Продуктами управляют Коты

10 правил AI-аналитики продукта - на котиках 🐈 AI - быстрый кот-помощник, а не всезнающий кот-директор. Он ищет закономерности и ускоряет расчёты, но выводы остаются ответственностью аналитика. 1. Сначала вопрос, потом миска данных Кот не изучает весь холодильник. Сначала нужно понять, что искать: корм, молоко или сосиску. Анализ начинается с решения: почему упала Activation, где сломан Funnel, вырос ли Retention после релиза. Запрос «найди что-нибудь интересное» создаёт шум. Хороший запрос содержит метрику, сегмент, период и бизнес-действие. 2. Проверяй, что лежит в миске Даже умный кот не приготовит хороший обед из испорченного корма. Перед анализом проверяют события, дубли, пропуски и определения метрик. Если purchase_success стал отправляться дважды, AI сообщит о росте Conversion, хотя продукт не изменился. 3. Мурчание ещё не означает ценность Кот, который заглянул в комнату, не обязательно поиграл, поел или остался доволен. Пользователь не становится Active только из-за открытия приложения. Нужен Critical Event - действие, связанное с ценностью: заказ, сохранённый документ, прослушанный трек, ставка на реальные деньги. Activation Rate = Activated Users / New Users Если считать Activation по входу, команда будет оптимизировать уведомления, а не ценность. 4. Не смешивай всех котов в одну стаю Средний кот имеет четыре лапы, но среднее может скрыть реальную картину. Метрики нужно разбирать по Cohort, платформе, стране, каналу и поведению. Общий Retention может вырасти из-за большей доли старых пользователей, хотя Retention новых Cohort упал. Это структурный сдвиг и риск Simpson’s paradox. 5. Смотри на весь путь кота к миске Недостаточно знать, сколько котов пришло. Нужно понять, сколько нашли миску и вернулись завтра. Acquisition → Activation → Engagement → Retention → Monetization Рост Acquisition при падении Activation и Retention нельзя считать здоровым. Revenue может отреагировать позже как Lagging Indicator. 6. Различай следы лап и пойманную мышь Следы показывают охоту, пойманная мышь - результат. Leading Indicators дают ранний сигнал: onboarding, использование ключевой функции, частота Critical Event. Lagging Indicators показывают итог: D30 Retention, LTV, Revenue. Нужны Guardrail Metrics. Если рекомендации увеличили клики, но снизили Conversion и повысили жалобы, локальный рост Engagement навредил продукту. 7. Кот сидит у холодильника не потому, что холодильник его позвал Correlation ≠ Causation. Высокий Retention пользователей AI-функции не доказывает её эффект: её могут выбирать самые активные. Возможны selection bias, confounding variables и обратная причинность. Корреляция создаёт гипотезу, но не доказывает эффект. 8. Два кота - ещё не эксперимент Один кот попробовал новый корм и замурлыкал. Это не значит, что корм понравится всем. Для A/B-теста нужны случайное распределение, контрольная группа, Primary Metric, Sample Size, Confidence Interval и Guardrail Metrics. Uplift = Conversion B - Conversion A Рост с 10% до 11% ещё не доказывает победу: разница может быть статистическим шумом. 9. Новые котята не спасут дырявую корзину Можно приносить новых котят, но если все убегают, семья не растёт. Acquisition без Retention создаёт иллюзию роста. Смотрите отдельно New, Current, Resurrected и Dormant Users. Retention считают по естественному Usage Interval продукта: дневному, недельному или месячному. 10. AI не должен становиться главным котом Кот может принести носок и уверенно назвать его мышью. Уверенность не делает вывод правильным. Ответ AI - гипотеза, пока её не подтвердили данные, SQL, сегментация или эксперимент. AI полезен для поиска аномалий, гипотез и расчётов. Но решение требует контекста и проверки аналитика. Формула хорошей AI-аналитики: Качественные данные + корректные метрики + сегментация + статистика + причинное мышление + бизнес-контекст. Не: ответ AI + много графиков Приходи 25 июля на воркшоп по AI-аналитике. Для обладателей LinkedIn Friends All Courses Pass.

