В продуктовой аналитике легко дойти до состояния, когда экспериментов много, а уверенности в решениях мало.
Типовые симптомы:
тест идет «пока не станет понятно»;
MDE забывают зафиксировать (или берут «как обычно»);
p-value проверяют каждый день и закрывают эксперимент на первом же p < 0.05;
ARPU и другие денежные метрики шумят так, что любой вывод спорный;
после релиза эффект не подтверждается, в следствие чего доверие к экспериментам падает.
Всем привет!
Меня зовут Владимир Павлов, я продакт-менеджер. Недавно я проходил кейс-интервью и получил отказ со следующим комментарием: «Правильно выбираешь ключевые метрики, но не хватает измеримости, структуры, прокси‑ и контр‑метрик».
Получив данный фидбек, я решил углубиться в метрики, но не нашел простого инструмента для тренировок их построения и работы с ними. Пришлось создать свой инструмент для этих целей :-)
Оплатив платный доступ к GPT, приступил к Vibe Coding. Весь процесс занял примерно 2 недели, занимаясь по вечерам в будние дни + выходные.
Остановился на следующем объеме функциональности:
За время работы у меня сформировался некий фреймворк, которым я руководствовалась сама и по которому, на мой субъективный взгляд, можно построить здравую, лаконичную систему метрик продукта с понятными взаимосвязями. И вот я дозрела до того, чтобы поделиться им в формате статьи.
Не претендую на абсолютную уникальность, поскольку при его формировании я опиралась и даже во многом переиспользовала существующие фреймворки, адаптируя их под те задачи, которые стояли передо мной. В частности:
Retention - это ключевой метрический показатель для монетизации мобильных и пк-игр. На основе анализа 50+ инди-проектов я выделил три системные ошибки, снижающие Retention на 1-й, 3-й и 7-й день. В статье — практические методы их диагностики и решения без бюджета.
Меня зовут Павел, продуктовый аналитик с опытом в GameDev аналитике, FMCG, Digital и e‑commerce. Помогаю инди‑студиям улучшать метрики через data‑driven решения.
Однажды к новоиспечённому аналитику компании «Линейные уравнения» обратились коллеги из HR-блока с просьбой проверить гипотезу: влияет ли запущенная ими программа обучения на эффективность сотрудников?
Аналитику передали файл с данными [1]Читать полностью »
Привет! Меня зовут Даша Козлова, я аналитик в Авито. В этой статье я расскажу свою не самую репрезентативную, но интересную историю рождения бабочки аналитика. Добро пожаловать, усаживайтесь поудобнее и погнали!
12 февраля 2002 года министр обороны США Дональд Рамсфелд произнёс ставшую знаменитой фразу о том, что «есть известные известные, известные неизвестные и неизвестные неизвестные». Пресса тогда разделилась: одни называли это бессмысленным словоблудием, другие — неожиданной философией.
Привет! Я Настя — лид A/B Платформы в Wildberries. На протяжении всего карьерного пути меня интересует тема оценки эффектов. Для этого существуют различные инструменты, в числе которых как A/B‑тестирование, так и альтернативные способы, например, различные вариации Causal Inference.
В этой статье я хочу поделиться примером проведения двух квази‑экспериментов в Wildberries с использованием Синтетического контроля (Synthetic Control).
Привет. Меня зовут Владимир Антонов, я руководитель продуктового юнита в Авито. Недавно написал пост, в котором рассуждал на тему «уничтожит ли ИИ профессию продакт-менеджера». В комментариях вы написали, что куда интереснее узнать, какие ИИ инструменты могут взять на себя часть работы продакта. Поэтому сегодня я сделал обзор на те из них, которые превращают ИИ в помощника.
