На связи Антон Марцен (@martsen) — продуктовый аналитик и исследователь. Работаю в команде Яндекс Музыки.

Создаю продукты с 2014 — в те годы я со-основал роботехническую компанию, которая стала резидентом Сколково и понеслась… После своих стартапов трудился в Flo Health, Wrike и проектах из портфеля Palta.

Ключевая экспертиза — персонализация продукта под пользователя: интерфейс, контент и офферы. Суть моей работы хорошо описывается цитатой Julie Zhuo: “diagnose with data and treat with design.“ Знания UX и ML помогают мне искать точки роста и предлагать решения.

В разных ролях и на разных проектах всегда в работе использую количественные и поведенческие данные: логи, эксперименты, опросы. Также владею основами качественных подходов и могу копнуть проблему под другим углом.

Читая канал, вы будете в курсе практик и трендов про:
- аналитику и исследования пользователей, mixed-methods;
- превращение сырых данных в информацию, знания и действия;
- подходы из экономики, информатики, дизайна и смежных дисциплин для аналитики и персонализации;
- прикладное использование перечисленных выше знаний в коммерческих проектах.

Активнее пользуйтесь поиском по каналу, т.к. в нем закопано много полезного. Сам часто перечитываю статьи и мысли из архива.

Вот несколько записей, которыми часто делюсь с аналитиками, исследователями и продакт-менеджерами:
- Кейс из Flo Health: находим драйверы роста в социалке при помощи ML и поднимаем ретеншн
- Как исследовать пользователей количественными методами (на базе моего опыта в Wrike)
- Как исследуют и приоритезируют в Atlassian
- Концепты из гейм-дизайна: Arcs, Loops, & Terrain
- Как Spotify развивает рекомендации
- Как раскрыли феномен роста крупнейшего форума больных раком
- Три типа создания инноваций: versioning, visioning, venturing
- Quantifying the User Experience: гид по базовым понятиям и метрикам

В канал @co_intelligence скидываю ссылки на задротские статьи без комментариев. Рекомендован к подписке тем, кто готов погружаться в статьи с научных конференций и прочий хардкор.

Продолжая тему знакомства с читателями…

В этом году выхожу из режима тихони. Собираюсь это реализовать двумя сопосбами:

1. Больше писать
Подписчики со стажем могли заметить, что посты в канале стали выходить чуть чаще. В планах на этот год не просто скидывать ссылки, а вернуться к написанию авторских статей, где пытаюсь систематизировать знания.

2. Больше публично выступать
Бывало давал мастер-классы, лекции читал, на конференции ходил… Я несколько лет не выбирался в свет, а раньше пару раз в год выступал... Эх, молодость :)

———

Начинаю с малого и в этом году зайду в качестве слушателя на огонек к Леше Никушину.
30 мая в Москве он проведет конференцию по продуктовой аналитике Aha!’23. Это уже в следующий вторник.

Я еще с первого Матемаркетинга наблюдаю как продуктовый трек постепенно развивался и превратился в самостоятельную конференцию.
Дебют был в прошлом году, а в этом нас ждет продолжение.

Вижу, что из докладчиков там будут ребята из крупняка (Avito, Яндекс, Тинькофф, Мегафон, МТС, OZON) и из небольших команд и стартапов.
Точну зайду на доклад к Владиславу Завольскому. Посшулаю что там нового в Retentioneering.

В целом, в >>> программе <<< 28 докладов длиной по 45 минут. То есть, у спикеров есть возможность раскрыть тему и поотвечать на вопросы.
Это большой плюс, т.к. я никогда не понимал практической пользы от конференций с докладами по 20 минут :)
Выбрать есть из чего: от экспериментов, до оптимизации экономики маркетплейсов. Есть доклады более инженерные и более продуктовые.
Про персонализацию и ранжирование не забыли. Это тоже зачет.

На конфе ожидается ~500 релевантных человек из мира данных и управления продуктами.
Я планирую придти, встретить старых друзей/коллег и завести новые знакомства.

Если вы тоже будете там, то пишите мне в личку (@martsen) - с удовольствием встречусь и поболтаем.

