленность на NSM приводит к ошибке второго рода, когда мы отвергаем правильную гипотезу. Например, одна компания отказывается от новой фичи, потому что та никак не влияет на их NSM. Затем другая компания внедряет эту идею у себя и их продажи возрастают.

Разные авторы предлагают свои алгоритмы нахождения NSM. Но часто команды не хотят тратить время на это и берут NSM у конкурентов. Здесь есть нюанс. Метрика отражает пользу вашего продукта для клиентов. NSM не будет эффективной без понимания идеи, лежащей за ней, и стратегии ее измерения. Первична не метрика, а ваши идеи и предположения.

На слайде приведен один из вариантов поиска NSM. В первую очередь мы прорабатываем входные метрики, они же KPI, которые приводят нас к главной метрике.

Для проработки схемы полезно организовать воркшоп с командой для брейншторма идей. Начать воркшоп советую с разминки: сперва заполнить поля для любого известного вам продукта, а затем приступить к поиску уже вашей Полярной звезды.

#метрики

Утренний дайджест с любовью от This is Data❤️

Если ты готовишься к собеседованию, то загляни к Павлу Бухтику. Он опубликовал сборник из 133 тестовых заданий для продуктовых аналитиков и аналитиков данных. Классно то, что в нем собраны оригинальные задания от Авито, Тинькофф, Aviasales, Сбера и не только. Паша активно пополняет сборник и всегда рад получить новый материал от коллег. Кроме того, в телеграм-канале он уже разобрал многие из заданий под хэштегом #задачиссобеседований.

ML-разработчик из команды Ozon рассказал о процессе поиска одинаковых товаров – матчинге. Так, благодаря матчингу в e-commerce пользователь находит товар с наиболее выгодной ценой среди разных продавцов. Пайплайн поиска товаров-дубликатов обычно включает два этапа: подбор кандидатов и проверку пар моделью. Товары-дубликаты следует объединять в кластеры. Автор хорошо разбирается в алгоритмах кластеризации на графах и транзитивном подходе, в выделении сообществ (community detection), self-supervised и unsupervised задачах. Советую всем, кто хочет погрузиться в теорию графов и понять причины распада карате-клуба Закари.

Я заметил, что сейчас в тренде А/В тестирование всего и вся. Так и хочется вернуться с небес на землю и напомнить, почему не стоит тестить все подряд. Во-первых, А/В тесты – это дорого, особенно для стартапа. Во-вторых, тестирование различных метрик (чего-то большего, чем простой коэффициент конверсии) требует различных подходов, превосходящих способности большинства популярных платформ. В-третьих, нужно помнить о чувствительности теста: небольшой компании может не хватить количества пользователей и трафика, чтобы обнаружить различия в 3-5%. Хорошо, что автор блога на Medium (VPN) разобрал неудобные истины о тестировании. Используй А/В тесты с умом и помни: Everything is a Trade-off.

#дайджест

Стать пользователем

Часто замечаю одну вещь: многие аналитики, работающие над продуктом, строящие дашборды с кучей метрик, проводящие сложные ресерчи, на самом деле ни разу не были настоящими пользователями своего продукта. Да, вы не ослышались. Они предлагают пути улучшения, но сами никогда не использовали продукт. Звучит абсурдно, не так ли?

И это касается не только аналитиков, но и всех, кто работает над развитием продукта: топ-менеджеров, продакт оунеров, маркетологов, дизайнеров… Многие из этих людей предлагают идеи, направляют бизнес, вносят изменения, но они – не пользователи.

Лучший совет, который я могу дать для развития в профессии – это регулярная работа с обратной связью. Да, именно так! Лучше потратить несколько часов в неделю на чтение фидбека и отзывов в сторе, чем на очередной бесполезный курс.

Если ты работаешь над игрой – установи ее и пройди от начала до конца. Доставка товаров? Поставь себя на место покупателя и курьера. Финтех? Попробуй оформить кредит через свой сервис и ощути всю боль навязанных страховок и маркетинговых процентных ставок. Может быть тогда, наконец, придет инсайт, почему метрика «Take rate» упала.

Только пройдя этот путь, ты сможешь действительно понять свой продукт и быть на одной волне с пользователем.

#мысли

Недельный дайджест уже в ленте!

Таня Мисютина из Бюро рассказала о принципе наглядности при визуализации сложных данных. Она подталкивает нас мыслить креативнее – вместо безликих столбиков придумывать естественные метафоры из жизни, чтобы пользователю не приходилось расшифровывать визуализации. Так, на графике характеристик танков «World of Tanks» можно поиграться с изображением самих танков. В другой статье Таня делится вдохновляющими визуализациями 2023 года. Каждая из них – история, пробуждающая эмоции и давящая масштабами проблемы. В довесок – пример того, как дать читателю прочувствовать, что такое 243 миллиарда долларов.

