Всем привет! решил напомнить о себе, что не пропал.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
На самом деле, решил переосмыслить подход к контенту, ежедневный постинг прекрасен, но при этом не позволяет создавать реально полезный контент. А хочется быть не СМИ, а источником полезных знаний. По этому запускаю вторую волну эксперимента — контент реже, но качество и ценность выше. Посмотрим, что выйдет.
Пока же 2 картинки из последнего, чем я занят. Первая — я научился моделировать сигмоиду в GoogleSheet с возможностью контроля обоих параметров. А именно указание точки перелома (ось Х) и скорости роста кривой в точке перелома (ось Y). Раньше в моих шаблонах использовалась другая функция для моделирования сигмоиды, которая не позволяла задавать точку перелома. В общем я планирую написать про это отдельную статью. Кроме того, там же будет про моделирование когортных данных с учетом исторических данных. Будет очень интересно, потому что именно это мешает нормально использовать юнит-экономику для прогнозирования в работающем бизнесе.
Вторая картинка, показывает, что скоро в uecalc появятся новые шаблоны, а именно — редактор дерева метрик, и редактор CJM (последний пока находиться на ранней стадии). Это будет целая серия шаблонов для работы с бизнес процессами, а uecalc пойдет в сторону набора инструментов для product owner.
Вот такие новости.
🔥8👍6
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?
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?
🤯6
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.
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.
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.
❤6👍1🔥1
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.
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.
❤3👍3🔥1
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.
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.
👍7🔥3🥰2❤1🏆1
делаю небольшой релиз, в ueCalc добавился шаблон построения дерева метрик, теперь можно легко создавать связи между метриками в одной системе с юнит-экономикой. https://beta.uecalc.com/product/tree
Uecalc
ueCalc.X smart finance modeling tool | ueCalc
❤5👍3
This media is not supported in your browser
VIEW IN TELEGRAM