CRO & Personalization
Open in Telegram
A/B-тестирование, персонализация и рост: опыт, инструменты и подходы, которые помогают принимать решения на основе данных. 📩 Контакты: Андрей Андреев Telegram — @and_and LinkedIn — linkedin.com/in/and-andreev
Show more861
Subscribers
+124 hours
+27 days
+1330 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
No data
Any problems? Please refresh the page or contact our support manager.
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+27
in 0 channels
August '26
+18
in 0 channels
Get PRO
July '26
+11
in 0 channels
Get PRO
June '26
+75
in 0 channels
Get PRO
May '26
+42
in 0 channels
Get PRO
April '26
+10
in 0 channels
Get PRO
March '26
+138
in 1 channels
Get PRO
February '260
in 0 channels
Get PRO
January '260
in 0 channels
Get PRO
December '250
in 0 channels
Get PRO
November '250
in 0 channels
Get PRO
October '250
in 0 channels
Get PRO
September '250
in 0 channels
Get PRO
August '250
in 0 channels
Get PRO
July '250
in 0 channels
Get PRO
June '250
in 0 channels
Get PRO
May '250
in 0 channels
Get PRO
April '250
in 0 channels
Get PRO
March '250
in 0 channels
Get PRO
February '250
in 0 channels
Get PRO
January '250
in 0 channels
Get PRO
December '240
in 0 channels
Get PRO
November '240
in 0 channels
Get PRO
October '240
in 0 channels
Get PRO
September '24
+2
in 0 channels
Get PRO
August '24
+5
in 0 channels
Get PRO
July '24
+6
in 0 channels
Get PRO
June '24
+4
in 0 channels
Get PRO
May '24
+2
in 0 channels
Get PRO
April '24
+4
in 0 channels
Get PRO
March '240
in 0 channels
Get PRO
February '24
+6
in 0 channels
Get PRO
January '24
+14
in 0 channels
Get PRO
December '23
+14
in 1 channels
Get PRO
November '23
+19
in 1 channels
Get PRO
October '23
+111
in 1 channels
Get PRO
September '23
+107
in 0 channels
Get PRO
August '23
+24
in 0 channels
Get PRO
July '23
+21
in 0 channels
Get PRO
June '23
+23
in 0 channels
Get PRO
May '23
+114
in 0 channels
Get PRO
April '23
+10
in 0 channels
Get PRO
March '23
+12
in 0 channels
Get PRO
February '23
+22
in 0 channels
Get PRO
January '23
+35
in 0 channels
Get PRO
December '22
+20
in 0 channels
Get PRO
November '22
+285
in 0 channels
Get PRO
October '22
+247
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 16 September | +14 | |||
| 15 September | +1 | |||
| 14 September | +1 | |||
| 13 September | 0 | |||
| 12 September | 0 | |||
| 11 September | +1 | |||
| 10 September | +1 | |||
| 09 September | +1 | |||
| 08 September | 0 | |||
| 07 September | +5 | |||
| 06 September | +1 | |||
| 05 September | +1 | |||
| 04 September | 0 | |||
| 03 September | 0 | |||
| 02 September | +1 | |||
| 01 September | 0 |
Channel Posts
Repost from METRO NEWS
⚡️ METRO вошла в тройку лидеров UX-рейтинга интернет-магазинов в категории «Продукты питания»
🔝 Эксперты «Рейтинга Рунета» оценивали, насколько удобно пользователю взаимодействовать с онлайн-магазином – от поиска товара до оформления заказа. В исследовании приняли участие более 60 крупнейших приложений.
💬 Команда e-commerce последовательно оптимизирует пользовательский путь, анализируя поведение клиентов и устраняя лишние действия на ключевых этапах взаимодействия с компанией на онлайн платформе.
«Попадание в UX-рейтинг — результат командной работы бизнеса, продукта, разработки, дизайна и аналитики. Мы постоянно улучшаем пользовательский путь: убираем лишние шаги, упрощаем сценарии и делаем покупку удобнее. Поэтому высокая оценка экспертов для нас – не просто признание, а возможность получить независимый взгляд со стороны и понять, где у нас еще есть точки роста», – отметил Андрей Андреев, руководитель направления мерчандайзинга дивизиона электронной торговли METRO.
