Прочитай это перед тем, как работать в E-grocery 💙🍔🛒

Предположим, что ты уже подготовился к собеседованиям по гайду и обладаешь базовыми навыками аналитика.
Теперь ты собеседуешься аналитиком в Лавку, Самокат, Купер, Озон Фреш или другую подобную компанию, и тебя от заветного оффера отделяет лишь финал с командой 😱

Гарантирую, что тебе будет полезно знать метрики, которые используются в сфере e-grocery, чтобы быстрее решать кейсы и при этом проявить свою экспертизу/насмотренность. Я проработал в Лавке (не только курьером, но и аналитиком) уже более 1.5+ года и за это время успел ознакомиться с большинством метрик, применямых в решении задач бизнеса. Их понимание настроит тебя на нужный контекст и сэкономит время при решении кейсов на собеседовании, да и в рабочих задачах точно пригодится.

Основные метрики в ритейле/е-коме/e-grocery:

- GMV (Gross Merchandise Value): общая стоимость всех проданных товаров за определенный период. Ключевая метрика для оценки объема продаж и понимания масштабов бизнеса 🌟

- Маржинальность (Margin): показывает, какая доля прибыли остается после вычета себестоимости из GMV. Высокая маржинальность — это показатель эффективности ценообразования 💹

- Количество заказов (Orders) и продаж (Sales): простой и одновременно важный показатель, который позволяет следить за динамикой и трендами спроса 📦

- Количество SKU (Stock Keeping Unit): общее количество уникальных товарных позиций. Эта метрика помогает управлять разнообразием ассортимента и анализировать, какие товары больше всего интересуют покупателей 📊

- Списания товара (Write-offs): объем товара, который списан в связи с истечением срока годности или повреждением. Управление этой метрикой помогает минимизировать потери и улучшить контроль качества ⚖️

- OSA (On-Shelf Availability): доступность товара на полке. Например, если молоко было доступно для покупки только половину времени от времени работы магазина, то OSA будет равна 0,5. Таким образом метрика показывает, насколько эффективно пополняются запасы в магазине 🛒

- CTE (Click to Eat): время от создания заказа до доставки пользователю. Это ключевой показатель для оценки оперативности и логистической эффективности, а также важный фактор удовлетворенности клиентов ⏱️

- OPH (Orders per hour): количество доставляемых/собираемых заказов за час. При помощи этой метрики можно мониторить эффективность курьеров или спрос в конкретном районе 🛍

Кстати, сейчас пишу статью на Хабр про аналитику ценообразования в торговых сетях, поэтому в ближайшее время получится порадовать вас конкретными примерами, где эти метрики могут помочь

Что из аналитики в ритейле тебе интересно узнать на примере Лавки? Напиши в комментариях ⬇️

Аналитический подход к ценообразованию 💵

Напоминаю, что я всё ещё занимаюсь аналитикой ценообразования в Лавке, но экспертных постов на эту тему до сих пор не было 🤔

Поэтому расскажу про общепринятый подход в ценообразовании, к которому стремятся прийти все крупные игроки в ритейле, но перед этим важное замечание:

Всё, что написано в этом посте - это описание общепринятого подхода на рынке, а не конкретный пример "Яндекс.Лавки".
Да и вообще, давайте рассматривать этот пост вне контекста от Лавки 🍫

А поговорим мы про подход динамического ценообразования, который позволяет выставить цены на товары так, чтобы в итоге бизнес получил прирост в выручке и/или маржинальности. Звучит круто, не правда ли?

Давай подумаем, как можно этого добиться: вот есть у нас набор текущих цен на товары, но как их нужно изменить, чтобы получить наибольший прирост, например, в выручке?

Напоминаю, что:
Выручка - это сумма всех продаж товаров, умноженных на их цену 💰
Маржинальность - это доля от выручки, которая остаётся после вычета себестоимости товаров 💵

Ответ: нам нужно понимать, какие будут продажи у товара при той или иной цене. Зная это, мы сможем выбрать такую цену, при которой значение выручки/маржинальности по этому товару будет максимальным.

И вот тут естественным образом возникает другая задача: откуда нам знать, какие продажи будут у товара, если поставить на него цену X?

