Если много стараетесь, но результата нет — вот что помогает мне: вместо того чтобы делать всё подряд, я ищу одну главную причину, что тормозит, и фокусируюсь только на ней. Это даёт максимальный эффект.

Вот 2 типичных случая, когда не получается сдвинуться с места:

1. Неясно, за что хвататься — и ничего не работает.

Пример — новички в аналитике, которые ищут работу, часто не понимают, на чём сфокусироваться. Мысли скачут: “Может, выучить ещё один инструмент? А вдруг дело в опыте?”. Паника только усиливает расфокус. Но стоит спокойно разобрать воронку — и оказывается, всё сыпется уже на этапе резюме. Откликов нет, потому что резюме общее и сырое. Когда текст становится чётким и показывает ценность для работодателя — начинаются отклики.

2. Фокус на том, что привычно, а не на том, что важно.

Пример — у многих начинающих предпринимателей с бэкграундом в разработке или аналитике не получается делать продажи. Причина банальна: на сайте нет трафика. Но вместо того чтобы заняться маркетингом и привлечь хотя бы первых 1000 человек, разработчики продолжают улучшать продукт, а аналитики — совершенствовать сбор данных. Продукт еще никто не видит, а данные не на что применять, поэтому пока не решишь вопрос с трафиком — всё остальное делать бессмысленно.

Прогресс начинается тогда, когда находишь и убираешь главное препятствие, а не делаешь всё подряд или то, что привычно.

Эту идею описал Элияху Голдратт в книге "Цель". Главный герой, Алекс, должен за 90 дней спасти завод, и наставник учит его искать главное ограничение — и устранять именно его. Хотя книга о производстве, принципы легко применимы в любой сфере.

Суть: в любой системе есть одно узкое место, которое сдерживает результат. Оно может быть внутренним (процессы, команда) или внешним (рынок, ресурсы). Пока это ограничение не убрано — остальные усилия почти бесполезны.

Недавно увидела, что результаты по проекту не те, которые планировала (а недавно я еще и увеличила планку), поэтому решила применить теорию на практике. Что сделала:

1. Выделила время на глубокий анализ данных из систем аналитики. Данные подсказывали: проблема — в продукте или его позиционировании. Но не всё можно понять только по цифрам.

2. Поэтому я подробно описала ситуацию ChatGPT — что происходит, мои сомнения и приложила данные. Попросила найти ограничение через призму Теории ограничений.

3. Сначала ChatGPT предложил несколько вариантов. После пары итераций с уточняющими вопросами я нашла главное ограничение.

4. Сейчас фокусируюсь на устранении этого ограничения. Когда решу — перейду к следующему ограничению (это, кстати, один из принципов Теории ограничений).

В чём отличие от обычной расстановки приоритетов?

Приоритеты часто ставят на ощущениях. Теория ограничений даёт чёткий фокус — куда бить, чтобы был максимальный эффект.

Конечно, идеализировать не стоит — у любой теории есть рамки. Теорию ограничений лучше применять, когда:
— Ресурсы ограничены — а так почти всегда: время, деньги, внимание.
— Нужен быстрый результат
— Система (бизнес, команда, проект) не даёт результатов, хотя вроде “всё делается”

Любая теория — не панацея, но помогает по-новому увидеть свою ситуацию.

8 инструментов аналитики, которые я реально использую каждый день как предприниматель

От автора телеграм канала Аналитика и Growth mindset. 

Я начинала как аналитик, сейчас — предприниматель. Но подход не изменился: принимаю решения только на основе данных, а не интуиции.

Вот основные инструменты, которые я использую практически каждый день:

1. Julius AI — ИИ-ассистент для анализа данных

Для аналитики данных, маркетинговой, финансовой аналитики, data science и научных исследований.

• Поддерживает разные форматы данных, в том числе PostgreSQL

• Использует разные языковые модели в работе

• В отличие от ChatGPT Data Analysis, даёт более точные ответы

Использую: для быстрой повседневной аналитики и визуализации.

Бесплатно, ограниченный доступ.

2. Google Analytics — классика веб-аналитики

Базовый, но мощный инструмент. 

Использую для анализа откуда приходит трафик, кто моя аудитория, как люди двигаются по воронке.

Бесплатно.

3. Ahrefs Web Analytics — альтернатива Google Analytics

Быстрая и простая веб-аналитика по сайту, особенно в live-режиме. Но возможностей меньше, чем в Google Analytics.

Использую для повседневного быстрого отслеживания, сверяю данные с GA.

