Сегодня хочу поделиться с вами своим опытом по использованию тех или иных инструментов в своей работе.
1. UML
UML – унифицированный язык моделирования (Unified Modeling Language) – это система обозначений, которую можно применять для объектно-ориентированного анализа и проектирования. Его можно использовать для визуализации, спецификации, конструирования и документирования программных систем.
Уверен, что все, кто каким-либо образом замешаны в разработке ПО — видели UML-диаграммы. Это незаменимый инструмент, особенно в работе системного аналитика, когда необходимо понятно для всей команды описать интеграцию систем, например, с помощью диаграммы последовательностей.
Например, вот часть диаграммы, на которой описан процесс регистрации.
Даже тот, кто не знаком со спецификой обозначений UML вполне сможет понять, что происходит на этой схеме. И это лишь часть того, что позволяет сделать UML.
2. BPMN
Business Process Model and Notation (нотация моделирования бизнес-процессов) — это система условных обозначений, которая отображает бизнес-процессы с помощью блок-схем. BPMN диаграмма показывает в какой последовательности совершаются рабочие действия и перемещаются потоки информации.
BPMN удобно использовать не для описания технической части проекта, а для описания, например, workflow какого-либо процесса. Наглядная схема показывает, где в процессах есть узкие места или вовсе тупики, из-за которых клиенты уходят или не заканчивают целевое действие (заявка, покупка, звонок). BPMN подсвечивает места, которые можно улучшить и моделирует способы адаптации под новые условия.
Правда, иногда, описывая процесс, который постоянно разрастается, обрастая новыми фичами — диаграмма становится невероятно объемной. Но даже в таком случае наличие диаграммы сильно облегчает понимание и последующую аналитику, иначе как на основании одних лишь ТЗ и остальной эксплуатационной документации разобраться, что происходит вот тут:
3. Confluence
Confluence — wiki-подобная система для внутреннего использования организациями с целью создания единой базы знаний.
Опять же, мало кто из людей, участвующий в разработке ПО не слышал и не пользовался таким инструментом.
Очень удобная вещь, в которой можно описывать всю необходимую документацию проекта — архитектуру, дизайн, ТЗ — всё что угодно. Большое количество плагинов также благоприятно сказывается на удобстве использования этой системой и позволят настроить её под вашу команду.
Однако, лично для меня он имеет ряд недостатков и неудобств в использовании. Особенно в части непосредственного написания текста, ибо регулярно встречаются проблемы с форматированием, съезжающими списками, кривыми вставками изображений и пр.
Когда на проекте большая команда, и над документом одновременно работают несколько аналитиков (например, правка документации микросервиса, который меняется в одном релизе в рамках разных задач), становится неудобно отслеживать изменения, формировать диффы для постановки задач на разработку, да и просто одновременно работать.
Поэтому переходим к следующему пункту.
4. Asciidoc + git
Столкнувшись с проблемами, описанными выше при работе в Confluence, мы с командой начали искать пути решения. Была предложена связка asciidoc + git. И это стало потрясающим открытием для меня.
Во-первых, с asciidoc очень приятно работать, нет никаких проблем с рендером текста в визуал. Да, необходимо потратить некоторое время, чтобы разобраться с языком, но это всё окупается сторицей (особенно удобной оказалась фича, когда часто повторяющийся в документации текст, можно оформить в шаблон с помощью плагина и потом просто вставлять в нужные места с помощью одной кнопки).
Во-вторых, избавились от проблем с одновременной работой нескольких аналитиков над одним сервисом. Опять же, пришлось потратить некоторое время на создание репозиториев в git под каждый сервис и перенос туда существующей документации. Однако после этого можно было спокойно отводить ветки от мастер-ветки, вносить изменения, создавать MR (merge request). Опять же — удобно согласовывать MR между аналитиками и удобно отдавать их в разработку, т.к. git отлично отображает все изменений между ветками, в отличие от Confluence. В итоге вся документация из git, с помощью плагина git4c, вставлялась в Confluence, который также рендерил asciidoc в нормальный текст.
