ru
Feedback
ANDRON ALEXANYAN

ANDRON ALEXANYAN

Открыть в Telegram

Пишу о том, как проводить аналитику и делать правильные выводы. Основатель simulative.ru — обучаем крутых аналитиков. Для связи: @andron233

Больше
6 633
Подписчики
Нет данных24 часа
-27 дней
+530 дней
Привлечение подписчиков
март '26
март '26
+43
в 0 каналах
февраль '26
+125
в 0 каналах
Get PRO
январь '26
+124
в 0 каналах
Get PRO
декабрь '25
+129
в 9 каналах
Get PRO
ноябрь '25
+127
в 6 каналах
Get PRO
октябрь '25
+139
в 0 каналах
Get PRO
сентябрь '25
+160
в 0 каналах
Get PRO
август '25
+189
в 1 каналах
Get PRO
июль '25
+136
в 1 каналах
Get PRO
июнь '25
+317
в 1 каналах
Get PRO
май '25
+305
в 1 каналах
Get PRO
апрель '25
+255
в 1 каналах
Get PRO
март '25
+338
в 2 каналах
Get PRO
февраль '25
+284
в 4 каналах
Get PRO
январь '25
+500
в 2 каналах
Get PRO
декабрь '24
+503
в 7 каналах
Get PRO
ноябрь '24
+361
в 2 каналах
Get PRO
октябрь '24
+215
в 0 каналах
Get PRO
сентябрь '24
+414
в 1 каналах
Get PRO
август '24
+146
в 0 каналах
Get PRO
июль '24
+249
в 1 каналах
Get PRO
июнь '24
+1 106
в 2 каналах
Get PRO
май '24
+227
в 0 каналах
Get PRO
апрель '24
+399
в 4 каналах
Get PRO
март '24
+219
в 3 каналах
Get PRO
февраль '24
+322
в 19 каналах
Get PRO
январь '24
+256
в 1 каналах
Get PRO
декабрь '23
+1 211
в 1 каналах
Дата
Привлечение подписчиков
Упоминания
Каналы
17 марта0
16 марта+2
15 марта+2
14 марта+1
13 марта+3
12 марта+9
11 марта+2
10 марта0
09 марта+1
08 марта+1
07 марта+1
06 марта+5
05 марта+1
04 марта+3
03 марта+9
02 марта+2
01 марта+1
Посты канала
Знаете, я ежедневно смотрю разные отчеты / дашборды / аналитические сервисы и почти всегда они очень плохие. Ну серьезно — в какой-то момент у меня уже так подгорело, что на одной из последних конференций я даже выступал с докладом «7 причин, почему ваши дашборды превращаются в бессмысленные картинки» 🤡 Вот небольшой топ самых частых проблем: Дашборд просто бесполезный Ну то есть там выведены какие-то метрики по теме, но они есть не все / скомпонованы не удачно / приведены в странных ненужных разрезах. Пример — показана динамика конверсии из заявки в продажу, но при этом конверсия считается по тупой формуле "сколько сегодня продаж / сколько сегодня лидов". А то что с момента оставления заявки до момента покупки проходит в среднем неделя нас не интересует, да?) Поэтому смотрим на такой дашборд и радуемся конверсии в 300% (как она получилась, нас, конечно, не волнует). Дашборд нефункциональный Вроде полезные штуки есть на дашборде, но как только хочешь сделать шаг вправо-влево, оказывается, что такой возможности нет. Например, построен дашборд с шикарной информацией по когортам. Ты зашел, все изучил, а потом решил исследовать — отдельно посмотреть на когорты с платного трафика, а отдельно на органику. И тут выяснилось, что такого очевидного фильтра нет. Печально. Страдает визуал Дашборд — это когда ты пытаешься запихнуть в экран информацию, которая вообще-то в базовом виде требует несколько экранов, а то и несколько десятков экранов. Достичь такого эффекта «сжатия» и лаконичности можно за счет удачного подбора визуализаций и точечных датавиз-решений: куда акцент поставить, как с дизайном поиграться, чтобы он способствовал понятности. Но вы же точно видели эти «дашборды», которые больше похожи на свалку таблиц и мусорных визуализаций. Самый частый пример — два линейных графика с одной осью, но с разницей в значениях на порядок (например, кол-во продаж и сумма продаж). В итоге один график нормальный, а второй — чисто прямая линия около нуля. Очень информативно, спасибо. 📌 Это тема очень большая — можно долго говорить про типовые косяки, как их исправить и как вообще изначально делать хо-ро-шо. Но проблема точно актуальная — даже аналитические сервисы, которые продают, по сути, дашборды, зачастую выглядят ну очень убого — что уж говорить про дашбордики внутри компаний для внутреннего пользования. Именно из этой боли вместе с Настей Кузнецовой (вы точно знаете ее канал «настенька и графики») мы решили запустить тренинг «Осмысленные дашборды»! Это авторский тренинг Насти — встречи в онлайне, чатик, 9 недель, и внутри все, что нужно знать про разработку дашбордов. И все это без привязки к конкретным BI-инструментам, чтобы было полезно всем! Сейчас действуют ранние цены для самых решительных — отличный подарок на Новый год для себя любимого) А если бы мне такой тренинг подарили — я бы вообще ошалел)) Сейчас идет набор на первый поток, но там уже собирается хорошая компания слушателей!) Набираем небольшую группу, чтобы уделить внимание каждому и дать максимум ценности. Поэтому, если вы хотите прокачаться в построении дашбордов или обучить этому своих сотрудников — переходите в тг-бота, чтобы узнать подробней. Ну и, как обычно, не переключаемся — на подходе новый пост про vanity метрики! 🍿

2
Не знаю как вас, а меня лично очень увлекает история использования AI в прикладных задачках. И я не про крайности типа «ИИ на
