No Data No Growth | Pavel Bukhtik
الذهاب إلى القناة على Telegram
О карьерном росте при работе с данными и развитии аналитической культуры в компаниях. РКН: №5218310250 Менторю специалистов и руководителей продуктовых компаний. Для связи: @pbukhtik
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام No Data No Growth | Pavel Bukhtik
تُعد قناة No Data No Growth | Pavel Bukhtik (@nodatanogrowth) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 12 725 مشتركاً، محتلاً المرتبة 5 518 في فئة الأعمال والمرتبة 51 418 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 12 725 مشتركاً.
بحسب آخر البيانات بتاريخ 24 يوليو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 93، وفي آخر 24 ساعة بمقدار 2، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 25.63%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 11.02% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 3 261 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 402 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 64.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل метрика, собеседование, лифт, sql, сегмент.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“О карьерном росте при работе с данными и развитии аналитической культуры в компаниях. РКН: №5218310250
Менторю специалистов и руководителей продуктовых компаний.
Для связи: @pbukhtik”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 25 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة الأعمال.
12 725
المشتركون
+224 ساعات
+277 أيام
+9330 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يوليو '26
يوليو '26
+123
في 0 قنوات
يونيو '26
+287
في 1 قنوات
Get PRO
مايو '26
+239
في 0 قنوات
Get PRO
أبريل '26
+190
في 0 قنوات
Get PRO
مارس '26
+230
في 0 قنوات
Get PRO
فبراير '26
+296
في 2 قنوات
Get PRO
يناير '26
+285
في 1 قنوات
Get PRO
ديسمبر '25
+250
في 2 قنوات
Get PRO
نوفمبر '25
+248
في 2 قنوات
Get PRO
أكتوبر '25
+278
في 0 قنوات
Get PRO
سبتمبر '25
+234
في 2 قنوات
Get PRO
أغسطس '25
+265
في 1 قنوات
Get PRO
يوليو '25
+226
في 1 قنوات
Get PRO
يونيو '25
+281
في 0 قنوات
Get PRO
مايو '25
+247
في 1 قنوات
Get PRO
أبريل '25
+339
في 0 قنوات
Get PRO
مارس '25
+329
في 0 قنوات
Get PRO
فبراير '25
+838
في 1 قنوات
Get PRO
يناير '25
+568
في 1 قنوات
Get PRO
ديسمبر '24
+558
في 2 قنوات
Get PRO
نوفمبر '24
+351
في 0 قنوات
Get PRO
أكتوبر '24
+486
في 4 قنوات
Get PRO
سبتمبر '24
+518
في 4 قنوات
Get PRO
أغسطس '24
+375
في 2 قنوات
Get PRO
يوليو '24
+2 169
في 0 قنوات
Get PRO
يونيو '24
+1 285
في 4 قنوات
Get PRO
مايو '24
+319
في 1 قنوات
Get PRO
أبريل '24
+460
في 1 قنوات
Get PRO
مارس '24
+437
في 5 قنوات
Get PRO
فبراير '24
+774
في 1 قنوات
Get PRO
يناير '24
+440
في 3 قنوات
Get PRO
ديسمبر '23
+197
في 1 قنوات
Get PRO
نوفمبر '23
+182
في 1 قنوات
Get PRO
أكتوبر '23
+292
في 0 قنوات
Get PRO
سبتمبر '23
+226
في 0 قنوات
Get PRO
أغسطس '23
+246
في 0 قنوات
Get PRO
يوليو '23
+260
في 0 قنوات
Get PRO
يونيو '23
+897
في 0 قنوات
Get PRO
مايو '23
+104
في 0 قنوات
Get PRO
أبريل '23
+183
في 0 قنوات
Get PRO
مارس '23
+182
في 0 قنوات
Get PRO
فبراير '23
+765
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 25 يوليو | 0 | |||
| 24 يوليو | +4 | |||
| 23 يوليو | +13 | |||
| 22 يوليو | +5 | |||
| 21 يوليو | +2 | |||
| 20 يوليو | +7 | |||
| 19 يوليو | +7 | |||
| 18 يوليو | +4 | |||
| 17 يوليو | +5 | |||
| 16 يوليو | +5 | |||
| 15 يوليو | +6 | |||
| 14 يوليو | +4 | |||
| 13 يوليو | +6 | |||
| 12 يوليو | +5 | |||
| 11 يوليو | +1 | |||
| 10 يوليو | +5 | |||
| 09 يوليو | +4 | |||
| 08 يوليو | +3 | |||
| 07 يوليو | +5 | |||
| 06 يوليو | +7 | |||
| 05 يوليو | +6 | |||
| 04 يوليو | +4 | |||
| 03 يوليو | +3 | |||
| 02 يوليو | +4 | |||
| 01 يوليو | +8 |
منشورات القناة
📹 «Ты не против, если мы запишем собес?»