С Asciidoc я работал через IDEA. С помощью плагина AsciiDoc преобразует asciidoc в обычный текст. Выглядит это примерно так:
На этом мой базовый набор заканчивается. Если вы до сих пор пишите требования в Word/Excel, рекомендую попробовать, очень экономит время и силы.
Поделитесь в комментариях, если есть еще какие-то важные инструменты для работы аналитика.
Источник: habr.com
Обзор систем аналитики: маркетинговой, сквозной, продуктовой. Какие системы аналитики и для чего интегрировать в продукт
Этот пост написан Антоном Елфимовым, аналитиком-консультантом. С 2012 года Антон помогает компаниям внедрять и получать инсайты из систем аналитики (Google Analytics, Mixpanel, Amplitude, Appsflyer и т.д.)
Далее повествование ведется от лица Антона.
Ко мне часто обращаются с вопросом: «Мы планируем внедрять аналитику в продукт. Какие системы аналитики стоит использовать?»
Любая система аналитики — это всего лишь инструмент. Поэтому при выборе системы аналитики для вашего продукта вам нужно сначала составить список задач, которые вы хотите решать с ее помощью.
Типы аналитических задач и соответствующие системы аналитики
Системы аналитики и соответствующие им аналитические задачи можно разделить на следующие типы:
- системы маркетинговой аналитики (расчет стоимости привлечения и ROI, отслеживание источников трафика);
- системы продуктовой аналитики (анализ поведения пользователей в продукте, анализ влияния продуктовых изменений на пользователей);
- системы для глубокого продвинутого анализа данных (глубокая продуктовая аналитика, построение прогнозных моделей, поиск корреляций между действиями пользователей);
- системы мониторинга (все ли хорошо с продуктом на разных уровнях его функционирования).
Далее мы обсудим все основные типы аналитических задач и инструменты для их решения.
↓ Другие материалы этой серии:
Системы маркетинговой аналитики и задачи, которые они решают
Маркетинговой команде важно уметь отслеживать трафик и понимать, как он проходит сквозь воронку привлечения, как конвертируется на каждом этапе.
Поэтому для маркетинговой аналитики нужны инструменты, которые решают следующие задачи:
- Определение источника трафика, лидов, регистраций, установок, клиентов;
- Расчет стоимости привлечения лида, регистрации, установки приложения (CPL, CPR, CPI) и стоимость привлечения клиента (CAC);
- Расчет ROI/ROMI по платным рекламным кампаниям и каналам с применением разных моделей атрибуции.
Инструменты для маркетинговой аналитики для веб-сервисов и мобильных приложений отличаются, поэтому будем с ними разбираться отдельно.
Сквозная маркетинговая аналитика для веб-сервисов
Основные задачи маркетинговой аналитики для веб-сервисов решают с помощью инструментов сквозной аналитики.
Инструменты сквозной аналитики работают по следующему алгоритму:
- Выгрузить данные о расходах из рекламных систем (Google Ads, Яндекс Директ, Facebook Ads и тд).
- Выгрузить данные о целевых действиях (регистрациях, заказах, оплатах) и о доходах из CRM или базы данных.
- Загрузить данные о расходах и доходах в единую базу данных и объединить их по какому-либо общему параметру (user_id, client_id).
- Построить нужные маркетологу отчеты с возможностью переключать модели атрибуции конверсий.
- Принять решение о том, какие кампании масштабировать, какие улучшать, какие остановить.
Чтобы понять, что такое модель атрибуции, какие они бывают, как работают и какие в них есть подводные камни, рекомендую посмотреть видео Ильи Красинского.
Есть два типа решений сквозной аналитики:
- Сервисы сквозной аналитики (Roistat, Alytics, Rick.ai, Calltouch, Comagic, Primegate, Utmstat и другие).
- Сборные схемы сквозной аналитики.