Руководитель команды Data & Analytics в Lamoda Tech поделился типичными ошибками при анализе данных в ретейле и e-commerce и дал рекомендации, как не допускать факапы. Например, большая ошибка считать, что существует «средний клиент». Мы рискуем работать только с одной категорией покупателей и оставлять другие сегменты за бортом. С другой стороны, изучать поведение только текущей аудитории – значит совершать «ошибку выжившего». Так, если мы продаем книги, то учитываем поведение книголюбов, забывая при этом о геймерах. Чтобы получать объективные данные о рынке, нужно изучать разные категории покупателей.

Ребята из Selectel подготовили годовой дайджест дайджестов из мира AI, ML и дата-аналитики. Во-первых, команда собрала самые значимые статьи на Хабре за прошедшие 10 месяцев. Во-вторых, они дали ссылки на технические решения по адаптации собственных сервисов для решения ML-специфичных задач. В-третьих, ребята обобщили обучающий материал для юных падаванов, осваивающих Data Science и машинное обучение. В статье вы найдете карту навыков как «портрет» современного специалиста. Напоследок авторы припасли видеоматериалы прошедших конференций для тех, кто больше слушатель, чем читатель.

#дайджест

Методика OKR – классная вещь. В нее стоит погружаться, ощущать тонкости и внедрять в проекты. Для дальнейшего изучения я советую эту книгу.

📚 Измеряйте самое важное. Как Google, Intel и другие компании добиваются роста с помощью OKR
англ. Measure What Matters: How Google, Bono, and the Gates Foundation rock the world with OKRs

Автор: Джон Дорр / John Doerr

Джон Дорр – американский инвестор и венчурный капиталист. Впервые он познакомился с OKRs в 1970-х годах, когда работал инженером в Intel. В то время компанию возглавлял ее сооснователь – легендарный Энди Гроув, сумевший вывести Intel из кризиса, вызванного появлением на рынке более дешевых японских модулей памяти и ошибкой в процессоре Pentium. История возрождения корпорации стала хрестоматийной и вошла в учебники по бизнесу как пример эффективных действий.

По рекомендации Джона Дорра в 1999 году систему OKR внедрила тогда еще начинающая компания Google. Вскоре ее начали применять известные менеджеры: от Билла Гейтса до Боно из U2. Где бы ни внедрялась методика, она работала.

Как и сами OKRs, книга состоит из двух взаимодополняющих частей. Первая рассматривает основные характеристики системы и то, как она превращает хорошие идеи в блестящее исполнение и удовлетворенность работой. Книга начинается историей возникновения OKR в Intel, а после перерастает в обсуждение четырех «суперсил» OKR: обозначение приоритетов, синхронизация, мониторинг и стремление к выдающимся результатам.

Вторая часть книги посвящена применению и влиянию OKR в новом корпоративном мире. В частности, Дорр рассказывает про младшего брата OKR – CFR. Методика расшифровывается как Conversation или обсуждение, Feedback или обратная связь и Recognition или признание. OKR и CFR могут объединить усилия и вывести лидеров, сотрудников и организации на новый уровень.

🔗Купить печатную версию на русском языке можно, например, на Литрес.
Оригинал ищите на Амазоне.

#книга

Дайджест в ленту!

В блоге Amplitude вышла свежая статья о еще одном фреймворке для работы с метриками – AARRR или Acquisition (привлечение), Activation (активация), Retention (удержание), Referral (рекомендация) и Revenue (выручка). Фреймворк также называют «Пиратскими метриками», потому что при взгляде на название так и хочется закричать: «Aarrr, matey!». Он внедряется на этапе масштабирования бизнеса, когда готова рабочая бизнес-модель и подтверждено, что продукт нужен клиентам. Главная задача AARRR – замотивировать команду продвигать и оптимизировать продукт, а не пилить новые фичи. Из статьи вы узнаете, как работает фреймворк и как он помогает понять поведение пользователя на каждом этапе воронки. Автор советует конкретные пиратские метрики. Например, за метрики привлечения можно взять «Количество новых регистраций» и CAC, а за реферальную метрику – «Количество приглашений, разосланных активными пользователями».

