AI и Big Data — самые востребованные навыки будущего
В январе прошел ежегодный Мировой экономический форум; в рамках него был опубликован отчет о том, как будет выглядеть рынок труда в 2025–2030 гг. Он составлен на основании опросов более 1 000 крупных работодателей по всему миру.
Исследования говорят однозначно: будущее за ИИ и большими данными. Берем на карандашик ✍🏻
Главный тренд, влияющий на рынок труда, — расширение доступа к информационным технологиям. Это влечет рост числа IT-вакансий и востребованность технических навыков. Быстрее всего появляются позиции дата-специалистов, финтех-инженеров и специалистов по машинному обучению. В топ–10 самых быстрорастущих навыков вошли ИИ и большие данные, кибербезопасность и технологическая грамотность.
Помимо хард-скиллов, работодатели ищут стрессоустойчивых и гибких сотрудников со способностью аналитически и креативно мыслить, с огоньком в глазах и страстью к учебе.
В целом, вся IT-сфера, а также автоматизация и робототехника, продолжают развиваться и оставаться востребованными. А вот графическим дизайнерам повезло меньше — число вакансий для них летит вниз.
#новости #аналитика #WEF25 #datascience #AI
В январе прошел ежегодный Мировой экономический форум; в рамках него был опубликован отчет о том, как будет выглядеть рынок труда в 2025–2030 гг. Он составлен на основании опросов более 1 000 крупных работодателей по всему миру.
Исследования говорят однозначно: будущее за ИИ и большими данными. Берем на карандашик ✍🏻
Главный тренд, влияющий на рынок труда, — расширение доступа к информационным технологиям. Это влечет рост числа IT-вакансий и востребованность технических навыков. Быстрее всего появляются позиции дата-специалистов, финтех-инженеров и специалистов по машинному обучению. В топ–10 самых быстрорастущих навыков вошли ИИ и большие данные, кибербезопасность и технологическая грамотность.
Помимо хард-скиллов, работодатели ищут стрессоустойчивых и гибких сотрудников со способностью аналитически и креативно мыслить, с огоньком в глазах и страстью к учебе.
В целом, вся IT-сфера, а также автоматизация и робототехника, продолжают развиваться и оставаться востребованными. А вот графическим дизайнерам повезло меньше — число вакансий для них летит вниз.
#новости #аналитика #WEF25 #datascience #AI
Ранее я рассказывал про различные подходы к работе с метриками, и мой фаворит — фреймворк «Пирамида метрик». Почему? Потому что он превращает хаос в стройную структуру. Суть пирамиды проста: метрики распределяются по слоям — сверху самые глобальные, бизнесовые, а ниже уже финансовые, продуктовые и так далее. Универсального шаблона нет, каждая компания строит свою пирамиду индивидуально, исходя из целей и задач.
В Т-Банке мы используем пирамиду как каркас для объединения метрик различных команд работающих над одним продуктом. Это позволяет понимать, как каждая команда влияет на общий успех и не замыкать ее саму на себя.
Но хватит теории! Сегодня заглянем в самый верх пирамиды — бизнесовый слой. Этот уровень нужен для фокусировки всех команд на достижении конкретных целей. Какие показатели обычно сюда попадают? Пример:
▪️GMV (Gross Merchandise Value) — совокупная стоимость товаров или услуг. Отлично подходит для понимания масштабов бизнеса.
▪️Revenue (Выручка) — главный показатель дохода, который напрямую показывает, насколько эффективна работа компании.
▪️EBITDA — прибыль до вычета налогов, амортизации и процентов. Эта метрика позволяет понять реальную прибыльность бизнеса без учёта финансовых манёвров.
▪️Net Profit (Чистая прибыль) — итоговая сумма, которая остаётся после всех расходов. Это конечный результат, ради которого всё и делается.
Выбор метрик зависит от целей компании. Например, если в приоритете масштабирование, то упор делается на GMV. Если важно увеличить объем выручки, то в центре внимания — Revenue, EBITDA и Net Profit. Ну а если нужно максимизировать выплаты акционерам, то Net Profit ваше всё.
В следующих постах я разберу метрики нижних уровней пирамиды. Это поможет вам понять, как вся система метрик связана между собой и как её использовать для достижения целей.
Забирайте пост в закладки, делитесь с коллегами, и не забывайте: метрики — это не просто цифры, это ваш компас на пути к успеху!
***
Пост подготовлен совместно с CFOblog, каналом про финансы для нефинансистов.
#разбор_метрик #метрики
В Т-Банке мы используем пирамиду как каркас для объединения метрик различных команд работающих над одним продуктом. Это позволяет понимать, как каждая команда влияет на общий успех и не замыкать ее саму на себя.
Но хватит теории! Сегодня заглянем в самый верх пирамиды — бизнесовый слой. Этот уровень нужен для фокусировки всех команд на достижении конкретных целей. Какие показатели обычно сюда попадают? Пример:
▪️GMV (Gross Merchandise Value) — совокупная стоимость товаров или услуг. Отлично подходит для понимания масштабов бизнеса.
▪️Revenue (Выручка) — главный показатель дохода, который напрямую показывает, насколько эффективна работа компании.
▪️EBITDA — прибыль до вычета налогов, амортизации и процентов. Эта метрика позволяет понять реальную прибыльность бизнеса без учёта финансовых манёвров.
▪️Net Profit (Чистая прибыль) — итоговая сумма, которая остаётся после всех расходов. Это конечный результат, ради которого всё и делается.
Выбор метрик зависит от целей компании. Например, если в приоритете масштабирование, то упор делается на GMV. Если важно увеличить объем выручки, то в центре внимания — Revenue, EBITDA и Net Profit. Ну а если нужно максимизировать выплаты акционерам, то Net Profit ваше всё.
В следующих постах я разберу метрики нижних уровней пирамиды. Это поможет вам понять, как вся система метрик связана между собой и как её использовать для достижения целей.
Забирайте пост в закладки, делитесь с коллегами, и не забывайте: метрики — это не просто цифры, это ваш компас на пути к успеху!
***
Пост подготовлен совместно с CFOblog, каналом про финансы для нефинансистов.
#разбор_метрик #метрики
Уф, февраль уже пролетел! Сегодня собираем самые сочные статьи последних тридцати дней.
Начну со статьи Андрея Корнеева, аналитика команды Origination в Т-Банке, который знает все о том, как правильно подглядывать. Автор поделился знанием о последовательном анализе или Group Sequential Testing (GST). Это метод проведения A/B-теста, при котором мы абсолютно легально подглядываем в тест на промежуточных точках и проверяем результаты до завершения эксперимента. При значительном эффекте мы можем завершить тест досрочно и сэкономить время и ресурсы. Инструмент мощный, но с ограничениями. Например, он не подходит для метрик с долгим периодом созревания. Так что используйте метод с умом.
Далее предлагаю погрузиться в эволюцию одной платформы и почерпнуть идеи для своих проектов. Архитектор данных Наталья Горлова описала шестилетнюю трансформацию платформы данных CDEK, крупной компании по доставке документов и грузов. То, что началось с монолита на MySQL и C++, к 2024 году обросло хранилищем данных Greenplum с управлением через Apache Airflow, микросервисами на Java и базами данных PostgreSQL. Оглядываясь назад, Наталья подчеркивает, как важно продумывать кодовую базу проекта, не бояться пробовать новое и помнить о качестве данных.
