UI/UX — это вроде про интерфейсы. UX-исследования синонимичны маркетинговыми. UX копирайтеры разбираются с болями и ценностями аудитории для написания «буковок». UX-стратегия — что то из разряда продуктового менеджмента. А UX-маркетинг — это вообще что? Вся это новомодная терминология идет под эгидой, довольно, абстрактного понятия «Пользовательский опыт», с чем и предлагаю разобраться в данной статье.
Аналитика мобильных приложений *
Анализ поведения пользователей
Внедрение процесса тестирования Google Tag Manager: увлекательная история Даши-путешественницы
Март принес с собой проблему: у некоторых клиентов начали подвисать страницы, на которых монолитный js был разделен на чанки. На таких страницах в основном бандле содержится минимум для отрисовки первого экрана, а остальные чанки мы загружаем отложено. Однако из-за неправильной приоритизации скриптов пользователи лишились некоторых функций нашего сайта. Поток жалоб множился, саппорт разрывался, маркетинг страдал больше обычного.
А сейчас немного остановимся и познакомимся: меня зовут Даша, я инженер по тестированию на платформе web в Иви. И я расскажу вам, как мы внедряли тестирование GTM в пайплайн разработки команды.
Фреймворк для дизайна A/B-теста
Сегодня мы рассмотрим простой базовый фреймворк для дизайна сплит-теста, который можно удобно использовать продуктовым аналитикам в своей работе. Разберем использование этого фреймворка, его теоретическую и математическую основу, и также поговорим о продуктовых аспектах заведения A/B-тестов — когда продакту и аналитику заводить A/B-тест не нужно. Вам понадобятся: представления о продуктовых метриках, знания python, первичные представления о математической статистике и чуточку воображения.
Краткое руководство по анализу данных и проведению продуктовых исследований
Привет. Я занимаюсь продуктовой аналитикой уже довольно давно, и так получилось, что чаще всего в работе мне прилетают именно продуктовые рисёрчи. Иногда нужно разобраться с какой-то фичей, которую никто никогда не изучал, иногда это моделирование перед какими-то изменениями, иногда просто раскопка какой-то проблемы.
По мере моего развития, я экспериментировал с разными подходами к таким задачам, пытался выработать удобный фреймворк, учась на предыдущих ошибках. Читал книги по теме и внедрял интересные идеи из опыта авторов.
Тут я хочу поделиться порядком действий, если хочешь — чек-листом, как я провожу аналитические исследования.
Получилось объёмно, и много где идеи очень простые. Но, как это обычно бывает, на некоторые этапы просто нет времени или желания, а в итоге может пострадать вся суть работы. Наливай чай, бери попкорн — приятного чтения.
Истории
Как рендерить R Markdown в PDF на кириллице
Так получилось, что за всё время, что я использую в работе R, мне не доводилось рендерить markdown-файлы в формат PDF. Иногда я хранил наработки просто в фалах .R, а исследования оформлял в Google Docs, накидывая туда скринов из viewer-а. Иногда это был рендер в .html, с интерактивной графикой, или проекты Shiny в облаке Posit. Да мало ли вариантов.
Но в связи с некоторыми изменениями в форматах хранения аналитических артефактов, судьба привела меня к PDF.
“Дело-то не хитрое, просто меняем формат вывода в markdown” — подумал я. Однако всё оказалось не так просто: и тексты и ggplot не видят кириллицу, движок xelatex не находит кастомные шрифты, LaTeX вообще всё бесит.
Каждая проблема отдельно худо-бедно гуглится или решается через chatGPT, но намного больше информации как посадить markdown-PDF на китайский, чем на кириллицу.
Рассмотрим на примере классического markdown, а в конце реализация для Quarto.
АБ тесты и подводные камни при их автоматизации
Задача оценки нововведений в онлайн и мобильных приложениях возникает повсеместно. Один из наиболее надёжных и популярных способов решения этой задачи - двойной слепой рандомизированный эксперимент, также известный как АБ-тест.
На тему АБ-тестирования доступны как статьи на Хабре, так и целые книги (неполный список литературы в конце). В основе АБ-теста лежит следующая идея - случайно разделить пользователей на две или более группы, в одной из которых исследуемая функциональность выключена, а в других - включена. Затем можно сравнить метрики и сделать выводы.
LSTM и GRU
Рекуррентные нейронные сети уникальны тем, что способны обрабатывать последовательности данных, будь то тексты, временные ряды или даже музыка. В отличие от их бро — сверточных нейронных сетей, которые идеально подходят для обработки изображений, RNN обладают способностью «помнить» предыдущую информацию и использовать ее для обработки текущих данных. Это делает их идеальными для задач, где контекст важен, например, при генерации текста или прогнозировании временных рядов.
