LTV (Lifetime Value) – важная метрика для принятия решений как в маркетинге, так и в продукте. Но при расчете LTV часто допускают ошибки. Причем ошибки допускают даже авторы статей с первой страницы результатов Google про то, как посчитать LTV.

Самые распространенные ошибки при расчете LTV:

• Расчет LTV на основе выручки (Revenue), а не прибыли (contribution margin).
• Расчет LTV через Lifetime пользователей, полученный через 1/churn или другими способами.
• Расчет LTV через среднее количество покупок пользователей.

В этой статье обсудим, как надо и не надо считать LTV (Lifetime Value).

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Эту статью в сотрудничестве с GoPractice написал Женя Козлов. Женя 8 лет руководил аналитикой: 3,5 года строил функцию аналитики в Яндекс.Маркете, затем 4,5 года – в Яндекс.Такси. Сейчас Женя находится в творческом отпуске и нашел время поделиться опытом. Подписывайтесь на телеграмм-канал Жени “Секрет лапшичного супа”.

Далее повестовование ведется от лица автора.

За 8 лет в аналитике я прособеседовал и нанял сотни людей и хорошо представляю, как устроен рынок аналитиков.

Ключевое знание про аналитиков данных – этого рынка практически нет. В 2019 году я нанял в свою команду 34 аналитика, из которых 23 (68%) – это стажеры и джуниоры. Мы были бы рады нанимать более зрелых ребят, но их просто нет, поэтому приходится нанимать людей с потенциалом и растить.

Для сравнения, в команду дата-инженеров мы наняли 23% джунов (5 человек из 22) – здесь рынок есть. Эта дисциплина развита в банках, телекомах, ритейле – а значит, на рынке больше готовых специалистов.

Эта статья преследует две цели.

Первая – поделиться с рынком терминами, в которых мы в Яндексе думаем про уровни аналитиков. Это позволит уменьшить энтропию на рынке, где сегодня за вакансией и резюме аналитика может скрываться произвольный набор ожиданий и навыков: от проектного менеджмента и системного анализа, до автоматизации рутинных операций бизнеса. Приставки же младший / старший / ведущий вообще не несут никакой информации.

Вторая – дать понятный план для роста и развития в роли аналитика данных. В Яндекс.Такси мы вынуждены выстраивать конвейер для роста сотрудников, так как иначе мы просто не будем справляться. Сама формализация уровней аналитиков является следствием этого подхода. Но не все работают в больших компаниях, не у всех рядом есть сильный наставник или ментор – эта статья призвана помочь таким людям взглянуть на свои точки роста и поработать над ними.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Эту статью в сотрудничестве с GoPractice написал Дима Золотухин (Facebook, Telegram) – Head of Analytics в компании Flo. Дима занимается дата-аналитикой 8 лет, с 2017 года – в продуктовых компаниях.

Далее повестовование ведется от лица автора.

В Flo (мобильное приложение № 1 в сфере женского здоровья) мы увеличили долю успешных экспериментов на 30%. Для этого мы много инвестировали в то, чтобы наладить эффективный процесс по работе с гипотезами.

Одна из важных составляющих процесса – отсутствие монополии на формулирование гипотез, что приводит к тому, что вся команда участвует в создании гипотез, их приоритизации и тестировании.

В таком случае процесс работы с гипотезами важно знать и понимать всем членам команды, которые касаются продукта: продуктовым менеджерам, аналитикам, дизайнерам, UX-исследователям и даже разработчикам.

В этой статье мы обсудим, как правильно формулировать и приоритизировать гипотезы для последующего A/B тестирования.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

В чате Ask Kevin участники регулярно задают вопросы про настройку и выбор систем аналитики данных для мобильных приложений и веб-сервисов. Антон Елфимов уже давно помогает сообществу, поэтому мы предложили ему сделать подборку ответов на самые распространенные вопросы.

Антон Елфимов – аналитик-консультант, c 2012 года помогает разным компаниям внедрять и получать инсайты из систем аналитики (Google Analytics, Mixpanel, Amplitude, Appsflyer и т.д.)

Далее повествование ведется от лица автора.