Теперь стоит включить безопасное соединение, потому что на Medium вышла трилогия статей от Павла Левчука, посвященная RF-матрице. Это таблица распределения клиентов на сегменты в зависимости от времени (Recency) и частоты покупок (Frequency). Имея данные о поведении, мы можем, например, выявить малоактивных клиентов, давно не совершавших покупку, и предложить им скидку. Результаты анализа позволяют влиять на другие метрики, такие как CAC и LTV. Подробнее о самой матрице читайте в водной статье, а материалы о Recency и Frequency позволят углубиться в их расчеты.
А чем интересным запомнился февраль вам?😃
#дайджест
Начну со статьи Андрея Корнеева, аналитика команды Origination в Т-Банке, который знает все о том, как правильно подглядывать. Автор поделился знанием о последовательном анализе или Group Sequential Testing (GST). Это метод проведения A/B-теста, при котором мы абсолютно легально подглядываем в тест на промежуточных точках и проверяем результаты до завершения эксперимента. При значительном эффекте мы можем завершить тест досрочно и сэкономить время и ресурсы. Инструмент мощный, но с ограничениями. Например, он не подходит для метрик с долгим периодом созревания. Так что используйте метод с умом.
Далее предлагаю погрузиться в эволюцию одной платформы и почерпнуть идеи для своих проектов. Архитектор данных Наталья Горлова описала шестилетнюю трансформацию платформы данных CDEK, крупной компании по доставке документов и грузов. То, что началось с монолита на MySQL и C++, к 2024 году обросло хранилищем данных Greenplum с управлением через Apache Airflow, микросервисами на Java и базами данных PostgreSQL. Оглядываясь назад, Наталья подчеркивает, как важно продумывать кодовую базу проекта, не бояться пробовать новое и помнить о качестве данных.
Теперь стоит включить безопасное соединение, потому что на Medium вышла трилогия статей от Павла Левчука, посвященная RF-матрице. Это таблица распределения клиентов на сегменты в зависимости от времени (Recency) и частоты покупок (Frequency). Имея данные о поведении, мы можем, например, выявить малоактивных клиентов, давно не совершавших покупку, и предложить им скидку. Результаты анализа позволяют влиять на другие метрики, такие как CAC и LTV. Подробнее о самой матрице читайте в водной статье, а материалы о Recency и Frequency позволят углубиться в их расчеты.
А чем интересным запомнился февраль вам?😃
#дайджест
Привет, друзья! 👋
После прошлого поста про бизнес-цели мне в личку пришло несколько вопросов и я решил разобрать, как из GMV получается чистая прибыль Net Profit.
Давайте разложим всё по полочкам!
▪️GMV (Gross Merchandise Value) — это общий объем продаж. Представьте, вы продали товаров на 1 млн рублей. Вау! Но это не ваши деньги. Это просто цифра, которая показывает, сколько денег всего «прокрутилось» через ваш бизнес. Сюда входят и себестоимость, и доставка, и возвраты. Так что не спешите праздновать.
▪️Revenue (выручка) — эта метрика уже ближе к делу. Это деньги, которые компания получила за свои товары или услуги. Если из GMV вычесть возвраты, скидки, комиссии и прочие «но», получится Revenue. Например, из того же 1 млн рублей выручка может быть 800 тыс. рублей. Уже лучше, но это ещё не прибыль.
▪️Operational Profit (операционная прибыль) — это то, что осталось после всех переменных расходов: сырье, доставка, сдельная зарплата и прочее. Если из Revenue вычесть все эти затраты, получится Operational Profit. Например, из 800 тыс. рублей выручки после всех расходов осталось 200 тыс. рублей. Уже теплее!
▪️EBITDA — это прибыль после вычета фиксированных расходов, но до вычета процентов, налогов, амортизации и износа. Например, из тех же 200 тыс. рублей Operational Profit EBITDA может быть 150 тыс. рублей. Это любимая метрика инвесторов, потому что она показывает, насколько эффективно работает бизнес «в вакууме» и можно сравнивать разные бизнесы между собой.
▪️Net Profit (чистая прибыль) — это то, что осталось после всех расходов, налогов, процентов по кредитам и прочих обязательных платежей. Например, из 150 тыс. рублей EBITDA после всех вычетов может остаться 100 тыс. рублей. Вот это уже ваши деньги!
Итог: GMV → Revenue → Operational Profit → EBITDA → Net Profit.
Ставьте лайк, чтобы я знал, что тема полезная. И делитесь постом с теми, кто думает, что GMV = прибыль. 😉
***
Пост подготовлен совместно с CFOblog, каналом про финансы для нефинансистов.
#разбор_метрик #метрики
После прошлого поста про бизнес-цели мне в личку пришло несколько вопросов и я решил разобрать, как из GMV получается чистая прибыль Net Profit.
Давайте разложим всё по полочкам!
▪️GMV (Gross Merchandise Value) — это общий объем продаж. Представьте, вы продали товаров на 1 млн рублей. Вау! Но это не ваши деньги. Это просто цифра, которая показывает, сколько денег всего «прокрутилось» через ваш бизнес. Сюда входят и себестоимость, и доставка, и возвраты. Так что не спешите праздновать.
▪️Revenue (выручка) — эта метрика уже ближе к делу. Это деньги, которые компания получила за свои товары или услуги. Если из GMV вычесть возвраты, скидки, комиссии и прочие «но», получится Revenue. Например, из того же 1 млн рублей выручка может быть 800 тыс. рублей. Уже лучше, но это ещё не прибыль.
▪️Operational Profit (операционная прибыль) — это то, что осталось после всех переменных расходов: сырье, доставка, сдельная зарплата и прочее. Если из Revenue вычесть все эти затраты, получится Operational Profit. Например, из 800 тыс. рублей выручки после всех расходов осталось 200 тыс. рублей. Уже теплее!
▪️EBITDA — это прибыль после вычета фиксированных расходов, но до вычета процентов, налогов, амортизации и износа. Например, из тех же 200 тыс. рублей Operational Profit EBITDA может быть 150 тыс. рублей. Это любимая метрика инвесторов, потому что она показывает, насколько эффективно работает бизнес «в вакууме» и можно сравнивать разные бизнесы между собой.
▪️Net Profit (чистая прибыль) — это то, что осталось после всех расходов, налогов, процентов по кредитам и прочих обязательных платежей. Например, из 150 тыс. рублей EBITDA после всех вычетов может остаться 100 тыс. рублей. Вот это уже ваши деньги!
Итог: GMV → Revenue → Operational Profit → EBITDA → Net Profit.
Ставьте лайк, чтобы я знал, что тема полезная. И делитесь постом с теми, кто думает, что GMV = прибыль. 😉
***
Пост подготовлен совместно с CFOblog, каналом про финансы для нефинансистов.
#разбор_метрик #метрики
Исследование рынка аналитиков 2024: полные результаты
Ребята из NEWHR завершили работу над исследованием, посвящённом рынку аналитиков 2024 года и выпустили результаты в виде лендинга. Получилось действительно круто!
Главные инсайты:
🔹 Зарплаты аналитиков продолжают расти. В 2024 году доходы быстрее росли в российских компаниях, но всё ещё отстают от зарубежных.
