Курс Продуктова аналітика

Курс розрахований на людей, які хочуть опанувати професію Product Analyst. На заняттях ви навчитесь обирати потрібні для вашого продукту метрики та фреймворки, а також використовувати їх у комплексному поєднанні, виводити дані з джерел та візуалізувати їх у Google Data Studio, а також аналізувати різні типи графіків у Amplitude, опануєте навички фінансового аналізу та планування, навчитесь враховувати попередню динаміку показників для якісного прогнозування.

Програма курсу

Вступ до продуктової аналітики

• Які бувають аналітики
• Хто такий продуктовий аналітик
• Роль продуктового аналітика в бізнесі
• Продуктовий менеджер та продуктовий аналітик: навіщо працювати в парі й коли потрібно розділяти ролі
• Типи аналітики: описова, діагностична, прогнозна, поведінкова, транзакційна, наскрізна
• Продуктові дослідження: цикл продуктової розробки, дослідження, ринковий аналіз

Базові метрики продукту

• Показники продукту та їхнє використання
• Стандартні метрики: Retention, NPS
• Якісні метрики: LTV, ARPU
• Кількісні метрики продукту: New Users, MAU, DAU
• Як визначити метрику North Star для продукту
• Кроки побудови метрик продукту, визначення оптимальної метрики
• Приклади неправильних метрик, типові помилки
• Взаємодія команди з аналітикою
• Документація аналітичних досліджень та продуктова аналітика в IT-продуктах

Дерево метрик, визначення похідних показників

• Побудова дерева метрик
• Піраміда метрик: від бізнес-метрики до моніторингу
• Метрики бізнесу: визначення показників ефективності продукту, воронки продажів, пошук точок зростання
• Маркетингова аналітика: Cost, Impressions, Clicks, CTR, CPC, CPA
• AARRR-фреймворк: 5 показників, які впливають на розвиток бізнесу

Домашнє завдання: для тестового продукту побудувати дерево метрик, починаючи з Revenue.

Розвиток наявного продукту: дизайн та оцінювання

• Основи статистичного аналізу: середня, медіана, квантиль, перцентиль
• Типові математичні та статистичні завдання на конкретних кейсах
• Кореляція та регресія. Умови застосування коефіцієнта кореляції
• Регресія з однією незалежною змінною
• Теорія ймовірностей: поняття випадковості, ймовірні розподіли, умовна ймовірність, повна ймовірність
• Оцінювання статистик і параметрів, статистична гіпотеза
• Bootstrap та побудова довірчих інтервалів

Покриття продукту аналітикою

• Що таке івент та які типи івентів бувають
• Розуміння Event, Event Properties та User Properties
• Ієрархія івентів, стадії покриття івентами
• Важливість неймінг-конвенції
• Як контролювати кількість івентів і чому це важливо

Демонстрація: покриття івентами продукту.

Домашнє завдання: зробити карту івентів у Miro для продукту, наданого лектором.

Amplitude: від початківця до аса

• Зручність Amplitude
• Чи може гарно налаштований Amplitude замінити аналітика?
• Інструменти Amplitude: оглядаємо кожен тип чарту та підводні камені
• Використання Event Properties, Historical Count
• Використання Segment by New/Any
• Використання Metrics, Custom Formulas
• Використання Cohorts
• Advanced-секція: Amplitude Rest API, автоматизація на основі Amplitude
• Advanced-секція: Amplitude CDP

Аналітика мобільних і вебзастосунків

• Ключові аспекти аналітики мобільних і вебзастосунків
• Особливості платіжної аналітики
• Різниця щодо підходів до ітерацій, тестування, івентів
• Інструменти вебаналітики: Google Tag Manager, Clarity, Amplitude
• Аналітика мобільних застосунків. Firebase, Amplitude
• Пошук даних з використанням SimilarWeb, Sensor Tower
• Як проводити дослідження конкурентів

Клієнтські дані. Сегментація та когортний аналіз

• Навіщо потрібна сегментація
• Основні типи сегментації клієнтів
• Сегментація потреб користувачів. Поведінкова сегментація
• Сегментація за цінністю: RFM-аналіз
• Когортний аналіз

Домашнє завдання: створити сегментацію клієнтів в Amplitude.