🌐 Методология «Рейтинга Рунета» основана на исследованиях Nielsen Norman Group и Baymard Institute, практическом опыте работы с e-commerce-проектами и экспертной оценке специалистов отрасли.
| 2 | Приятно 🥹 | 71 |
| 3 |  🧠 Я всё меньше хочу прокачивать навыки, которые LLM потенциально может делать вместо меня.
Не потому, что навыки больше не нужны. А потому, что их срок жизни становится короче.
Сегодня я скорее инвестирую в другое: как думать, как задавать вопросы и как принимать решения в условиях неопределённости.
И здесь, кажется, появляется новая проблема.
Раньше ошибка часто была в том, что мы чего-то не знали.
Теперь опаснее другая ошибка - false positive: когда мы принимаем неправильный ответ за правильный.
LLM может написать убедительный анализ, привести цифры, объяснить причинно-следственную связь и даже сослаться на источник.
И всё это может быть неправдой.
Чем лучше модели становятся в создании правдоподобных ответов, тем важнее способность человека сказать:
Стоп. А почему я вообще должен этому верить?
Поэтому я сейчас смещаю образование от конкретных инструментов в сторону фундаментальных вещей: вероятностного мышления, критического мышления, статистики, причинности и принятия решений.
Недавно закончил книгу Суперпрогнозирование Филипа Тетлока.
Для меня это, пожалуй, вторая книга после «Думай медленно… решай быстро» Канемана, которая хорошо объясняет, как тренировать собственное мышление, а не просто накапливать знания.
Особенно полезна она сейчас, когда между человеком и информацией появляется LLM.
Модель может помочь нам думать быстрее.
Но она не должна избавлять нас от необходимости думать самим.
Потому что самый дорогой ответ - не тот, который мы не получили.
А тот, которому мы поверили.
Книгу оставил в комментариях.
*Фото к посту - из курса Ronny Kohavi «Accelerating Innovation with A/B Testing» на Maven.
_______________
CRO & Personalization 🫥
Проголосовать, чтобы сторис было больше 👍 | 130 |
| 4 |  😛 В A/B-тестах мы используем два разных подхода. Но проблема у них одна.
Сейчас в METRO мы работаем сразу с двумя системами:
- Gravity Field - Bayesian
- Вариокуб от Яндекса - frequentist
И раньше мне казалось, что главный вопрос здесь - какой подход лучше.
Но свежая статья Spotify заставляет посмотреть на это немного иначе.
Ребята объясняют, почему они сознательно не переходит на байесовское A/B-тестирование
и разбирают четырёх распространённых мифа:
1️⃣«Байес не требует коррекции на подглядывание (peeking)» - верно только для Bayes-factor stopping; стандартный плоский prior с порогом по постериорной вероятности даёт ту же инфляцию ложноположительных результатов, что и обычное peeking у частотников.
2️⃣ «Байес сам решает проблему множественных метрик» — требует хорошо откалиброванного empirical Bayes prior, построенного на истории ≥200 экспериментов; без этого гарантии не работают.
3️⃣ «Байес лечит winner's curse» - верно только с информативным prior; дефолтный плоский prior не даёт никакой усадки оценки эффекта.
4️⃣ «Нужен Байес для decision theory» - во многих случаях оптимальное байесовское решающее правило математически совпадает с частотистскими методами (mixture SPRT ≈ Bayes factor stopping ≈ group sequential testing).
Но для меня самое интересное в другом.
Когда статистика сталкивается с культурой компании (по крайней мере так происходит у нас)
Если из 100 гипотез у нас выигрывают условные 10 - это нормально.
Но для большой корпорации 10 побед на 100 гипотез иногда выглядят не как нормальный результат поиска, а как проблема.
На слайде хочется показать больше зелёных цифр.
Хочется показать uplift.
Хочется показать, что команда приносит результат.
И тогда возникает опасный соблазн:
посмотреть раньше 💛 найти сегмент 💛 проверить ещё одну метрику 💛 дождаться красивого числа 💛 показать победу.
Именно здесь false positive становится не только статистической, но и культурной проблемой.
Можно поменять frequentist на Bayesian.
Можно поменять p-value на probability to win.
Но если организация вознаграждает за количество побед, а не за качество решений, она будет оптимизировать под победы независимо от выбранной статистической школы.
Spotify поэтому вообще не добавляет Bayesian подход: для них важнее, чтобы эксперименты были понятны, надёжны и сложны для неправильной настройки. А ещё важнее - чтобы результаты приводили к хорошим решениям, а не просто к красивым ship/no-ship слайдам.