Не знаю как вас, а меня лично очень увлекает история использования AI в прикладных задачках. И я не про крайности типа «ИИ нас всех заменит» или, наоборот, фрустрацию в духе «ИИшки нифига не работают, это все хайп». В своих проектах мы активно используем ИИшки и AI-агентов для решения разных задач — и это круто работает уже прямо сейчас! Не костыль, не «средненько», а прям работает! Примеры: — ИИ-квалификатор — ИИ контроль качества звонков — Генерация обложек карточек товаров — Автоматизированные пайплайны обработки клиентских обращений Если вас эта тема тоже драйвит или вам просто интересно разобраться/вдохновиться — приглашаю вас на прикольную движуху! 15-18 декабря я участвую в буткемпе «30 AI-кейсов в продукте, маркетинге и бизнесе». В коротком формате спикеры расскажут — кто как внедряет ИИшку в свою работу и какие результаты это дает. 📍Как записаться Переходите и добавляйте Live-встречи в календарь, чтобы не потерять 👉 клик. Планирую послушать все выступления, чтобы забрать себе интересные механики на тест и на внедрение! И зацените состав спикеров! Андрей Анищенко @ Ebac Дима Зборовский @ Deliveroo Ваня Замесин @ AURA Academy Алекс Ларьяновский @ Realytics Алекс Беляев @ Community Sprints Ислам Мидов @ 2pr Константин Сухачев @ Overgear Настя Рябова @ TripleTen Игорь Трунин @ WhisperAI Макс Епифанов @ TripleTen Дмитрий Сергеев @ Dashly Дарья Щурик @ Greeneration Сева Устинов @ Elly Analytics Анна Шигарданова @ Zalando Андрон Алексанян @ Simulative Александр Поваляев @ AI Mindset Увидимся на лайвах, будет полезно! Регистрация здесь ✌️
2 169
3
Не знаю как вас, а меня лично очень увлекает история использования AI в прикладных задачках. И я не про крайности типа «ИИ нас всех заменит» или, наоборот, фрустрацию в духе «ИИшки нифига не работают, это все хайп». В своих проектах мы активно используем ИИшки и AI-агентов для решения разных задач — и это круто работает уже прямо сейчас! Не костыль, не «средненько», а прям работает! Примеры: — ИИ-квалификатор — ИИ контроль качества звонков — Генерация обложек карточек товаров — Автоматизированные пайплайны обработки клиентских обращений Если вас эта тема тоже драйвит или вам просто интересно разобраться/вдохновиться — приглашаю вас на прикольную движуху! 15-18 декабря я участвую в буткемпе «30 AI-кейсов в продукте, маркетинге и бизнесе». В коротком формате спикеры расскажут — кто как внедряет ИИшку в свою работу и какие результаты это дает. 📍Как записаться Переходите и добавляйте Live-встречи в календарь, чтобы не потерять 👉 клик. Планирую послушать все выступления, чтобы забрать себе интересные механики на тест и на внедрение! И зацените состав спикеров — вы точно знаете этих ребят и их компании! Андрей Анищенко @ Ebac Дима Зборовский @ Deliveroo Ваня Замесин @ AURA Academy Алекс Ларьяновский @ Realytics Алекс Беляев @ Community Sprints Ислам Мидов @ 2pr Константин Сухачев @ Overgear Настя Рябова @ TripleTen Игорь Трунин @ WhisperAI Макс Епифанов @ TripleTen Дмитрий Сергеев @ Dashly Дарья Щурик @ Greeneration Сева Устинов @ Elly Analytics Анна Шигарданова @ Zalando Андрон Алексанян @ Simulative Александр Поваляев @ AI Mindset Увидимся на лайвах, будет полезно! Регистрация здесь ✌️
1
4
Представьте, что вы аналитик в крупном интернет-магазине одежды. Вы провели исследование и поняли, что посетители сайта слабо кликают на карточки ваших товаров (т.е. низкий CTR). Изучив все факторы, вы увидели, что основная причина — плохие фотографии на карточках. Они сделаны на любительскую камеру и товары не выглядят сочно: не манят, так сказать)) Вы передаете задачку в отдел контента и они обновляют фотографии на новые. Так как живем мы в эпоху AI, ребята сильно не парились — загрузили исходник в ИИшку и просто нагенерировали новых (и очень крутых!) фотографий для обложки. Смотрим пару дней — CTR стабильно вырос и не падает. Кажется, получилось! Но не все так просто. Проходит еще пару дней и добрая половина заказов возвращается обратно на склад — покупатели отказались после примерки (хотя обычно выкуп был около 80%)! Это абсолютно классическая ситуация в аналитике — мы вырастили одну метрику, но сломали другую. Как говорил мой сантехник после работы электриков: «одно лечим, другое калечим» ☝️ Но есть метрики, которые ронять ни в коем случае нельзя. Они называются guardrail метрики или «барьерные», выражаясь православно. Как правило, такими метриками выступают средний чек, финальная конверсия в продажу, LTV и другие «фундаментальные» показатели. Обратите внимание, я написал, что именно «финальная конверсия» является guardrail метрикой, а не «конверсия в выкуп». Потому что, вообще говоря, даже если упала конверсия в выкуп, но при этом с учетом роста CTR мы зарабатываем в такой конфигурации больше денег — почему бы и нет) Единственное исключение — если мы сами выбрали для себя метрику «конверсия в выкуп» барьерной, т.к. на наш взгляд, например, низкий выкуп вредит нашему бренду или это просто дорого с точки зрения логистики. В общем, при любых изменениях всегда задумывайтесь — а не сломаете ли вы чего-нибудь в другом месте. А потом еще обязательно проверяйте. Кстати, по совершенно «необъяснимой» причине, как правило страдают следующие метрики: ➖ Которые не входят в KPI сотрудника (например, KPI таргетолога завязан на стоимость лида, он ее снижает, но CAC только растет, потому что он нагоняет некачественный трафик) ➖ KPI другого отдела (например, у маркетологов стоит KPI на количество лидов, они набирают их всякими читерскими механиками, а доля квалифицированных лидов падает вместе со сквозной конверсией в продажу — если в компании не умеют отслеживать долю квала, то по шапке получает отдел продаж) ➖ Метрики, которые проявляются со временем (например, у продакта стоит KPI на первую оплату, он всеми способами ее поднимает, но retention при этом падает — а понять мы это сможем только через полгода) Возможно и у вас в компании есть метрики, которые не помешало бы сделать барьерными прямо сейчас?) — 🔥 — мои изменения всегда идеальны! — 🤓 — Андрон, не пали контору — 🤡 — предлагаю барьерной сделать мою зарплату, она точно падать не должна