У опытных рафаналитиков читателей возникнет желание решить такую задачу при помощи машинного обучения - и они будут правы 🥰

Для этого мы обучим модель на исторических данных, чтобы научить её предсказывать продажи товара при цене X 📈

И вот, если модель прогнозирования продаж/спроса будет достаточно точной, то:
- для группы товаров мы перебираем возможные на них цены (например, +- 10% от текущей цены)
- для каждой цены прогнозируем продажи на товар
- для каждого товара выбираем такую цену, при которой выручка/маржинальность (что выбрать - зависит от цели) будет наибольшей

Именно так и может работать система динамического ценообразования, которая автоматически подберёт цены на товары при помощи аналитики и машинного обучения. У подхода есть много нюансов, так что если возникнут вопросы - напиши в комментарии 👇

Поздравляю, теперь ты знаешь про ценообразование чуть больше.
Если чувствуешь, что преисполнился - ставь сердечко ❤️

Как пройти собеседование: опыт аналитика Яндекс Лавки 💙

Совместно с Яндекс.Практикумом написали лаконичную статью на Хабре на эту тему из предыдущих постов в канале, рекомендую! 👆

📝 Статья 📝

Можно делиться критикой и реакциями клубники 🍓

Давно не показывал вам, что происходит в офисах Яндекса, поэтом пишу сейчас: вчера во дворе одного из офисов открыли два падел корта

Подробнее в видосе 🔽

Как думаете, чего еще не хватает для полного счастья айтишникам?

Почему одни магазины кажутся дороже других? 🛒🛒🛒🍔

Если я спрошу тебя:

- Как ты определяешь, что магазин дорогой?

То скорее всего ты посмотришь цены на конкретные товары — например, молоко или хлеб 🥛🍞
На самом деле часто оказывается так, что наше восприятие цены магазина складывается из того, какие цены стоят на привычные для нас товары, стоимость которых нам уже давно хорошо знакома.

В коммерческом ритейле позиции делят на KVI и BB (нет, это не ВкусВилл 🛒)

KVI 🥝 — это товары, которые покупатель приобретает регулярно и обычно помнит их среднюю цену. К ним обычно относят базовые категории: молоко, яйца, хлеб, яблоки, сахар. По этим позициям покупатель очень быстро замечает любые изменения в цене и легко сравнивает их между магазинами, поэтому крупные сети стараются держать по KVI максимально конкурентные и “выгодные” цены, иногда даже продавая товары себе в убыток. Таким образом можно создать образ: если в магазине дешёвый хлеб — значит, всё остальное тоже должно быть недорогим.

Back Basket (BB)🪣 — это нерегулярные товары, на которые мы часто плохо помним цену: это могут быть специи, средства для ухода, сменные насадки для зубной щётки и т.п. Вспомнить цену на такие позиции у конкурентов довольно сложно, поэтому магазины могут ставить на Back Basket более высокую наценку или используют их для компенсации “дешёвых” KVI. Например, если фольга стоит не 79, а 99 рублей — это мало кто заметит, пока не сравнит чеки.

На практике это значит, что когда магазины хотят улучшить своё ценовое восприятие, они почти всегда сначала работают с KVI, а остальные категории могут выступать источником основной маржи 💵

Если узнал что-то новое - ставь ❤️ и делись с тем самым другом, чтобы я не писал про ценообразование чаще

Размены в аналитике и жизни ⚖️

Гуляя по набережной в Казани я поймал вдохновение, а поэтому возвращаюсь сюда с аналитической темой, которую можно расширить до более глобальной идеи 📝

1️⃣Размены в аналитике

➖начнём с аналитической идеи: представим, что у тебя есть продуктовый магазин и ты принимаешь решение: поднимаешь в нём цены на товары. Как правило, рост цен приведёт к снижению продаж, и, как следствие, к уменьшению выручки 📉

Таким образом мы размениваем выручку на маржинальность (т.е. сколько мы зарабатываем с одной продажи за счет наценки)

➖другой классический пример — размен точности (precision) на полноту (recall) в задачах машинного обучения. Например, чтобы предсказать отток покупателей и предложить им скидку, нужно выбрать порог уверенности. Чем выше этот порог — тем точнее прогнозы, но тем меньше людей мы охватываем (и меняем точность на полноту) 📈