Яков Осипенков у себя в блоге разобрал, что такое сеанс в GA4. Он также сравнил отличия показателей сеанса в Universal Analytics и GA4. Оказалось, что одинаковых цифр вы не получите, так как расчет происходит по-разному:
🔹Сеанс в UA закрывался в полночь, а в GA4 сеансы могут длиться несколько дней и при этом считаться одним и тем же сеансом.
🔹Новые сеансы в UA создавались всегда, когда изменялся источник трафика. В GA4 такого переопределения нет.
🔹Для расчета сеансов в GA4 используется не только показатель отказов, но и новая метрика, связанная с вовлечением – «Сеанс в взаимодействием».

Ppc.world провел исследование аудитории 9 крупнейших соцсетей в России на 2024 год. В статье собраны данные об ее характеристиках, поведении, а также о рекламе на площадках. Например, ВК лидирует в рейтинге соцсетей по объему аудитории c MAU в 85 млн, при этом превалирует женская аудитория – 62%. Телеграм держит вторую строчку с MAU 82 млн. Распределение по полу: 58% мужчин и 42% женщин. Данные обещают обновлять весь год.

#дайджест

Google полностью отключит сторонние файлы cookie в Chrome к 3 кварталу 2024 года

Google продолжает работать над блокировкой сторонних файлов cookie в Google Chrome и планирует полностью отключить доступ к ним в Q3 2024 года. В связи с этим компания запустила пробную версию прекращения поддержки сторонних файлов cookie и уже ограничила third-party для 1% пользователей. Пробная версия позволит сайтам, которые используют cookie в нерекламных целях, запросить дополнительное время на отказ от сторонних файлов. Об этом сообщается в справке Google.

Дал комментарий по этой животрепещущей теме для PPC World:

Чем грозит маркетологам, аналитикам и владельцам сайтов?

Файлы cookie – это небольшие фрагменты данных, которые используются для хранения информации в веб-браузерах. Их цель варьируется от полезной (отслеживание вашего входа на сайт, персонализация контента) до спорной с точки зрения конфиденциальности (снятие цифровых отпечатков пальцев).

Существуют основные и сторонние (third-party) файлы cookie. Основные файлы cookie хранятся на самом веб-сайте. Сторонние файлы cookie хранятся отдельными сервисами, которые отслеживают пользователей и эффективность маркетинга, например аналитические или рекламные трекеры.

Главное внимание здесь уделяется сторонним файлам cookie. Основные файлы cookie в настоящее время не подвергаются риску.

Инициатива Google по защите от отслеживания является частью их Privacy Sandbox for the Web. Долгосрочная цель – удалить все сторонние файлы cookie из браузеров Chrome к концу 2024 года.

Важно отметить, что это изменение затрагивает 1% пользователей Chrome (несколько десятков миллионов человек), что относительно незначительно, учитывая, что примерно 30% браузеров, таких как Safari и Firefox, уже не поддерживают сторонние cookie.
Этот небольшой процент вряд ли приведет к значительным изменениям в среде маркетологов, которые скорее просто скорректируют свои стратегии оптимизации трафика для браузеров Chrome, все еще использующих файлы cookie.
Тем не менее, эта разработка должна послужить тревожным сигналом для активизации усилий по тестированию решений без файлов cookie. Если мы сможем идентифицировать этот 1% затронутых браузеров Chrome, это может дать ценную информацию об эффективности решений работающих без cookie.

Вероятные последствия

Если говорить о последствиях в целом для маркетинга и аналитики при отказе от сторонних cookie, то:
▪️увеличится доля «новых» пользователей на сайте;
▪️увеличится доля прямого трафика;
▪️снизится качество атрибуции и уменьшится длинна цепочки;
▪️станет сложнее строить отчеты по когортам;
▪️вырастет стоимость привлечения клиента;
▪️уменьшится охват ретаргетинговых компаний.

Как подготовиться?

Готовиться надо было раньше, потому что Apple в той или иной форме ограничивает сторонние cookie, по крайней мере, с 2017 года.

Но если вы этого еще не сделали, то вот несколько советов:
✔️собирайте все возможные данные о своих пользователях и рекламных кампаниях в единое хранилище (DWH), чтобы данные контролировались вами, а не сторонними сервисами;
✔️собранные данные должны быть не агрегированными, а максимально сырыми, для возможности в дальнейшем построить fingerprint;
✔️мотивируйте пользователей авторизовываться на сайте и оставлять о себе дополнительную информацию, которая пригодится для построения цифрового профиля клиента и отслеживания конверсий;
✔️стройте собственный цифровой профиля клиента содержащий данные из всех возможных источников – аналитические и рекламные трекеры, маркетинговые системы, CRM, собственные данные пользователя;
✔️на основе накопленных данных стройте свои отчеты, атрибуцию и сегменты.

А с точки зрения пользователя?