🔹 Зарплата — ключевой фактор удержания. В 2024 году её значимость как причины оставаться в компании выросла с 25% до 52%.
🔹 Зарубежные компании теряют привлекательность. Российские аналитики всё чаще ориентируются на локальный рынок, а специалисты из ближнего зарубежья рассматривают оба варианта.
🔹 Интерес к смене работы снижается. Доля аналитиков, лояльных текущему работодателю, выросла с 35% до 46%, но интерес к собеседованиям остаётся стабильным.
🔹 Самый привлекательный работодатель — «Авито». Компания обошла «Яндекс» и «Т-банк», которые немного потеряли популярность в 2024 году.
🔹 Удалёнка доминирует. Полностью офисный формат теряет позиции, а гибрид остаётся наиболее предпочтительным.
🔹 Гендерное равенство? Пока нет. Женщины и мужчины в аналитике представлены равномерно, но женщины реже занимают руководящие позиции и получают меньшие зарплаты.
▶️ Ссылка на лендинг с полными результатами.
#новости
Ребята из NEWHR завершили работу над исследованием, посвящённом рынку аналитиков 2024 года и выпустили результаты в виде лендинга. Получилось действительно круто!
Главные инсайты:
🔹 Зарплаты аналитиков продолжают расти. В 2024 году доходы быстрее росли в российских компаниях, но всё ещё отстают от зарубежных.
🔹 Зарплата — ключевой фактор удержания. В 2024 году её значимость как причины оставаться в компании выросла с 25% до 52%.
🔹 Зарубежные компании теряют привлекательность. Российские аналитики всё чаще ориентируются на локальный рынок, а специалисты из ближнего зарубежья рассматривают оба варианта.
🔹 Интерес к смене работы снижается. Доля аналитиков, лояльных текущему работодателю, выросла с 35% до 46%, но интерес к собеседованиям остаётся стабильным.
🔹 Самый привлекательный работодатель — «Авито». Компания обошла «Яндекс» и «Т-банк», которые немного потеряли популярность в 2024 году.
🔹 Удалёнка доминирует. Полностью офисный формат теряет позиции, а гибрид остаётся наиболее предпочтительным.
🔹 Гендерное равенство? Пока нет. Женщины и мужчины в аналитике представлены равномерно, но женщины реже занимают руководящие позиции и получают меньшие зарплаты.
▶️ Ссылка на лендинг с полными результатами.
#новости
В феврале ProductSense совместно с МТС опубликовал ежегодное исследование продуктового сообщества в рамках конференции PRODUCTSENSE'25. В докладе отражены портрет участников, профиль компаний и, мое любимое, — профессиональное развитие.
Если вы еще не читали доклад, пролистайте его по ссылке выше. Обратите особое внимание на последний раздел, где приведены ссылки на книги, статьи и подкасты для самообразования.
Какие навыки развивать?
В 2025 году большинство сотрудников планируют сконцентрироваться на изучении управления командой, growth management, экономики и аналитики. В топе навыков у сеньоров оказалось развитие управленческих навыков, у CPO — знание экономики продукта, а Head of Product выделяли навыки ведения переговоров.
Интересно, что есть расхождение между навыками, которые респонденты планируют прокачивать, и навыками, которые ценят руководители у сотрудников данного грейда. Поэтому исследователи советуют изучить, какие скиллы наиболее востребованы на вашем этапе карьеры, и развивать именно их.
Кроме грейда, следует учитывать, какие навыки актуальны для компании на текущем этапе развития. Например, если вы планируете работать или уже работаете в крупной корпорации, уделяйте внимание управленческим навыкам и growth management. Если же планируете развиваться в небольшой компании на этапе роста, фокусируйтесь на аналитических навыках и изучайте экономику.
Кстати, что с LLM?
Примерно треть сотрудников, особенно с опытом работы в IT от шести лет, уже делегировали моделям рутинные задачи. А каждый пятый CPO решает сложные задачи с помощью LLM.
#новости #PRODUCTSENSE25
Если вы еще не читали доклад, пролистайте его по ссылке выше. Обратите особое внимание на последний раздел, где приведены ссылки на книги, статьи и подкасты для самообразования.
Какие навыки развивать?
В 2025 году большинство сотрудников планируют сконцентрироваться на изучении управления командой, growth management, экономики и аналитики. В топе навыков у сеньоров оказалось развитие управленческих навыков, у CPO — знание экономики продукта, а Head of Product выделяли навыки ведения переговоров.
Интересно, что есть расхождение между навыками, которые респонденты планируют прокачивать, и навыками, которые ценят руководители у сотрудников данного грейда. Поэтому исследователи советуют изучить, какие скиллы наиболее востребованы на вашем этапе карьеры, и развивать именно их.
Кроме грейда, следует учитывать, какие навыки актуальны для компании на текущем этапе развития. Например, если вы планируете работать или уже работаете в крупной корпорации, уделяйте внимание управленческим навыкам и growth management. Если же планируете развиваться в небольшой компании на этапе роста, фокусируйтесь на аналитических навыках и изучайте экономику.
Кстати, что с LLM?
Примерно треть сотрудников, особенно с опытом работы в IT от шести лет, уже делегировали моделям рутинные задачи. А каждый пятый CPO решает сложные задачи с помощью LLM.
#новости #PRODUCTSENSE25
Слышали про подкаст «Это считается»?
Подкаст и одноимённый канал от Т-Банка о буднях продуктовых аналитиков — с шутками, без скучных цифр.
В новом сезоне ещё больше крутых авторов, новые рубрики, статьи, лайфхаки и личные рассуждения.
А ещё я теперь среди авторов! Вот мой первый пост — заходите, комментируйте, подписывайтесь.
https://t.me/eto_schitaetsya/489
Подкаст и одноимённый канал от Т-Банка о буднях продуктовых аналитиков — с шутками, без скучных цифр.
В новом сезоне ещё больше крутых авторов, новые рубрики, статьи, лайфхаки и личные рассуждения.
А ещё я теперь среди авторов! Вот мой первый пост — заходите, комментируйте, подписывайтесь.
https://t.me/eto_schitaetsya/489
Telegram
Это считается
Привет 👋
Меня зовут Рома, и в Т-Банке я отвечаю за экосистемную аналитику, создание деревьев метрик и хранилища Metrics Store.
А еще я люблю писать посты на злобу дня. Сегодня поговорим про продуктовых аналитиков: кто они, зачем нужны и почему быть «калькулятором»…
Меня зовут Рома, и в Т-Банке я отвечаю за экосистемную аналитику, создание деревьев метрик и хранилища Metrics Store.
А еще я люблю писать посты на злобу дня. Сегодня поговорим про продуктовых аналитиков: кто они, зачем нужны и почему быть «калькулятором»…
Прежде чем искать подвох в данных, стоит понимать работу собственного процессора. Когнитивные искажения — это систематические ошибки в восприятии и мышлении во время обработки информации. Они ведут к ложным суждениям, основывающимся на личных предпочтениях и эмоциях, а не на объективных данных.
Одним из искажений мозга называют предвзятость подтверждения (Confirmation bias). Это склонность замечать доказательства собственной точки зрения и игнорировать данные, которые ей противоречат.
Допустим, дата-аналитик берется за задачу определить, какой канал привлечения клиентов наиболее эффективен. Он считает, что это соцсети. Убеждение искажает изначальную гипотезу в голове аналитика. Неосознанно он ставит задачу доказать, что соцсети эффективнее других каналов.