И, пожалуй, Experimentation культура - это не культура побед.
Это культура, в которой проигрыш гипотезы считается нормальным, а false positive - нет.
Spotify написали очень хороший разбор того, почему они пока не используют Bayesian A/B testing - и почему спор Bayesian vs frequentist на самом деле гораздо менее важен, чем кажется.
Читать статью Spotify → Why Spotify Is Not Using Bayesian A/B Testing
_______________
CRO & Personalization 🫥 | 187 |
| 5 |  🦜 Data Science меняется быстрее, чем успевают обновляться учебные программы
Последнее время всё чаще вижу тезис: AI убьёт Data Science.
Я бы сформулировал иначе.
AI не отменяет необходимость решать задачи с данными. Он меняет то, как эта работа делается.
Раньше типичный workflow выглядел примерно так:
почистить данные ➡️ собрать признаки ➡️ обучить модель ➡️ визуализировать ➡️ презентовать результат.
Теперь часть этой работы можно делегировать AI-агентам.
Ты формулируешь задачу, получаешь код, анализ, модель и даже production-ready воркфлоу. А твоя работа всё чаще смещается в другое место:
поставить правильную задачу ➡️ проверить результат ➡️ понять, где AI ошибся ➡️ довести решение до бизнеса.
И здесь мне вчера попался интересный бесплатный семинар Matt Dancho.
Matt - основатель Business Science, преподаватель Data Science, специалист по R и Python. Он много лет занимается прикладным Data Science и обучением специалистов; среди его инструментов - собственные R-пакеты и практические проекты для бизнеса.
Его тезис довольно провокационный:
Проблема Data Scientist не в том, что AI умеет писать код. Проблема в том, что теперь писать код - уже не главное.
В 2026 его стэк выглядит примерно так:
▫️ AI Agents
▫️ умение быстро доводить решения до production
▫️ понимание бизнес-контекста
▫️ и, пожалуй, самое важное - умение понимать, когда AI неправ.
Последний пункт мне кажется особенно важным.
Потому что с ростом возможностей AI ценность специалиста может смещаться от я умею сделать анализ к
я понимаю, какой анализ вообще нужно сделать и могу проверить, что результат имеет смысл.
Matt как раз обещает показать это на практике: AI + Data Science + Python + реальные бизнес-задачи.
Поэтому я уже зарегистрировался.
Не потому что Data Science умирает. А чтобы посмотреть, каким становится Data Science, когда большая часть технической работы начинает выполняться AI.
Если интересно - регистрация на бесплатный workshop от Matt Dancho 23 сентября
_______________
CRO & Personalization 🫥 | 193 |
| 6 |  Как проводить A/B-тесты в интернет-магазине?
Какие метрики смотреть?
Каковы этапы дизайна А/В теста?
Как формулировать гипотезы для А/В тестов?
И многое другое в нашей статье про А/В тестирование | 194 |
| 7 | Если кто-то хочет ещё раз освежить свои знания: свежая статья от команды GF. | 195 |
| 8 | Вакансия Head of Growth (AI-native) в Gravity Field
Ищу к себе в команду человека на офигенную роль — Руководителя по росту продукта. Это человек, который будет помогать расти нашим клиентам с помощью всего инструментария Gravity Field.
Хотим найти AI-native, который верит в AI, умеет строить и автоматизировать + любит и умеет качественно доносить свои идеи и мысли внешней и внутренней аудитории.
Роль три в одном — growth продакт + AI-native + лидерство и управление. По сути это полноценный продакт, задача которого помогать расти клиентам и построить стек решений для этого как в платформе, так и вокруг нее.
Даже не знаю, что тут еще сказать!
Буду рад любым рекомендациям и референсам. Напишите мне, если вас заинтересовало или есть кого предложить
Ссылки на более подробное описание:
👉 hh
👉 Сайт Gravity | 230 |
| 9 | Ребята, кому интересна вакансия, откликайтесь. Мы с ребятами много движа делаем вместе. | 207 |
| 10 |  👾 E-commerce больше не просто меняется. Он меняет точку входа в покупку
В новом Hype Cycle for Digital Commerce 2026 Gartner выделяет несколько сигналов, которые, на мой взгляд, особенно важно не пропустить:
🫀 AI становится новым sales channel
AI Checkout позволяет покупать прямо внутри AI-платформ, не переходя на сайт магазина.
