Чтобы создать что-то новое, нужно чаще других ошибаться.

Некоторым кажется, что добиваться успеха это исключительно дело везения. Вот ему повезло и он это смог.

Безусловно везение имеет место быть, но еще имеет место быть и упорный труд, и долгий процесс проб и ошибок.

Знаменитая цитата Эдисона “I have not failed. I've just found 10,000 ways that won't work.” Смысл которой в том, что ему пришлось 10 000 (в разных источниках указано разное число) пробовать снова, чтобы получить результат.

По этому если вы сдаетесь слишком рано, или просто боитесь неудач, то вы никогда не создадите ничего по настоящему нового.

Поддержите в начинаниях, подписывайтесь на блог

ну что, у меня начинается временная пауза на посты карточки 😉 сломалось перо, которым все это рисовалось, заказал новое, жду. а пока без карточек, посмотрим как будет развиваться канал.

пока мое перо сломано и я жду нового, решил поделиться тем, чем я занимаюсь с точки зрения юнит-экономики и дерева метрик.

Пришли новые наконечники и думаю с понедельника или ранее, если получится, я восстановлю серию картинок.

пока я готовлю новые карточки решил записать видео, https://youtu.be/GosYQUJbxO8 технически это второе видео в этом году, фактически первое.

Всем привет, пока мои карточки на паузе, я решил, что стоит рассказать вам о других людях, которые делают полезное для общества. Сегодня у нас в гостях Егор Болконский, автор канала @cardsmoneykpi, если вам интересно узнать о том, как использует свои знания для работы с сегментами лидов, то подписывайтесь на него. Ниже он рассказывает о том, как он может быть вам полезен.

Сегодняшний рынок уже не просто про количество лидов. В B2B конкуренция достигла той точки, когда «имя, должность, телефон и e-mail» перестали быть информацией. Это базовый минимум, который есть у всех. Чтобы стать лидером, надо копать глубже: понимать не только, кто человек, но и как устроен его бизнес, какие у него боли и какие процессы внутри команды.

Один и тот же «директор по маркетингу» может быть либо формальной фигурой, либо реальным стратегом с полномочиями. Одна и та же «компания из Москвы» может оказаться стартапом на стадии выживания или зрелым игроком с миллиардным оборотом.

Я хочу поделиться фреймворком анализа качества лидов, который мы сами используем в своем компании и в работе над проектами. Возможно, коллегам будет полезно.

Его основа — это сегментация + персонализация. Набор категорий внутри присваивает каждому лиду баллы — вес: кто он, насколько он релевантен и готов к сделке. Уровень балльной оценки назначаете вы сами исходя из ценности для компании, а конечный результат существенно помогает вам усилить маркетинг и правильно масштабировать каналы.

Сегодня выигрывают не те, кто собрал базу контактов, а те, кто умеет превращать её в карту приоритетов.

Друзья, я все-таки взялся за большой материал про историю финансового моделирования на компьютерах, решил делать не только текст, но и видео.

Хочу показать, как изменялся подход к моделированию с использование компьютеров.

Первая часть уже ушла в монтаж (будет несколько подъсемов и ретро вставок, но главное уже сделано).

В первой части у нас 80-е, я сначала хотел раздобыть оригинальный VisiCalc и Apple II, но в итоге сдался, найти удалось только Lotus 1-2-3 под DOS, но найти компьютер под него не удалось (то не работают дисководы то еще что-то).

В итоге, я решил, поручить задачу LLM Grok, и вуа-ля, за примерно 8 часов (почти также, как и оригинальная версия VisiCalc) был создан простой табличный редактор, который позволяет работать с формулами, импортировать и экспортировать файлы и т.д.

Редактор специально создан в ретростиле, зеленым по черному, как оригинальный VisiCalc – задача, показать, как раньше приходилось работать. Я не ручаюсь, что интерфейс полностью соответствует тому, что было тогда, например, графики я рисую именно как график, но не уверен, что такое было тогда.

В любом случае, подписчики на мой блог https://khanin.info/oldcalc могут уже пользоваться данным творением и использовать его в своих целях.

В целом это очень простой не прихотливый редактор электронных таблиц.

Ограничения: 80 столбцов и 250 строк, это кажется даже больше, чем было в VisiCalc.

Когда я смонтирую видео — то вы сможете увидеть, как с помощью такого редактора, я создаю параметрическую финансовую модель.

Вот уже который год силами NEWHR проводиться исследование рынка аналитиков, а я помогаю узнать об этом.

По этому прошу вас откликнуться и помочь с исследованием.

( пройти опрос )

результаты прошлых лет можно найти тут 2019, 2020, 2022, 2023, 2024.