Сервисы сквозной аналитики закрывают большинство задач маркетинговой аналитики с помощью своих базовых отчетов. Если данные о лидах и клиентах у вас хранятся в одной из популярных CRM, то это сервисы можно быстро настроить, часто без помощи разработчиков.
Если нужна очень большая гибкость в отчетах, то в этом случае вы можете собрать свое решение для маркетинговой сквозной аналитики. Для этого понадобятся следующие составные части:
- Хранилище данных (Google BigQuery, Google Analytics, RedShift, ClickHouse и другие).
- Коннекторы для передачи данных о расходах и доходах (OWOX BI Pipeline, Stitch, GA Connector и другие).
- Визуализаторы (Google Data Studio, Power BI, Tableau, Redash и другие).
Я рекомендую для расширенной маркетинговой аналитики использовать связку Google Analytics + OWOX BI Pipeline + Google BigQuery + Google Data Studio.
↓ Чтобы глубже разобраться в том, как создаются, развиваются и масштабируются продукты, пройдите обучение в симуляторах GoPractice.
→ В «Симуляторе управления продуктом на основе данных» вы научитесь принимать решения с помощью данных и исследований при создании продукта.
→ В «Симуляторе управления ростом продукта» найдете пути управляемого роста и масштабирования продукта.
→ В «Симуляторе SQL для продуктовой аналитики» поймете, как применять SQL для решения продуктовых и маркетинговых задач.
→ В «Симуляторе управления ML/AI-проектами» научитесь применять технологии машинного обучения с пользой для бизнеса.
→ Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом. Вы определите свои сильные стороны и слепые зоны, получите план профессионального развития.
→ Еще больше ценных материалов и инсайтов — в телеграм-канале GoPractice .
Маркетинговая аналитика для мобильных приложений
Проанализировать эффективность каналов привлечения для мобильных продуктов сложнее, чем для веб-сервисов, так как между переходом пользователя по рекламе и установкой приложения находится посредник — магазин приложений: App Store или Google Play. Именно на этом шаге информация об источнике трафика теряется.
Для решения задачи определения источника трафика для новых пользователей мобильных приложений используют специальные системы для аналитики и атрибуции мобильного трафика. Для маркетинговой аналитики мобильных продуктов обычно используют:
Системы маркетинговой аналитики для мобильных приложений работают следующим образом (это упрощенная схема для вашего понимания):
- Вы создаете в интерфейсе системы аналитики специальную ссылку и используете ее в рекламной кампании.
- Когда пользователь кликает по рекламной ссылке, то он сначала попадает на сервис редиректов системы аналитики, а лишь потом в магазин приложений. Для пользователя это все происходит бесшовно, то есть выглядит просто как переход в магазин приложений. Но на этом промежуточном этапе система аналитики сохраняет информацию о пользователе и о его источнике трафика.
- Пользователь устанавливает приложение и запускает его. SDK системы аналитики (интегрируется в приложение заранее), отправляет событие установки на сервер системы аналитики с информацией про пользователя.
- В этот момент система аналитики находит соответствие между теми, кто проходил через ее сервис редиректов, и информацией о новом пользователе, таким образом определяя источник трафика. Если соответствия нет, то система аналитики считает, что этот пользователь пришел органически.
- Далее SDK системы аналитики отправляет дополнительные данные о действиях пользователя в приложении (например, прохождение онбординга, покупки) на сервер системы аналитики.
- Система аналитики также получает от рекламных систем данные о расходах по рекламным кампаниям.
- Система аналитики связывает между собой данные о кликах по рекламе, установках приложения, расходах и доходах от покупок внутри приложения.
Подробнее прочитать про то, как работают алгоритмы определения источников установок мобильных продуктов, можно здесь .
Таким образом, в системе аналитики вы видите статистику в разбивке по каналам и кампаниям: объем трафика, конверсии, расходы и доходы. Далее эти данные можно анализировать в любых удобных вам срезах.