2 089
5
Этот пост — last call на третий поток моего тренинга «Как делать аналитику». Стартуем сегодня (❕) — уже почти закончили формировать чаты и открывать доступы. Если подумывали присоединиться — сейчас самое время, потому что в ближайшие месяцы потоков точно не будет. Чтобы записаться — просто переходите в тг-бота. Впереди веселые деньки — проверка домашек, ответы на вопросы и прочие штуки, но постараюсь отсюда не пропадать — уже на днях планирую написать пост про guardrail-метрики, не переключайтесь 🤝
2 566
6
Многие из подписчиков знакомы с когортным анализом и знают, что это мощный инструмент изучения прошлого. Но готов спорить, что почти никто не использует когорты для прогнозирования будущего. А зря! В основе такого прогноза лежит довольно простая цепочка рассуждений. 🕊️ Каждый месяц у нас покупают люди из когорты текущего месяца + люди из старых когорт. 🕊️ Самая свежая когорта в любой момент времени — когорта текущего месяца. 3️⃣ А что если мы сделаем самой новой когортой — когорту, которая будет через 12 месяцев? А все остальные сделаем старыми! 4️⃣ Тогда получается, мы можем моделировать разные сценарии! Так как у нас теперь появилось 12 дополнительных когорт, которые на самом деле еще не существуют, мы можем регулировать их размер и конверсии, чтобы смотреть, как это влияет на итоговую картинку. 5️⃣ Но откуда брать данные для этих несуществующих когорт? Опираться на исторические данные разными способами — брать средние, медианы, прогнозировать (если есть убывающий/возрастающий тренд) и использовать похожие подходы. И у нас получается крутой инструмент — мы можем уже сегодня спрогнозировать, какой результат мы достигнем через год, если будем двигаться в таком же темпе. Эта штука называется реверс-инжиниринг (потому что мы «переворачиваем» картинку, как будто сегодня — это прошлое). Такой подход дает сразу несколько апсайдов: 🕊️ Если ты поставил какой-то план в отрыве от данных, ты можешь сразу увидеть, насколько он реалистичный 🕊️ Ты можешь сразу понять, какой объем лидогенерации (т.е. размер новых когорт) тебе нужен, чтобы достичь план 3️⃣ Ты сразу понимаешь, какие конверсии и насколько тебе нужно подкрутить, чтобы достичь план Под капотом могут быть довольно сложные расчеты. Лучше всего когорты строить не по выручке и не по количеству продаж, потому что это производные метрики. Опираться лучше на размер когорт, конверсию в активность и конверсию в продажу. Можно пойти вообще далеко — декомпозировать выручку по иерархии метрик на разные продукты/воронки/механики, построить для всего отдельные когорты, а потом совместить это в один прогноз. В идеале еще учитывать коэффициент сезонности и прочие штуки. Тема довольно сложная, но очень интересная и полезная. Я потратил много часов, строя такие модельки для собственных и сторонних проектов. Результаты пока отличные — 2024 и 2025 год сходятся с точностью до 5% с прогнозом. Посмотрим, как эта штука покажет себя в 2026 😈 Если вам интересно глубоко погрузиться в когорты и реверс-инжиниринг на реальных боевых кейсах из моего опыта, без синтетических условий и с изучением продвинутых подходов — приходите на тренинг «Как делать аналитику». Поток стартует в конце этой недели, так что осталось всего пару дней, чтобы заскочить в последний вагон. Что думаете про 2026? — 🔥 — В 2026 будем жечь! — 😏 — Пока по планам на 2026 только выжить
2 536
7
На днях о том, какие уровни владения аналитикой проходил я сам, какие проходят все мои знакомые из индустрии и что отличает крутышей от начального уровня. И выявил несколько общих паттернов. ➡️ Движение по наитию В этой стадии решения принимаются без оглядки на данные вообще. Захотели запустить рекламу — запустили. Захотели привести 500 лидов — привели 500. Решили отключить пару кампаний — отключили. ➡️ Данные — это важно, «но» На следующем шаге ты понимаешь и признаешь, что данные — это важно. Например, ты прошел какой-то курс и решил принимать решения на основании данных. Но у тебя нет глубокого понимания, как это должно работать — почти любая инициатива упирается во что-то и в итоге гаснет. Например, ты понял, что нельзя просто так планировать следующий год — нужно опираться на исторические данные, смотреть поведение текущих когорт и прогнозировать будущие когорты. Но сразу же ты сталкиваешься с кучей проблем: — У тебя есть только часть данных. Не понятно, какие брать. — Компания последние несколько лет растет и прогноз получается слишком плоским, позитивным и нереалистичным — ... В итоге ты потратил кучу времени, а никакой пользы это не принесло — возникла куча «но» из-за которых твоя аналитика стала просто «аналитикой для галочки», а не рабочим инструментом. ➡️ Владение аналитикой на уровне рабочего инструмента Это последняя стадия, когда ты реально умеешь применять аналитические подходы в