Skip to main content

Обо мне



Меня зовут Павел Левчук. В 2008 мне повезло и я попал в небольшой фонд прямых инвестиций. Там я и познакомился с венчурными инвестициями и стартапами. С тех пор я продолжаю работать в стартапах или помогаю им расти (мой профайл в LinkedIn).

Я верю в то, что современный стартап может выжить лишь конкурируя в маркетинге и технологиях. Поэтому я изучаю первое через второе. Я считаю, что через 5-10 лет самые успешные онлайн-маркетологи будут программистами и/или дата-сайнтистами.

В работе я всегда стараюсь опираться на данные, т.к. они часто оказываются надежнее, чем интуиция. Я обычно подключаюсь к различным источникам данных и затем пишу код на SQL, DAX и R. Некоторые отчёты которые я строил - уникальны, а некоторые это продуманные копии из лучших аналитических систем таких как RJMetrics, Custora или Amplitude.

В целом, я пишу о том, что я встречал в стартапах, что срабатывало, а что нет, а также о том, что еще можно было бы сделать. Буду рад, если вы найдете для себя хотя бы один пост интересным или полезным.

Если у вас есть трудный вопрос по ecommerce, вы можете написать мне на paul.levchuk[at]gmail.com.

-- Павел

P.S. На простой вопрос, в течение часа, с вероятностью 99,7% вы найдёте ответ используя Google Search.

Comments

Popular posts from this blog

RF-матрица как альтернатива для работы с LTV

Итак, в прошлом посте мы прошлись по основным шагам, которые нужны для грамотного расчета LTV используя классический подход Pareto/NBD.

Сегодня мы будем говорить об LTV в другом контексте - упрощенно-прикладном.

Итак, перед вам Life Cycle Grid.

Название и концепцию этой замечательной технике дал выдающий маркетолог Jim Novo. Обязательно перечитайте его блог, особенно ранние статьи.


По сути - LCG это RF(M) матрица:
По горизонтальной оси вы смотрите на Recency (недавность последней покупки);По вертикальной оси вы смотрите на Frequency (количество покупок);В каждой ячейке вы видите количество клиентов с определенными параметрами R и F. Построив такую матрицу мы можем сразу ответить на много вопросов, но нас сейчас интересует всего четыре: какие клиенты критически важны для бизнеса?
(правый верхний квадрант)каких клиентов реально развивать дальше?
(правый нижний квадрант)какие клиенты вероятно потеряны для бизнеса?
(левый верхний квадрант)какие клиенты не интересны для бизнеса? Уверен, пока вы…

LTV: классический подход прогнозирования Pareto/NBD

Прогнозирование LTV - задача весьма нетривиальная. Почему? Потому, что для прогноза LTV нам потребуются 3 отдельные (независимые) оценки:
распределение повторных покупокраспределение оттока клиентовраспределение среднего чека покупок Это сложные математические задачи и, очень здорово, что ученые мужи взялись за них и решили (причем давно, в 1987 году). Сегодня мы бегло пройдемся по классическому подходу прогнозирования LTV под названием Pareto/NBD.

Начну с того, что этот алгоритм применяется в ситуациях, где нет регулярных платежей (т.е. не контрактная форма оплаты как, например, в e-commerce).

Также отмечу, что примечателен этот подход тем, что для его реализации нам потребуется самый обычный лог транзакций.

Первое, что мы делаем так это формируем специальную таблицу. Называется она Customer-Centric-Statistic (CBS).


Не вдаваясь в подробности, могу сказать, что эта таблица формируется из RFM статистики (frequency - "x", recency - "t.x", monetary - "sales.x"…

Игры в модели атрибуции рекламных каналов (Last click, Markov chain, Shapley value)

Обычно, я не играю в игры с моделями атрибуций рекламных каналов.

В работе с сессиями я почти всегда пользуюсь данными из Google Analytics (GA). Это система хороша тем, что мне не нужно заботиться о том, где хранить данные о заходах на сайт, как определять продолжительность сессии и т.д. Все эти вопросы закрывает Google Analytics.

При заходе пользователя на сайт GA соотносит (атрибутирует) этого пользователя к одному из известных источников трафика.
Если GA может определить источник трафика, то она атрибутирует пользователя к этому источнику трафика.  Если GA не может определить источник трафика (зашел на сайт direct, в URL нет utm-меток и еще в ряде случаев), то она возьмет последний недавний источник трафика (не direct) из которого пришел пользователь. Эта модель атрибуции называется Last Non-Direct Click (LNDC). Она используется во всех отчетах GA кроме отчетов из секций Multi-Channel Funnel и Attribution.

Двумя побочными эффектами LNDC модели атрибуции являются:
повышение долгосрочн…