P. S. Пожалуйста, поделись ссылкой на опрос с коллегами-аналитиками! Чем больше участников, тем точнее и интереснее результаты

Друзья, я записал ролик про историю финансового моделирование, это не сколько исторический ролик, а скорее демонстрация того, что могли системы того времени, на сколько это реально было показать. https://www.youtube.com/watch?v=KPD_aK0HY2s

Нобелевскую премию по экономике дали «за исследование связи между экономическим ростом и технологическим развитием»

Друзья, понимаю что коснется не всех, но если вы в Барселоне, то приглашаю вас на мероприятие где вы сможете лично познакомиться с одним из самых молодых лидеров Data Science в Европе — Алексом Турпиным Авилесом, директором по AI Capability в AstraZeneca.

🎯 Карьера в Data Science - за рамкам дата-анализа и хайпа.
📅 16 октября (четверг), 17:30
📍 La Fábrica & Co, Барселона
💬 Рабочий язык: английский
💡 Участие: бесплатное, но регистрация обязательна

Поговорим о том,
— как построить карьеру в Data Science, c опытом, или без опыта,
— какие навыки действительно важны, надо ли получать PHD,
— и как будет меняться самая востребованная сегодня профессия в ближайшие годы.

Кого мы приглашаем: профессионалы, студенты и энтузиасты AI — отличная возможность задать вопросы и расширить свой нетворк.

👉 Ссылка регистрации

Матемаркетинг’25: AI & ML, поведенческая аналитика, новые решения и технологии для работы с данными

20–21 ноября в Москве пройдёт Матемаркетинг’25 — восьмой раз одна из крупнейших конференций по маркетинговой и продуктовой аналитике соберёт ведущих экспертов индустрии.

Для более чем 2 000 участников подготовили 12 тематических потоков и свыше 100 докладов, мастер-классов и экспертных сессий, а также множество интерактивов от организаторов и партнеров.

Среди спикеров — Олег Бартунов (сооснователь и президент Postgres Professional), Денис Димитров (создатель линейки моделей Kandinsky, СБЕР), Фёдор Вирин (партнер Data Insight), Максим Андреев (руководитель аналитики привлечения и платформы атрибуции Т-Банк), Вячеслав Марков (основатель TargetADS) и многие другие.

Ключевые темы этого года:
— AI-аналитика и оптимизация процессов в условиях сжатия экономики.
— Data-платформы и CVM: новые подходы к инфраструктуре и персонализации клиентского опыта.
— Аналитические агенты, нейроассистенты и алгоритмы оптимизации на базе машинного обучения.
— A/B-тестирование и автоматизация маркетинга: как ускорить эксперименты и повысить эффективность.
— BI и визуализация данных: превращение массивов данных и цифр в продуктовые инсайты.
— Презентации новых продуктов и технологий от Яндекс и Tengri Data.

Помимо деловой программы участников будут ждать стенды технологических брендов и тематические зоны: чайные церемонии, настольные игры, шахматный турнир, карьерные консультации от экспертов HeadHunter, Го с роботами и запись живого подкаста.

Дополнительно каждый гость получит 6-месячный доступ к онлайн-платформе конференции с материалами более чем 500 докладов прошлых лет.

Место проведения: Кластер «Ломоносов» МГУ, Раменский бульвар 1.

Подробности и регистрация — на сайте мероприятия.

Ну и главное, для подписчиков канала Промокод на 10% — D2DECISIONS10

взяли тут у меня интервью, с точки зрения того, что такое Data driven https://probero.com/interviews/conveyor-belt-growth

Питер Тиль продал всю свою долю в Nvidia. Все уже активно обсуждают пузырь AI. И сравнивают его с крахом доткомов. Я же хочу поднять другой вопрос.

Когда в 2000 году случился крах доткомов, инвесторы забирали деньги из NASDAQ и несли их в другие биржи (компании, рынки, ресурсы). И в целом крах затронул только раздутые IT компании. Те, кто вывел деньги сохранил их.

В этот раз ситуация несколько иная, современные IT компании стоят больше, чем все остальные рынки вместе взятые. И возникает вопрос, а куда собственно будут выводить деньги инвесторы? Ведь такого места просто нет, куда можно перелить столько денег. Значит ли это, что инвесторы массово потеряют деньги?

Что думаете?

пост не про принятие решений, но про данные. я считаю, что нужно очень аккуратно относиться к данным и тому, как с ними работать. По этому история про самую маленькую игру.

Ни для кого не секрет, что современная разработка порождает огромным размер кода, современные программы, игры и т.д. занимают гигабайты, иногда даже сотни гигабайт.