реальной жизни, даже если есть куча «но». Когда ты достиг этой стадии, ты можешь спрогнозировать следующий год с помощью когорт, сезонности и прочих штук, даже если возникает много «но». Ты можешь проанализировать ассортиментную матрицу, даже если там 10 000 SKU, есть ограничения по месту на полке, требования к минимальной представленности брендов и другие «но». Ты можешь провести достоверное тестирование гипотезы, даже если невозможно провести чистый A/B-тест, потому что много разных «но». ➖➖➖ Большинство подписчиков этого канала находятся, как минимум, на втором уровне. Самое интересное, что с точки зрения технических знаний, между вторым и третьим уровнем нет абсолютно никакой разницы — оба человека будут абсолютно одинаково считать когорты, абсолютно одинаково делать какую-нибудь кластеризацию товаров и т.д. Основное отличие — как в раз в умении адаптировать тот или иной аналитический подход даже под самую нетривиальную задачу с большим количеством «но». И этому можно научиться. В этом вопросе — главное совершить единоразовый квантовый скачок со второго на третий уровень. А дальше реакция необратима — ваше мышление навсегда перестроится. Такой «скачок» можно запустить двумя вещами: — Ты подробно посмотрел на стороннем примере, как это работает и словил эффект «о, а так можно было?!» — Ты на примере какой-то близкой тебе темы прочувствовал, почему твой старый «топорный» подход не работал и какой результат может дать новый подход Например, ты всю жизнь анализировал ассортимент магазина каким-то простым способом, он давал какие-то результаты с кучей «но». Потом ты увидел, что кто-то делает совсем по-другому — более глубоко, с отработкой всех тонких моментов. Ты словил ощущение «воу, круто!». А потом попробовал, оно дало совершенно другой уровень результата и все — квантовый переход свершился, больше ты не согласишься на меньшее. Именно такой эффект я хочу активировать у студентов своего тренинга «Как делать аналитику». Чтобы после прохождения, вы не просто прокачались в продвинутых подходах к проведению аналитики, но чтобы случился этот самый квантовый переход на новый уровень. Это точно работает — я ощущаю это очень часто на себе. У меня постоянно есть вопросы, в которых я профан. Я месяцами хожу и варю их, читаю книги, смотрю видео, но у меня не получается нащупать самую соль. А потом случаются 2 фактора, которые я описал выше, и мне сразу все становится понятным — и я каждый раз удивляюсь, почему я так долго до этого догонял. Если чувствуете, что находитесь на втором уровне и хотите запустить квантовый переход на третий — приглашаю вас сделать это вместе на новом потоке тренинга 📎
2 553
8
За последние несколько лет рынок труда в аналитике данных очень сильно поменялся. Мем про то, что джуну нужно знать как вчерашнему сеньору — не мем 🤡 Вот несколько крупных изменений, которые могу назвать сходу: — Помните язык R в вакансиях в 2018/19 годах? Тогда знание R было полным эквивалентом Python. Сейчас R почти в вакансиях не встречается — змеиный язык его полностью выбил с рынка. А жаль, классный язык кстати) — В те же годы оконные функции считались навыком миддла и их не обязательно было знать, это было даже указано в вакансиях! Забавно, правда? Кто сейчас изучает SQL и читает этот пост — я с вами, держитесь) — Еще пару лет назад в вакансиях было четкое разделение — BI-аналитик, дата инженер, продуктовый аналитик, аналитик данных и так далее. Сейчас я все чаще вижу в вакансиях, что от кандидата требуют все и сразу (человек-оркестр), а вакансии с заголовком fullstack-аналитик уже не новость. Предполагаю, что примерно на этом моменте, вытирая скупую слезу, вы уже пошли отписываться от всех телеграм-каналов по аналитике, потому что «лавочка прикрыта» и «в совке 2020-м было лучше». Но не спешите — стакан у нас всегда наполовину полон (тем более сейчас как раз вечер 🥃)! Изменений за последние 5 лет было много (мягко говоря), но у нас не только требования к джунам возросли. Есть и другие изменения (позитивные!), о которых все часто забывают, а важно про них говорить! — Все больше компаний нуждаются в аналитике 5 лет назад аналитика нужна была только бигтехам (т.е. примерно 5 компаний на рынке РФ 🤡), а теперь даже маленькие бизнесы нанимают аналитиков и принимают решения на данных. Серьезно — ко мне на консалтинг регулярно заходят условные сети мед клиник с 3 большими центрами или небольшие стартапы. Это легко объяснимо — экономику трясет, налоги растут, расходы увеличиваются, клиенты становятся все дороже. А значит выигрывать конкурентов можно только за счет сверх эффективности. А быть сверх эффективным можно только двигаясь очень точечно и аккуратно, принимая решения на данных и анализируя каждый шаг очень быстро. — Появились новые ниши и направления аналитики Простой пример — сейчас у любого более-менее сносного селлера на ВБ есть свой аналитик (BI+DE) внутри компании. А то и целый отдел. Далеко даже ходить не буду — мы за последние несколько недель завели несколько стажеров из числа своих студентов ровно в такие компании. На этой неделе будет еще несколько) — Требования к кандидатам стали жестче Погодите, так это же минус вроде? И да, и нет) На мой взгляд, это скорей плюс. И заключается он в том, что конкуренция стала меньше. Ну то есть номинально на вакансию