Продукт
Продуктовый аналитик — это глаза продукта. Ты смотришь, как люди реально пользуются приложением или сайтом, переводишь их поведение в цифры, а цифры — в решения: что чинить, что пилить, что выкинуть.
Каждый день: считаешь метрики (сколько людей вернулось, дошло до оплаты, застряло в воронке), строишь дашборды, чтобы команда видела картину, и проверяешь гипотезы через A/B-тесты — «новая кнопка правда лучше или нам показалось?».
SQL — твой основной язык (тянешь события и заказы из базы). Python с pandas — для когорт, retention и A/B. BI вроде Metabase — чтобы показать метрики без кода. Плюс щепотка статистики: доли, доверительные интервалы, p-value честно.
Тебе сюда, если нравится не просто копаться в цифрах, а понимать людей: почему пользователь уходит, что его держит, что заставляет платить. Это самая «нанимаемая» ветка аналитики — продуктовых аналитиков ищут все, у кого есть приложение или сайт.
В отличие от маркетингового аналитика (тот про рекламу и привлечение) и BI-аналитика (тот больше про отчётность), ты — про то, что происходит ВНУТРИ продукта: поведение, удержание, эксперименты. От дата-сайентиста отличаешься тем, что тебе важнее быстрый честный ответ для решения, чем навороченная модель.
Читай пульс продукта
пара вечеровПонять на пальцах главные метрики продукта: активные пользователи (DAU/WAU/MAU), конверсия, средний чек, выручка на пользователя. Не считать сложно — научиться читать и объяснять, что каждая значит.
- Своими словами объясняешь, чем DAU отличается от MAU и зачем нужен их коэффициент липкости (stickiness).
- Понимаешь разницу между выручкой, средним чеком и ARPU и когда какая метрика уместна.
- Считаешь конверсию как долю и всегда держишь в голове «от чего к чему».
- Замечаешь, когда средняя метрика вводит в заблуждение из-за выбросов — пара китов тянет средний чек вверх.
- Строишь простой график метрики во времени и читаешь тренд, а не одну цифру.
Воронки и когорты
1–2 неделиНаучиться видеть путь пользователя как воронку (где отваливаются) и резать людей на когорты — группы по времени входа или признаку, чтобы сравнивать их честно.
- Строишь воронку из событий и считаешь конверсию каждого шага, а не только общую.
- Находишь узкое место воронки и формулируешь гипотезу, почему там теряются люди.
- Понимаешь, что такое когорта, и делишь пользователей по времени входа или признаку.
- Сравниваешь когорты между собой и не путаешь «разные люди» с «изменением во времени».
- Уверенно джойнишь несколько таблиц (события, пользователи, заказы), чтобы собрать воронку.
Retention: кто возвращается
1–2 неделиРазобраться с удержанием — сердцем продуктовой аналитики. Считать retention по дням и неделям, строить кривую удержания и читать её форму.
- Считаешь retention как долю вернувшихся от исходной когорты и понимаешь, почему это не то же самое, что «активные пользователи».
- Строишь кривую удержания и объясняешь её форму: резкое падение в начале, «полка» дальше.
- Различаешь classic (N-day) и rolling/range retention и понимаешь, когда какой уместен.
- Читаешь retention как главный индикатор product-market fit — плоская полка выше нуля значит, что продукт кому-то реально нужен.
- Связываешь retention с сегментами: какая когорта или тип пользователя держится лучше.
Азы статистики и A/B
2–3 неделиДобавить статистическое ядро: что такое случайность, доверительный интервал, гипотеза и p-value — честно. Понять, почему разница в метриках может оказаться просто шумом.
- Формулируешь нулевую и альтернативную гипотезы для продуктового вопроса.
- Объясняешь p-value ЧЕСТНО: вероятность такого (или более крайнего) результата, ЕСЛИ эффекта нет — и не путаешь его с «вероятностью, что гипотеза верна».
- Считаешь доверительный интервал (в том числе бутстрапом) и всегда сообщаешь оценку с погрешностью, а не голую цифру.
- Выбираешь подходящий тест: t-тест для средних, тест долей или хи-квадрат для конверсий.
- Понимаешь ошибки I и II рода и что такое мощность теста.
- Держишь в голове: статистическая значимость — это не то же самое, что практическая важность.
Полноценный A/B-эксперимент
2–3 неделиПровести A/B от начала до конца: гипотеза → дизайн и размер выборки → анализ разницы долей → доверительный интервал разницы (бутстрап) → размер эффекта → решение для бизнеса.
- До анализа фиксируешь гипотезу и метрику, чтобы не заниматься p-hacking'ом задним числом.
- Понимаешь роль рандомизации: почему именно она позволяет говорить о причинности, а не о простой связи.
- Сравниваешь доли между группами корректным тестом (z-тест долей или хи-квадрат) и строишь бутстрап-ДИ разницы.
- Оцениваешь размер эффекта и отвечаешь на главный вопрос: а стоит ли этот прирост внедрения.
- Пишешь вывод для бизнеса простым языком — что делать с результатом, а не только «p < 0.05».
- Осторожен с ловушками: подглядывание в тест до срока, множественные сравнения, смещение выборки.
Продуктовое портфолио
финиш · сколько нужноСобрать 2–3 законченных кейса в единую историю — от продуктового вопроса до решения. Это то, что показываешь на собесе и что делает тебя конкурентным.
Финиш: Финиш: берёшь сырые продуктовые данные любого сервиса — и доводишь до вывода, на который команда может опереться. Ты конкурентен.
- Каждый кейс живёт на GitHub с внятным README: вопрос, данные, метод, вывод — так, чтобы понял и не-аналитик.
- Есть хотя бы один дашборд в BI (Metabase/Superset) с продуктовыми метриками, воронкой и retention.
- Есть один доведённый до конца A/B-кейс с честным выводом и оценкой размера эффекта.
- Каждый кейс заканчивается решением или рекомендацией, а не просто графиком — ты продаёшь вывод, а не таблицу.
- Можешь на собесе за 5 минут провести через любой кейс: зачем считал, что нашёл, что бы изменил в продукте.