Дальнейшие действия заведомо необъективны. Он выбирает ключевые метрики, которые могли бы выявить преимущества соцсетей, и собирает исторические данные только за период, когда соцсети были особенно успешны. В итоге компания направляет больше средств в соцсети, не зная реальной рентабельности каждого канала.
Реальность многогранна. Мозг не в состоянии обработать всю информацию о мире. Чтобы не сойти с ума, он научился на основе кусочков данных формировать обобщающие убеждения. Они работают как фильтры, через которые информация попадает (или не попадает) в мозг на обработку. Предвзятость — не бага, а фича, экономящая время и энергию. Но то, что помогает выживать, мешает анализировать данные.
Чтобы быть менее предвзятым, попробуй:
1️⃣ Четко сформулировать вопрос бизнеса, гипотезу и цель сбора данных. Выработай привычки всегда допускать, что твои убеждения повлияли на результат.
2️⃣ Растождествить себя с точкой зрения. Задай себе вопросы: почему я так считаю? Основываюсь ли я на фактах?
3️⃣ Сыграть в игру: если бы я был не прав, какие факты могли указать на это? Ищи доказательства, опровергающие твое убеждение. Можно позвать коллегу-оппонента и выслушать его доводы.
#искажения
Одним из искажений мозга называют предвзятость подтверждения (Confirmation bias). Это склонность замечать доказательства собственной точки зрения и игнорировать данные, которые ей противоречат.
Допустим, дата-аналитик берется за задачу определить, какой канал привлечения клиентов наиболее эффективен. Он считает, что это соцсети. Убеждение искажает изначальную гипотезу в голове аналитика. Неосознанно он ставит задачу доказать, что соцсети эффективнее других каналов.
Дальнейшие действия заведомо необъективны. Он выбирает ключевые метрики, которые могли бы выявить преимущества соцсетей, и собирает исторические данные только за период, когда соцсети были особенно успешны. В итоге компания направляет больше средств в соцсети, не зная реальной рентабельности каждого канала.
Реальность многогранна. Мозг не в состоянии обработать всю информацию о мире. Чтобы не сойти с ума, он научился на основе кусочков данных формировать обобщающие убеждения. Они работают как фильтры, через которые информация попадает (или не попадает) в мозг на обработку. Предвзятость — не бага, а фича, экономящая время и энергию. Но то, что помогает выживать, мешает анализировать данные.
Чтобы быть менее предвзятым, попробуй:
1️⃣ Четко сформулировать вопрос бизнеса, гипотезу и цель сбора данных. Выработай привычки всегда допускать, что твои убеждения повлияли на результат.
2️⃣ Растождествить себя с точкой зрения. Задай себе вопросы: почему я так считаю? Основываюсь ли я на фактах?
3️⃣ Сыграть в игру: если бы я был не прав, какие факты могли указать на это? Ищи доказательства, опровергающие твое убеждение. Можно позвать коллегу-оппонента и выслушать его доводы.
#искажения
Закончился март, и я готов подвести итог прочитанных статей за месяц. В этот раз зацепили истории с полей российской аналитики.
Первая статья от ребят из Циана о наболевшем — дублях. Аналитики всех платформ регулярно ломают головы над избавлением от них, а клиенты (часто те же аналитики, только дома и в тапочках) не могут выбрать квартиру, плутая среди одинаковых объявлений. Автор, ML-инженер Кирилл Сергеев, рассказал о проблемах поиска дубликатов, методах их нахождения и об архитектуре решения компании. Если ты подозреваешь, что однажды будешь реализовывать такое сам, то советую добавить статью в закладки.
Вторая статья от команды Авито Тех связана с релизом на внешний рынок платформы для автоматизации A/B-тестирования и комплексной аналитики Trisigma. Ребята долго разрабатывали ее для себя и теперь решили предложить другим компаниям. Я с большим любопытством изучил опыт коллег, так как в Т-банке у нас есть похожая платформа. Ведь гонять A/B-тесты вручную — значит каждый раз неэффективно тратить время на повторяющиеся действия и нагружать аналитика рутинной работой. Многие крупные компании осознают «бутылочное горлышко» в работе команды, но не все готовы выделять ресурсы на создание своих платформ. Для таких бизнесов Trisigma может оказаться отличным решением.
Завершает топ марта статья об истории A/B-тестирования. Погружение в истоки инструментов всегда позволяло мне взглянуть на привычные вещи по-новому и глубже понять их смысл. Прародитель A/B-тестов — рандомизированное контролируемое исследование — зародился в медицине, а первый знакомый нам вариант теста начали применять (surprise, surprise!) Amazon и Microsoft. Статья небольшая и легко читается — можно пробежаться по ней на обеденном перерыве. Если увлечет, автор обещает продолжение.
А что посоветуете почитать вы?😏
#дайджест
Первая статья от ребят из Циана о наболевшем — дублях. Аналитики всех платформ регулярно ломают головы над избавлением от них, а клиенты (часто те же аналитики, только дома и в тапочках) не могут выбрать квартиру, плутая среди одинаковых объявлений. Автор, ML-инженер Кирилл Сергеев, рассказал о проблемах поиска дубликатов, методах их нахождения и об архитектуре решения компании. Если ты подозреваешь, что однажды будешь реализовывать такое сам, то советую добавить статью в закладки.
Вторая статья от команды Авито Тех связана с релизом на внешний рынок платформы для автоматизации A/B-тестирования и комплексной аналитики Trisigma. Ребята долго разрабатывали ее для себя и теперь решили предложить другим компаниям. Я с большим любопытством изучил опыт коллег, так как в Т-банке у нас есть похожая платформа. Ведь гонять A/B-тесты вручную — значит каждый раз неэффективно тратить время на повторяющиеся действия и нагружать аналитика рутинной работой. Многие крупные компании осознают «бутылочное горлышко» в работе команды, но не все готовы выделять ресурсы на создание своих платформ. Для таких бизнесов Trisigma может оказаться отличным решением.
Завершает топ марта статья об истории A/B-тестирования. Погружение в истоки инструментов всегда позволяло мне взглянуть на привычные вещи по-новому и глубже понять их смысл. Прародитель A/B-тестов — рандомизированное контролируемое исследование — зародился в медицине, а первый знакомый нам вариант теста начали применять (surprise, surprise!) Amazon и Microsoft. Статья небольшая и легко читается — можно пробежаться по ней на обеденном перерыве. Если увлечет, автор обещает продолжение.
А что посоветуете почитать вы?😏
#дайджест
Ребят, сегодня первое апреля так-то. Я тут на минутку задумался. А чего тут все собрались? Почему вы подписались на мой канал?
Anonymous Poll
24%
Потому что я гик аналитики, люблю статьи, книги и делать умный вид в баре.
2%
Однажды я здорово облажался, теперь изучаю чужие факапы, чтобы облажаться с научным подходом.
25%
Искал работу, мечтал быть «Data Analyst at Google», а в итоге работаю «Data Intern at Дядя Ваня».
25%
Слежу за трендами и новостями, чтобы знать, когда ИИ заменит меня и можно будет не работать.
12%
Случайно нажал «подписаться», а отписаться стыдно – вдруг ты заметишь.