откликается все еще много человек, но: * Работодатели научились жестко фильтровать ребят с слабым учебным опытом и без скиллов * Меньше людей доходит до этапа трудоустройства, потому что многие банально сдаются по пути обучения → конкуренция ниже * Стало легче выделяться — раньше тебе нужно было бороться шаблонными знаниями с тысячами других (а работодателю — месяцами пытаться выбрать среди тысячи одинаковых кандидатов), а теперь ты можешь выделиться крутым end-to-end проектом в портфолио и устроиться даже быстрей. Андрон, ну и че теперь? А то, что про эту тему можно говорить очень долго. Поэтому приглашаю вас завтра (25.11) в 19:00 Мск на закрытую встречу! Обсудим актуальные вопросы: — Прогнозы на 2026: как поменяется рынок труда и какие подходы в поиске работы будут работать в новом году — Разберу топ небанальных ошибок, из-за которых не получается устроиться аналитиком — Расскажу, как можно использовать ИИшки, как конкурентное преимущество для портфолио 😏 В общем, посидим в дружеской обстановке, поболтаем, покайфуем. Полезно и интересно будет точно, шашлычок — по возможности!) Регистрируйтесь по ссылке — будет много пользы, которую сможете забрать себе и применить сразу же 😎
2 489
9
Итак, пора сделать разбор нашего case study из предыдущего поста! Спасибо за вашу активность и комментарии — каждый прочитал, отреагировал и учел в разборе ниже!) Я раскластеризовал все ваши гипотезы по группам. Все, что будет ниже — абсолютно верно и реально может служить причиной падения ROAS платного трафика. Внешние факторы — Все убежали к конкуренту, потому что он запустил акцию — Продавали в основном сезонные товары, а сезон закончился — Январь, у клиентов оливьешная кома, все деньги потратили в декабре на подарки — Илон Маск выложил новый пост и все побежали покупать новый мемкоин 🤡 Проблемы на уровне рекламы — Поменяли канал привлечения, оттуда приходят холодные лиды — Выжгли текущий канал, стали приходить холодные лиды — Слишком много делали новых тестов, доля локомотивных кампаний упала и качественного трафика стало меньше — Просто поменяли тексты/картинки и что-то перестало работать — Сломались алгоритмы рекламной сети — Косяки в настройке рекламы — например, некликабельные ссылки в некоторых объявлениях — Оффер в рекламе и предложение не витрине маркетплейса отличается: ожидания покупателей не сходятся с реальностью Технические сбои — Банально сломалась атрибуция в отчетах, а на самом деле все правильно — Часть данных не прокидывается в аналитику — Сайт работал нестабильно или падал — Косяки в работе сторонних интеграций — например, проблемы с приемом платежей Продуктовые ошибки — Много товаров ушло в out of stock, просто тупо нечего покупать — Изменился интерфейс сайта, конверсии упали — Проиграли конкуренцию, например, из-за долгой доставки (актуально в преддверии праздников) Также хочу подсветить, что среди ответов были некоторые с ошибкой фейковой аргументации. Кажется логичным, но на деле — не совсем про ту проблему, что мы обсуждаем. Например: упал retention, старые когорты перестали перформить. Это не валидно, потому что мы говорим про окупаемость новой когорты в первый месяц. Но есть еще одна причина, которую назвал @jenjate и я очень ее ждал — неправильный расчет ROAS для когорты новых пользователей. И это реально очень частый кейс, а не высосанный из пальца — если вы в компании считаете когорты, я почти уверен, что у вас такое где-то есть. В чем прикол: классический формат когорт — это когда по столбцам идет год и месяц. Ну то есть выручка в каждой ячейке у нас имеет интерпретацию «выручка когорты апреля 2025 года в мае 2025 года» — то есть сколько денег нам принесли в мае люди, которые зарегистрировались на нашем маркетплейсе в апреле. А теперь давайте про жизнь. Как правило, под конец месяца у всех начинает подгорать (планы-то надо выполнять, а осталась всего неделя!). Соответственно, в последнюю неделю вбухивается куча денег в рекламу, чтобы как-то спасти ситуацию. Но как правило цикл сделки у вас не 2 минуты (т.е. клиенты думают пару дней хотя бы, чтобы совершить покупку). И получаем интересную ситуацию: если цикл сделки у вас дня 3-4, а большую часть денег вы потратили в последние 3 дня месяца, то выручку от этих пользователей вы получите уже в следующем месяце! Решение у этого очень простое — всегда смотреть на когорты в 2-ух представлениях. Второе представление — когда по столбцам идут не месяцы, а периоды (стандартно — тридцатки дней). И в таком случае вообще все равно, в какой день ты рекламу закупил — анализ эффективности будет идти именно по периодам, а не по календарным месяцам. В комментариях к этому посту закину скрин с примером — там видно, какие сильные могут быть отличия между двумя представлениями. На самом деле, работа с когортами — целое искусство, это чуть ли не самый важный аналитический инструмент, на мой взгляд. Если хотите разобраться в этом глубже — приходите на новый поток моего тренинга «Как делать аналитику». Про когорты у нас там целых 2 больших блока, «Когортный анализ» и «Реверс-инжиниринг» — сам использую это каждый день в своей работе и с вами поделюсь наработками!) А если вам зашел формат таких case study с разборами — накиньте реакций! Как наберем 150 реакций на этот пост, сделаем новое, уже про другую тему!)