Работодатель хочет записать собес – норм или стрем?
На самом деле, может быть и так, и так.
Я сам был по обе стороны. Когда нанимал, просил записать интервью, чтобы показать команде и обсудить кандидата вместе. А когда не мог прийти на собес, но участвовал в решении – запись показывали мне.
📝 Причины для записи обычно скучные и рабочие:
-> Интервьюеру хочется слушать тебя, а не строчить конспект. А расшифровку сделает бот вроде Otter или Fireflies;
-> Ее посмотрят те, кто не смог прийти: нанимающий менеджер, будущий тимлид, еще кто-то из команды;
-> Порой она тебя защищает: решают по тому, что ты реально сказал, а не по чьим-то заметкам и «ощущениям».
Так что сама по себе запись не красный флаг. Зависит от того, КАК компания это делает.
✔️ Норм, когда:
-> Вас заранее предупредили и спросили согласие;
-> Объяснили, зачем нужна запись;
-> Сказали, кто получит доступ к записи и сколько хранится запись;
-> Отказ от записи не влияет на результат собеседования;
-> Без отдельного согласия ее не пустят на обучение AI, публикацию или что-то ещё.
❌ Стрём, когда:
-> Запись включают без предупреждения;
-> На «зачем?» отвечают «у нас так принято»;
-> Непонятно, где будет храниться и кто ее увидит;
-> Отказаться формально можно, но вам сразу дают понять, что это «подозрительно»;
-> Запись хотят загрузить в сторонний AI-сервис, не объясняя, как будут использоваться ваши данные;
-> Компания собирается анализировать мимику, голос, эмоции или «уровень честности» кандидата.
🔖 Красный флаг – не факт записи, а отсутствие прозрачности и невозможность спокойно отказаться. И абсолютно нормально заботиться о своих данных. Даже если тебе нечего скрывать.
А ты бы согласился на запись собеса?
| 2 |  🎯 В чём идея Uplift-моделирования?
Привычные ML-модели отвечают на вопрос: «Кто с большой вероятностью купит?» или «Кто может уйти?»
Но бизнесу часто нужен ответ на другой: «На кого подействует наше воздействие?»
И это разные задачи.
Например, мы хотим удержать пользователя и отправляем ему скидку на следующий заказ. Возможны четыре сценария:
🔸 Он остался бы и без скидки (Sure Things) – мы потеряли часть маржи, подарив скидку;
🔸 Ушел бы в любом случае (Lost Causes) – скидка не дала результата, зря потратили бюджет на доставку скидки;
🔸 Без скидки остался бы, но коммуникация вызвала негативную реакцию (Sleeping Dogs) – навредили;
🔸 Без скидки ушли бы, а благодаря ей остались (Persuadables) – именно их мы и хотим найти 🚀
Модель оттока ищет пользователей с высокой вероятностью ухода. Но среди них могут быть и Persuadables, которых можно удержать, и Lost Causes, на которых скидка не подействует.
Uplift-модель ищет тех, чьё поведение изменится именно благодаря воздействию.
Формально:
Uplift = P(целевое действие | воздействие) − P(целевое действие | без воздействия)
То есть нас интересует разница между двумя сценариями для одного пользователя: что произойдёт, если на него воздействовать, и что произойдет без воздействия.
Одновременно наблюдать оба сценария для одного и того же пользователя невозможно, поэтому uplift оценивают на данных экспериментальной и контрольной групп в А/В.
Два основных подхода к реализации:
1️⃣ Meta-learners – превращают обычные ML-модели в модели оценки эффекта. Например, S-learner, T-learner, X-learner и др.
2️⃣ Uplift-деревья – разделяют пользователей по различиям в реакции на воздействие. Uplift Random Forest, Causal Forest.
Если воздействие стоит денег, может раздражать пользователей или по-разному работать на разных сегментах, недостаточно предсказать поведение.
Нужно предсказать, как оно изменится именно из-за вашего решения.
И с этим помогает Uplift-моделирование. | 2 876 |
| 3 |  +4🌀 Я понял, что мешало мне в работе последние девять лет
Последние две недели я провел в фридайвинг-кэмпе в Каше (Турция). Нырнул всего на 60 см глубже, чем прошлый рекорд: 30.6 метра вместо 30.0. На первый взгляд – провал. Ехал за метрами, а привез сантиметры.
Но я осознал две важные вещи. Не про воду, а про себя:
☝️ Глубину нельзя взять силой
Я пробовал. Это не работает. Стоит напрячься, и давление растет, зажимается горло, накрывает ощущение удушья. Дальше два сценария: либо разворот назад, либо баротравма.
Работает ровно обратное. Это быть максимально расслабленным. Не в начале, не в конце, а на всем пути. Буквально позволить воде утягивать тебя на глубину.