Я готов предложить своему собеседнику широкий набор тем: от смолл-толков про аналитику, до работы со мной в команде (у меня есть несколько уникальных проектов и позиций, которые пока не буду анонсировать на широкий круг, но с удовольствием расскажу про них при встрече).

Если вы ещё НЕ, то можно со скидочкой 10% (промокод LASTCALL) прикупить билет по адресу matemarketing.ru/aha.
Через сайт вы сможете потом пересмотреть доклады (ну или посмотреть live, если не получится присутствовать лично).

P.S.
На следующий день в офисе Авито планируют афтерпати
https://avitotech.timepad.ru/event/2418500/

P.S.S.
Там будет угарный мерч :)

Ну и куда же без тематической спонтанной шутейки :)

Кто дошел до конференции Аха'23 - пишите @martsen.

Давайте знакомиться :)

Крик души UX-специалистов из IBM, в котором они осознали, что ML-инженеры хотят обучать модельки и решать тех.вызовы, а не делать юзер-ресерч.

Поэтому они призывают:
* разработать системный подход к исследованию и тестированию пользователей
* добавить в цикл разработки моделей других спецов (дизайн, ресерч)
* ML-щиков создавать артефакты, которые можно протестировать c живими пользователями

Последний пункт особо интересен. Жду какой-то прорыв в подходах к прототипированию ML-продуктов.

https://medium.com/design-ibm/the-surprising-reasons-why-we-lack-user-feedback-in-the-ai-cycle-b48f884e99d2

Вот тут уважаемые люди анонимно рассуждают про животрепещущее проблемы. Иногда скидывают годноту. Вот пример с книжечкой на почитать.

Хочу поделиться книгой - считаю полезной для всех кто хочет очень структурно построить и развивать процесс работы аналитиков данных в компании.

Книга - Guide to Business Data Analytics
Книжка внутренняя из университета в Канаде, о чем говориться - "Complimentary IIBA member copy.
Not for sale or redistribution."

Из множества книг, которые отношу к профессиональной литературе вокруг данных считаю очень крутая, потому что очень системно и без воды - практически на каждой странице множество информации, которая очень структурирует текущие знания и укрепляет/развивает их

Что круто:
- очень системно расписан цикл поставки ценности от аналитики
- каждый шаг от момента исследования данных до применения выводов на бизнес детизирован последовательно
- описаны типы применения аналитики в компаниях и декомпозируются по уровням - описательный, диагностический, предсказательный, предписывающий
- детально расписаны типы задач и техники их решения с потенциальными эффектами

Книга очень прикладная и читается на одном дыхании.

Я какраз сейчас бьюсь, чтобы развивать аналитику в части предписывающих функций в компании.

С радостью делюсь - советую! Если будут ваши мысли по книге - говорите.

What’s Your Point? How to Drive Product Strategy With a Clear ‘So What’
Denise Deutschlander и Lise Marken описывают подход к подаче результатов исследования в Meta. Они советуют фокусировать их на нескольких ключевых выводах в духе «и что это значит?».

Shifting to product research and strategic foresight
Alison Harshbarger рассказывает об изменении подхода к исследованиям в Shopify. Они стараются предлагать менеджерам продуктов несколько вариантов будущего, которые помогают сформировать стратегию продукта.

Про компетенции специалистов различных уровней в Авито. Ссылочка на аналитиков, но есть плейбуки и по другим направлениям.

https://github.com/avito-tech/playbook/blob/master/analytics-levels.md

Будут краток — нанимаю к себе в команду Яндекс Музыки

Продукты, проекты и задачи по теме этого канала: персонализация, ML, mixed-methods, продукты с многомилинной аудиторией и рост бизнеса.
Все как мы любим :)

Расписал что да как на отдельной страничке: https://martsen.notion.site/8e2197e96f864db4b8147a563eaac2e1

Спрашивайте детали и высылайте резюме в личку (@martsen)

Высококалорийная статья про Мотивационный Фреймворк от Михаила Руденко.

Если коротко, то это “четыре силы прогресса” из JTBD помноженные на богатый опыт автора и адаптированный под привычный язык.