2 554
10
Короткий case study Blueberries — молодой, динамично развивающийся маркетплейс. Каждый месяц они тратят много миллионов рублей на привлечение новой аудитории. В среднем каждый месяц реклама дает 115% ROAS (то есть компания отбивает рекламный бюджет + зарабатывает 15% выручкой сверху). Но в месяц Х рентабельность резко просела и компания получила всего 60% ROAS — реклама даже не окупилась. Почему такое может быть? Пишите свои варианты в комментариях, а чуть позже я выложу свой вариант 👇
2 392
11
Мелочи решают Представьте, что вы аналитик в крупном ритейлере и ваша зона ответственности — ассортиментная матрица (более 100 000 SKU!). Каждый месяц вам нужно принимать решения по каждому товару — какие выводим, на какие делаем акции, какие взять на пристальный контроль и так далее. Для решения этой задачи вы используете классический подход — двумерный ABC-анализ (по выручке и маржинальности). Допустим, вы провели анализ и увидели, что интересующий вас товар попал в группу BB. Это хорошо или плохо? Какие выводы на основании этого можно сделать? В вакууме — почти никакие, только если что-то общее типа «давайте запустим акцию, чтобы увеличить продажи и товар попал в группу А по выручке». Но есть ли в этом смысл, если товар попадет в группу С по маржинальности? А если вообще это уже пробовали... В общем, без контекста — сложно. И помочь в этом может одна простая деталь. Нужно просто поменять формат отображения ABC-анализа. В 99% случаев, что я встречал, в отчетах выводится информация о товаре и его группе только за рассматриваемый период. А на самом деле нам супер важно видеть динамику! Посудите сами: — Сценарий 1. Товар был маржинальным (группа А), но продавался плохо (группа С). Мы сделали акцию и за несколько месяцев плавно вывели его в группу BB. Да, маржинальность просела, но выросли продажи и в абсолюте мы заработали больше! Это значит, что мы идем в верном направлении. — Сценарий 2. Товар продавался хорошо (групп А) и маржинальность была в порядке (группа А). Но мы сделали акцию и продажи упали (так работает для элитных товаров, называется парадокс Веблена). Это значит, что пора бить тревогу и откатывать изменения. — Сценарий 3. Товар продавался нормально (группа BB) и ничего не поменялось за несколько месяцев, т.к. мы с товаром ничего не делали. Это нейтральный сценарий — можно поработать с товаром, если есть ресурсы на это. Видите, да? Один и тот же товар, одна и та же группа по ABC-анализу, но абсолютно разная интерпретация (и действия по итогу!) в зависимости от предыдущей динамики. Вот так всего одна мелочь (форма отчета) может сильно повлиять на качество принимаемых решений. Пример такого отчета закинул в комментарии. По строкам — товары. По столбцам — периоды. В ячейках — группы по ABC-анализу с подсветкой (светофор в зависимости от хорошести группы). Также есть подсветка букв: если показатель падает относительно предыдущего периода, он выделяется красным. Если растет — зеленым. Если не меняется — черным. Вообще в аналитике таких тонкостей очень много. Я уже много раз убедился, что опытные и начинающие аналитики владеют абсолютно одинаковыми инструментами. Разница лишь в том, правильно ли они их применяют и с каким КПД выжимают из них результат. 😘😘😘 А если хотите научиться выжимать 100% КПД из отчетов и различных анализов — приходите на последний в этом году поток моего тренинга «Как делать аналитику». Тренинг — это двухмесячная программа с глубоким погружением в разные аналитические фреймворки: когортный анализ, реверс-инжиниринг, юнит-экономику и многое другое. Например, тему из этого поста мы разбираем в занятии «Анализ больших ассортиментных матриц», но там примерно еще 5 часов контента про продвинутую аналитику ассортимента, кластеризацию, каннибализацию спроса, умный автозаказ и разные такие штуки) Тренинг эволюционирует с каждым потоком — по просьбам участников большая часть занятий переведена в записанный формат (но лайвы все равно будут!), увеличены дедлайны для сдачи домашек, добавлены новые темы. В общем, делаем все, чтобы наносить вам непоправимую пользу 🙂 Узнать подробности и записаться → в ботике тренинга
2 568
12
Только что закончил свой доклад на Матемаркетинге — спасибо всем, кто смотрел в онлайне! Надеюсь, мемы вам понравились 🤓 Как и обещал, ниже подборка постов, где подробно и с примерами разбираются почти все концепции, про которые я говорил в докладе — сохраняйте себе: — Ошибка фейковой аргументации — Ошибка поверхностных выводов (часть 1 и часть 2) — Ошибка ложных корреляций — Ошибка маленького рычага — Ошибка нерепрезентативной выборки (опрос + полный разбор) — Ошибка взаимосвязанных метрик Про ошибку усреднения отдельного поста у меня нет, так что скоро ждите) Давайте 100 разных реакций на этот пост наберем и напишу! ✍️
2 794
13
Ну что, пришло время для второго анонса! Завтра выступаю на онлайн-части ежегодного Матемаркетинга — пожалуй самой крупной конференции для аналитиков! Вроде недавно только читал доклад на ММ'2024, а прошло уже больше года... Буду рассказывать про «7 главных ошибок в аналитике». Расскажу, почему мы часто принимаем неверные решения, как такие штуки отлавливать и как с ними бороться) В программе, помимо серьезного контента, конечно же, большое количество мемов! Например, вас ждет: — Дед Бом-Бом — Женщина в красном кандибобере — ... и другие ретроградные шуточки Так что обязательно приходите посмотреть на этот аналитический стендап в онлайне! Для этого просто зарегистрируйтесь на платформе конференции, там появится ссылка на трансляцию. Мой доклад примерно в 15:30 мск. Ну и в качестве заключения — вечерний интерактив. Самый волнующий меня вопрос к текущему часу: сколько людей шарит за мемы про деда Бом-Бом, «а я думала сова» и тому подобное? Скажите, что я не один! 🤓 — если шарите 😑 — если «Андрон, скачай себе наконец тикток» Не подведите меня!!!