✌️ Не надо продавливать себя на максимальной глубине
Лучше сделать шаг назад, спокойно отработать все в комфортных условиях и вернуться глубже уже с уверенностью в каждом движении.
—
В работе мы тоже под постоянным давлением: дедлайны, ожидания, ответственность. И пока ты напряжен, все дается с трудом. Продуктовый кейс на собесе, где от волнения плывешь в мыслях, структуре и метриках. Пытаешься взять оффер количеством собеседований. Получить признание и повышение переработками. По сути та же физика.
За девять лет я много раз видел и испытывал на себе, как люди пытаются пробить карьерный потолок силой. Больше переработок. Больше параллельных проектов и ответственности. Больше рабочих ночей вместо сна. А потом выгорают на своей максимальной глубине.
Я думал, мне не хватает усилий. Оказалось, все ровно наоборот. Ведь порой все, что нужно, это сделать шаг назад. Спокойно вернуться в зону уверенности и отработать слабые места. И это не откат. Это самый быстрый путь вперед.
И по факту, этот кемп стал одной из лучших моих поездок. Потому что дело было не в цифре:
→ Я впервые нырял в открытой воде и поборол страх падения в синюю бездну без осязаемых стен;
→ Подтянул старые навыки на разных упражнениях;
→ Попробовал новые техники и снаряжение;
→ И впервые в жизни понырял с открытыми глазами, без маски. Никогда не думал, что так вообще можно!
Все это даст мне новые глубины уже совсем скоро. И, кажется, не только под водой.
Поэтому вопрос к тебе. Что ты чаще спрашиваешь себя: «как поднажать?» или «где я сейчас зажат?» | 3 486 |
| 4 |  +6🎯 6 лайфхаков поиска прокси-метрик для A/B
Частая проблема в A/B тестах: ключевая метрика нечувствительная и/или медленная. LTV365, ARPU90, повторная покупка – дисперсия высокая, эффект маленький, а ждать месяцы или год никто не готов.
Поэтому хочется найти прокси – более быструю и чувствительную метрику, которая предскажет движение ключевой в будущем.
В карточках выше я собрал весь свой опыт подбора первичных кандидатов на прокси в 6 лайфхаков.
А если ты находишь лайфхаки полезными, то поддержи пост огоньком 🔥. Буду делиться еще! | 3 756 |
| 5 |  +7🧑🎓 У No Data No Growth появился личный кабинет студента!
Теперь все обучение для новых потоков живет в одном месте. И без проблем с доступом в ТГ 🚀
🔸 Студент уже может:
-> Смотреть записи лекций и практических занятий;
-> Записываться в группу на практику;
-> Сдавать домашки и получать ОС прямо в ЛК;
-> Получать уведомления о проверенных работах через бота;
-> Смотреть доп. материалы к лекции;
-> Оставлять отзыв по каждому занятию;
-> Отдельное внимание уделено мобильной версии – она реально работает. Я знаю, что многие учатся с телефона или в дороге.
🔸 Из новых реализованных фич:
🚀 Рейтинговая система! Теперь можно соревноваться с другими студентами курса и получать плюшки на выходе с обучения. Участие добровольное, но для многих это сильный мотиватор.
🚀 Реферальная программа! За приглашенного коллегу, и вы и коллега получаете бонусы. Их можно потратить на будущие программы или личные консультации.
🚀 Запрос на налоговый вычет прямо из кабинета;
🚀 Сертификат по итогам прохождения курса.
🔸 И обратная сторона – админка для меня:
-> Проще трекать посещаемость, доходимость, выполнение домашек, индивидуальный прогресс;
-> И сильно меньше шансов потерять человека, его домашку или отзыв;
Сейчас личный кабинет (ЛК) обкатываю на 6-ом потоке по А/В. Материалы пока дублирую в ТГ и ЛК. Все новые потоки с сентября будут уже полностью на ЛК. Поддержка старых потоков пока в планах.
По факту получилась полноценная LMS с элементами CRM. Я прям доволен результатом. Первые отзывы от студентов тоже позитивные. Сейчас дошлифовываем шероховатости.
—
Это пока все новинки последней недели. Но идеи на этом не заканчиваются – еще много всего хочется реализовать. Но об этом расскажу в следующий раз, когда будет что показать.) | 3 406 |
| 6 |  +7🎨 Ре-ди-зайн
Вот он добрался и до меня. Последний раз дизайн менялся 2 года назад, пришло время что-то менять.)
Вообще, вы могли заметить, что в последнее время постов на канале стало поменьше.
Каюсь: меня поглотил вайбкодинг. И это просто невероятное явление, когда ты можешь сам за пару дней сделать то, на что у целой команды уходят месяцы.
Но у явления есть и обратная сторона: с красными глазами, маниакально, днями и ночами ты пилишь все свои задумки, забывая обо всем остальном.)