11%
Меня ты не раскусил, я тут не просто так. Всё расскажу в комментариях... или нет.
Продолжаем разбирать пирамиду метрик. В прошлых постах я рассказывал про верхний слой — бизнес-метрики, а также отдельно объяснял, как из GMV получается чистая прибыль Net Profit.
Сегодня переходим на следующий уровень — слой маржинальности. Это важный пласт, который отвечает за понимание финансовой устойчивости бизнеса. Здесь уже не просто «сколько через нас прошло денег», а «насколько эффективно работает модель» и «что реально остаётся после всех расходов».
Метрики маржинальности делятся на два типа:
▪️PnL-метрики,
▪️метрики юнит-экономики.
Сегодня подробно остановимся на первом — PnL (Profit & Loss). Да-да, это те самые строки из отчёта о доходах и расходах, которые обычно подготавливают финансисты. И хоть они могут показаться сухими, именно в них отражается реальное состояние бизнеса. Я бы даже сказал, что это ключевые метрики, а всё остальное крутится вокруг них, как стартаперы вокруг инвестора.
Некоторые показатели из PnL пересекаются с верхним уровнем пирамиды. Например, Revenue, Net Profit, EBITDA — они фигурируют и в бизнес слое, и в PnL. Это не ошибка: на бизнес-уровне они нужны для стратегического фокуса, а на уровне маржинальности — для более глубокого понимания, что стоит за цифрами.
К посту я прикрепил пример, как может выглядеть PnL-отчёт, и какие статьи в нём обычно бывают.
Также стоит упомянуть про терминологию. В ней часто возникает путаница, особенно при переводе с английского на русский. Например, Revenue и Income иногда используют как синонимы. Это не критично, если внутри вашей команды есть договорённость о терминах. Но если вы готовите отчётность по международным стандартам (IFRS/МСФО), тогда все определения должны строго соответствовать принятым формулировкам.
В следующем посте поговорим о метриках юнит-экономики. А пока — посмотрите на свой PnL свежим взглядом: он может многое рассказать о бизнесе.
#разбор_метрик #метрики
Сегодня переходим на следующий уровень — слой маржинальности. Это важный пласт, который отвечает за понимание финансовой устойчивости бизнеса. Здесь уже не просто «сколько через нас прошло денег», а «насколько эффективно работает модель» и «что реально остаётся после всех расходов».
Метрики маржинальности делятся на два типа:
▪️PnL-метрики,
▪️метрики юнит-экономики.
Сегодня подробно остановимся на первом — PnL (Profit & Loss). Да-да, это те самые строки из отчёта о доходах и расходах, которые обычно подготавливают финансисты. И хоть они могут показаться сухими, именно в них отражается реальное состояние бизнеса. Я бы даже сказал, что это ключевые метрики, а всё остальное крутится вокруг них, как стартаперы вокруг инвестора.
Некоторые показатели из PnL пересекаются с верхним уровнем пирамиды. Например, Revenue, Net Profit, EBITDA — они фигурируют и в бизнес слое, и в PnL. Это не ошибка: на бизнес-уровне они нужны для стратегического фокуса, а на уровне маржинальности — для более глубокого понимания, что стоит за цифрами.
К посту я прикрепил пример, как может выглядеть PnL-отчёт, и какие статьи в нём обычно бывают.
Также стоит упомянуть про терминологию. В ней часто возникает путаница, особенно при переводе с английского на русский. Например, Revenue и Income иногда используют как синонимы. Это не критично, если внутри вашей команды есть договорённость о терминах. Но если вы готовите отчётность по международным стандартам (IFRS/МСФО), тогда все определения должны строго соответствовать принятым формулировкам.
В следующем посте поговорим о метриках юнит-экономики. А пока — посмотрите на свой PnL свежим взглядом: он может многое рассказать о бизнесе.
#разбор_метрик #метрики
В прошлый четверг случайно наткнулся на онлайн-лекторий Института биоинформатики «Разрушители статистических мифов». Да-да, тот самый институт, где Анатолий Карпов читал легендарный курс по статистике.
Лекция, на которую попал, называлась: «Ненормальное распределение требует ненормальных решений». Говорили о том, откуда взялись проверки на нормальность, какие там есть тонкости и как с этим работать на практике.
Почему нельзя пользоваться простыми алгоритмами для выбора стат.теста? Что же такое p-value, и чем оно не является? Нужно ли всегда проверять данные на нормальность? Эти и другие живые вопросы — в центре обсуждения.
Если вам близка тема статистики — рекомендую. Лекторий бесплатный и онлайн, делюсь ссылкой на прошедшие лекции.
Лекция, на которую попал, называлась: «Ненормальное распределение требует ненормальных решений». Говорили о том, откуда взялись проверки на нормальность, какие там есть тонкости и как с этим работать на практике.
Почему нельзя пользоваться простыми алгоритмами для выбора стат.теста? Что же такое p-value, и чем оно не является? Нужно ли всегда проверять данные на нормальность? Эти и другие живые вопросы — в центре обсуждения.
Если вам близка тема статистики — рекомендую. Лекторий бесплатный и онлайн, делюсь ссылкой на прошедшие лекции.
Когда-то родившаяся как курс по математическим методам для студентов-психологов, эта забавная книга легко объясняет основы анализа данных. Если вы умудрились пропустить легенду, то самое время исправить это.
📚 Статистика и котики
Автор: Владимир Савельев
Книга сильно выделяется на фоне любых работ по статистике. Автор пишет просто, честно и весело. Короткие, но содержательные абзацы перемежаются схемами с котиками — все как мы любим, еще и на 153 страницах. Это, как сладкий сироп в составе лекарства, облегчает погружение в суровые основы анализа данных: меры центральной тенденции и изменчивости, визуализацию данных, меры различий для несвязанных и связанных выборок, математическое моделирование, дисперсионный, корреляционный и другие методы анализа. В конце приведены примеры из практики и алгоритмы работы в статистических пакетах.
Чего нет в книге — это формул и математических выкладок. Автор намеренно опустил всю теорию, чтобы больше читателей смогли понять материал. Поэтому хардкорным дата-аналитикам лучше поискать курс по статистике и теории вероятности, обращаясь к «Котикам» как к удобному конспекту.
🔗 Книга продается везде, например на OZON.
На днях на том же OZON увидел, что Владимир выпустил новую книгу «Бизнес, статистика и котики». Там он не только объясняет статистические методы, но и показывает, где и как применять их на примерах на языке R. Если вы читали первую книгу, то вот еще одна на выходные.
#книга
📚 Статистика и котики
Автор: Владимир Савельев
Книга сильно выделяется на фоне любых работ по статистике. Автор пишет просто, честно и весело. Короткие, но содержательные абзацы перемежаются схемами с котиками — все как мы любим, еще и на 153 страницах. Это, как сладкий сироп в составе лекарства, облегчает погружение в суровые основы анализа данных: меры центральной тенденции и изменчивости, визуализацию данных, меры различий для несвязанных и связанных выборок, математическое моделирование, дисперсионный, корреляционный и другие методы анализа. В конце приведены примеры из практики и алгоритмы работы в статистических пакетах.
Чего нет в книге — это формул и математических выкладок. Автор намеренно опустил всю теорию, чтобы больше читателей смогли понять материал. Поэтому хардкорным дата-аналитикам лучше поискать курс по статистике и теории вероятности, обращаясь к «Котикам» как к удобному конспекту.