20 советов, как не проебаться с когнитивными искажениями в продуктовой аналитике Главная проблема не в том, что аналитики «не знают статистику». Проблемма в том, что мозг очень быстро объясняет уже увиденный результат. Поэтому искажения нужно ловить не силой воли, а процессом. 1. Формулируй гипотезу до анализа. Иначе почти наверняка найдёшь объяснение под уже полученные цифры. 2. Заранее фиксируй Primary Metric, Guardrails, MDE, окно измерения и критерий остановки. 3. Для каждого вывода пиши минимум три альтернативных объяснения. 4. Не путай корреляцию с причинностью. Пользователи фичи могут быть изначально активнее остальных. 5. Разделяй Exploratory и Confirmatory Analysis. Нашёл паттерн - проверь его на новых данных. 6. Не занимайся p-value fishing. Чем больше срезов и метрик, тем выше шанс случайной «значимости». 7. Не принимай решение только по p-value. Смотри на Effect Size, Confidence Interval и бизнес-эффект. 8. Определи MDE заранее. Статистически значимый рост может быть экономически бессмысленным. 9. Не останавливай A/B-тест, когда результат впервые стал красивым. 10. Проверяй Sample Ratio Mismatch, качество рандомизации, пересечения групп и ошибки трекинга. 11. Не анализируй только «выживших». Смотри и на тех, кто не дошёл до Activation, оплаты или Retention-события. 12. Помни про Selection Bias. Users of Feature ≠ случайная группа пользователей. 13. Всегда режь агрегат по ключевым сегментам: New / Current / Resurrected, GEO, канал, платформа, тариф, плательщики. 14. Проверяй парадокс Симпсона. Общая метрика может расти только из-за изменения структуры трафика. 15. Не путай эффект изменения с регрессией к среднему. Самые плохие сегменты часто частично восстанавливаются сами. 16. Контролируй сезонность, акции, зарплатные дни, праздники, релизы и технические сбои. 17. Не смотри только на среднее. Проверяй медиану, квантили, дисперсию, выбросы и концентрацию Revenue. 18. Не оптимизируй Vanity Metrics. DAU, клики, регистрации и Bets Sum сами по себе ещё не означают рост ценности. 19. Не смотри на одну метрику без системы ограничений. Conversion может вырасти вместе с Refund Rate, а Bets Sum - вместе с падением NGR. 20. Перед финальным выводом проведи pre-mortem: - какая ошибка данных могла создать эффект? - какой Confounder мы не учли? - какой сегмент может перевернуть вывод? - какая Guardrail Metric ухудшилась? - воспроизведётся ли результат на новой выборке? Надёжный вывод обычно требует одновременно: корректных данных, заранее заданной гипотезы, сопоставимых групп, достаточной мощности, проверки сегментов, Effect Size, Confidence Interval, Guardrails и альтернативных объяснений. Главное правило: чем сильнее вывод влияет на Roadmap, Revenue и пользователей, тем больше независимых проверок он должен пережить. Увидимся 25 июля на воркшопе по AI-аналитике. Для обладателей LinkedIn Friends All Courses Pass.