И вот первым под раздачу попал мой сайт. Я переработал его целиком. А именно:
1️⃣ Обновил все лендинги
→ Главную страницу
→ Подготовку к собеседованиям
→ A/B и проверку гипотез для аналитиков
→ A/B и проверку гипотез для менеджеров
→ ML и Causal Inference для аналитиков
→ Корпоративное обучение
2️⃣ Каждый мой сборник получил новый вид
→ Сборник из 189+ тестовых заданий
→ Roadmap изучения A/B
→ Чеклист полного цикла А/В эксперимента
→ Сборник софтовых вопросов
→ Глоссарий продуктовых метрик
→ Тест на знание ML и Causal Inference
3️⃣ Собрал все отзывы и видеоотзывы в одном месте
4️⃣ Ключевые посты канала теперь живут и на сайте
Логические серии я объединил в одну публикацию.
5️⃣ Собрал все материалы в единую Базу знаний
155 материалов, 4 направления (A/B, собесы, продуктовая аналитика, карьера), фильтры и подборки под конкретную цель. Теперь это полноценный справочник. Можно зайти и за минуту найти нужное. И на сайте это делать удобнее, чем в ТГ канале.
6️⃣ Перевел сайт с конструктора на код!
И переехал с Tilda на собственный сервер. Это дает полный контроль и гибкость для дальнейшего развития. Не говоря уже про скорость работы сайта.
—
На мой взгляд получилось небо и земля. Тот случай, когда на старую версию уже даже смотреть не могу.)
Где-то еще есть шероховатости в формулировках. И я еще буду детальнее ревьювить страницы и перерабатывать некоторые блоки. Но 90% работы уже проделано.
Если полазите по страницам и накидаете обратной связи – буду очень благодарен. Можно в комментах под постом или мне в личку.)
Но самое интересное изменение даже не в редизайне сайта… О нем я расскажу завтра 🔥 | 2 641 |
| 7 |  +8🧩 Разбор 5 хитрых задач с собеса в Авито
Давненько на канале не было разбора задач с реальных собеседований. Исправляюсь.
На первый взгляд задачи в каточках выше выглядят простыми, но почти в каждой зашита ловушка, на которой легко поскользнуться даже с опытом.
В карточках разобрал:
🚗 Почему «90% аварий по вине трезвых» – это неверный логический вывод;
🌌 Две параллельные вселенные и эксперимент на 20% vs 80% трафика: что будет со средним, дисперсией и доверительным интервалом;
📦 Модерация объявлений: какую ошибку – I или II рода – важнее минимизировать и почему нельзя «просто минимизировать обе».
Также вы можете всегда попросить меня разобрать интересующие задачи с собеседований. Для этого просто напишите мне в личные сообщения @pbukhtik. | 3 236 |
| 8 | 🧠 Foundation Models – GPT из мира прогнозирования временных рядов
Представьте GPT, который вместо текста предсказывает будущие значения вашего временного ряда. Звучит как магия, но это уже реальность.
Для прогнозирования временных рядов есть много подходов:
-> Baseline'ы – наивная и сезонная наивная модели;
-> Классика – ARIMA, SARIMAX, Prophet;
-> ML-подход – LightGBM, XGBoost, CatBoost;
-> DL – RNN, LSTM, Transformer-based;
-> и сотни разных реализаций под конкретные задачи.
Но в последние годы, вместе с развитием ИИ, набирает обороты новый подход – Foundation Models.
Это модели, обученные на огромном количестве исторических рядов из разных доменов.
Главная идея – zero-shot прогнозирование: вы НЕ обучаете модель на своих данных. Вы просто даете ей контекст (кусок вашей истории), а модель продолжает его в будущее. Как LLM продолжает текст по промпту, только здесь «промпт» – это ваш ряд.
И точность из коробки получается на удивление высокая по сравнению даже с хорошо подтюненными моделям.
Это особенно полезно, когда:
-> данных мало или их ещё нет (холодный старт);
-> нет времени или возможности обучать свою модель;
-> нужен быстрый прогноз сразу по сотням / тысячам рядов.
Модель, обученная на ваших данных, скорее всего обгонит Foundation модель. Но как точка старта и сильный baseline – это отличный вариант.
Из популярных реализаций:
-> Chronos / Chronos-2 от Amazon;
-> TimeGPT от Nixtla;
-> TimesFM от Google.
Моделей уже много, какие-то наверняка ближе к вашей индустрии. Можете глянуть сборник моделей тут:
🔗 https://github.com/ZLiu21/awesome-tsfms-from-pre-training-to-post-training
А если хотите поиграться с такой моделью в песочнице, я подготовил небольшой Colab:
🔗 https://colab.research.google.com/drive/1sGcmdpjQ5ZlVIU6zG5olXXSLE537651g
Не знали про Foundation Models для временных рядов? Тогда поддержите пост огоньком 🔥 | 3 629 |
| 9 | 🧐 «Оцени дневную выручку кофейни у метро»
-> «Сколько АЗС в США?»