Настройка аналитики – важный и сложный процесс. Важный, потому что ошибки, сделанные на этапе настройки и интеграции аналитики, не позволят в будущем ответить на ключевые вопросы, либо же приведут к ошибочным выводам. Сложный, так как есть множество неочевидных моментов, которые вызывают проблемы у продуктовых и маркетинговых команд.

В этой статье будут собраны ответы на вопросы, которые возникают в чате ”Ask Kevin!” по поводу настройки cистем аналитики. Если у вас есть вопросы по этим темам, то напишите их в комментариях к статье, либо задайте в чате ”Ask Kevin!” (не забудьте тегнуть @antonelfimov).

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Построение прогноза динамики дохода, аудитории и других ключевых показателей – это важный процесс для любого продукта в фазе роста. Наличие качественного прогноза помогает приоритизировать проекты на этапе планирования, а потом отслеживать насколько ваши реальные темпы роста соответствуют ожидаемым, позволяя идентифицировать проблемы на раннем этапе.

Сам же процесс создания модели для прогнозирования позволяет синхронизировать команду в понимании устройства модели продукта и его структуры роста, а также дает инструмент для оценки влияния разных векторов развития и потенциальных проектов.

Сегодня мы обсудим, как построить прогноз аудитории, дохода и других целевых показателей вашего продукта с помощью когортного анализа в Excel или Google Spreadsheets, выясним, какие есть подводные камни и сложности у этого процесса.

Вы также получите шаблон для прогнозирования ключевых показателей в Excel / Google Spreadsheets.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Когда я работал в Facebook, то у команды аналитики Workplace была классная традиция: еженедельная встреча команды начиналась с небольшой викторины.

Победитель прошлой недели готовил вопрос про какой-то ключевой показатель Workplace. Например, «Чему равна месячная аудитория продукта?» или «Сколько новых пользователей пришло за прошлую неделю?» или «Какая доля новых компаний достигает отметки в 10 пользователей?» или “Сколько мы заработали за прошлый месяц?”

Важным условием при формировании вопроса было то, что ответ на него можно легко получить с помощью метрик на дашборде команды.

Участники встречи должны были записать ответ на вопрос на бумаге. Ответить нужно было без помощи компьютеров, то есть по памяти. Тот, чей ответ был ближе всего к правильному, получал +1 балл в турнирной таблице, а тот, кто был дальше всех, терял 1 балл. По итогам полугодия определялся чемпион.

Я участвовал в пяти розыгрышах и выиграл три из них. Однажды к последнему туру у меня и у еще одного аналитика было одинаковое количество очков. Команда устроила нам финальный раунд, где мы должны были в блиц формате ответить на пять вопросов. Я набрал на одно очко больше и выиграл кружку на фотографии ниже.

Я рассказал эту историю не потому, что хотел похвастаться победами (хотя и это тоже). Дело в том, что почти в каждом розыгрыше мы получали очень большой разброс ответов. Для меня это было неожиданно.

Во-первых, играли аналитики, которые большую часть времени работают с данными и должны в них неплохо ориентироваться. Во-вторых, это были аналитики в Facebook, компании с высокой культурой работы с данными, где у каждой команды есть четкие цели, есть дэшборд, доступный всем сотрудникам компании, все встречи начинаются с апдейтов по прогрессу по ключевым метрикам. Как эти люди могли так сильно ошибаться на несложных вопросах про продукт, над которым они работают?

Если вы проведете такую игру среди сотрудников вашей компании, то, скорее всего, будете сильно удивлены. У большинства людей будут очень далекие от реальности представления о том, как ваш продукт и бизнес выглядит с точки зрения цифр. У некоторых этих представлений не будет вовсе.

В этой статье обсудим, почему важно, чтобы участники команды держали в уме хотя бы примерные значения ключевых показателей продукта, почему этого не происходит и как этого добиться.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

А еще мы завели канал «GoPractice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Retention rate – одна из фундаментальных метрик в работе над продуктом. Мы все используем метрику Retention регулярно, но не все знают, что существует много разных способов расчета Retention. И это очень важно четко понимать, какой именно метод расчета был использован, при обсуждении результатов анализа и принятии решений на основе Retention метрик.