То что плохо для аналитиков и маркетологов, хорошо для пользователя 🙃
Конфиденциальность повысится, Google обещает k-анонимность: если у вас анонимность k=1000, вас невозможно отличить от 999 других людей в наборе данных.

Получить больше информации о том что делать, а также познакомиться с мнением экспертов рынка можно в статье.

За окном самый разгар зимы, а у нас очередной утренний дайджест.

Яндекс показал карту технических навыков ML-разработчика. Ребята изучили запросы пользователей по теме машинного обучения, и отобрали те, на которые Яндекс выдавал ссылку на Stack Overflow. На карте отмечены навыки, которые запрашивали пользователи, а их размер отражает популярность запроса. Нажав на навык, можно увидеть динамику популярности навыка по годам. Самые трендовые навыки 2023 года – langchain среди библиотек и LLM среди ML-технологий.

Автор блога на Хабр визуализировал данные банковских транзакций и показал, на что люди тратят деньги в течении дня. Получилась вполне ожидаемая статистика: люди обедают в кафе, после работы покупают продукты, а на выходных отдыхают и кутят в барах. Подобная статистика – пример Data-журналистики. Автор вдохновлялся работой Nathan Yau, в которой исследователь проанализировал один день 1 000 американцев и визуализировал, как обычный человек проводит свои 24 часа жизни.

Дизайнер на Хабр рассказал, как подбирать цвета для палитры визуализации данных в профессиональных интерфейсах. В первую очередь цвета графиков и таблиц должны отвечать базовым критериям:
🔹 Быть контрастными по отношению к фону и друг к другу;
🔹 Одинаково отображаться на разных устройствах;
🔹 Сочетаться с базовой палитрой системы.
Автор выдает базу по основам цветовой теории, объясняет секрет цветового круга Иттена и Web Safe палитры. В конце дизайнер рекомендует, какие цвета лучше использовать в графиках с несколькими классами данных.

Автор блога на Medium (VPN) объединил мощь Power BI и креативность Canva и создал стильную тему для дэшборда. Веб-платформа Canva (VPN) славится простотой создания графики и нацелена на людей, которых одно только упоминание Photoshop погружает в депрессию. У платформы есть бесплатный тариф и его достаточно для создания широкого спектра дизайнов. Статья пошагово разбирает, как создать макет в Canva, выгрузить его в PNG формате и добавить как фон в Power BI.

#дайджест

При разговоре о фреймворках для работы с метриками я умолчал про главное – цель. Перед выбором метрик и NSM, мы должны сформулировать, в каком состоянии мы хотим оказаться после предпринятых действий. Иначе говоря, нужно понять цель и результаты, которые оповестят о ее достижении. Лучший способ поставить цель – это OKR.

Стратегия OKR зародилась в 1970-х годах в Intel и повсеместно заменила менее демократичную практику управления целями (MBO). Согласно МВО, руководитель устанавливает цели и распределяет задачи между сотрудниками, тогда как в OKR сотрудники сами ставят цели и задачи на основе высокоуровневых бизнес-целей.

OKR (Objectives & Key Results) – методика постановки целей, для каждой из которых прописывают ключевые результаты.

Правильно внедренная OKR – это:
✔️Четкая и прозрачная цель на оговоренный срок
✔️Понятные задачи
✔️Измеримые результаты
✔️Регулярная проверка прогресса

В результате команда вовлечена в работу, сфокусирована на задачах, которые хочется достигать.

🎯Цель (Objective) должна быть достижимой, но при этом амбициозной, а значит чуть выше ваших возможностей. Например, в Google 60-70% достижения цели – это самый лучший результат. Если вы выполнили OKR на 100%, значит занизили цель, если на 40% – переоценили силы.

👍🏻Ключевые результаты (Key Results) – это мера достижения цели. Они всегда измеримы и их значение меняется по мере движения к цели. В KR включают метрики (чаще всего из древа метрик) и действия. К каждой цели выбирают 3-4 KR, но не более 5, чтобы не потерять фокус.

OKR связана с Древом метрик и NSM. Цель ставят «снизу вверх»: сначала выбирают KR, затем называют цель. Цели OKR по иерархии лежат под NSM и ведут к ней. Иногда за цель берут KPI.

Большая часть KR – это метрики из дерева. Чтобы выбрать нужные метрики, анализируют их иерархию. За KR берут:
🔹Цепочку из дочерних метрик в дереве
🔹Метрики из разных узлов дерева

Иногда в KR можно включать другие метрики, не лежащие в дереве. Также в KR пишут конкретные действия, например открыть 10 пунктов выдачи заказов.

#метрики