-> «Сколько настройщиков пианино в Москве?»
-> «Сколько теннисных мячей поместится в самолет?»
Когда впервые слышишь такие абстрактные задачи на собесе, они вызывают недоумение. Ты же не в кофейню устраиваешься. Вводных нет. И зачем это продуктовому аналитику?
Но интервьюер проверяет не знание правильного ответа или способность его угадать. Правильного ответа не существует. Он проверяет мышление: умеешь ли ты рассуждать в условиях неопределенности.
В работе аналитика это происходит постоянно: оценить потенциал рынка или канала, размер сегмента, эффект фичи, нагрузку, выручку новой инициативы.
Как решать подобные задачи?
1️⃣ Декомпозируй
Не пытайся сразу назвать цифру. Разбей задачу части:
Выручка = количество покупок × средний чек.
2️⃣ Оцени компоненты
Кофейня у загруженного метро:
-> работает ~14 часов (с 7:00 до 21:00)
-> пик: утро, обед, вечер – 7 часов × 40 заказов (заказ каждые 1.5 минуты) = 280
-> спокойные часы: 7 часов × 10 заказов (заказ в 6 минут) = 70
-> итого: ~350 заказов в день
-> средний чек: кофе + иногда выпечка → ~500 ₽
Неудобные для расчета числа можно округлять
3️⃣ Посчитай итог
350 × 500 = ~175 000 ₽ в день
4️⃣ Проверь здравым смыслом
Это ~5 млн ₽ в месяц. Для точки у метро звучит реалистично ✔️
Если цифра получается странная – поменяй одно ключевое допущение, а не всю модель сразу.
—
Главная ошибка кандидатов – молчать или сразу называть число.
Интервьюер хочет слышать ход мысли: «Я предполагаю, что...», «Здесь беру такую цифру, потому что...». Прозрачные допущения и обоснованные решения – это и есть продуктовое мышление.
Поэтому в следующий раз, когда услышишь такой вопрос на собесе – улыбнись и начни декомпозировать 🚀 | 3 432 |
| 10 | ![🤷 Зачем учиться, если есть ChatGPT [другая LLM]? Недавно на встрече-знакомстве на ближайший поток по A/B мне сказали: «Я про](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fn3.tlmtr.cc%2Fp%2F_OCNvb91zqqaJwMcrnzGWWAlTMwlKry1Yh2htl1jvcmA%3Fty%3Dx&w=64&q=75){kind=small} 🤷 Зачем учиться, если есть ChatGPT [другая LLM]?
Недавно на встрече-знакомстве на ближайший поток по A/B мне сказали:
«Я прошу ChatGPT провести меня за руку: задизайнить A/B, посмотреть результаты, подвести итоги. Он отвечает уверенно, и я делаю, как он говорит.
Но почему именно так, не понимаю. Цельной картины не появляется, даже когда расспрашиваю подробнее. И главное – не могу проверить, можно ли ему доверять».
Знакомо?
Теорию про A/B, метрики, MDE и p-value любая нейросеть сегодня перескажет за минуту.
Но знать и уметь – разные вещи.
Ценность курса по А/В не в теории, а в прикладных навыках:
🔸 видеть эксперимент целиком как систему, от гипотезы до выводов;
🔸 проверять, где нейросеть права, а где уверенно ошибается;
🔸 ловить ошибки в тесте до того, как они навредят продукту.
И одно дело думать, что понимаешь. Другое – сделать руками, столкнуться с неоднозначностью, и получить честную обратную связь.
Каждую домашнюю работу я разбираю лично. При этом мне не важно, решает человек домашку с нейросетью или без. И так, и так можно сделать как правильно, так и ошибаться.
Мне важно, чтобы полученные навыки помогали принимать продуктовые решения, растить культуру экспериментов в команде и увереннее проходить собеседования.
Особенность ближайшего потока в том, что продакты и аналитики будут учиться вместе. Работать в группах над задачами, как в реальной команде. И помимо самого А/В – учиться понимать друг-друга.
⌛️ Ближайший поток по А/В стартует уже через 2 дня. Осталось 4 места для аналитиков и 7 для продактов. Следующий поток – только осенью. Конкретно такого формата может уже не быть.
Оставляй заявку тут:
🔗 Для аналитиков: https://nodatanogrowth.com/product-analyst-ab-testing
🔗 Для менеджеров: https://nodatanogrowth.com/productmanager-ab
Хочешь прокачаться за это лето? Вот он, знак. | 3 256 |
| 11 |  +7🚫 8 мифов в А/В, в которые верят PM-ы (и не только)
Когда погружаешься в тему A/B, кажется, что все просто: запустил тест, посмотрел результат, выбрал победителя.