2 750
14
Только что закончили стрим про использование AI в рабочих задачах, рассказывал про глубокую аналитику рекламных креативов с помощью искусственного интеллекта. Поделился своим опытом, послушал ребят, офигенно вдохновился, записал несколько пунктов на внедрение!) Сохраняйте себе пост: ссылка на мирошку + запись встречи будет через пару часов, закину в комментарии Меня вообще последнее время сильно увлекают автоматизированные пайплайны, когда с помощью AI и стандартных инструментов ты можешь решать рутинные задачи, которые обычно отнимают кучу времени. Вот лишь несколько примеров: — Если вам ежедневно падают сотни отзывов от клиентов разной степени содержательности, то с помощью несложной обработки AI мы можем развернутные положительные отзывы закидывать в SMMщиков, а по негативным сразу автоматически бить тревогу в каком-нибудь телеграм чатике. — Классическая задача про контроль качества звонков отдела продаж и прочего я вообще молчу. На днях я ради интереса запилил скрипт, который берет mp3 запись звонка, транскрибирует ее, закидывает в OpenAI API и ставит баллы по нашему внутреннему чек-листу. Прогнал так 5 звонков и получил оценку ровно ту же, что получилась у нашего руководителя отдела продаж (только времени это заняло пару минут). — Можно анализировать сотни своих рекламных креативов и креативов конкурентов, чтобы понять, какие признаки должны быть в объявлении, чтобы оно давало крутой результат. С помощью AI выделяешь несколько десятков признаков из каждой картинки, а потом на большом объеме данных смотришь — условно, какого цвета должна быть картинка, чтобы результат был выше. Именно последний сценарий я подробно разбирал на стриме и даже сделал вам заготовочку кода на Python в Google Colab! Внутри блокнота я как раз реализовал интеграцию с OpenAI API и пример обработки одной картинки по нескольким признакам. Если хотите в своей компании внедрить «лабораторию по автоматизированной обработке рекламных креативов» — возьмите этот код за основу, добавьте побольше признаков, добавьте сохранение результатов в БД и загружайте туда картинки пачками. Кстати, ради прикола, я сделал вид, что не умею кодить на питоне и весь код мне тоже сгенерировал ChatGPT, я просто копировал и задавал правильные вопросы 🤓 Выводы Выводов из этого всего будет несколько. 1. AI — не фейк и не прикол. Мы разрабатывали системы распознавания лиц больше 5 лет назад, когда про ChatGPT никто не знал, и уже тогда было понятно, что это не магия. Сегодня ИИ — часть нашей жизни и отличный помощник в рутинных задачах, учебе и познании мира, так что обязательно держите нос по ветру и смотрите как можно больше кейсов применения, чтобы забрать что-то себе. 2. Рынок труда сильно поменяется. Абсолютно точно могу сказать, что люди, которые в цифровом мире будут знать Python + владеть AI + знать какие-то прикладные инструменты типа BI-ек или SQL — точно будут на коне с точки зрения карьеры. Сейчас это уже не штуки, которыми владеют только крутые программисты, а базовый набор технологий, который нужен для эффективного решения кучи задач. Все больше вижу тренд на рынке на проджектов-универсалов, которые закрывают собой много задач и делают это супер эффективно (и недорого) за счет владения технологиями. Пока это касается только модных стартапов, но поверьте — скоро доберется до всех. Если вы тоже не согласны стать кожаным мешком, которого заменят роботы — очень рекомендую освоить хотя бы базово инструменты типа Python, Airflow и прочее. И, ни на что не намекаю, конечно, но у нас в Simulative как раз Черная пятница в самом разгаре... 3. Пункт для тех, кто в отрицании А если все-таки вы не хотите изучать Python и прочие штуки, то когда общаетесь с ChatGPT, обязательно добавляйте «спасибо» и «пожалуйста». Если вдруг роботы нас все-таки поработят, есть шанс, что они вам не тронут 🤓 4. Пункт для всех Ссылка на блокнот с кодом — сохраняйте себе этот пост, чтобы не потерять! Даже если конкретная задача про креативы вам не нужна, скелет интеграции с OpenAI API (тем более с загрузкой данных ему в память) точно пригодится!
2 896
15
Все места на встречу по предыдущей ссылке уже разобрали, так что добавляйте в календарь по новой ссылке
2 522
16
На этой неделе выступаю сразу на нескольких мероприятиях! Первое — Максим Епифанов (VP of Performance Marketing в TripleTen) организовал дружеский стрим про использование AI для решения аналитических и около-аналитических задач. Собрали классную компанию твердых профессионалов в аналитике и маркетинге. Анонс и ссылка на зум — в посте выше 👆 Всех ждем, точно будет интересно!) А про второе мероприятие расскажу чуть позже, не переключайтесь 🙂
2 763
17
Выхожу из творческого отпуска с мощнейшим эфиром: кейсы AI в маркетинговой аналитике для снижения CAC и роста конверсий 📊 Ср
Выхожу из творческого отпуска с мощнейшим эфиром: кейсы AI в маркетинговой аналитике для снижения CAC и роста конверсий 📊 Сразу три топовых гостя 1️⃣Кирилл Макаров, фаундер WebFunnels Club, ex Zing Coach, ex Grow Food, ex Mobio. Кирилл поделится: как с помощью AI собирает маркетинговые дашборды. И как вытаскивает инсайты по воронкам конкурентов 🔝 2️⃣ Сева Устинов, фаундер Elly Analytics. Сева покажет: как LLM может проанализировать данные сквозной аналитики и как с помощью аишки можно автоматизировать действия в кабинетах. Это реально будущее сквозной аналитики в 2026 году 🔥🔥🔥 3️⃣Андрон Алексанян, основатель онлайн-университета Simulative. Андрон покажет: как анализировать креативы в перформансе, используя AI. Фреймворк, о котором пишет Кумар и Соло. Бонусом как анализировать AI для анализа звонков отдела продаж. 4️⃣Епифанов Максим, VP of Performance Marketing в TripleTen и co-founder Community Sprints. Расскажу: как мы с помощью AI оцениваем качество трафика. И отвечаем на вечный вопрос: кто виноват — маркетинг или продажи? В результате 🔸 У всех останется MIRO доска с кейсами, которую можно показать команде 🔸 Это не скучный вебинар, а живая беседа. Можно включаться и задавать свои вопросы 🔸 Крутая атмосфера и правильный вайб 🗓 Когда 12 ноября (среда) в 19:00 по мск Как записаться Добавляйте мероприятие в календарь. В календаре будет ссылка на zoom! Увидимся 🔥