Если задуматься, в таких задачах размена не может быть «правильного» и «неправильного» решения. Тут можно говорить лишь про «более» и «менее» эффективные решения для определённой цели: если хотим расти на рынке, то снижаем цены и растим выручку, иначе же работаем на эффективность денежного потока и маржинальность 💰🫰

2️⃣ Размены в жизни (для таких же как и я, любителей подумать о хаосе в жизни)

Очень часто наше решение тоже влечёт за собой размен одной метрики на другую:
➖решение устроиться на работу меняет твоё время на N-ое количество денег ⚖️
➖рост социальных кругов приносит в жертву их «душевность» и «чувственность» ⚖️
➖достигаторство жертвует твоим душевным спокойствием и «нирваной» ⚖️

И это не плохо. И не хорошо. Это просто «оптимально» или «неоптимально» в зависимости от конкретной цели.

И самое интересное: жалеть об упущенной альтернативе в таком случае с разменами ты будешь всегда - и это по определению нормально)

Поэтому важно понимать, какую задачу ты решаешь (и это не только про аналитику)

А я тем временем соскучился по вам и новым постам 🫂
➖ Ставь❤️, если ты тоже соскучился
➖ Ставь 🔥, если согласен с идеей разменов (в противном случае - welcome в комменты)

Обязательно ли аналитику знать ML? 🤔

Именно такой вопрос я часто получаю от подписчиков, поэтому давайте разберёмся)

Предположим, что ты хорошо знаешь классическую аналитику и совсем не шаришь за машинное обучение 🧑‍🎓

Хорошая новость: есть много задач в аналитике, где ты можешь обойтись без понимания ML.
Сюда относятся:

➖визуализация, BI отчётности и дашборды для мониторинга

➖классическое AB тестирование и проверка гипотез (за исключением продвинутых ML методов проверки гипотез)

➖аналитические оценки на основе исторических данных, построение пайплайнов обработки данных при помощи SQL и Pandas

Плохая новость: следующие задачи в аналитике требуют знания ML.
Вот частые примеры:

➖кластеризация данных для выявления закономерностей

➖построение прогнозов для временных рядов, оценка важности признаков и их влияния на сложные метрики

➖обработка и анализ текстовых данных, картинок и видео

➖автоматизация процессов на основе AI-моделей

Кстати, из всех моих задач в аналитике ценообразования Яндекс.Лавки 💙 примерно 20-25% так или иначе затрагивали ML.

Из всего вышеупомянутого можно сделать вывод:

Всё будет зависеть от вакансии и задач, которые она включает. На определённые вакансии (и по ощущениям таких прям много) будет достаточно лишь хорошего знания классической аналитики.
Однако точно можно сказать, что понимание машинного обучения будет твоим хорошим преимуществом и откроет перед тобой новый инструментарий для решения задач 🛠

Набираем под этим постом 150 ❤️ и я сразу же начинаю писать пост о том, как я изучал машинное обучение и как это проще делать сейчас 🧑‍🎓

А также поделюсь с вами крутой новостью о том, где я в ближайшее время буду преподавать ML 🤖

Какой НЕ должна быть скидка? 🆓

Недавно в Лавке мы решали задачу про скидки, и мой стажёр вывел интересный факт:

оказывается, оптимальная скидка для максимизации выручки (GMV) никогда не превышает 50% при линейной зависимости спроса от цены🤔

Доказывается это несложно: берём функцию выручки, где цена уменьшается пропорционально скидке, а спрос растёт линейно. Если посчитать производную и найти точку максимума, то получится, что оптимальная скидка всегда ≤ 50%.

Простыми словами: давать скидку больше 50% смысла нет — только если цель состоит в том, чтобы максимально быстро распродать товар, а также возможно привести трафик покупателей 📊

Если интересно заглянуть в математику — я вынес доказательство отдельно в комменты (просто берём производную по функции зависимости спроса от размера скидки и находим экстремум для GMV) 🧮

Важно отметить, что всё это справедливо именно для линейной зависимости спроса от скидки, а также для зависимостей, похожих на неё. В ценообразовании мы моделируем и другие виды спроса, но так красиво получается только с линейностью!)

