JetMetrics

⭐️ Когда метрика становится самоцелью POV: команда выполнила план по своему участку ответственности ...а бизнесу стало только хуже. Ну признайтесь, что это супер знакомо. Это закон Гудхарта: как только метрика становится целью, она перестаёт быть хорошей метрикой. Отчеты выглядят оптимистично, но метрики, которые на самом деле приносят деньги, ухудшаются (или не растут так, как другие). И никто не подумал об этом эффекте заранее. Простого решения тут нет. Надо уметь находить баланс и не бросаться в крайности. И, разумеется, учитывать такие последствия до. Поэтому мы и составили шпаргалку, как усиленная оптимизация одной метрики (см. строки) может повлиять на стратегические метрики (см. столбцы) – в маркетинге и екоме. P.S. Мы, кстати, думаем, чтобы сделать такую же таблицу и по другим отраслям: B2B, SaaS, финансы. С чего начать?

💎 Чего не хватает вашему ИИ для точной аналитики Регулярно выходят обновления Клода, ГПТ, Джеминай, и каждая их модель становится все умнее и умнее. Однако в задачах аналитики они все так же плывут и очень часто галлюцинируют. Периодически встречаю статьи и посты о том, как можно улучшить точность выводов и рекомендаций от ИИ – это бизнес-контекст, единые определения метрик и далее по списку. Но все почему-то дружно пропускают причинно-следственные связи (а не корреляции) между метриками. Сделал свою версию обязательных частей контекста для вашего ИИ аналитика. Показать, как выглядят инсайты от ИИ с этим контекстом и без него? @jetmetrics

📖 Библия удержания клиентов 2026 Эффективность вложенных средств на привлечение постоянно снижается. А компании теперь вкладывают в удержание больше, чем когда либо. Но бизнес и агентства до сих пор не всегда могут объяснить, почему клиент покупает один раз и пропадает. Поэтому мы почти 4 недели собирали на одной Miro-доске огроооомнейший гайд по удержанию. Получилось аж 144 карточки с инсайтами в 15 разделах и 3 частях. Получилась выжимка лучших мировых практик! 🌐 Вот что внутри: - математика ретеншена - матрица решений - кривые когорт - наборы пар метрик - 12 типовых ошибок - почему удержание может не работать - тренды в удержании 2026 - порядок диагностики - как работать с разными сегментами - примеры сценариев для удержания - как распределять бюджет по каналам - необходимая инфраструктура - как делать дашборды по удержанию 🤖 А еще в каждый подраздел добавили инсайты о том, как применять ИИ. В подготовке использовали материалы топовых экспертов: Daniel McCarthy, Elissa Brown, Sue Azari, Andrew Faris, Drew Sanocki, Taylor Holiday, Eli Weiss, Frederick Reichheld, Andrew Chen, Lenny Rachitsky, Eric Ries, David Skok, Avinash Kaushik, Cameron Davidson-Pilon. а также материалы и исследования компаний: Triple Whale, Klaviyo, Yotpo, BS&Co, eMarketer, Sharp, Fader and Hardie, Northbeam, Recharge, Postscript, PostPilot, Lifetimely, AppsFlyer. Получить доступ (на английском) У меня традиционный вопрос – перевести это всё на русский? 🔥 – да

🤓 Как задавать Клоду правильные вопросы о метриках Часто люди жалуются что Claude, ChatGPT или Gemini плохо справляются с аналитикой. Ответы слишком общие, много галлюцинации, а еще ИИ не учитывает контекста. На самом деле модели могут работать нормально, просто вопросы следует переформулировать. Вот простой пример. Если спросить "почему упала конверсия на 12%", то получите общие слова про сезонность, привычки пользователей и что надо бы проверить рекламные кампании🤦‍♂️. Толку ноль. И это капец как бесит. А если перефразировать так: "в каком порядке нам проверить изменение? Как убедиться, что падение реально?", то ответ будет совсем другого качества. Хотя ситуация та же, модель та же, а разница только в вопросе. В работе с ИИ есть несколько типичных паттернов, где люди по привычке формулируют вопрос плохо и сами себе портят ответ. Их я и собрал в шпаргалку. Вот 12 пар как надо и как не надо по 3 группам. Общая идея у всех 12 примеров одна. Не проси ИИ выдать ответ. Проси сформулировать правильный вопрос, который ты потом сам себе и задашь 🧠 @jetmetrics