Бесплатно.

4. Mida — эксперименты за 10 минут

Для запуска простых экспериментов без кода.

• Подключается быстро с помощью пикселя

• Интегрируется с GA, Amplitude, Mixpanel и др.

• Не тормозит сайт

• Есть сертификат ISO 27001 — подтверждает, что компания серьёзно относится к защите данных

Тестирую тексты, кнопки и структуру лендингов.

Бесплатно, ограниченный доступ.

5. Similarweb — анализ конкурентов

Анализирую трафик конкурентов на сайте: откуда трафик, какие каналы дают результаты, географию, демографию и др.

Бесплатно, ограниченный доступ. В платной версии — углублённый анализ трафика и исследования рынка. Подумываю купить.

6. Semrush — SEO и анализ конкурентов

В некоторых моментах пересекается с Similarweb.

Использую в основном для SEO-анализа. Хочу попробовать инструмент для анализа соцсетей конкурентов.

Бесплатно, ограниченный доступ.

7. PostgreSQL — база для всего

Надёжная, масштабируемая база данных.

Использую как основную БД: собираю и храню данные по проектам. Рекомендована для Django, который я использую в разработке.

Бесплатно.

8. Channel Analyzer — мой продукт для анализа Telegram-каналов

У меня несколько телеграм-каналов, вот 2 из них: канал для аналитиков данных и всех, кто интересуется аналитикой данных и канал по развитию телеграм каналов. 

Так как в начале я сталкивалась с различными проблемами в развитии телеграм-каналов, я решила создать инструмент, который поможет владельцам телеграм каналов "растить" их канал.

Channel Analyzer анализирует любой Telegram-канал и даёт полезные инсайты:

• как улучшить монетизацию

• где провисает контент

• как продвигать быстрее и эффективнее

Как я снова отравилась из-за океана — и при чём тут аналитика данных

1. Температура, тошнота, диарея — это происходит со мной каждый раз после серфинга в дождливый сезон, когда в море сливается всё, что угодно — от мусора до банальных 💩.

2. В северной части Тихого океана, на полпути между Гавайями и Калифорнией, вращается 100 000 тонн пластикового мусора. Добро пожаловать в Большое мусорное пятно — область, втрое больше Франции. Оно выглядит так же катастрофично, как и звучит: сверху напоминает гигантский пластиковый суп.

И это лишь 2 примера, подтверждающие: мусор в океане — это глобальный кризис, а не локальная история. Скоро мы вообще не зайдём в океан?

➡ Ежегодно в океаны, реки и озёра попадает 19–23 млн тонн пластика — как если бы каждую минуту в воду сбрасывали 2 000 мусоровозов.

➡ На поверхности океанов плавает около 170 трлн пластиковых частиц, а на дне может быть в 10 000 раз больше.

➡ Ежегодно из-за мусора в океане погибают 100 миллионов морских животных. Страдают и морские растения, которые участвуют в производстве 70% кислорода.

➡ В исследовании микропластик нашли в 99% морепродуктов. Это вызывает тревогу из-за возможного влияния на пищеварительную, эндокринную и другие системы организма.

Все ссылки на исследования опубликовала тут.

Чем помогает аналитика в этой проблеме?

В мире есть некоммерческие и частные организации, борющиеся с загрязнением. Например, The Ocean Cleanup очищает океаны от пластика с помощью инновационных технологий.

1. Определяют источники загрязнения, чтобы “поймать проблему на старте”

💡 80% пластика попадает в океан через ~1000 рек.

Чтобы найти эти «артерии загрязнения», анализируют спутниковые данные, гидрологические карты, поведение мусора в воде, данные о населении и инфраструктуре. Это позволяет не просто «ловить мусор в океане», а перехватывать его у истока — в реках.

2. Предсказывают, куда поплывёт мусор, чтобы точнее планировать очистку

— Камеры на мостах фиксируют мусор в реках
— GPS-буи и радары отслеживают его путь в океане
— ИИ-модели показывают, где и когда он соберётся в “мусорные вихри”

Это помогает запускать очистку точно там и тогда, где она даст максимальный эффект.

3. Визуализация, которая не оставляет равнодушным

Цифры — это важно, но именно визуализация заставляет почувствовать масштаб. Данные превращают в наглядные дашборды, которые:
— Показывают, где океан «захлёбывается» от пластика
— Делают проблему видимой и понятной
— Помогают влиять на решения политиков и доноров

Дашборды по загрязнению пластиком можно посмотреть тут.

