Гайды

Предсказать отток — половина задачи. Вторая половина — понять, кого скидка удержит, а кому она не нужна или вредна. Двухуровневый конвейер: churn-диагностика → причинный таргетинг через uplift-модели.

Повторяемый шаблон разведочного анализа на pandas, numpy и seaborn: от схемы данных до продуктовых гипотез. Код, который я копирую в каждый новый проект, чтобы не забыть ключевые проверки.

Когда фича уже запущена или рандомизация невозможна, A/B-тест молчит. Causal-фреймворк — CUPED, DiD, synthetic control, propensity matching — позволяет выделить чистый эффект фичи из observational данных и не принять self-selection за пользу.

Отчёт в 7 утра без поднятого ноутбука и арендованного сервера. Как аналитик автоматизирует пайплайны и отчёты через GitHub Actions — cron, secrets, артефакты, триггеры на push.

North Star Metric фокусирует команду на одной метрике ценности, но без guardrail'ов и дерева метрик она же провоцирует конфликты, которые ломают продукт. Разбор на реальных кейсах Bing, Яндекса и B2B SaaS.

Заказчик хочет увидеть метрики послезавтра, а BI-системы нет или она тяжёлая. Streamlit закрывает именно этот разрыв: прототип дашборда за выходные, который можно показать живой ссылкой.

Юнит-экономика сводит продукт к одному вопросу — зарабатывает ли бизнес на каждом клиенте больше, чем тратит на его привлечение. Разбираем CAC, LTV, CM1/CM2, payback и почему агрегат врёт на когортах.

Пользователь видит ценность только через неделю — и это не проблема продукта, а проблема пути. Как аналитику разобрать user journey по шагам, найти узкое горлышко и сократить time-to-value с 144 часов до 24.

Дашборд врёт не намеренно — он умалчивает: про observation age, про контекст, про то, где именно агрегат был посчитан. Пять принципов, которые держат продуктовые дашборды честными.

Аналитика начинается не с графика, а с пайплайна, который можно перезапустить. Типизированный каталог событий, seeded-генераторы, regression-тесты в CI — как устроить данные так, чтобы выводы были повторяемыми.

Три паттерна оконных функций, которые отличают продуктового аналитика: gaps-and-islands для стриков, partitioned Top-N и range-join для DAU/MAU stickiness. На DuckDB, без сервера.

Среднее удержание по всем когортам смешивает клиентов с разным сроком жизни и врёт вверх. Как строить треугольную когортную матрицу, читать observation-age и сравнивать когорты честно.

p-value из учебника не доказывает метод — доказывает симуляция. Как проверять каждый A/B-модуль A/A-тестом под нулём и power-кривой под эффектом: CUPED, peeking, ratio-метрики, mSPRT.

RFM раскладывает клиентов по трём осям — давность, частота, сумма — и превращает скоринг в действия. Практический фреймворк с SQL, разбором нюансов и кейсом.

Когортная матрица удержания в Pandas: почему агрегат врёт, как строить треугольную таблицу, какие у неё ограничения и что она реально говорит о продукте. С реальным кейсом из volta-banking.