🎸 3 принципа создателя Ultimate Guitar Жени Найдёнова Если вы хоть раз искали аккорды в интернете, то почти наверняка пользовались Ultimate Guitar. Теперь это еще и большая корпорация из множества цифровых продуктов. Вот три принципа, которые, сделали сервис крупнейшей гитарной платформой в мире. 1. Нет единственно правильной версии 🎶 На Ultimate Guitar можно найти несколько вариантов табов для одной и той же песни. И это осознанный подход. Женя убеждён: музыку не нужно загонять в рамки. Каждый гитарист вправе играть так, как ему удобно, адаптировать песню под себя и выбирать ту версию, которая вдохновляет именно его. 2. Простота важнее «красоты» 🎸 Страница с табами годами остаётся практически неизменной: белый фон, чёрный текст - ничего лишнего. Почему? Потому что задача сервиса — не впечатлить дизайном, а помочь человеку играть. Без перегруженного интерфейса и без сложных музыкальных терминов, которые отпугивают новичков. 3. Пользовательский контент + проверяемое качество 🤝 Ultimate Guitar вырос благодаря тысячам табов, которые создавали сами музыканты. Позже команда усилила платформу профессиональным контентом, купив крупнейшее музыкальное издательство Hal Leonard. В итоге рядом существуют и любительские подборы, и профессиональные аранжировки от крупнейшего в мире музыкального нотного издательства - каждый выбирает то, что подходит именно ему. 💬 «Забейте на то, что вам говорят, как правильно играть. Играйте по-своему и присылайте свой материал на Ultimate Guitar. Мало ли кому он пригодится». — Женя Найдёнов. Когда продукт побеждает не за счёт сложных технологий, а благодаря понятной философии и уважению к своим пользователям. Смотрим тут: https://youtu.be/UIQrVMS0q0g

@durov, верни t.me, ты шо

Уже почти 25 лет играю на гитаре и когда начинал, сразу наткнулся на сервис Ultimate Guitar. Только в 2018 узнал, что его сделали русскоязычные ребята. Вот, спустя четверть века записал подкасты / интервью с фаудером сия сервиса и группы компаний Muse Group - Евгением Найденовым. Держите первую часть на моем гитарном канале: https://youtu.be/UIQrVMS0q0g

📊 10 сервисов, где можно бесплатно открыть демо-кабинет аналитики Здесь можно не просто посмотреть презентацию, а зайти в интерфейс, изучить готовые данные и самостоятельно покрутить Dashboard, Funnel, Retention, Cohort или источники трафика. 🟢 - готовые данные доступны сразу 🟡 - потребуется регистрация, trial или установка 1. Amplitude 🟢 Один из лучших тренажёров Product Analytics. Demo account уже заполнен событиями: можно строить Funnel, Retention, сегментации, Cohort и анализировать Engagement. 🔗 https://amplitude.com/explore-demo 2. Mixpanel 🟢 Интерактивная demo-среда с sample datasets для разных типов продуктов. Подходит для анализа событий, Conversion, пользовательских путей, Retention и сегментов. 🔗 https://mixpanel.com/demo/ 3. Google Analytics 4 🟢 Полнофункциональный demo account с реальными данными Google Merchandise Store и игры Flood-It!. Можно изучать Acquisition, e-commerce, аудитории, события и Revenue. 🔗 https://support.google.com/analytics/answer/6367342 4. Countly 🟢 Вместо статичного датасета предлагает Data Populator. Он генерирует Sessions, Events, Funnel, покупки, профили пользователей и другие тестовые данные. Отличный вариант для проверки Tracking Plan. 🔗 https://support.countly.com/hc/en-us/articles/30459042381977-Data-Populator 5. Whatfix Product Analytics 🟢 Demo Mode с готовыми отраслевыми данными. Можно изучать Funnel, User Journeys, Cohort, User Lists и Ask Whatfix AI. 🔗 https://support.whatfix.com/product-analytics/docs/access-insights-in-demo-mode 6. Matomo 🟢 Публичная online demo с реальными данными. Подходит для изучения web-аналитики, источников трафика, Campaign, Conversion и поведения посетителей. 🔗 https://demo.matomo.cloud/ 7. Plausible Analytics 🟢 Открытый live Dashboard с простой privacy-first аналитикой. Можно посмотреть посетителей, страницы, источники трафика, страны, устройства, Campaign и Goals. 🔗 https://plausible.io/plausible.io 8. Pirsch Analytics 🟢 Интерактивная live demo web-аналитики. Есть Dashboard, фильтры, события, цели, Conversion и анализ трафика без сложного интерфейса GA4. 🔗 https://pirsch.io/demo 9. Simple Analytics 🟢 Публичный кабинет с реальной статистикой сайта самого сервиса. Можно фильтровать страницы, источники, страны, браузеры и события. 🔗 https://dashboard.simpleanalytics.com/simpleanalytics.com 10. Metabase 🟡 BI-платформа, которая запускается с готовой Sample Database: Orders, People, Products и Reviews. Можно строить SQL- и no-code-запросы, графики и Dashboard до подключения собственной базы. 🔗 https://www.metabase.com/glossary/sample-database 🔥 Что выбрать для обучения Product Analytics: Amplitude → Mixpanel → Countly Marketing и Web Analytics: GA4 → Matomo → Plausible BI и построение Dashboard: Metabase Лучше не просто изучать интерфейс, а решать конкретные задачи: - найти узкое место в Funnel; - сравнить Retention разных Cohort; - определить Activation Event; - сегментировать пользователей; - связать поведение с Conversion и Revenue. Подробнее разобраться, как данные интерпретировать, что работает, а что нет, можно при помощи наших авторских материалов в LinkedIn Friends All Courses Pass. 25 июля мы проведем воркшоп по AI-аналитике. Это будет мощно.