Следующий шаг - Agentic Buying: AI-агент сам ищет товар, сравнивает варианты и совершает покупку практически без участия человека.
🫀 Search превращается в Discovery
Hybrid Search и Guided Selling Assistant объединяют поиск, семантику, AI и рекомендации.
Задача уже не просто найти товар, а помочь человеку выбрать.
🫀 У SEO появляется новый конкурент - AEO
Answer Engine Optimization - оптимизация контента под AI-ответы и LLM.
Вопрос уже не только в том, попадёт ли ваш сайт в Google. Важно, будет ли ваш продукт рекомендован AI.
🫀 Клиентом становится не только человек
Machine Customers - AI-агенты, подключённые автомобили, устройства и другие машины, которые самостоятельно совершают экономические действия.
И Gartner ожидает, что их роль в e-commerce будет быстро расти.
Если собрать всё вместе, customer journey начинает выглядеть примерно так:
Search ➡️ Discovery ➡️ Recommendation ➡️ AI Assistant ➡️ Agentic Buying
И вопрос уже не как улучшить интернет-магазин?
А какая часть customer journey вообще останется человеку?
Я сделал кое-что за вас - отдал свою почту Gartner 😄
Поэтому можете сразу переходить к полному исследованию:
Полное исследование Gartner - Hype Cycle for Digital Commerce 2026
_______________
CRO & Personalization 🕷 | 216 |
| 11 | 📃 Иногда лучший UX - это не тот UX, который кажется логичным
Мы провели A/B-тест фильтров на PLP и SRP
Гипотеза выглядела почти очевидной:
оставить на экране только 5 самых востребованных фильтров, а остальные спрятать в "Все фильтры".
Логика была простой: около 80% пользовательских задач закрываются этими пятью критериями.
Меньше элементов 💛 быстрее выбор 💛 выше вовлечённость 💛 больше покупок.
Но данные сказали обратное.
Purchase Rate:
Control - 3,55%
Treatment - 3,46%
−2,54% uplift
Вероятность того, что это не случайный результат: 95,4% P2BB.
Гипотеза не просто не подтвердилась.
Мы получили отрицательный эффект.
Почему?
Возможно, мы слишком сильно поверили в среднее.
Если 80% задач закрываются пятью фильтрами, это ещё не означает, что остальные 20% не важны.
Для пользователя, которому нужен именно шестой фильтр, его исчезновение - это не небольшое ухудшение интерфейса.
Это может быть моментом, когда поиск нужного товара становится слишком сложным.
И здесь есть урок для продуктовой аналитики:
частотность использования ≠ ценность для пользователя.
Редкий сценарий может иметь непропорционально высокую цену ошибки.
Поэтому перед тем, как упрощать интерфейс, стоит спросить не только:
Что используют чаще всего?
но и:
Что происходит с теми, кому нужно остальное?
A/B-тест как раз и нужен для таких случаев.
Не чтобы доказать, что хорошая идея хорошая.
А чтобы вовремя обнаружить, когда она не работает.
P.S. Слайды для этого поста я сделал в Deckset.
Очень полезный инструмент, если вы регулярно создаёте презентации.
Вместо того чтобы часами выравнивать блоки в PowerPoint, можно сосредоточиться на структуре и истории, а Deckset сам превращает Markdown в аккуратную презентацию.
Для меня это хороший пример инструмента, который убирает рутину и оставляет больше времени на главное - содержание и историю.
Если часто делаете презентации - рекомендую попробовать.
_______________
CRO & Personalization 🫥 | 239 |
| 12 | 🎥 Смотрите запись вебинара Learnings: От персонализации к Agentic AI: как меняется e-commerce
E-commerce постепенно переходит от систем, которые показывают и рекомендуют, к системам, которые понимают задачу покупателя и принимают решения.
На вебинаре Вадим Мамедов рассказал, как AI меняет механику e-commerce - от персонализации и рекомендаций до Agentic AI и автономных систем принятия решений.