4. Прогнозы на будущее и машинное обучение

Чтобы не просто тушить пожары, а предотвращать их, аналитики обучают модели, которые помогают заглянуть вперёд:
— Что будет с океаном, если мы продолжим жить «как обычно»?
— А что изменится, если сократим пластик хотя бы на 20%?
— Где появятся новые точки бедствия через 5 лет?

Такие организации нанимают аналитиков данных и стажёров — есть вакансии по визуализации, машинному обучению, компьютерному зрению, анализу временных рядов (ссылки на вакансии опубликовала тут).

Или можно стать гражданским учёным и внести свой вклад, документируя пластиковое загрязнение с помощью специальных приложений (Ocean Cleanup Survey App или Debris Tracker).

Где используется машинное обучение? Примеры использования машинного обучения - на картинке ниже.

Тут писала про бесплатные курсы, которые мне понравились и я рекомендую.

Как Duolingo добилась успеха на рынке и причем тут аналитика

Duolingo — одно из самых популярных приложений для изучения языков (№1 по скачиванию в магазинах приложений). Вместо скучных уроков оно напоминает игру: прогресс, уровни, награды, упражнения мини-игры и др.

По данным компании, около 34 млн. человек используют Duolingo каждый день.

Но что стоит за этим успехом?

Один из ключевых принципов компании — "Тестируй всё". Постоянные эксперименты помогают Duolingo улучшать процесс обучения и находить новые решения для роста.

В любой момент в Duolingo могут проводиться несколько сотен A/B тестов одновременно. Экспериментируют со всем: от мелких изменений интерфейса до запуска крупных функций, как Лидерборды. Для A/B тестирования компания разработала собственный сервис.

➡ Как выглядят эксперименты в Duolingo: статья.

➡ Пример A/B тестирования: формирование привычки учиться регулярно: статья.

➡ Какие аналитические инструменты использует компания для анализа данных: статья.

О других принципах успеха Duolingo и работе в этой компании писала тут.

Как Spotify добилась успеха на рынке и как аналитика помогает развитию?

Spotify — №1 среди музыкальных стриминговых сервисов по количеству ежемесячных активных пользователей (MAU). По данным компании, более 515 млн человек используют Spotify ежемесячно, а 210 млн — это подписчики на платные версии сервиса.

Пользователи могут слушать любимую музыку и подкасты по подписке или бесплатно с рекламой.

Что стоит за этим успехом?

Эксперименты. В Spotify регулярно проводят эксперименты с интерфейсом, рекомендациями и новыми функциями, чтобы улучшать сервис.
Все статьи про эксперименты

Дашборды. В 2023 году в Spotify создали более 4900 дашбордов в Tableau и Google’s Looker Studio. Чтобы было легче контролировать качество, был разработан Dashboard Quality Framework — чек-лист, который включает пункты, связанные с визуальным дизайном, удобством использования, инсайтами и доверием.
Статья и чек-лист дизайна дашборда

Дата платформа. В Spotify считают, что с ростом объема и сложности данных роль мощной платформы становится критичной для получения ценных инсайтов и стимулирования инноваций.
О платформе данных в Spotify - Часть 1
О платформе данных в Spotify - Часть 2

Машинное обучение. Spotify активно использует машинное обучение для улучшения пользовательского опыта и создания персонализированных музыкальных рекомендаций.
Все статьи Spotify про машинное обучение

Тут писала про 15 бесплатных подкастов по аналитике и не только на английском.

Roadmap, который я себе чертила, когда изучала Python для аналитики данных.

Простая схема использования Python для начинающего аналитика данных тут.

5 бесплатных сервисов для практики SQL и Python тут.

Бесплатные курсы по аналитике данных от Google: для начинающих и продвинутых

Google Data Analytics Professional Certificate for Beginners.

Этот курс обучает основам аналитики данных, включая очистку, анализ и визуализацию данных, с использованием инструментов, таких как таблицы, SQL и R.

Google Advanced Data Analytics Professional Certificate for Advanced Level.

Более продвинутый курс, который охватывает Python, статистику и машинное обучение для анализа и интерпретации данных.

Google Business Intelligence Professional Certificate for Advanced Level.

Этот курс посвящен бизнес-аналитике, моделированию данных, процессам ETL, дашбордам и отчетности.

Важно! Чтобы учиться бесплатно, вам нужно зайти в подкурсы и нажать "прослушать курс". На главной странице курса бесплатной опции нет. Подробнее, как это сделать - Инструкция тут.