Но знаете, ли вы, что в мире есть еще умельцы, например, рабочая игра шахматы (кто из вайбкодеров не умеющих кодить сможет вообще в целом написать игру шахматы?), которая занимает 270 Bytes, для тех, кто не в курсе, компьютер хранит всю информацию в битах (бинарное состояние 0 или 1), 1 байт это 8 битов, 1 килобайт это 1024 байта, 1 мегабайт это 1024 килобайта и так далее... Так вот полноценная игра в шахматы, которая занимает 270 байт, менее одного килобайта. Это фантастика.

Игра называется ChesSkelet.

Прогнозирование когорт на основе исторических данных

Задача прогнозирования будущего в бизнесе является достаточно сложной и важной. Прогнозирование позволяет понимать какие ресурсы необходимы бизнесу для достижения целевых показателей, как они будут тратиться и как будут достигаться цели. Все это позволяет уменьшить риски в работе, и принимать управленческие решения основываясь на данных, а не вслепую.

Идеальный вариант, построить прогнозную модель изменения бизнес процессов, по которой построить прогнозные планы прибылей и убытков (P&L), движения денежных средств (CF) и баланса. Однако, задача построения прогноза для этих документов достаточно сложна и трудоемка. Однако, использование юнит-экономики позволяет решить эту задачу в более простом виде, так как вся модель строиться на небольшом количестве показателей, которые связаны с понятными бизнесу бизнес процессами, которые проще контролировать и планировать.

Для этого, используя теорию ограничений Голдратта, можно прогнозировать оптимальную конфигурацию метрик юнит-экономики, которая необходима для достижения планового значения целевого показателя, например, маржинальной прибыли, прибыли или оборота. На основе прогнозной юнит-экономики можно построить продуктовый план — план изменения метрик юнит-экономики для каждого месяца плана. А уже на основе продуктового плана легко построить P&L, CF и баланс.

Однако использовании юнит-экономики добавляет предпринимателю новую задачу, понимание и прогнозирование когорт. Дело в том, что юнит-экономика, работает в когортах. Все метрики показывают значения для когорт, а не для интервалов времени. При этом бизнес живет, ведет учет и отчитывается перед государством в календарных периодах, месяцах, кварталах и годах.

Поэтому задача моделирования когорт в будущем является крайне важной для бизнеса, и она рассматривается в рамках этой статьи.

так как не все читали мою статью, которую я написал выше, в предыдущем посту, по этому публикуем дальше открытый материал, и только в канале, так что приглашайте друзей, это полезный контент.

И так, я придумал механизм прогнозирования когортных данных на основе исторических данных когорт.

перед вами пример, использования этого подхода к прогнозированию когорты 03.2025 года и сравнение прогноза с фактом. Сам прогноз строился на базе когорт 2024 года.

Привет, друзья!

Как вы уже поняли, последнее время, я занимаюсь тем, что применяю юнит-экономику (и не только) для продуктовой аналитики и принятия решений в действующем бизнесе.

И если вы со мной давно, то знаете, что я разработал методику прогнозирования юнит-экономики в будущем с использованием теории ограничений Голдратта. Данная методика, позволяет найти конфигурацию метрик юнит-экономики с учетом рыночных и компетационных ограничений, при этом достигая поставленных целей.

Однако, главный минус подхода был в том, что юнит-экономика живет в когортах, а это значит, разворот данных юнит-экономики в календарные периоды надо было сделать. Это необходимо для того, чтобы планировать бизнес в привычных нам календарных периодах.

В итоге в течении последнего месяца я придумал, как имея исторические данные получать представление о том, как ведут себя когорты и применять это поведение для предсказания поведения модельных когорт (значения которых я получаю с использованием теорий ограничений Голдратта).

Получив поведение когорт я легко разворачиваю когортные значения в календарные и могу строить уже привычные бизнесу отчеты, например, P&L, CF и Balance.

На картинке иллюстрация применения подхода. Синяя линия — это модель, а красная факта. Лично для меня это очень хороший результат.

Мой план строился исключительно на данных юнит-экономики, которые описывают компетенции команды в соответствующих бизнес процессах. А отклонение красной линии от синей, позволяет мне понимать, в каком именно процессе происходит отклонение и, какие нужно предпринять действия для улучшения показателей.

Ну и главное, завтра я буду снимать видео ролик про использование всех этих знаний в продуктовой аналитики для бизнеса, который уже имеет активность, продажи и растет.

Чтобы не пропустить ролик, подписывайтесь на мой ютуб канал https://www.youtube.com/@DataDrivenDecisions мне очень нужны подписчики.