Системы продуктовой аналитики и задачи, которые они решают
У продакт-менеджеров и других членов продуктовых команд есть большой пласт задач, связанный с пониманием продукта и его пользователей:
- Поиск препятствий на пути пользователя к решению задачи в продукте;
- Оценка популярности разной функциональности продукта;
- Измерение эффекта от сделанных изменений на ключевые продуктовые метрики;
- Оценка результатов А/В тестов.
Эти задачи можно решить с помощью инструментов продуктовой аналитики, в которых есть готовые отчеты для анализа воронок, когортного анализа, расчета Retention, анализа монетизации и т.д.
Наиболее яркими представителями сервисов для продуктовой аналитики являются:
- Amplitude;
- Mixpanel;
- Woopra;
- Heap Analytics.
Из огромного количества систем аналитики хочется отдельно выделить Amplitude как оптимальный инструмент для тех, кто сфокусирован на развитии продукта. У этой системы аналитики есть бесплатный тарифный план с очень хорошим пакетом базовых отчетов и большим лимитом событий (10 млн событий в месяц).
Amplitude — это базовая система продуктовой аналитики, которую можно использовать для решения разных типов аналитических задач:
- есть бесплатный план с базовыми отчетами, которые закрывают 80-95% задач продуктовой аналитики;
- есть возможность выгружать данные, чтобы потом обработать в Excel/Google Spreadsheets;
- есть возможность подключить BI-инструменты, чтобы делать кастомные отчеты и более глубокую продуктовую аналитику;
- можно создавать дашборды для всей команды, чтобы мониторить метрики продукта на разных уровнях воронки;
- можно даже настроить передачу данных о каналах привлечения и оценивать маркетинговые метрики, но все же лучше для этого использовать специализированные сервисы.
Для решения задач более глубокой аналитики (создания кастомных отчетов, поиска корреляции между действиями в продукте, построения прогнозных моделей для выручки или оттока пользователей) нужны инструменты BI-анализа и визуализации данных.
Для этих задач обычно используют Power BI, Tableau, Google Data Studio. Для работы с этими инструментами потребуются знания SQL или Python.
Обзор типов систем аналитики: от маркетинговой до глубокой продуктовой аналитики
Для решения разных типов аналитических задач вам нужны разные инструменты. В зависимости от стадии развития вашего продукта и типа аналитических задач вам надо выбрать от 1 до 4 систем аналитики, каждая из которых закрывает аналитические задачи разных типов.
Некоторые аналитические системы помогают решать несколько типов аналитических задач, например, Google Analytics можно использовать для маркетинговой аналитики и для продуктовой аналитики при грамотной настройке отправки событий из продукта.
Хорошей практикой является интеграция как минимум двух систем аналитики в свой продукт. Это нужно для подстраховки, чтобы, например, сделать быструю проверку данных в обеих системах перед принятием важных и рискованных решений. Также если в одной из систем аналитики что-то пойдет не так и данные потеряются, то будет возможность проанализировать данные в другой системе.
Оптимальный набор аналитических инструментов для мобильных и веб продуктов
На практике оптимальный набор аналитических инструментов для веб-продуктов выглядит следующим образом:
- Segment в качестве Customer Data Hub;
- Google Analytics;
- OWOX BI Pipeline или Stitch Data;
- Amplitude;
- Mode Analytics (для задач продвинутой аналитики данных).
Оптимальный набор аналитических инструментов для мобильных продуктов:
- Segment в качестве Customer Data Hub;
- Firebase (бесплатная система аналитики на всякий случай);
- Appsflyer (система маркетинговой аналитики);
- Amplitude (система продуктовой аналитики);
- Mode Analytics.
В обоих наборах есть Mode Analytics в качестве системы аналитики для продвинутых задач. В Mode можно использовать SQL, Python и R для анализа данных, строить практически любые дашборды и отчеты и делиться ими с коллегами.