13 горящих стажировок аналитиком данных

Продолжаю тему стажировок в помощь начинающим аналитикам данных.

Стажировка, на мой взгляд, отличный способ войти в аналитику данных, независимо от возраста. Поэтому используйте шанс и отправляйте резюме.

Подготовила для вас список актуальных возможностей от ведущих компаний, включая Тинькофф, Yandex, Samokat, Nestle, MTS, и другие.

• Стажировка Аналитиком в Т-Банке (Тинькофф), подача заявок до 16 сентября включительно

• Стажёр продуктовый аналитик в Samokat Tech

• Стажер-аналитик (маркетинг / монетизация, gamedev) (удаленная работа) в Matryoshka Game

Посты на Habr ограничены по количеству символов, поэтому полный список горящих стажировок ищите в моем телеграм-канале по аналитике данных.

268 эталонных метрик маркетинга и продаж

Сегодня хочу поделиться классным исследованием компании JetMetrics и ее основателя Дмитрия Некрасова, которые выделили 268 универсальных метрик маркетинга и продаж.

К этому посту приложен полный список, который предельно четко разделен на 7 основных разделов, поэтому ориентироваться в таком изобилии будет легко.

Однако JetMetrics пошли еще дальше и создали фреймворк под названием “карта метрик”, который позволяет сначала выделить стратегически важные для бизнеса показатели, проследить между ними взаимосвязи и только после этого создать финальный дашборд.

Как следствие, аналитик не тратит время напрасно, а дашборд становится actionable (=полезным для руководства). В идеале с первой попытки.

У карты метрик уже более 14 000 последователей на рынке США, среди которых ни много ни мало Bayer, New Balance, Heineken и Stripe. А вот в России она пока известна мало.

Файл с метриками можно забрать тут.

100 лучших стартапов в области аналитики, финансируемых Y Combinator

Y Combinator, один из самых известных и престижных стартап-акселераторов, обновил список стартапов в области аналитики.

Помимо известных компаний, таких как Amplitude и Mixpanel, в список вошли и новые стартапы.

Стартапы в области аналитики, профинансированные в 2024 году:

Zeit AI — трансформирует файлы Excel в базу данных, к которой можно делать запрос на естественном языке.

PandasAI — усиливает библиотеку Pandas с помощью ИИ. Позволяет легко выполнять сложные задачи анализа данных без глубоких знаний в программировании и машинном обучении.

Pretzel AI — замена Jupyter Notebook с открытым исходным кодом и встроенным ИИ.

DaLMatian — автономный аналитик данных с использованием ИИ, который сочетает преобразование текста в SQL, сегментацию, обнаружение аномалий и другие инструменты.

MinusX — ИИ специалист по данным для Jupiter Notebook, Расширение Chrome, которое управляет вашими аналитическими приложениями за вас.

Tile — ИИ-ноутбук, позволяет любому исследовать свои данные с помощью модульных шагов без громоздкого синтаксиса SQL.

Полный список стартапов со ссылками на них тут.

Аналитика данных в серфинге: стартап, объединяющий хобби и работу

Сегодня хочу рассказать про стартап, который совмещает аналитику данных, машинное обучение и серфинг.

Большинство его сотрудников - это серферы-специалисты по данным, совмещающие хобби (серфинг) с удаленной работой в области данных.

Surfline - компания, созданная американским серфером Шоном Коллинзом. Ее миссия - помочь серферам ловить идеальные волны.

500K+ скачиваний в Google Play
7M+ визитов на сайт ежемесячно

Я сама использую Surfline, чтобы узнать, насколько хороши условия для серфинга в тот или иной день. Например, если условия "Poor", волн нет или волна слишком высокая - то в такой день серфить не очень удобно и лучше планировать что-то другое.

Как компания прогнозирует условия для серфинга? 3 ключевых момента:

Сбор данных.

Информация собирается с буйков в океане, метеорологических станций и спутников.

Моделирование.

В начале Шон Коллинз строил прогнозы на основе того, что он смог рассчитать на листе бумаги. Современные модели представляют собой миллиарды вычислений, учитывают тысячи различных переменных. И эти модели постоянно совершенствуются.

Визуализация.

Полученная информация переводится на "серферский" язык и визуализируется в виде дашбордов на сайте и в приложении (на скрине).

Surfline - вдохновляющий пример того, как данные могут улучшить качество жизни. А также того, что работа и хобби могут гармонично сосуществовать, если выстраивать карьеру вокруг своих интересов.

Тут 100 лучших стартапов в области аналитики