Теперь ты будешь знать, почему скидка больше 50% зачастую невыгодна. Акции с огромными скидками — это не всегда про оптимальность, а скорее про маркетинг или утилизацию товара (наверняка ты вспомнишь такие скидки на маркетплейсах). И это отличный пример задачи, которую может решать аналитик 🤓

Ставь 🍌, если удивлён — и в ближайшее время я поделюсь с вами парочкой интересных новостей 🤫

Яндекс - всё? ❤️

Да, это не кликбейт
Я действительно ушёл из Яндекса, но мы разошлись на хорошей ноте 🍫

В Яндексе я провёл 2.5 года, из которых последние 2 занимался ценообразованием товаров в Лавке. Именно там я вырос из стажёра в уверенного аналитика, познакомился с невероятными людьми и вдохновлялся ими. И я всё ещё искренне рекомендую начать карьеру аналитика именно там 💯

Несмотря на это, помимо Яндекса мне хотелось получить опыт и в другой бигтех-компании, чтобы иметь более широкий кругозор на работу аналитиком, а также поработать и с другими инструментами, которые используются на рынке вне Яндекса 👨‍💻

Что дальше?

Выбирать было непросто: на рынке есть несколько бигтехов, которые предлагают классные задачи. Суммарно я прошёл более 10 собеседований в разные компании, получив самые разные грейды (от junior+ до senior 😅).. Как-нибудь обязательно поделюсь с вами улучшенной методологией подготовки к собесам на основании моего нового опыта).

И вот спешу дать апдейт: сегодня закончилась моя первая неделя работы аналитиком в Авито 😎
Здесь я буду заниматься ценообразованием комиссий за доставку для продавцов. Несмотря на некоторые отличия от Яндекса, аналитическая культура здесь действительно очень сильная (первое впечатление), т.е. мне действительно есть чему научиться. Расскажу чего-нибудь интересного в следующих постах (в рамках NDA, конечно - не увольняйте сразу 🙏)

Ну и напоследок: у меня всё ещё осталась возможность реферить как в Яндекс, так и в Авито - так что не стесняйтесь писать в ЛС @rafaeldks, чтобы залутать рефу от рафа

Несмотря на новую аву канала Лавка и Яндекс остаются в сердечке ❤️, а я пойду дальше учиться аналитике в Авито 🙏

Кстати, как вам новая аватарка?)

Как мы делали "Раф из Авито"🧋😎

Над редизайном предыдущей аватарки я думал немало - но я всё-таки больше аналитик, нежели дизайнер, поэтому хотелось делегировать эту задачу эксперту (chat-GPT исключаю, потому что хотелось душевности и ручной работы 🪡)

И мне повезло, потому что ещё в школе я учился с Матвеем - моим хорошим другом, который владеет дизайнерской студией "Многоугольники". Особо не раздумывая, я скинул ему визуальные стили Авито и попросил задизайнить аватарку. Результат вы видите сами🔥

Дизайн мне очень понравился, поэтому хочу порекомендовать Матвея и "Многоугольники" - там и портрет можно заказать, так и дизайн запросить. В общем, красота 😍

Если мне надоест аналитика или не пройду испытательный срок - запущу баночки в продажу 😳

Пока я готовлю для вас кое-что очень крутое (скоро будут спойлеры), можно посмотреть обзор ровера, который подарили мне коллеги из ❤️

Выглядит очень необычно, но нужно найти этому роверу применение 🤔

Может у вас есть идеи? Напишите в комментарии 🙏

Большой туториал для старта в аналитике 😶

Фуууух 😮‍💨
Последние 3 недели я усердно снимал и монтировал для вас видео, в котором рассказал:

- кто я такой
- кто такой аналитик и какие задачи он решает
- какие виды аналитиков бывают
- сложно ли начать карьеру аналитиком
- что для этого нужно знать и по каким материалам можно научиться
- где начать карьеру аналитиком

Теперь я смело могу поделиться им с вами 📹
- YouTube
- RuTube

Ссылки на бесплатные материалы сможешь найти в описании под видео, а для записи на консультацию (подробнее рассказал в конце видоса) можно написать в ЛС @rafaeldks, описав твой кейс в паре предложений ✍️

Туториал абсолютно бесплатный, поэтому надо поддержать реакцией ❤️

Делись видосом с друзьями, сохраняй себе и обязательно делись впечатлением в комментариях 👇