🔗 Книга продается везде, например на OZON.
На днях на том же OZON увидел, что Владимир выпустил новую книгу «Бизнес, статистика и котики». Там он не только объясняет статистические методы, но и показывает, где и как применять их на примерах на языке R. Если вы читали первую книгу, то вот еще одна на выходные.
#книга
Этот шаг спасет твою аналитику (и карьеру)
Классический кейс. К аналитику прибегает продакт с горящими глазами: «Срочно нужно посчитать метрики, отчет нужен вчера, босс ждет!». Аналитик лезет в сырые данные, быстро собирает дашборд… и всё. Ни тебе проверки распределений, ни поиска выбросов, ни визуализации. Продакт на следующий день презентует эти цифры как истину в последней инстанции. А потом на них строятся бизнесовые решения…
Так делать нельзя. Никогда.
Исследовательский анализ данных (EDA — Exploratory Data Analysis) — это первый и обязательный шаг перед тем, как ты начнёшь считать метрики, строить модели или делать выводы. Он помогает понять, с чем ты на самом деле работаешь, выявить ошибки и аномалии, а самое главное, не попасть в ловушку красивых, но ложных цифр.
Особенно критично это в машинном обучении. Когда ты обучаешь модель на плохих данных, хороший результат невозможен в принципе. В этом смысле работает железное правило: garbage in — garbage out.
Что входит в EDA?
✔️ Осмотр данных. Сколько строк? Какие типы колонок? Что выглядит странно? Уже на этом этапе можно поймать очевидные ошибки. Используй
✔️ Пропуски и дубликаты. Пропуски не всегда нужно удалять — иногда лучше заполнить их медианой, модой или предсказанными значениями. А дубликаты — это не только точные копии строк. Часто бывают неявные: например, у одного пользователя два одинаковых заказа с разными ID.
✔️ Очистка и предобработка. Проверка категориальных значений, работа с форматами, единообразие записи. Например, если у тебя в колонке есть и «Санкт-Петербург» и «СПБ» и «Питер», то без нормализации это три разных значения. А если даты хранятся как строки — ты не сможешь нормально их анализировать.
✔️ Выбросы и аномалии. Просто посчитать среднее недостаточно. Построй распределение, используй boxplot. Эти графики мгновенно покажут, где данные выбиваются за границы нормы. И не забывай: один выброс может испортить тебе весь анализ.
✔️ Визуализация. Даже простой scatter plot может рассказать тебе гораздо больше, чем набор агрегатов. Иногда взаимосвязь между переменными становится очевидной только когда ты её увидишь, а не посчитаешь.
EDA — это не про «поковыряться в данных». Это про понять, что ты анализируешь, и быть уверенным в своих выводах. Это защита от ошибок, которые ты даже не успел заметить.
В следующих постах я постепенно разберу каждый из этапов подробнее. А также поделюсь универсальным ноутбуком для проведения EDA. Так что добавляй в закладки 😉
#eda
Классический кейс. К аналитику прибегает продакт с горящими глазами: «Срочно нужно посчитать метрики, отчет нужен вчера, босс ждет!». Аналитик лезет в сырые данные, быстро собирает дашборд… и всё. Ни тебе проверки распределений, ни поиска выбросов, ни визуализации. Продакт на следующий день презентует эти цифры как истину в последней инстанции. А потом на них строятся бизнесовые решения…
Так делать нельзя. Никогда.
Исследовательский анализ данных (EDA — Exploratory Data Analysis) — это первый и обязательный шаг перед тем, как ты начнёшь считать метрики, строить модели или делать выводы. Он помогает понять, с чем ты на самом деле работаешь, выявить ошибки и аномалии, а самое главное, не попасть в ловушку красивых, но ложных цифр.
Особенно критично это в машинном обучении. Когда ты обучаешь модель на плохих данных, хороший результат невозможен в принципе. В этом смысле работает железное правило: garbage in — garbage out.
Что входит в EDA?
✔️ Осмотр данных. Сколько строк? Какие типы колонок? Что выглядит странно? Уже на этом этапе можно поймать очевидные ошибки. Используй
.info(), .describe(), загляни в начало и конец таблицы, проверь типы.✔️ Пропуски и дубликаты. Пропуски не всегда нужно удалять — иногда лучше заполнить их медианой, модой или предсказанными значениями. А дубликаты — это не только точные копии строк. Часто бывают неявные: например, у одного пользователя два одинаковых заказа с разными ID.
✔️ Очистка и предобработка. Проверка категориальных значений, работа с форматами, единообразие записи. Например, если у тебя в колонке есть и «Санкт-Петербург» и «СПБ» и «Питер», то без нормализации это три разных значения. А если даты хранятся как строки — ты не сможешь нормально их анализировать.
✔️ Выбросы и аномалии. Просто посчитать среднее недостаточно. Построй распределение, используй boxplot. Эти графики мгновенно покажут, где данные выбиваются за границы нормы. И не забывай: один выброс может испортить тебе весь анализ.
✔️ Визуализация. Даже простой scatter plot может рассказать тебе гораздо больше, чем набор агрегатов. Иногда взаимосвязь между переменными становится очевидной только когда ты её увидишь, а не посчитаешь.
EDA — это не про «поковыряться в данных». Это про понять, что ты анализируешь, и быть уверенным в своих выводах. Это защита от ошибок, которые ты даже не успел заметить.
В следующих постах я постепенно разберу каждый из этапов подробнее. А также поделюсь универсальным ноутбуком для проведения EDA. Так что добавляй в закладки 😉
#eda
Недавно услышал здравую мысль: вместо того, чтобы листать рилсы, лучше читать книгу. Хоть идея и простая, следовать ей непросто. У меня получается через раз, но за эти разы я прочитал крутые книги. Из них я выбрал варианты на праздники для тех, кто тоже решит менять привычки.
Буду рад, если порекомендуете ваши книги-фавориты в комментах 😊
📚 Джедайские техники. Как воспитать свою обезьяну / Максим Дорофеев
Это книга даст направление, куда бежать, когда мы выгорели и потеряли мотивацию. Максим не изобретает техники управления задачами, а скорее собирает исследования о продуктивности и работе мозга воедино. Он объясняет, почему мы откладываем дела и куда девается энергия. Автор не насаждает методики, а предлагает экспериментировать с ними и адаптировать под себя.
Максим знает все о прокрастинации в IT. Он погружен в разработку ПО уже 15 лет и с 2013 года ведет тренинги о продуктивности.
🔗 Книга есть на Ozon.
📚 Ясно, понятно. Как доносить мысли и убеждать людей с помощью слов / Максим Ильяхов
Помните оранжевый томик «Пиши, сокращай» в книжных? Так вот это продолжение. Оно не про текст и правильные слова, а про коммуникацию и донесение мыслей. После прочтения ты понимаешь, как работает пропаганда и масс-медиа, почему все заснули во время твоей презентации и как объяснить, наконец, бабушке, кем ты работаешь.
Максим Ильяхов — редактор и преподаватель редактуры. Он умеет увлечь читателя, даже самого далекого от текстов.
🔗 Книга на Литрес.
