Сообщения

Кластерный анализ клиентов. Номинал покупки.

Изображение
Ранее, я в значительной степени полагался на Excel. На мой взгляд, это самый доступный и в тоже время недорогой из аналитических инструментов для маркетолога. Ведь, с одной стороны, Excel есть у многих пользователей. Обмениваться Excel-файлами очень легко. С другой стороны, к отчетам в Excel в значительной степени привыкли топ-менеджеры многих компаний.

Однако, со временем, я начал сталкиваться с ситуациями, где надо не просто что-то рассчитать, а понять почему цифра и/или тренд такие, какие есть, найти факторы, которые определили результат. Я активно пользуюсь сводными таблицами т.к. они позволяют быстро делать разные срезы (drill-down) и это дает свои плоды. Часто - но далеко не всегда.

В последнее время я больше думаю о базовой математике и алгоритмах, которые стоят за продвинутой аналитикой. Откладывать изучение и использование алгоритмов машинного обучения дальше уже нельзя. Это вопрос выживания для современного аналитика.

Для себя я планирую ~ раз в 4 недели описывать свой опыт …

Карта роста

Изображение
Десять лет тому назад я активно изучал наработки и практики от лучшей компании по стратегического консалтингу - McKinsey & Company.
Если у вас нет свободного времени, то хотя бы прочтите книгу от одного из бывших сотрудников этой компании: Принцип Пирамиды. Именно тогда я познакомился с такими крутыми техниками как MECE и деревья.

И вот несколько лет тому назад, готовясь к одной конференции с крутыми ребятами (Валик Гончаров, Дима Кудренко, Олег Лесов, Андрей Косецкий) я синтезировал схему, части который я использовал когда оценивал стартапы и/или работал в них.
Чем примечательна эта схема?
Она проста в понимании.
Читая это дерево слева направо, вы понимаете, что и откуда следует.
Она практична.
Фактически каждый элемент это метрика или вопрос, который м.б. покрыт метрикой.
Она совмещает тактику и стратегию.
Вам не нужно думать, чем бы еще заняться, и в тоже время вы видите картину в целом.Какие недостатки этой схемы?
Это схема не учитывает цикличность отношений с клиентом. Фактически …

Retention curve - вчерашний день аналитика

Изображение
Я давно хотел написать этот пост про retention curve (кривую удержания).

Дело в том, что современная клиентская аналитика развивается очень быстро. SaaS компаний с инструментами аналитики достаточно много. Но не каждая смогла сделать значимый вклад в новые подходы к аналитике.

Тем не менее, для себя я могу выделить следующие компании, которые сильно повлияли на мое видение аналитики и на мой подход к онлайн-маркетингу через аналитику. Итак,
в 2012 году я равнялся на Kissmetrics.com;в 2013 это была уже RJMetrics.com;в 2014 году это была Custora.com;в 2015 году это была Optimove.com И вот в 2016 году я познакомился с think-tank компанией Amplitude.com.

Мое глубокое убеждение в том, что компания предоставляющая аналитический продукт не удержит свои позиции, если будет просто создавать еще один продукт (даже если он будет немного быстрее и удобнее). Аналитическая компания должна искать новые способы выжать больше инсайтов из данных, отобразить суть происходящего коротко и предельно ясно.

Т…

ARPU - метрика без измерения

Изображение
Впервые я познакомился с метрикой ARPU (Average Revenue Per User) еще в телекоме. Суть ее очень проста - рассчитать среднюю доходность клиента.

На языке DAX ее можно было бы рассчитать вот так:
ARPU (classic):=
SUM( tbl_orders[payment_amout] ) / DISTINCTCOUNT ( tbl_orders[user_id] ) Однако в некоторых индустриях (в частности в free-to-play играх) ARPU часто несет несколько иной смысл. ARPU понимают как - среднюю доходность игрока. Игрок может платить, а может и не платить и просто бесплатно играть.

Здесь расчет уже использует не только таблицу транзакций, но и таблицу пользователей.
ARPU :=
SUM( tbl_orders[payment_amout] ) / COUNT (tbl_users[user_id] ) Соответственно необходимо ввести еще одну метрику ARPpU (Average Revenue Per Paid User) - средняя доходность на платящего игрока:
ARPpU :=
SUM( tbl_orders[payment_amout] ) / DISTINCTCOUNT ( tbl_orders[user_id] )
ARP(p)U метрика очень волатильная, а потому часто возникает вопрос - как быстро определить причину скачка ARPU?

Давайте рассуждат…

DAU / MAU отличный способ мерять не то, что вам нужно

Изображение
Впервые я столкнулся с метриками DAU / MAU когда про них упомянули в контексте игр на facebook в далеком 2009 году. И хотя, я уверен, серьезные игроки давно уже не полагаются на эти метрики роста, тем не менее для многих маркетологов они оказались весьма привлекательными.

Сегодня мы поговорим почему эти метрики так привлекательны и опасны одновременно.

Начнем с их определения.
DAU (Daily Active Users) это сколько (уникальных) клиентов воспользовались вашим сервисом (обычно - залогинились) в конкретный день.MAU (Monthly Active Users) это сколько (уникальных) клиентов воспользовались вашим сервисом за последний месяц (или последние 30 дней). DAU / MAU это какой % наших (уникальных) клиентов повторно воспользовались вашим сервисом за период. Это так называемый "stickiness".Какие есть плюсы их использования?

Первое: считать такие метрики очень просто. На языке DAX расчеты могли бы выглядеть вот так.
[DAU] :=
DISTINCTCOUNT ( tbl_users[user_id] ) [MAU] :=
CALCULATE ( [DAU],
DATESINPERI…

Customer Retention: как понять, что происходит с клиентами

Изображение
На днях я прочитал интересную статью от крутой аналитической компании Amplitude. В статье рассказывалось про 3 способа расчета Customer Retention. Сегодня я хочу подробнее изучить результаты применения этих способов на реальных данных.

Итак, Amplidude определяет 3 способа расчета Customer Retention:

retention at X day
Классический подход. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку в день Х.retention since X day
Более продвинутый подход. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку после дня Х.retention in Period
Кастомный подход. Мы формируем когорту клиентов. Затем формируем шкалу retention периодов (например, p1 = {d1...d3}, p2 = {d4...d7}, p3 = {d8...d30}). Затем смотрим, кто из когорты сделал покупку в каждом периоде.retention by X day
Мой дополнительный вариант. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку в периоде {d1...dX}. 
Основная идея появления разных расчетов исходит из того, что у р…

Google Analytics + Power BI Desktop = новые инсайты

Изображение
Я раньше рассматривал продукт Google Analytics как нечто большое и негибкое. В свое время сам Avinash Kaushik писал о GA как о системе с большом количеством слабо организованных отчетов.

Действительно в GA записывается огромное количество интересных данных о поведении пользователей. Писать такие данные к себе в БД накладно, а в GA - ничего не стоит, но выжать инсайты из GA на практике получается редко.

Сегодня я попробую объяснить почему так было с GA и что изменилось.

Начну с начала. GA состоит из 3-х подсистем:
клиентский JS-скрипт, который собирает данные о действиях и перемещениях пользователя на сайте и передает их на GA back-end;GA back-end, который парсит все данные от клинского JS и аккуратно раскладывает эти данные по таблицам (dimensions), создает связи между таблицами, а также делает пред-расчеты;GA front-end (собственно сайт GA), который мы все хорошо знаем и используем, чтобы отфильтровать данные, рассчитать метрики и затем их как-то визуализировать. На мой взгляд в GA сам…