10 книг для хакинга вашей карьеры (без инфоцыганства) 1. «Дизайн вашей жизни» - Билл Бернетт, Дэйв Эванс Карьерное проектирование через гипотезы, прототипы и небольшие эксперименты вместо поиска одного «призвания». 2. «Обретая Я» - Эрминия Ибарра Как менять профессию через новые роли, проекты и связи, а не через бесконечный самоанализ. 3. «Хватит мечтать, займись делом!» - Кэл Ньюпорт Почему редкие навыки и профессиональный капитал надёжнее совета «просто следуй за мечтой». 4. «Первые 90 дней» - Майкл Уоткинс Система входа в новую должность: диагностика, быстрые победы, отношения, приоритеты и управление ожиданиями. 5. «Не работайте с мудаками» - Роберт Саттон Как распознавать токсичное поведение, защищать себя и команду и не давать рабочей среде разрушать результат. 6. «Власть. Почему у одних она есть, а у других нет» - Джеффри Пфеффер Реалистичный разбор влияния, статуса, организационной политики и правил карьерного продвижения. 7. «Переговоры без поражения» - Роджер Фишер, Уильям Юри, Брюс Паттон Гарвардский метод переговоров: интересы вместо позиций, объективные критерии и сильная альтернатива соглашению. 8. «Брать или отдавать?» - Адам Грант Исследования о том, как взаимность, помощь другим и личные границы влияют на карьеру и профессиональный успех. 9. «Действуй как лидер, думай как лидер» - Эрминия Ибарра Как перейти на новый уровень через расширение задач, сети контактов и лидерского поведения. 10. «Диапазон» - Дэвид Эпштейн Почему широкая база, эксперименты и перенос знаний между областями часто сильнее ранней узкой специализации. А все это вместе в LinkedIn Friends All Courses Pass в авторском изложении.

Почитать и сохранить 94 pdf по метрикам, AI, Growth и аналитике 📚 3 топ Гайда от Claude и Anthropic 📚 8 гайдов, которые научат вас AI без воды и говна 📚 10 pdf-гайдов по iGaming метрикам, продуктам, рынкам, поведению 📚 7 гайдов по метрикам, являющихся хрестоматией data-driven мышления 📚 33 гайда, которые откроют вам глаза на продукт, метрики и маркетинг 📚 5 гайдов про метрики продукта 📚 10 открытых гайдов по Product Management 📚 10 гайдов по менеджменту для начинающих и не только 📚 8 гайдов от Amplitude, на которые я не перестаю молиться Приходи 25 июля на воркшоп по AI-аналитике для обладателей LinkedIn Friends All Courses Pass.