📚 Вдохновленные. Все, что нужно знать продакт-менеджеру / Марти Каган
Автор, эксперт в мире продуктового менеджмента, создал практическое руководство по созданию успешных продуктов. Его главный посыл в том, что команды должны сфокусироваться на потребностях пользователей. Лучшие продукты рождаются не из «идей сверху», а из постоянных экспериментов и тесной связи с пользователем.
После прочтения я стал постоянно спрашивать себя: «А эта фича точно нужна людям?» Такой вопрос помогает чистить бэклог от неактуальных идей.
🔗 Книга на Литрес.
#книга
Буду рад, если порекомендуете ваши книги-фавориты в комментах 😊
📚 Джедайские техники. Как воспитать свою обезьяну / Максим Дорофеев
Это книга даст направление, куда бежать, когда мы выгорели и потеряли мотивацию. Максим не изобретает техники управления задачами, а скорее собирает исследования о продуктивности и работе мозга воедино. Он объясняет, почему мы откладываем дела и куда девается энергия. Автор не насаждает методики, а предлагает экспериментировать с ними и адаптировать под себя.
Максим знает все о прокрастинации в IT. Он погружен в разработку ПО уже 15 лет и с 2013 года ведет тренинги о продуктивности.
🔗 Книга есть на Ozon.
📚 Ясно, понятно. Как доносить мысли и убеждать людей с помощью слов / Максим Ильяхов
Помните оранжевый томик «Пиши, сокращай» в книжных? Так вот это продолжение. Оно не про текст и правильные слова, а про коммуникацию и донесение мыслей. После прочтения ты понимаешь, как работает пропаганда и масс-медиа, почему все заснули во время твоей презентации и как объяснить, наконец, бабушке, кем ты работаешь.
Максим Ильяхов — редактор и преподаватель редактуры. Он умеет увлечь читателя, даже самого далекого от текстов.
🔗 Книга на Литрес.
📚 Вдохновленные. Все, что нужно знать продакт-менеджеру / Марти Каган
Автор, эксперт в мире продуктового менеджмента, создал практическое руководство по созданию успешных продуктов. Его главный посыл в том, что команды должны сфокусироваться на потребностях пользователей. Лучшие продукты рождаются не из «идей сверху», а из постоянных экспериментов и тесной связи с пользователем.
После прочтения я стал постоянно спрашивать себя: «А эта фича точно нужна людям?» Такой вопрос помогает чистить бэклог от неактуальных идей.
🔗 Книга на Литрес.
#книга
Итак, подъехали итоги апрельских статей.
Открывает список материал от Егора Стремоусова, тимлида продуктовых дизайнеров в Т-Банке. Он рассказал об управлении проектами и оптимизации времени выполнения задач. Пусть тематика дизайна вас не смущает. Статья в первую очередь освещает организацию работы по методу Канбан и важнейшие метрики процесса. Ключевая из них — Lead Time. Это время выполнения задачи от точки принятия обязательств до их исполнения. Материал будет полезен любому тимлиду, у которого в управлении есть хотя бы 2 человека.
Во второй статье мы углубимся в А/Б-тестирование. Аналитики данных из Х5 Tech сравнили байесовский и частотный подходы и проверили миф о том, что байесовский подход лучше. Спойлер — не лучше. Например, ранняя остановка теста приводит к одинаковым результатам и в байесовском, и в частотном подходах. Для аргументации ребята предоставили графики и вычисления на Python. Материал сложный, но чем чаще пытаешься разобраться в таких темах, тем легче. Проверено.
Последняя статья-эссе о LLM. Нa Medium, кажется, только ленивый не написал про ИИ. Но пост от Dave Feldman об ИИ для продактов меня тронул. Дело в том, что я активный пользователь ИИ-чатов. Поэтому у меня сложилось обманчивое ощущение, что все давно делают так же. Но нет. Оказалось, что многие мои знакомые открывают чаты крайне редко, а кто-то и вовсе яро отвергает их. Так что я решил поделиться мнением, которое близко мне. ИИ-чаты — изобретение революционное и крайне дружелюбное для новичков. Оно помогает оптимизировать большое количество рутины и быстрее погружаться в сложные области. В статье автор, будучи продактом, простым языком объясняет их устройство, применение и недостатки. По ходу прочтения зверь становится понятным и от этого нестрашным. Так или иначе, никто не может принудить вас использовать ИИ-чаты. Я только предлагаю дать им шанс послужить вам во благо.
Ребят, я ухожу в отпуск до середины мая. Удачных праздников и поменьше стресса!
#дайджест
Открывает список материал от Егора Стремоусова, тимлида продуктовых дизайнеров в Т-Банке. Он рассказал об управлении проектами и оптимизации времени выполнения задач. Пусть тематика дизайна вас не смущает. Статья в первую очередь освещает организацию работы по методу Канбан и важнейшие метрики процесса. Ключевая из них — Lead Time. Это время выполнения задачи от точки принятия обязательств до их исполнения. Материал будет полезен любому тимлиду, у которого в управлении есть хотя бы 2 человека.
Во второй статье мы углубимся в А/Б-тестирование. Аналитики данных из Х5 Tech сравнили байесовский и частотный подходы и проверили миф о том, что байесовский подход лучше. Спойлер — не лучше. Например, ранняя остановка теста приводит к одинаковым результатам и в байесовском, и в частотном подходах. Для аргументации ребята предоставили графики и вычисления на Python. Материал сложный, но чем чаще пытаешься разобраться в таких темах, тем легче. Проверено.
Последняя статья-эссе о LLM. Нa Medium, кажется, только ленивый не написал про ИИ. Но пост от Dave Feldman об ИИ для продактов меня тронул. Дело в том, что я активный пользователь ИИ-чатов. Поэтому у меня сложилось обманчивое ощущение, что все давно делают так же. Но нет. Оказалось, что многие мои знакомые открывают чаты крайне редко, а кто-то и вовсе яро отвергает их. Так что я решил поделиться мнением, которое близко мне. ИИ-чаты — изобретение революционное и крайне дружелюбное для новичков. Оно помогает оптимизировать большое количество рутины и быстрее погружаться в сложные области. В статье автор, будучи продактом, простым языком объясняет их устройство, применение и недостатки. По ходу прочтения зверь становится понятным и от этого нестрашным. Так или иначе, никто не может принудить вас использовать ИИ-чаты. Я только предлагаю дать им шанс послужить вам во благо.
Ребят, я ухожу в отпуск до середины мая. Удачных праздников и поменьше стресса!
#дайджест
Как выжить после отпуска?
Ты выходишь на работу после отпуска — а там полный 🤬
Чаты горят, почта завалена, задач столько, как будто всё это время офис ждал именно тебя.
От всего тошнит, руки не слушаются, мозг кричит: «БЕГИ ОТСЮДА!».
Но ты не бежишь. Потому что ипотека. Потому что семья. Потому что кот, который жрёт дорогой корм.
Потому что тебе уже не 22, а мечты вроде бы есть, но реализация где-то там, на горизонте.
Короче, грустный реализм. Надо собраться и делать.
Но как быть, чтобы не снесло крышу?
✔️ Не геройствуй
Ты не обязан в первый же день после отпуска спасать бизнес.
Возьми простую, небольшую задачу и сделай её. Потом ещё одну. Тогда может быть, появится ощущение контроля.
Не надо бросаться в огонь сразу. Это не кино.
✔️ Признай, что тебе тяжело
И это нормально. Твоя психика только что жила в режиме «лежу, пью чай, смотрю закаты».