В статье определяются термины, помогающие систематизировать потребности потребителя:
* Ситуация возникновения потребности (СВП), в которой клиент начинает испытывать дискомфорт и недовольство своим текущим состоянием,
* Желаемое состояние (ЖС), в котором он хочет оказаться,
* Барьеры (они же проблемы), которые ему мешают => устранив проблемы, мы обеспечим наступление ЖС. В этом и заключается механика возникновения ценности.

В материале рассказывают не только базу, через которую можно думать про развитие продукта и клиентского опыта, но и есть набор житейских мудростей, о которых я раньше не думал в явно виде.

Например, понравилась эта мысль:
При формулировании проблем важно придерживаться правила сначала всегда формулировать проблему в риторике присутствия, и только потом, если не получилось через присутствие, формулировать что-то через отсутствие.
<…>
Когда мы формулируем проблему через присутствие, мы явно понимаем что необходимо устранить. <…> Для этого существуют конкретные методы, причём разные. А значит есть возможность для выбора и конкуренции.

https://blog.buro.cx/problema-kotoruyu-my-reshaem-dlya-klienta/

Дизайн-систему компании можно (и на мой взгляд нужно) представлять как продукт для внутреннего использования.

А если это так, то для его развития нужно научиться замерять его эффективность.

Нашел довольно хороший набор метрик для дизайн-стстемы, который может послужить вдохновением для покрытия метрик любых внутренних инструментов и продуктов.

https://thedesignsystem.guide/design-system-metrics

Примеры различных дашбордов, расчётов и проверок гипотез от различных специалистов по аналитике, продукту и маркетингу.

https://artifacts.reforge.com/artifacts?topics=data-and-analytics

Моя замечательная коллега Света и ваш покорный расскажут про взаимодействие с разработкой.
Раскроем детали процесса и покажем примеров из Музыки и Кинопоиска.
Девелоперы и им сочувствующие — приглашаем на PlusCamp :)

классный вебинар по теме "Как разблокировать рост продукта. От хаотичных исследований к системе работы с возможностями", идет прям щас:-)

NPS и распределение кошелька

Недавно появилась концепция Wallet Allocation Rule (доли кошелька), имеющая более прикладное объяснение выбора потребителя.

Покупатель каждый день сталкивается с огромным количеством предложений, и лишь за некоторые из них он голосует рублем. Например, мы знаем, что в каждой сфере у покупателей есть репертуар брендов, которые он или она покупают или с высокой вероятностью задумываются об их покупке. Есть примерный бюджет, который они готовы на это потратить.

Идея доли кошелька заключается в наличии определенного количества брендов, которые человек рассматривает в ситуации выбора, и места этих брендов в его ментальном рейтинге — то, в каком порядке человек о них думает или вспоминает. При понимании, какое место в этом рейтинге занимает каждый бренд и какой средний бюджет на вашу категорию товаров, можно выявить среднестатистическую долю трат покупателя по вам и вашим конкурентам. Использование рангов, на мой взгляд, лучше отражает концепцию лояльности. Ранг говорит о выборе конкретного потребителя и его драйверах.

Доля компании в кошельке клиента – показывает, какую часть от общего числа покупок (в стоимостном выражении) или от покупок в данной товарной категории составляет продукт конкретной компании. Индикатор может быть рассчитан как в динамике, так и относительно кошелька конкретного индивида.
Сумма, которую покупатель тратит на бренд, будет зависеть от того, как этот человек оценил этот бренд по сравнению с другими конкурентами, которые также использовали. Естественно, мы ожидаем, что предпочтительный вариант будет использоваться чаще, чем следующий за ним лучший вариант. Но основа правила распределения кошелька выходит за рамки интуиции. Суть правила гласит, что доля кошелька зависит от ранга бренда. Эта взаимосвязь отражает научный эмпирический закон, известный как закон Ципфа.

Закон Ципфа-Мандельброта (закон «ранг—частотность»)
Информетрический закон, постулирующий, что распределение слов, ранжированных по их частоте в корпусе случайных текстов, аппроксимируется степенным распределением, известным как закон Ципфа. По сути это частотность