2 853
18
Я искренне считаю (и надеюсь), что в скором времени SQL станет такой же нормой для всех, как и Excel. Предлагаю сделать его обязательным на законодательном уровне!) Ну реально — в чем смысл круто владеть экселем, если данные туда все равно обычно попадают из БД и гораздо удобней получить нужную информацию, просто написав SQL-запрос. У этого много плюсов: ➕ Не нужно ждать аналитика, пока он тебе сделает отчет ➕ У тебя постоянно полная картинка перед глазами: нужна метрика — посмотрел в базе за 5 минут ➕ Ты не страдаешь от Excel (а если ты с ним работаешь, это неизбежно) Самое забавное, что как правило сложные конструкции для бизнес-задач и не нужны. Например, на своей практике в Simulative (да, я частенько до сих пор пишу ручками SQL-запросы, потому что так тупо быстрей) увидел, что 80% моих скриптов повторяются. Ну то есть что-то в них меняется, но глобально — одни и те же конструкции, одни и те же фишки. За месяц интенсивного погружения вполне реально стать асом (если мы говорим про базовые конструкции). Но есть и оборотная сторона медали: когда ты научаешься вытягивать данные из базы, аппетит начинает быстро расти, а ты начинаешь писать супер навороченные запросы. И даже на относительно небольшом объеме данных (сотни тысяч строк) твои запросы начинают тормозить, зависать намертво или просто перестают работать. И тут есть два варианта — делегировать все же эту работу профессиональному аналитику или прокачаться в таких вопросах, как оптимизация, рекурсивные запросы и прочее. Поэтому в начале года мы в Simulative запланировали новый продукт — тренинг «Продвинутый SQL». Сказано — сделано: тренинг стартует уже на этой неделе! Хедлайнер — Владимир Лунев, автор канала «SQL: Реляционные базы данных» и фулстак-аналитик в Магните. Внутри — и про оптимизацию, и про рекурсии, и про работу с рамками в оконках, и много еще чего. Я и сам планирую поучиться на тренинге, выделил для себя наиболее актуальные темы — так что буду сидеть с вами за «соседней партой»!) Поезд уезжает 17 октября — успевайте запрыгнуть в последний вагон. А я пока пойду думать, почему мой отчет снова завис... А какие у вас отношения с SQL? 🔥 — подчинил его себе на 100% 🤡 — абьюзивные, он меня не слушает 😑 — кто такой этот ваш SQL?
3 379
19
Итак, разбор вчерашней спонтанной задачки! Супер рад, что составлю ответ из ваших комментариев) Активность, кстати, хоть и спонтанная, но круто, что мы ее разберем, потому что буквально на прошлой неделе у нас внутри команды возникла похожая задачка. Для ГС 6484 (аудитория канала Андрона) размер репрезентативной выборки для определения доли признака (в нашем случае категории читателя) при уровне доверия 95% и погрешности 5% составляет 363 читателя. НА 22.22 проголосовало - 376 человек, т.е. в заданных параметрах структура голосования статистически значимо отражает структуру всей аудитории подписчиков Андрона. @Va1errCa абсолютно верно посчитал — для моего канала репрезентативной выборкой можно считать 363 ответа. У нас уже больше 550, так что по логике мы на 100% изучили свою аудиторию. Выборка нерепрезентативная. Отражает только готовых отвечать на опросы и просто тыкнувших Далее @alla_chee выдвигает сперва неочевидный, но вполне резонный тезис: а может быть такое распределение работает только для тех, кто тыкает в опрос. Проголосовала примерно половина из просмотревших. можно ли считать, что вторая половина проголосовала бы так же? @GenuineSpirit дополняет: а те, кто не тыкнули — они вообще могут быть другими, и мы их никак не изучили. И это все абсолютно верно! Ведь выборка будет репрезентативной, если ты выбираешь ее случайно из генеральной совокупности. А т.к. мы смотрим на ответы только а) активной аудитории (кто зашел в канал) б) еще более активной аудитории (кто еще и тыкнул на опросник), у нас может быть сильный bias (искажение) в том, как у нас сформировалась эта подвыборка. Получается, все это зря? Не совсем, есть способ с этим бороться. Нужно выборочно (случайно!) опросить тех, кто не ответил и посмотреть — а там распределение будет такое же? Чисто статистически можно использовать, например, критерий согласия Хи-квадрат Пирсона. Остается последний вопрос — сколько человек нужно опросить, чтобы все-таки гарантировать, что сдвига нет и результаты действительно статистически значимые. На самом деле не много — для расчета можно воспользоваться коэффициентом Коэна для Хи-квадрат теста. И тогда для довольно достоверной оценки будет достаточно 50-100 рандомных подписчиков опросить. В целом, посильно) Вторгаться в вашу личку я, пожалуй, не буду, но, надеюсь, этот кейс был вам полезен — такая штука актуальна практически для любых опросов) 🔥 — супер, зашло!) ✍️ — взял на карандашик 😑 — кто такой этот ваш Пирсон?
2 857
20
Интересный результат получается! Внимание, знатоки, вопрос - а можно его считать статистически значимым? 🔥 - да 🐳 - нет 💅 - не знаю, но предлагаю считать))
2 543