Внутри:
- как меняется пользовательский опыт: покупатель формулирует задачу, а система разбирается в требованиях;
- почему персонализация превращается в AI Decisioning и Next Best Action;
- как AI учится понимать не только историю клиента, но и его текущие намерения;
- почему customer journey больше не укладывается в заранее заданный сценарий;
- как меняется роль поиска, фильтров, каталога и интерфейса;
- что происходит с рекламой, атрибуцией и customer data;
- как устроен переход от персонализации к Conversational AI и Agentic AI;
- где проходит граница автономности AI и когда человеку необходимо оставаться в контуре;
- почему качество данных и интеграция с CRM, заказами, корзиной и оплатой становятся критичными;
- какие AI-сценарии уже дают бизнес-ценность и почему большинство компаний пока не получают её от AI;
- как ритейлеру определить правильный уровень автономности и KPI для AI-решения.
Итак, скорее будущее e-commerce - не в том, чтобы сделать AI максимально умным. Важно сделать его достаточно автономным, чтобы он помогал принимать решения, и достаточно надёжным, чтобы эти решения можно было исполнять.
_______________
CRO & Personalization 🫥 | 240 |
| 13 | 🌟 Персонализация больше не должна отвечать на вопрос кто этот пользователь?
Всё чаще важнее другой вопрос:
Что происходит с ним прямо сейчас?
Классическая персонализация опирается на историю покупок, сегменты и прошлое поведение. Но современный CJ нелинеен, а до 90% посетителей могут быть анонимными.
Следующий шаг - real-time personalization: понимать сигналы пользователя прямо во время сессии и адаптировать его опыт в моменте.
В новом материале от AB Tasty Personalizing the Moment: From Static to Living разбираются:
🟢 почему традиционная персонализация перестает работать;
🟢 как поведение пользователя в реальном времени становится новым источником сигналов;
🟢 почему следующий уровень - персонализация не только поведения, но и эмоционального контекста;
🟢 как выглядит roadmap перехода от static к adaptive personalization;
🟢 реальные кейсы и результаты компаний.
Если вам интересно, куда движется персонализация в e-commerce, то прочитайте материал целиком.
Это хороший взгляд на то, каким может стать следующий этап развития digital experiences.
_______________
CRO & Personalization 🫥 | 319 |
| 14 | 🤖 AI меняет не столько аналитику, сколько скорость принятия решений.
Раньше путь выглядел (у нас еще выглядит 😴) так:
вопрос -> запрос аналитику -> выгрузка -> отчет -> встреча -> решение.
На это могли уйти дни. А за это время возможность уже исчезала.
Теперь:
вопрос -> ответ -> действие.
В гайде Fospha есть несколько показательных примеров: AI автоматически находит изменения ROAS и всплески расходов, моделирует перераспределение бюджета и отвечает на вопросы о маркетинге обычным языком. То, что раньше занимало дни, происходит в тот же день.
Но есть нюанс:
AI не исправляет плохие данные. Он просто быстрее масштабирует их ошибки.
Поэтому фундамент - это надежный слой данных. А уже поверх него AI сокращает путь от сигнала до решения.
И, кажется, здесь меняется роль аналитика.
Раньше ценность была в том, чтобы найти и подготовить данные.
Теперь - в том, чтобы задать правильный вопрос, проверить ответ и успеть действовать.
Возможно, одной из главных характеристик сильной аналитической команды скоро станет не количество отчетов, а скорость цикла
сигнал -> решение -> действие.
📖 Если интересно, как компании уже используют AI для измерения, автоматизации отчетности и принятия решений, читайте полный
The Modern Marketer's Guide to AI & Automation for Measurement.
_______________
CRO & Personalization © | 281 |
| 15 |  Сегодня в 17:00. Вадим и его крутая тема. Ждем всех, приходите поддержать и послушать 👏
Ставьте сердечко 🫶, кто точно придет 🕶️
🔗 Ссылка на подключение:
https://telemost.yandex.ru/j/4095725207
_______________
CRO & Personalization 🕺 | 261 |
| 16 |  📝 The Product Analytics & Data Science Cheat Sheet
Нашёл отличный cheat sheet по продуктовой аналитике и data science от Olly Paton.
153 термина - на одной странице, бесплатно и без регистрации.
Что внутри:
🤩 продуктовые метрики: DAU/MAU, retention, activation, churn, LTV, CAC, AOV
🤩 web analytics и attribution: incrementality, holdouts, MMM
🤩 статистика: mean/median, variance, standard error, percentiles, CLT
🤩 A/B-тесты: p-value, power, MDE, confidence intervals, bootstrap
🤩 дизайн экспериментов: randomization, sample size, CUPED, sequential testing, Bayesian A/B
🤩 типичные ошибки: peeking, multiple comparisons, SRM, Simpson’s paradox, winner’s curse
🤩 causal inference: DiD, synthetic control, regression discontinuity, geo-lift
🤩 ML: logistic regression, precision/recall, ROC-AUC, calibration, uplift modelling, survival analysis
Пожалуй, многие споры в аналитике возникают не из-за неправильной статистики, а потому что люди используют одни и те же слова в разных смыслах.