👁 Что может скрываться за одной KPI-карточкой На примере метрики "Средний чек" Одна растущая метрика может скрывать: - статистический выброс - разрыв между сегментами - выбор базы для сравнения - агрегация без поправок на возвраты и ещё 4 других Каждое из этих искажений может быть в любой агрегированной метрике: конверсия, прибыль, CAC, LTV, NPS. Привел 8 ситуаций в одной инфографике выше. Какие из этих искажений чаще встречаете в отчетах? @jetmetrics

📈 Дело не в том, как дашборд выглядит Дашборд, который ведёт к действиям, может выглядеть как обычный: плитка, графики, карточки KPI. Никаких стрелок и схем (хотя, это, конечно, бывает очень полезно). Разница зачастую не во внешнем виде, а в том, как его делали. Вот несколько признаков действительно полезного дашборда: 1. Его начали делать с цели, не с имеющихся данных. Не "какие данные у нас есть", а "под какое решение этот дашборд". Метрики потом подбираются под цель, а не наоборот. 2. Из деша выкинули всё лишнее. Например, средний чек на дашборде воронки может быть уместен. Но если задача "найти где проседает конверсия", он там не нужен. Хорошая метрика в одной задаче бывает лишней в другой. 3. Метрики расположили по смыслу. Этапы воронки в ряд, рядом с каждым свои драйверы. Стрелок может не быть. Но порядок и соседство уже говорят о связях и упрощают восприятие. 4. Каждую метрику есть с чем сравнить. План, прошлый период или бенчмарк. Без этого показатель ничего не значит. 5. Дашборд не придумывает решения. Он их проверяет. Решения уже придумали на дереве метрик: гипотезы, действия. А дашборд показывает, сработали ли они. Как приборная панель в машине. Пока стоишь, на неё не смотришь. Она нужна только в движении. (как вам метафора?🙈) 6. Графиков может и не быть. Иногда хватает просто чисел с цветовой подсветкой норма/проблема. Если текущая ситуация считывается с двух цифр, то 5 графиков могут только помешать. Пустое пространство – это нормально. Не должно быть задачи заполнить весь лист визуализациями. 7. И самое главное – после изучения дашборда не остается вопроса "и что дальше?". Как минимум, понятно, что проверять еще. Как максимум, понятно, как действовать. Так что дело не в том, как дашборд выглядит. Спросите разработчика, заказчика и пользователей, под какое решение этот дашборд нужен. Если ответят одинаково (и вообще ответят), то всё ок.

🖼4 уровня системы метрик: почему дашборд это вершина, а не начало Дашборд без трёх нижних слоёв системы метрик не работает на решения. Можно увидеть метрики и интерактивные графики, но всё равно непонятно, куда копать дальше. Чтобы дашборды (слой "Мониторинг") помогал что-то менять, под ним должны быть карты, деревья метрик и KPI. Карта метрик – это про то, как вообще устроен бизнес и что можно измерять. Без неё на дашборд попадает то, что под рукой или то, что BI считает по умолчанию. Часто не самое важное. Дерево метрик нужно, чтобы понять, на что мы реально можем влиять. Ключевая метрика, компоненты, драйверы, гипотезы. Без него видна важная для нас метрика, но неясно, что на нее влияет. Конверсия упала, и что? Куда копать дальше? Целевые значения: куда мы вообще целимся. KPI, OKR, бенчмарки, план. Без них на дашборде можно наблюдать "прибыльность 12.3%", и непонятно, это провал или норм. Без точки отсчёта число это просто число. Только сверху ложится четвёртый слой: дашборды и отчёты. Если три нижних есть, то дашборды получаются такими, что ты открываешь его и сразу видно, где просело, насколько отстаём от цели и кто за это отвечает. Без нижних слоёв остаётся только "что было". Это отчёт. На отчёт смотрят и расходятся.