Прогнозування LTV & Retention Curve

• Підхід KISS щодо вибору моделі прогнозування
• Поняття LTV
• Retention Curve
• Методи прогнозування LTV
• Важливість регуляції
• Оцінювання якості методу прогнозування
• Чому ручне прогнозування в Excel - це погано
• Як прогнозувати LTV нетехнічному спеціалісту - використання GPT для кодингу складових частин прогнозу

Демонстрація: прогнозування LTV на основі даних з Amplitude.

Домашнє завдання: побудувати модель LTV-прогнозу на основі наданих даних з оцінюванням якості отриманої моделі.

Побудова Unit Economics

• Що таке юніт-економіка
• Головні показники юніт-економіки: LTV, CAC, LTV/CAC
• Структурні блоки калькулятора юніт-економіки
• Підхід до створення калькулятора: прапори, модульність, Custom Formatting
• Методи оптимізації та знаходження точки прибутковості
• Використання геометричного підходу

Демонстрація: побудова калькулятора Unit Economics для продукту з моделлю підписки.

Домашнє завдання: знайти точку окупності й оптимальні параметри за наданими даними.

A/B-тести та методи ухвалення рішень

• Що таке A/B-тест і коли його варто проводити
• Навіщо потрібний А/А-тест
• Етапи А/B-тесту за флоу Fixed Horizon
• Дизайн A/B-тесту за допомогою Firebase, Amplitude та аналогів: етапи запуску, висунення продуктових гіпотез, результати
• Основні й health-метрики в тесті
• Stop, freeze і wait
• Проблема підглядання: коли ухвалювати рішення щодо тесту
• Чому результат тесту постійно змінюється: статистична значущість та довірчі інтервали

Домашнє завдання: гра-симуляція закриття A/B-тестів: So You Think You Can Test.

Бази даних та SQL

• Типи баз даних та базова дата-інженерія для продакт-аналітика
• Базовий SQL на базі Big Query
• Складніші запити з використанням Window Functions
• Делегування через AI: як ефективно використовувати AI-інструменти для автоматизації SQL-запитів

Big Query та візуалізація даних у Looker

• Агрегація даних для візуалізації
• Основні принципи візуалізації даних у Looker

Демонстрація: візуалізація даних у Looker.

Tableau: принципи та патерни візуалізації

• Огляд інструменту Tableau
• Основні види графіків та їхнє використання
• Як побудувати зрозумілу візуалізацію
• Принципи побудови дашбордів
• Побудова дашбордів у Tableau

Домашнє завдання: візуалізувати надані дані за допомогою Tableau та Looker.

Пошук та аналіз аномалій у даних

• Методи Trouble Shooting та Anomaly Detection у показниках
• Скелет пошуку інформації: аномалії, дослідження, сегментація
• Використання сегментів і довірчих інтервалів для дослідження аномалій

Домашнє завдання: знайти та пояснити причину відхилення в даних.

Інтерпретація результатів та боротьба з упередженнями

• Як ухвалювати рішення на основі даних
• Чому дані завжди брешуть
• Чому упередження - це погано, а упередження менеджера - ще гірше
• Як презентувати результати та переконувати в критичності ситуації
• Приклади з життя: чому краще спочатку розрахувати, а потім рухатися

Використання AI в продуктовій аналітиці

• АІ в продуктовій аналітиці
• AI Privacy
• Як писати великі запити, Apps Script UDF і Python-скрипти за допомогою AI
• Робимо Google Sheets зручними
• UDF: базовий синтаксис
• Автоматизація написання UDF з використанням AI

Особливості курсу

• Допомога ментора
• Практика
• Домашні завдання
• Сертифікат про проходження курсу

Викладачі курсу

Артур Марков - Data Scientist at Grammarly