Но не все так радужно, как может показаться на первый взгляд. Основной головной болью при работе с RNN являются проблемы затухания и взрыва градиента. Эти явления возникают в процессе обучения сети, когда веса модели корректируются с помощью обратного распространения ошибки. Затухание градиента происходит, когда веса корректируются настолько слабо, что обучение становится неэффективным. С другой стороны, взрыв градиента происходит, когда эти корректировки слишком велики, что также ведет к нестабильности обучения. Обе эти проблемы могут серьезно затруднить обучение RNN.
Временные ряды в R
Привет, Хабр!
Сегодня мы поговорим о временных рядах, и как мы можем работать с ними, используя ЯП R. Временные ряды позволяют понять динамику процессов, изменяющихся со временем, и предсказывать тенденции.
Разметить всё: как мы настроили систему логирования в приложении каршеринга
Сразу признаюсь: на старте у нас было всего 10 событий, которые мы могли отслеживать. И показывали они нам то, что мы и так знали.
Расскажу, как мы разогнались до 700 уникальных событий и выстроили систему разметки, которая стала фундаментом аналитики в нашем каршеринге; а ещё покажу все аспекты жизненного цикла события: от идеи и технической реализации до попадания в отчёт и получения инсайтов.
RFM-сегментация в оптимизации CRM-стратегий
Сегодня мы продолжим погружение в тему оптимизации CRM маркетинга при рассылке промо-предложений и рассмотрим опыт применения RFM-сегментации для решения этой задачи в рамках сервиса доставки еды и продуктов питания Delivery Club, ныне присоединившегося к группе компаний крупного e-com сервиса.
Расчет АБ T-тестом
Продолжаем нырять в тему АБ и разбираться как считают тесты в большинстве продуктовых команд, где нет отдельного АБ-департамента.
Если ты еще не видел, то глянь вот здесь про дизайн тестов, как принять гипотезу от менеджера и привести ее в формат документации.
Примеры будут на R, но если ты питонист, можешь найти эти темы у меня в ТГ, там версия для Python тоже присутствует.
А теперь про сам тест.
Дизайн АБ тестов
Поговорим про документацию АБ-тестов.
Я работал в разных компаниях продакт аналитиком, все они, естественно, проводят много экспериментов. У каждой команды свои методы и любимые критерии, но сейчас не об этом. Их все объединяла одна особенность -- нелюбовь к документированию дизайна теста.
В первый раз, когда я с этим столкнулся, я накидал базовый шаблон, по которому можно было бы понять, спустя время, а что вообще хотели сделать и что получилось. Со временем этот шаблон дополнялся и расширялся, потом сокращался и так кругами. Сейчас он в том формате, который я здесь покажу. На мой взгляд, оптимальный набор документируемых сведений.
Будет полезно как новичкам в тестированиях, так и командам, у кого документация тестов в приоритетах где-то рядом с деплоем в пятницу вечером. Приятного прочтения!
Как разработка приложения о воде «вылилась» в бизнес-концепцию
Этот невыдуманный рассказ о разработке моей командой на заказ необычного водного трекера (приложение ЗОЖ-тематики), который впоследствии стал своего рода пинком для проекта помасштабнее. Я расскажу о различных нюансах разработки, а также о том, до чего эволюционировала в итоге сама концепция. Быть может, начинающие IT-предприниматели или команды, которым интересен опыт своих коллег почерпнут из этой личной истории что-то для себя.
Приветствую! Меня зовут Громова Алена и я основатель компании мобильной разработки, существующей на рынке с 2018 года. До получения от компании-партнера заказа на водный трекер мы уже успели поработать в различных отраслях разработки. Уже были тогда в нашем портфолио маркетплейс, приложение для охраны больших периметров, блогерское приложение под многомиллионную аудиторию, но нигде еще не попадались столь нестандартные креативные задачи. Я расскажу об этом опыте (и не только об этом).
Ближайшие события
Что такое метрика ага-момента и как ее найти
Всем привет! Меня зовут Сережа Казарян из команды CX-аналитики AI-центра Тинькофф. Мы используем ML-инструменты, чтобы кластеризовывать обращения клиентов, анализировать нотификации и ошибки, с которыми сталкиваются пользователи. Мы переводим их в понятные actionable-инсайты для бизнеса. Каждый день работаем над тем, чтобы клиенту стало приятнее и лучше.
Но как же измерить, что клиенту стало лучше? Один из очевидных ответов — замерить retention клиента. Но есть нюанс: созревание этой метрики может достигать нескольких месяцев или даже лет. Менее очевидный вариант — замерять лояльность клиента. Но определить, кто такой лояльный клиент, и научиться различать степень его лояльности — отдельная наука, которая может занять много времени и требовать итеративной поддержки.