Conversion rate - какой именно знаменатель?
Retention - какая именно методология?
Significant - статистически или «достаточно хорошо для слайда»?
Хороший референс, чтобы быстро синхронизировать команду и освежить знания перед экспериментом.
Ссылка на The Product Analytics & Data Science Cheat Sheet
_______________
CRO & Personalization 🥡 | 282 |
| 17 |  Запустили Gravity AI Shopping Assistant вместе с METRO 🚀
Ассистент помогает покупателю быстро собрать корзину: понимает запрос на обычном языке, определяет нужные категории, находит подходящие товары в ассортименте магазина и позволяет добавить их в корзину прямо из диалога.
Он уже работает в АБ тесте на мобильном сайте METRO. Можно попросить ассистента найти конкретный товар, передать ему список покупок или описать всю закупку одной фразой. При подборе он учитывает региональный ассортимент и показывает товары, доступные покупателю.
Сейчас мы анализируем первые результаты, выявляем повторяющиеся паттерны в запросах покупателей и на их основе обучаем ассистента работать с новыми сценариями. Так он сможет брать на себя всё больше работы по сбору корзины и помогать с более сложными закупками.
Подробнее о Gravity AI Shopping Assistant | 266 |
| 18 |  😁 От персонализации к AI-commerce: что происходит с e-commerce прямо сейчас
В рамках Learnings выступит Вадим Мамедов - VP, Revenue Enablement в InsiderOne, один из лидеров на рынке customer experience и персонализации в мире.
За последние несколько лет AI сильно изменил само понимание персонализации в e-commerce. Мы постепенно уходим от мира, где персонализация - сегменты, рекомендации товаров и несколько отдельных сценариев коммуникации, к модели, где бренды пытаются понимать контекст и намерение каждого клиента, принимать решения в реальном времени и выстраивать индивидуальный customer journey сразу между несколькими каналами.
На встрече поговорим о том, как AI меняет e-commerce и digital customer experience прямо сейчас: что происходит с классической персонализацией, почему появляются AI shopping assistants и agentic commerce, как меняются поиск, рекомендации и взаимодействие клиента с брендом — и какие подходы уже используют крупные международные компании.
На примерах из практики InsiderOne разберём, как сегодня выглядят такие системы изнутри: какие данные и AI-модели используются, как принимается решение о следующем лучшем действии для клиента, что уже реально работает в production, а где рынок пока значительно опережает реальность красивыми AI-обещаниями.
Это не продуктовый вебинар и не презентация компании. Скорее, это часовой разговор о том, куда движется глобальный e-commerce, как меняется понятие персонализации и к чему digital-командам стоит готовиться уже сейчас.
Если вы работаете с e-commerce, digital, CRM, продуктом, customer experience или персонализацией — присоединяйтесь. Будет много международных примеров, практики и минимум AI-хайпа.
🗓 Следующая неделя 27.08.2026 в 17:00
🔗 Ссылка на подключение:
https://telemost.yandex.ru/j/4095725207
Присоединяйтесь! 🤗
_______________
CRO & Personalization 🤝 | 260 |
| 19 |  📚 Книга на заметку: Python for Marketing Research and Analytics
Рекомендую как практическую книгу для тех, кто работает с данными и ищет продуктовые гипотезы. Для меня она стала настольной книгой, к которой я возвращаюсь переодически.
Здесь Python – не самоцель, а инструмент для исследования данных, поиска закономерностей и точек роста.
Хорошая связка: данные ➡️ наблюдение ➡️ гипотеза ➡️ эксперимент.
Особенно рекомендую аналитикам и product managers.
Книгу оставил в комментариях 🤫
_______________
CRO & Personalization 😸 | 271 |
| 20 | Теперь наша работа Trustworthy A/B Patterns and the Winner's Curse: Lessons from Eight Large-Scale Replications
доступна в ACM Digital Library (ACM DL) - крупнейшей и самой авторитетной цифровой научной библиотеку в мире в области компьютерных наук, программирования и вычислительной техники.
Ссылка на работу. | 271 |