История. Когда я работал в Zeptolab, нам часто писали игровые студии, которые хотели, чтобы Zeptolab выступил в роли паблишера для их игр. Однажды пришло письмо, которое сильно выделялось на фоне остальных. Метрики игры, которую нам предлагали опубликовать, выглядели впечатляюще: Retention 1 дня превышал 55%, Retention 7 дня – 25%.

Мы начали тестировать игру, чтобы понять, в чем секрет. Но быстро стало понятно, что что-то здесь не сходится. Геймлей не был настолько увлекательным, чтобы обеспечить Retention 1 дня > 55%. Мета-игра также не выглядела достаточно глубокой и проработанной, чтобы вытянуть Retention 7 дня при таком геймплее.

Последующее расследование выявило, что под Retention студия имела ввиду не классический Day N Retention rate, а Rolling Retention. Когда мы получили значения классического Day N Retention их игры, то цифры уже не выглядели впечатляющими.

Это лишь один из примеров, как неправильная интерпретация Retention метрики может отправить команду в ложном направлении. В этой статье мы рассмотрим разные ньюансы расчета и интерпретации Retention, и то, как они влияют на итоговые значения метрики и принимаемые решения.

Несколько комментариев к статье:

• Данная статья сфокусирована больше на особенностях методов расчета Retention и их влиянии на значения метрики. Ранее в блоге публиковалась статья о том, как влиять на Retention продукта.
• Большинство рассуждений ведутся на примере Daily Retention, но они полностью применимы к недельному и месячного Retention. Выбор того, с какой гранулярностью считать Retention для конкретного продукта зависит от специфики его использования.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от Go Practice, вам в этом поможет.

А еще мы завели канал «Go Practice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Недавно мне прислали ссылку на обсуждение про юнит-экономику и попросили помочь разобраться. “С чем там разбираться?» – подумал я. Пошел читать и запутался.

Так я погрузился в мир юнит-экономики со сложными формулами, большим количеством терминов, спорами по поводу этих формул и терминов, блогами и тренингами, где все это объясняют.

Друзья, юнит-экономика – это очень просто. Я объясню вам юнит-экономику за 30 слов. Читайте и считайте.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от Go Practice, вам в этом поможет.

А еще мы завели канал «Go Practice!» и чат «Ask Kevin!» в Телеграмме. Подписывайтесь.

Читать далее →

Находить инсайты и ответы на вопросы в данных – ключевой навык продуктового аналитика. И именно в развитии этого скилла аналитики обычно видят потенциал для роста.

Я рекомендую уделить внимание другому аспекту аналитической работы – навыкам коммуникации. Умению не просто находить инсайты, а доносить их до команды и превращать в проекты. Для этого надо будет строить отношения с командой, участвовать в ключевых обсуждениях, нарабатывать авторитет, учиться правильно презентовать информацию.

Эта статья построена в виде рекомендаций для продуктовых аналитиков. Но она будет в равной степени полезна продакт-менеджерам и руководителям, которые хотят по максимуму раскрыть потенциал аналитиков, работающих в их командах.

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор (образовательный продукт от Go Practice) вам в этом поможет.

Читать далее →

Менеджер попросил аналитика: «Выведи мне на дашборд ретеншн первого, третьего и седьмого дней в динамике.» Аналитик ответил менеджеру: «Ты уверен? Графики  будут шумные. Посмотри как сильно скачет метрика день ото дня. Давай лучше следить за недельным ретеншеном. Там случайные колебания сглаживаются.» На этом и сошлись.

Теперь на дашборде раз в неделю появлялась новая точка. Своим внешним видом она говорила: «Все спокойно, ничего не поменялось.» Но порой за внешним спокойствием скрывались бури повседневной жизни — дни взлетов и падений, побед и поражений, будней и выходных. Но о них так никто и не узнал, так как при суммировании сглаживались и неслучайные колебания тоже.

P.S. Подписывайтесь на мою страницу в FB. В будущем буду там публиковать анонсы новых постов, а также мысли, которые не вписываются в формат блога.

Читать далее →