А на практике именно из-за этой обманчивой простоты возникает большинство ошибок.
В карточках выше – 8 популярных мифов, в которые верят продакт-менеджеры (и аналитики), когда только начинают работать с A/B
Узнали своего менеджера? Тогда поставьте 🔥 | 3 121 |
| 12 |  📹 Разбор кейса: дизайн A/B эксперимента
Делюсь записью вчерашнего эфира. Получилось содержательно 🚀
Буквально по чеклисту прошелся по всем ключевым моментам: бизнес-аспектам, элементам дизайна эксперимента, типичным подводным камням.
Отдельно отметил, что критично для собесов, а что для реальных рабочих задач.
Старался не просто давать «правильные ответы для собеса», а объяснять, почему именно так и как к этому прийти. Поэтому рекомендую к просмотру даже тем, кто уже знаком с темой – точно найдёте, что забрать для себя.
Запись доступна по ссылке:
🔗 https://www.youtube.com/live/eF6DhbOkdMU
Приятного просмотра! | 3 362 |
| 13 | 🔓 Разбор кейса на дизайн А/В эксперимента
27 мая в 18:00 по мск в прямом эфире разберу дизайн А/В от начала до конца на конкретном кейсе. Буквально пройдемся по чеклисту А/В и поразгоняем разные тонкости.
Получится хорошая демонстрация подходов к дизайну рабочих А/В тестов.
А если готовитесь к собесам – как системно разложить кейс, попасть в ожидания и ничего не забыть.
✨ Когда: 27 мая в 18:00 мск
✨ Ссылка для участия: [зарегистрироваться]
Даже если не сможете прийти на эфир – зарегистрируйтесь, чтобы получить запись.
P. S. Ребята сгенерили обложку на нейросетке. Угораю с себя 🤣 | 3 340 |
| 14 |  +9🇯🇵 Майские провел в Японии!
Правда оказалось, что попали на золотую неделю – японский аналог наших майских (только без шашлыков). Пришлось серьезно поработать над маршрутом, чтобы не провести отпуск в очередях.
Скажу честно: я не фанат аниме и не особо погружен в японскую культуру. Ехал почти без ожиданий. И, наверное, именно поэтому страна так сильно впечатлила!
Городской средой и ощущением безопасности. Тем, как легко чувствуешь себя в культуре, которая от тебя бесконечно далека. И как спокойно уживаются максимум потребительской культуры, природа, японские сады и какая-то невозможная чистота везде.
Сейчас в Японии туристический бум. И это чувствуется. Местные устали от туристов. Страна меняется под этим давлением, только непонятно в какую сторону. Будем надеяться, что не в сторону закрытия виз.
Поездка была из тех, что выматывают полностью. Классический отпуск, после которого нужен отпуск. Но точно одна из лучших в моей жизни!
Пока готовились, перечитали кучу гайдов по Японии. Хоть они были про одно и то же – каждый был по-своему полезен. Поэтому я собрал свой гайд (дневник поездки): маршрут, жильё, достопримечательности, заметки и траты:
🔗 https://drive.google.com/file/d/1behVnHSEp3nIBboREFrzFD6FETmmNU5Q
Буду рад, если пригодится тем, кто собирается ❤️ | 3 319 |
| 15 |  🔮 Есть ли будущее у джунов в эпоху GenAI?
Сегодня выступил на эту тему на панельной дискуссии одной из крупнейших аналитических конференций – Aha’26!
Делюсь своими основными тезисами:
1️⃣ Аналитиков заменяют? Что уже внедрено?
Сейчас в РФ неплохо работает и используется кодогенерация, автосаммари дашбордов и алертов, Text-to-SQL поверх задокументированного DWH.
Что не работают, но компании очень хотят – AI-аналитик, который делает все сам. Думаю, что к этому прийдем. Но не как замену, а как дополнение к "думающему" аналитику.
2️⃣ Как стартовать аналитику в 2026?
Фокусироваться на продуктовом мышлении, системном видении цельной картины, валидации ответов LLM.
SQL и Python – все еще нужны, но порог входа в них сильно снизился. Все больше смотрят на способность мыслить.
3️⃣ Прогноз на рынок найма аналитиков?
-> Рынок найма джунов продолжит сжиматься;
-> Порог входа продолжит расти;
-> Крупные компании продолжат брать джунов, но средние и малые – практически перестанут;
-> Через 2-3 года будет дефицит мидлов.
4️⃣ Должны ли компании нести соц. ответственность за развитие молодых?
Растить джунов – это не благотворительность, а инвестиция, которая стала только выгоднее:
-> Упала стоимость обучения (LLM – персональный ментор 24/7);
-> Лояльность выращенных людей выше, а удержание дороже найма;
-> Свой джун через год знает продукт лучше, чем мидл с рынка через полгода.