50 AI-терминов, которые нужно знать продакту на собесе 1. LLM — большая языковая модель 2. Foundation Model — базовая AI-модель 3. Transformer — архитектура современных LLM 4. Context Window — память модели в одном запросе 5. Token — минимальная единица текста 6. Prompt — инструкция для AI 7. Prompt Engineering — создание эффективных промптов 8. System Prompt — скрытые инструкции модели 9. Zero-shot — выполнение задачи без примеров 10. Few-shot — выполнение задачи с примерами 11. Chain of Thought (CoT) — пошаговое рассуждение 12. Reasoning Model — модель с усиленной логикой 13. Hallucination — выдуманный ответ модели 14. Temperature — уровень случайности генерации 15. Top-p — ограничение вариантов генерации 16. Embedding — векторное представление данных 17. Vector Database — база эмбеддингов 18. Semantic Search — поиск по смыслу 19. RAG — генерация с внешними знаниями 20. Knowledge Base — база знаний 21. Fine-tuning — дообучение модели 22. Instruction Tuning — обучение следовать инструкциям 23. Inference — работа модели после обучения 24. Latency — скорость ответа 25. Throughput — пропускная способность 26. Context Engineering — управление контекстом 27. AI Agent — автономный AI-исполнитель 28. Agentic Workflow — процесс под управлением агента 29. Workflow — последовательность действий 30. Tool Calling — использование внешних инструментов 31. Function Calling — вызов функций/API 32. MCP — стандарт подключения AI к инструментам 33. Guardrails — ограничения безопасности 34. Evaluation (Eval) — оценка качества модели 35. Benchmark — стандартный тест моделей 36. Grounding — привязка ответа к фактам 37. Structured Output — структурированный ответ 38. JSON Mode — вывод строго в JSON 39. Multimodal AI — работа с текстом, изображениями и аудио 40. Vision Model — модель для изображений 41. OCR — распознавание текста на изображениях 42. STT — речь → текст 43. TTS — текст → речь 44. AI Orchestration — координация моделей и сервисов 45. Multi-Agent System — несколько взаимодействующих агентов 46. Model Routing — выбор лучшей модели 47. AI Observability — мониторинг работы AI 48. Caching — повторное использование результатов 49. Cost per Token — стоимость обработки токена 50. Human-in-the-Loop (HITL) — человек контролирует решения AI 25 июля воркшоп по AI-аналитике для обладателей LinkedIn Friends All Courses Pass.

3 топ Гайда от Claude и Anthropic Building Effective AI Agents: Architecture Patterns and Implementation Frameworks Практический гайд по архитектуре AI-агентов: когда достаточно одного агента, когда нужна multi-agent система, как подключать инструменты через MCP, использовать Skills, память, оркестрацию и наблюдаемость. Отдельно разбираются реальные бизнес-кейсы в разработке, аналитике, поддержке, маркетинге, финансах и других областях. Главная ценность гайда в том, что он помогает выбрать архитектуру под задачу и не построить дорогой рой из 47 агентов там, где справился бы один нормальный. The Code Modernization Playbook Гайд о том, как использовать AI и агентные coding-инструменты для модернизации legacy-систем. Разбирает миграцию между языками и фреймворками, декомпозицию монолитов, обновление архитектуры, восстановление документации и бизнес-логики из старого кода, автоматизацию тестирования и оценку ROI таких проектов. По сути, это инструкция для CTO и engineering-команд: как превратить AI-кодинг из «напиши мне функцию» в инструмент масштабной перестройки существующих систем. The Complete Guide to Building Skills for Claude Самый прикладной из трёх. Пошаговый гайд по созданию Skills для Claude, то есть переиспользуемых пакетов инструкций, знаний, скриптов, шаблонов и рабочих процессов. Объясняет структуру SKILL.md, progressive disclosure, триггеры, связку Skills + MCP, тестирование, отладку и распространение навыков. После него можно собирать собственные специализированные Skills для исследований, работы с продуктом, аналитики, кода, контента или внутренних процессов компании. Больше знаний и скиллов в авторском видеоизложении в LinkedIn Friends All Courses Pass.