А теперь: open space, встречи, задачи, срочность, движ. Это стресс.
Просто перетерпи. Через пару дней станет легче.
✔️ Не перерабатывай
Работа допоздна — не подвиг, а короткий путь к выгоранию.
Если ты не успел за 8 часов — вряд ли успеешь за 9 или 10.
Значит, где-то перегруз: процессы не работают, задач много, встреч ещё больше.
В этом нет твоей вины, но есть место для рефлексии.
✔️ Помни, на что уходит твой ресурс
Работа не управляет твоей жизнью. Это ты выбираешь, куда отдаёшь своё внимание.
В первую очередь — позаботься о себе, а уже потом о входящих задачах.
Как вы уже поняли — я вернулся из отпуска 😅
Разгребаю завалы, снова пишу и включаюсь в рабочий ритм. Постепенно, без перегибов.
А у вас как обычно проходят первые дни после отпуска или длинных выходных?
Какие приёмы помогают прийти в себя?
#мысли
Ты выходишь на работу после отпуска — а там полный 🤬
Чаты горят, почта завалена, задач столько, как будто всё это время офис ждал именно тебя.
От всего тошнит, руки не слушаются, мозг кричит: «БЕГИ ОТСЮДА!».
Но ты не бежишь. Потому что ипотека. Потому что семья. Потому что кот, который жрёт дорогой корм.
Потому что тебе уже не 22, а мечты вроде бы есть, но реализация где-то там, на горизонте.
Короче, грустный реализм. Надо собраться и делать.
Но как быть, чтобы не снесло крышу?
✔️ Не геройствуй
Ты не обязан в первый же день после отпуска спасать бизнес.
Возьми простую, небольшую задачу и сделай её. Потом ещё одну. Тогда может быть, появится ощущение контроля.
Не надо бросаться в огонь сразу. Это не кино.
✔️ Признай, что тебе тяжело
И это нормально. Твоя психика только что жила в режиме «лежу, пью чай, смотрю закаты».
А теперь: open space, встречи, задачи, срочность, движ. Это стресс.
Просто перетерпи. Через пару дней станет легче.
✔️ Не перерабатывай
Работа допоздна — не подвиг, а короткий путь к выгоранию.
Если ты не успел за 8 часов — вряд ли успеешь за 9 или 10.
Значит, где-то перегруз: процессы не работают, задач много, встреч ещё больше.
В этом нет твоей вины, но есть место для рефлексии.
✔️ Помни, на что уходит твой ресурс
Работа не управляет твоей жизнью. Это ты выбираешь, куда отдаёшь своё внимание.
В первую очередь — позаботься о себе, а уже потом о входящих задачах.
Как вы уже поняли — я вернулся из отпуска 😅
Разгребаю завалы, снова пишу и включаюсь в рабочий ритм. Постепенно, без перегибов.
А у вас как обычно проходят первые дни после отпуска или длинных выходных?
Какие приёмы помогают прийти в себя?
#мысли
Продолжаем препарировать пирамиду метрик. В прошлый раз речь шла про слой маржинальности — в том числе про PnL-метрики, на которые обычно смотрят самые серьёзные ребята в компании: инвесторы, фаундеры, CEO и CFO. Но слой маржинальности на этом не заканчивается — рядом с PnL живут метрики юнит-экономики, и сегодня о них.
Юнит-экономика помогает понять, насколько жизнеспособна ваша бизнес-модель на уровне одного юнита — клиента, заказа или товара. Это система координат, по которой вы сверяете, можно ли масштабировать бизнес и не утонуть в расходах.
Вот ключевые метрики:
▪️ ARPU (Average Revenue Per User) — средняя выручка с одного пользователя. Считается по всей базе, включая тех, кто ни разу не заплатил. Полезно для оценки общей монетизации.
▪️ARPPU (Average Revenue Per Paying User) — средняя выручка с тех, кто реально платит. Позволяет понять, сколько зарабатываете на тех, кто уже сконвертировался.
▪️CAC (Customer Acquisition Cost) — стоимость привлечения одного нового клиента. Включает маркетинг, рекламу и другие расходы на привлечение.
▪️LTV (Lifetime Value) — суммарная прибыль, которую вы ожидаете получить от одного клиента за всё время его жизни с продуктом.
▪️LTV / CAC Ratio — ключевой показатель окупаемости модели.
Если LTV/CAC < 1, можно выключать рекламу — вы сжигаете деньги.
Если = 1, вы просто окупаете маркетинг, но не покрываете зарплаты, ПО, офис и прочие расходы — то есть работаете в минус.
Только при LTV/CAC > 3 можно говорить, что модель работает устойчиво.
При этом важно понимать: LTV может быть ниже CAC, если вы, например, намеренно завоёвываете рынок, растёте в убыток под инвестиции или у вас такая стратегия. Главное — чтобы это было осознанно, а не «так получилось».
Юнит-экономика важна не только стартапам, как многие думают. Она критична для любых бизнесов, где есть клиенты и платный маркетинг. Потому что именно на этом уровне становится понятно, не слишком ли дорого вам обходится каждый следующий пользователь, и будет ли масштаб приносить прибыль или убытки.
Так что, если PnL — это общий снимок по компании, то юнит-экономика — это тот самый фундамент, на котором всё держится.
#разбор_метрик #метрики
Юнит-экономика помогает понять, насколько жизнеспособна ваша бизнес-модель на уровне одного юнита — клиента, заказа или товара. Это система координат, по которой вы сверяете, можно ли масштабировать бизнес и не утонуть в расходах.
Вот ключевые метрики:
▪️ ARPU (Average Revenue Per User) — средняя выручка с одного пользователя. Считается по всей базе, включая тех, кто ни разу не заплатил. Полезно для оценки общей монетизации.
▪️ARPPU (Average Revenue Per Paying User) — средняя выручка с тех, кто реально платит. Позволяет понять, сколько зарабатываете на тех, кто уже сконвертировался.
▪️CAC (Customer Acquisition Cost) — стоимость привлечения одного нового клиента. Включает маркетинг, рекламу и другие расходы на привлечение.
▪️LTV (Lifetime Value) — суммарная прибыль, которую вы ожидаете получить от одного клиента за всё время его жизни с продуктом.
▪️LTV / CAC Ratio — ключевой показатель окупаемости модели.
Если LTV/CAC < 1, можно выключать рекламу — вы сжигаете деньги.
Если = 1, вы просто окупаете маркетинг, но не покрываете зарплаты, ПО, офис и прочие расходы — то есть работаете в минус.
Только при LTV/CAC > 3 можно говорить, что модель работает устойчиво.
При этом важно понимать: LTV может быть ниже CAC, если вы, например, намеренно завоёвываете рынок, растёте в убыток под инвестиции или у вас такая стратегия. Главное — чтобы это было осознанно, а не «так получилось».
Юнит-экономика важна не только стартапам, как многие думают. Она критична для любых бизнесов, где есть клиенты и платный маркетинг. Потому что именно на этом уровне становится понятно, не слишком ли дорого вам обходится каждый следующий пользователь, и будет ли масштаб приносить прибыль или убытки.
Так что, если PnL — это общий снимок по компании, то юнит-экономика — это тот самый фундамент, на котором всё держится.
#разбор_метрик #метрики