📖 Заметки на полях после эфира с Сергеем Сидоровым Вчера Сергей подробно рассказал про свой подход: как от требований к BI дойти до дашборда, которым будут пользоваться и который будет приносить пользу. Почему мне это близко. Мы давно говорим, что дашборд это не конечная точка собранных и обработанных данных, а, в первую очередь, ответ на вопрос. У Сергея почти та же логика. У нас карта и дерево метрик, у него макро-повествование. Куски одного подхода, просто с разных концов. Сергей опирается на исследование университетов Минью и Аликанте:, при продуманном повествовании пользователи дают в 2 раза больше правильных ответов и в 7 раз меньше ошибочных интерпретаций. Вот зачем тратить время на подобное проектирование дашбордов! На масштабе компании это недели работы команды и десятки неправильных решений. Что еще зацепило: ➕ Главный герой дашборда не тот, кто выше по иерархии, а тот, кто принимает по этим метрикам решения. Часто это разные люди, и если ошиблись с героем, дашборд может стать мертворождённым. ➕ Контрметрики нужно помещать на ту же страницу, рядом с целевой метрикой. Если растишь конверсию, то маржа и возвраты должны быть в поле зрения. ➕ Хороший дашборд живёт 3-5 лет. Если цикл переделок раз в полгода, то дело не в BI и не в дизайне. Значит дашборд был неверно спроектирован. ➕ Антипаттерн: ТЗ "сделайте мне дашборд по продукту". Если нет вопроса и целевого действия (JTBD подход), то хорошего дашборда не получится. Где сошлись наши подходы: - Макро-повествование отвечает на "как пользователь читает дашборд". - Карта и дерево метрик – на "какие показатели вообще должны быть и как они связаны". - Без структуры даже идеальное повествование это красивая и логичная форма. - А без правильного повествования хорошо составленное дерево метрик – это тоже бесполезный артефакт на практике.

Когда отчёты есть, а решений по ним – нет Раньше мы смотрели на дашборды и видели просто набор весёлых картинок – данные были, но они не помогали принимать решения – Андрей, руководитель в B2B SaaS Первый поток курса «Карты метрик» прошли люди из разных сфер: логистики, ритейла, производства, юридической компании, маркетингового агентства, консалтинга для девелоперов, экспедиторской сети, B2B SaaS. Боли у них одни и те же, неважно какими BI-инструментами они пользуются. Дашборд превращается в фоновую картинку для обсуждений. Между "выручка упала на 8%" и "что с этим делать в понедельник" – пропасть в 5–10 шагов. И эту пропасть никто не закрывает. Как сказал Андрей: метрики – это нервная система бизнес-процесса. BPM-схема процессов – это скелет, инструкции – это мышцы, а вот метрики дают импульс. Когда на дашборде только общая конверсия, видно, что где-то проблемы, но не понятно, где именно. Андрей разложил конверсию на несколько драйверов, и теперь у команды впервые за 3 года есть четкий план на что влиять, чтобы прийти к нужному результату. Записаться на курс

📹 Завтра в эфире: что между требованиями к дашборду и первым графиком Когда аналитика просят "сделать дашборд", он открывает BI инструмент и начинает раскладывать и графики метрики по виджетам. И зря. Между сбором требований и первой плиткой есть отдельный этап мышления, который определяет, поймёт ли пользователь дашборд с первого взгляда или будет каждый раз спрашивать "а на что тут смотреть в первую очередь?". Этот этап Сергей Сидоров (BI Tech Lead в Т-Банке) называет макро-повествованием. Это сценарий, который ведёт пользователя по логике мышления, а не по случайному набору показателей. Завтра Сергей разберёт этот подход, который состоит из 4 шагов: 1. Иерархия. От сырых требований к центральному вопросу и пирамиде драйверов. Что такое Lead и Lag метрики и почему их нельзя складывать в один блок. 2. Последовательность. Как спроектировать путь взгляда пользователя по дашборду. Куда он смотрит первой, второй, третьей, и как этим управлять. 3. Группировка. Как разбить метрики на блоки, чтобы снизить когнитивную нагрузку. Когда пользователь видит 20 KPI без структуры, он не видит ни одного. 4. Контекст. Как для каждой метрики дать ответ на «и что?»: через сравнение с планом, бенчмарками или прошлыми периодами. По исследованию, на которое ссылается Сергей: при продуманном макро-повествовании пользователи дают в 2 раза больше правильных ответов и в 7 раз меньше ошибочных интерпретаций. Конечно же обсудим, как этот подход стыкуется с системой карт и деревьев метрик. Где он начинается, что было до него, и почему дашборд без 2-х предыдущих слоёв всё равно остаётся просто отчётом. Присоединяйтесь завтра, в среду, 6 мая в 18:00 мск Записаться на эфир