Компании, которые перестали брать джунов «из экономии», через 2 года будут переплачивать за мидлов вдвое.
5️⃣ В чем сила джунов в 2026?
Они растут с LLM. Пока мидлы и сеньоры до сих пор спорят, «использовать ли GPT» – джуны просто используют. И это дает им преимущество.
—
А что вы думаете по этому поводу? Поделитесь в комментариях 👇 | 3 165 |
| 16 |  +4🧪 Новый экспериментальный поток по А/В 🚀
Я давно хотел попробовать формат, где продуктовые менеджеры и аналитики учатся вместе: на одном потоке, с общими обсуждениями и домашками.
Ведь в реальной работе A/B – общая ответственность продакта и аналитика. Чем хуже они понимают друг друга, тем чаще A/B превращается в формальность, а не в инструмент решений.
Моя основная аудитория – аналитики. Поэтому если вы давно думали: «Вот бы мой продакт лучше понимал А/В» – перешлите ему этот пост и заодно расскажите, как у меня проходит обучение 🙂
🎯 Что будет у продактов
За 7 недель (3-6 ч/нед) на практике освоите 41 навык в А/В – все детально расписаны в карточках выше.
Научитесь говорить с аналитиком на одном языке, грамотно ставить задачи, видеть слабые места в дизайне теста до запуска, не манипулировать методологией под свои гипотезы, принимать взвешенные решения и защищать их перед руководством.
📊 Что будет у аналитиков
Программа шире: помимо общей части с продактами – отдельные занятия для аналитиков: сплитование, симуляции Монте-Карло, ratio-метрики, стат. критерии, множественное тестирование, А/В без А/В, ускорение, сетевой эффект.
А ещё то, чему почти нигде не учат: объяснять выводы А/В нетехническим людям и видеть, как продакт реально использует их в решениях. То, что часто отделяет middle-аналитика от senior, а в работе спрашивают каждый день.
🔥 Самое интересное – домашки
Их продакты и аналитики делают вместе, в смешанных мини-группах. И в этом сильная синергия:
→ продакты начинают понимать, как думают аналитики;
→ аналитики – как устроена продуктовая логика и принятие решений.
Редкий случай, когда обе стороны учатся друг у друга в процессе, а не после.
🎓 Для выпускников прошлых потоков
Если хочешь пройти ещё раз – досдать домашки, освежить материал, попробовать новый формат – приходи. Предложу спецусловия.
—
Старт – 8 июня. С каждым, кто оставит заявку, я провожу установочную встречу: разберу твою ситуацию, цели и отвечу на вопросы. Мне важно убедиться, что курс реально сработает именно для тебя.
Оставляй заявку по ссылке:
👉 Для продактов: https://nodatanogrowth.com/product-manager-ab-testing
👉 Для аналитиков: https://nodatanogrowth.com/product-analyst-ab-testing
На аналитическом треке всего 15 мест – хочется сохранить ламповость потока. Поэтому лучше написать сегодня, чем жалеть в июле, что не успел. | 2 951 |
| 17 | 🚪 Иногда лучший карьерный ход – не победить систему, а сменить её
Есть принципиальная разница между «вызовами в работе» и «ежедневной борьбой за право просто делать свою работу».
Узнаешь себя?
🔹 Хочешь методологично проводить A/B, но каждый день споришь с HIPPO, у которого «интуиция» всегда весомее данных. Или инфраструктура для экспериментов «вот-вот появится» уже второй год подряд;
🔹 В оффере было «продуктовый аналитик», а по факту в одиночку чинишь пайплайны, строишь витрины и разгребаешь DWH. На дата-инженера бюджета нет. Зато есть ты;
🔹 Приносишь деньги компании, но зарплату не поднимают. Уже третий раз подряд слышишь «вернёмся к этому на следующем ревью». Матрицы компетенций нет, правила игры не обозначены, только туманные обещания.
🔹 Находишь инсайты, которые сделают продукт лучше для пользователя. Все внимательно слушают, кивают и... продолжают делать по-своему. А твоя работа уходит в стол.
🔹 Хотел системно драйвить продукт, но тонешь в ad-hoc. На выстраивание системы времени нет, и компания не готова в это инвестировать
Со всем этим можно работать: искать союзников, договариваться, выстраивать процессы. Иногда это настоящий вызов, который тебя растит.
Но стоит честно ответить себе на один вопрос:
🔸 Ты растешь как специалист, или просто затыкаешь системные дыры компании своим временем, здоровьем и терпением?
И это разные вещи. В первом случае ты становишься сильнее. А во втором просто дешевле обходишься компании.
