Блог про аналитику

Я давно хотел написать этот пост про retention curve  (кривую удержания). Дело в том, что современная клиентская аналитика развивается очень быстро. SaaS компаний с инструментами аналитики достаточно много. Но не каждая смогла сделать значимый вклад в новые подходы к аналитике. Тем не менее, для себя я могу выделить следующие компании, которые сильно повлияли на мое видение аналитики и на мой подход к онлайн-маркетингу через аналитику. Итак, в 2012 году я равнялся на Kissmetrics.com ; в 2013 это была уже RJMetrics.com ; в 2014 году это была  Custora.com ; в 2015 году это была  Optimove.com И вот в 2016 году я познакомился с think-tank компанией  Amplitude.com . Мое глубокое убеждение в том, что компания предоставляющая аналитический продукт не удержит свои позиции, если будет просто создавать еще один продукт (даже если он будет немного быстрее и удобнее). Аналитическая компания должна искать новые способы выжать больше инсайтов из данных, отобразить суть происходящего ко

Впервые я познакомился с метрикой ARPU ( A verage R evenue P er U ser) еще в телекоме. Суть ее очень проста - рассчитать среднюю доходность клиента. На языке DAX ее можно было бы рассчитать вот так: ARPU (classic):= SUM (  tbl_orders[payment_amout]  )  /  DISTINCTCOUNT  (  tbl_orders[user_id]  ) Однако в некоторых индустриях (в частности в free-to-play играх) ARPU часто несет несколько иной смысл. ARPU понимают как - среднюю доходность игрока . Игрок может платить, а может и не платить и просто бесплатно играть. Здесь расчет уже использует не только таблицу транзакций, но и таблицу пользователей. ARPU := SUM (  tbl_orders[payment_amout]  )  /  COUNT  (   tbl_users [user_id]  ) Соответственно необходимо ввести еще одну метрику ARPpU ( A verage R evenue P er P aid U ser) - средняя доходность на платящего игрока : ARPpU := SUM (  tbl_orders[payment_amout]  )  /  DISTINCTCOUNT  (  tbl_orders[user_id]  ) ARP(p)U метрика очень волатильная, а потому часто возникает вопрос - к

Впервые я столкнулся с метриками DAU / MAU когда про них упомянули в контексте игр на facebook в далеком 2009 году. И хотя, я уверен, серьезные игроки давно уже не полагаются на эти метрики роста , тем не менее для многих маркетологов они оказались весьма привлекательными. Сегодня мы поговорим почему эти метрики так привлекательны и опасны одновременно. Начнем с их определения. DAU ( Daily Active Users ) это сколько (уникальных) клиентов воспользовались вашим сервисом (обычно - залогинились) в конкретный день. MAU ( Monthly Active Users ) это сколько (уникальных) клиентов воспользовались вашим сервисом за последний месяц (или последние 30 дней).  DAU / MAU это какой % наших (уникальных) клиентов повторно воспользовались вашим сервисом за период. Это так называемый "stickiness". Какие есть плюсы их использования? Первое:  считать такие метрики очень просто. На языке DAX расчеты могли бы выглядеть вот так. [DAU] := DISTINCTCOUNT  (  tbl_users[user_id]  )