Источник: gopractice.ru
Профессия «Аналитик» — подробный обзор
Иногда мы сами не замечаем, как обрабатываем большие объёмы информации, чтобы сделать выводы и принять верное решение. Исследователи из Frost width: 507.287px;»>Специализация
Мой опыт работы аналитиком данных. Реальные задачи
Все, что нужно знать о профессии аналитика данных
Если оценивать зарплаты аналитиков по уровню специалиста, то выходит такая картина:
| Начинающий | Опытный | Профессионал |
| 65—75 000 ₽ | 80—110 000 ₽ | 110—200 000 ₽ |
Плюсы и минусы профессии «Аналитик»
Когда мы представляем себе аналитика, нам кажется, что это человек, который со всех сторон обложен папками с таблицами и расчётами, которые часами изучает, сопоставляет с данными в компьютере, вводит какие-то формулы и вносит цифры в программу. Со стороны работа аналитика может выглядеть скучной и однообразной, но у неё есть ряд преимуществ, которые незаметны человеку «не в теме». Вместе с тем, недостатки у профессии тоже имеются.
Рассмотрим подробнее плюсы и минусы работы аналитика:
- высокий и стабильный спрос
- достойная оплата труда
- подходим людям с аналитическим складом ума
- всегда поступают свежие данные для исследования
- хорошие условия труда, так как вакансии чаще открыты в крупных и международных компаниях
- возможность выйти на международный рынок труда
- перспектива вести частный бизнес и консультировать клиентов как приглашённый специалист
- монотонная работа
- большая часть дня проходит за компьютером
- возможны проблемы со зрением и со спиной
- могут возникнуть споры с клиентом из-за несогласия с результатами аналитики
Навыки, необходимые для аналитика
Аналитик должен обладать такими навыками:
- понимать методы и приёмы анализа и знать основы статистики;
- хорошо знать математику, чтобы производить точные расчёты;
- владеть основами объектно-ориентированного программирования и иметь представление о базовых принципах разработки и проектирования программного обеспечения;
- понимать теорию алгоритмов и безопасности информации и основы системного анализа;
- уметь работать в специальных программах и приложениях,
Программы, которые могут пригодиться в работе аналитика:
Помимо этого, аналитик данных должен владеть общими знаниями из экономики, менеджмента и бухгалтерского учёта.
Если говорить о системной аналитике, то такой специалист должен разбираться в системном анализе и разработке тестов для ПО. Он должен уметь документировать, формализовать и моделировать процессы по нотациям ERM, DFD и eEPC и на языке моделирования UML. Плюсом для таких специалистов станет владением одним или несколькими языками программирования — C++, R или Python.
Личностные качества аналитика
Аналитика данных подходит не всем людям, ведь если специальным навыкам может обучиться практически каждый, то с личными качествами всё сложнее. Чтобы работа приносила радость, она должна нравиться, а для этого надо, чтобы человек правильно выбрал дело жизни.
Часто рабочий день аналитика проходит за долгим и тщательным изучением огромного массива данных, поэтому специалист обязан быть педантичным, внимательным и въедливым, чтобы не допустить неточностей в расчётах и прийти к верным выводам.
Другие личные качества аналитика:
- аналитический ум,
- хорошая память,
- любознательность,
- наблюдательность,
- усидчивость,
- настойчивость,
- аккуратность,
- терпение,
- ответственность.
Как стать аналитиком
Аналитиком можно стать, отучившись в вузе на соответствующем факультете — РАНХиГС, РЭУ имени Плеханова НИУ ВШЭ, МГИМО и другие вузы выпускают специалистов этого направления. Но вариант с высшим образованием подходит тем, кто выбрал профессию ещё в школе и сразу по окончании поступил на нужный факультет.
Если же вы решили стать аналитиком во взрослом возрасте, имея за плечами диплом другой или смежной специальности, тратить 3-5 лет на второе высшее не всегда целесообразно. Во-первых, это отнимает много времени и не всегда позволяет совмещать учёбу с работой. Во-вторых, второе высшее может дорого обойтись.
Есть еще один способ, где учат на аналитика — на онлайн-курсах. Это сэкономит много времени и денег и позволит учиться у опытных экспертов, на практике и совмещая с работой или учёбой по другому направлению.