Не каждая битва стоит того, чтобы её выигрывать. Иногда лучший ход – выйти из игры и начать новую, где тебя изначально видят специалистом, а не универсальным борцом. | 3 365 |
| 18 |  🎙 Хочется, чтобы связок сильный аналитик + сильный продакт становилось больше
Поэтому уже завтра, 13 мая в 18:00 мск, мы проведем прямой эфир по А/В тестированию в формате мок-интервью для продактов и аналитиков.
На нем мы разберем живой продуктовый кейс, реальные вопросы с собеседований и покажем, чем сильный ответ на A/B-кейс отличается от провального.
🔥 Спикеры эфира:
-> Влад Носковец – ex-CPO в ProductStar, ex-Lead Product в Т-Банке;
-> Влад Зыбарев – ex-CPO в Qugo, преподаватель в ИТМО;
-> и я, Павел Бухтик – ex-Head of Analytics в Яндексе и FindMyKids, основатель No Data No Growth.
Будет полезно, если вы хотите лучше понимать, как мыслят сильные продакты и аналитики, как они проходят секции с кейсами на А/В и что на самом деле оценивают на интервью.
✨ Когда: 13 мая в 18:00 мск
✨ Ссылка для участия: [зарегистрироваться]
Если не сможете прийти на эфир – все равно зарегистрируйтесь, чтобы получить запись. | 3 549 |
| 19 |  +8🧭 2 года вне найма: мои 9 главных выводов
Два года назад я перестал работать продуктовым аналитиком в найме.
До этого были роли руководителя, Яндекс, стартапы и привычная логика работы: команда, процессы, зарплата, цели, менеджмент.
Сейчас я занимаюсь своей онлайн-школой по продуктовой аналитике, менторством и собственными проектами. И ключевая особенность этого периода в том, что я работаю полностью один: без команды и подрядчиков.
В карточках выше ты найдешь 9 главных выводов, которые я вынес за эти два года работы на себя.
Если коротко: вне найма не стало проще или сложнее. Стало по-другому. Работа на себя – это другой mindset. Я стал иначе смотреть на деньги, ответственность, свободу, процессы, экспертизу и себя.
Я уходил за свободой. А получил безграничную ответственность, постоянную неопределенность и ощущение, что мой потенциал стал раскрываться намного сильнее.
И, кажется, что именно это мне и было нужно 🔥 | 4 306 |
| 20 | 🔍 Откуда берется p-value в лин. регрессии в контексте A/B?
В одном из последних постов я писал, что A/B тест можно рассматривать как частный случай линейной регрессии:
-> y = β₀ + β₁T + ε
y – значение метрики у пользователя;
T – индикатор группы: 0 для контроля и 1 для теста;
β₀ – среднее значение метрики в контрольной группе;
β₁ – разница между тестом и контролем;
ε – случайная ошибка отдельного наблюдения.
И когда мы смотрим на p-value для β₁, мы фактически проверяем, является ли разница между тестом и контролем статистически значимой.
Но откуда берется этот p-value?
Нулевая гипотеза звучит так:
-> H₀: β₁ = 0
Т. е. что эффекта нет: cреднее в тесте равно среднему в контроле.
В данных мы видим какую-то оценку этого эффекта:
-> β̂₁ = mean(test) - mean(control)
Например, β̂₁ = 2. Но такое значение еще ни о чем не говорит, ведь разница могла возникнуть из-за случайности. Поэтому мы задаем вопрос:
> Если эффекта на самом деле нет, насколько вероятно было бы увидеть разницу в 2 или более экстремальную?
Чтобы ответить на него, мы сравниваем наблюдаемую разницу с ее стандартной ошибкой:
-> t = (β̂₁ - 0) / SE(β̂₁)
Так получается t-статистика. Интуитивно она отвечает на вопрос: на сколько стандартных ошибок наша оценка эффекта отстоит от нуля?
В числителе стоит β̂₁ - 0, потому что 0 – это значение эффекта при нулевой гипотезе.
А стандартную ошибку разницы средних для двух независимых групп можно записать так:
-> SE(β̂₁) = sqrt(s²_control / n_control + s²_test / n_test)
s²_control и s²_test – выборочные дисперсии метрики внутри групп.
n_control и n_test – размеры контрольной и тестовой групп.
В контексте регрессии эти дисперсии можно понимать как разброс остатков внутри групп. Модель предсказывает каждому пользователю среднее значение его группы. Поэтому остаток – это:
-> yᵢ − mean(group)
А дисперсия внутри группы – это средний квадрат таких отклонений:
-> s²_group = Σ(yᵢ − mean(group))² / (n_group − 1)
После этого мы считаем t-статистику и смотрим, насколько экстремальным было бы такое значение, если бы нулевая гипотеза была верна. Вероятность получить такое или более экстремальное значение статистики при верной H₀ – это и есть p-value.
В этом и вся идея. Никакой магии, только статистика 🔥 | 4 435 |