Помогает концепция ага-момента. В интернете мало статей на эту тему, а еще меньше — с графиками и подсказками по практической реализации. Поэтому поделюсь своим пониманием этой концепции и расскажу, как мы находили метрику ага-момента в Тинькофф. Это был командный проект, и спасибо моим классным коллегам, что у нас все получилось. Ну а теперь — поехали!
Деревья ltree в PostgreSQL – простым языком
Привет, Habr! Меня зовут Оля Плюта, я продуктовый аналитик маркетплейса Uzum Market. В этой статье я расскажу об иерархических деревьях ltree в PostgreSQL. Статья вводная, поэтому я постаралась сделать её максимально понятной и наглядной.
О чем пишут программисты, когда хотят найти заказчиков
Собрали готовый чек-лист для разработчиков и веб-студий. Проанализировали лучшие статьи за год по разработке приложений на habr и vc.ru. А потом собрали вопросы, по которым эти статьи написаны.
Как правильно смотреть и использовать конкурентов на пользу продукту: 5 неочевидных практик
Анализ конкурентов — это когда мы оглядываемся вокруг и смотрим, с кем мы делим рынок, чем они на нас похожи, что делают. Мы ищем удачные решения у конкурентов, подрезаем рабочие практики, анализируем успехи и ошибки.
К концу статьи вы узнаете:
1. Почему копировать — не лучшая затея;
2. Что делать, если конкурентов нет;
3. На что смотреть в чужих продуктах;
4. Зачем рассказывать пользователям о сильном конкуренте;
5. Как не стать унылой копией конкурентов.
One week offer для системных аналитиков и аналитиков данных — с 7 по 10 ноября
Привет! Мы тут решили запустить очередной One Week Offer, на этот раз — для системных аналитиков и аналитиков данных, с 7 по 10 ноября. Если вам интересно — до 3 ноября зарегистрируйтесь на лендинге, и с вами свяжутся.
Почему нам нужны системные аналитики
Сейчас в SM Lab работает более 2000 человек, которые с нуля написали и запустили более 320 сервисов и систем. Аналитиков у нас сейчас — порядка 200 человек. Так что, как вы понимаете, работы для желающих ещё много, скучно не будет.
Работать можно как из офисов (пока можем предложить Москву, Санкт-Петербург, Краснодар, Липецк, Новосибирск, Екатеринбург и Воронеж), так и из дома, если вам больше по душе удалёнка, или же вашего города нет в списке.
Сложные клиенты в ИТ: через тернии к профиту
Сложные заказчики и клиенты — это всегда “геморрой”, много нервов и проблем на всех стадиях проекта. Коммуникационный аспект в нашей работе всегда занимает существенное место. Отчасти, это из-за специфики, мы чаще создаем приложения для спорта и нередко сталкиваемся с непростой коммуникацией, как на этапе обсуждения проектов, так и в процессе реализации. Когда приходишь на этот рынок — начинаешь бороться за заказы, т.к. они часто “жирные” в финансовом плане, клиентами разбрасываться не приходится, особенно в начале пути. Это пост — попытка классифицировать тяжелых заказчиков и обобщить наш опыт работы с ними. Рассказать, что стоит делать в ситуациях, когда отказываться от сотрудничества не хочется, но коммуникация оставляет желать лучшего, и как не попасть в сложную ситуацию с конкретными типами сложных клиентов.
Как приоритизировать фичи с помощью Unit-экономики?
Как понять, будет ли прибыльным продукт, который ты хочешь запустить? Стоит ли вообще брать фичу в разработку? Как заранее предсказать эффект от неё? Такие вопросы часто встают перед менеджерами продукта и продуктовыми аналитиками. А особенно остро они звучат, когда вы разрабатываете фичу с нуля и у вас крайне мало данных, на которые можно опереться.
Привет! Меня зовут Андрей Максимов. Я руковожу группой продуктовых аналитиков в СберМаркете. Моя команда отвечает за опыт пользователей в офлайне и мы сталкиваемся с вопросами, заданными выше, если не каждый день, то уж каждую неделю точно.
Универсального ответа на них не существует, но я попробую дать наиболее исчерпывающий — тот, который основан на Unit-экономике. Именно такой подход мы выстроили внутри своей команды, им я и хочу поделиться в этой статье. Ещё дам удобный шаблон для расчёта экномики продукта и объясню, как им пользоваться.
Дисклеймер: цифры, которые я привожу ниже, конечно же, изменены (NDA никто не отменял), но на ход рассуждений это не повлияет.
Вклад авторов
Olga_Kovalieva 238.0Temych 203.0devtodev 156.6byyd 147.0SergeAx 135.0norver 132.0Nastya_Gladkova 131.0BIanF 107.0krokhmalyuk 104.0mary_arti 92.3