С какими задачами сталкивается продуктовый аналитик

С какими задачами сталкивается Product Analyst

1. Анализ роста (Growth Analysis)

Типичная задача:

• MRR упал на 10% месяц-в-месяц, найти причину
• DAU растёт, но конверсия в paid падает
• Retention упала в одном сегменте пользователей

Как решаю:

• Декомпозиция роста: по каналам (Google, Facebook, Direct), по когортам, по типу юзеров
• Анализ фunnels: где ровно выпадают пользователи
• Когортный анализ: как новые юзеры ведут себя со временем

Инструменты: SQL, Python, Tableau

2. A/B тестирование

Типичная задача:

• Мы хотим изменить цвет кнопки с синего на красный, поможет ли это конверсии?
• Мы запустили новый onboarding для половины пользователей, измерить результат
• Проверить, значимо ли улучшение на 2%?

Как решаю:

• Рассчитать размер выборки (n) на основе baseline conversion, effect size, alpha, power
• Запустить тест (инженеры реализуют, я отслеживаю)
• Через 2-4 недели: анализировать результаты, считать p-value -決решить: есть ли статистическая значимость?

Инструменты: StatModels, SciPy, Amplitude, Tableau

3. Понимание пользователя (User Segmentation)

Типичная задача:

• У нас есть 1M пользователей, но они все разные. Разделить на meaningful сегменты
• Почему этот сегмент высокая churn, а тот retention 90%?
• Какой сегмент приносит 80% выручки?

Как решаю:

• Создаю сегменты по: демографика, поведение (frequency, recency, monetary), geographic
• Анализирую lifetime value, churn rate, engagement по сегментам
• Выявляю most valuable segments и most at-risk segments

Инструменты: SQL, Amplitude, Python (clustering)

4. Product Performance Tracking

Типичная задача:

• Запустили новую фичу на неделю назад, работает ли она?
• Какой % пользователей использует эту фичу?
• Приводит ли фича к увеличению retention?

Как решаю:

• Создаю дашборд с метриками: adoption rate, usage frequency, engagement
• Смотрю на retention до/после запуска
• Анализирую user feedback, bugs, чит отзывы

Инструменты: Tableau, Amplitude, SQL

5. Диагностика проблем (Troubleshooting)

Типичная задача:

• Трафик с Google упал на 40% за день, что произошло?
• Отток пользователей увеличился в 2 раза, почему?
• Конверсия в покупку упала с 10% на 5%, что изменилось?

Как решаю:

• Смотрю на события за день: были ли деплойсы, изменения в коде?
• Анализирую пользовательский путь: на каком шаге проблема?
• Делаю ретроспективу: события, которые совпадают по времени

Инструменты: Logs, SQL, Amplitude timeline

6. Количественное обоснование решений (Business Cases)

Типичная задача:

• CEO хочет потратить $100K на маркетинг. Стоит ли?
• Разработать новую фичу будет стоить 3 месяца инженера ($50K). Окупится ли?
• Какой CAC для того чтобы быть прибыльным?

Как решаю:

• Рассчитываю: CAC, LTV, payback period
• Сценарный анализ: optimistic case, base case, pessimistic case
• Sensitivity analysis: если X изменится на Y%, как это повлияет на ROI?

Инструменты: Excel, Python, SQL

7. Рыночное понимание (Market & Competitive Analysis)

Типичная задача:

• Растёт ли рынок? Какой мой market share?
• Кто мои конкуренты? Как они растут?
• Какой willingness to pay у пользователей?

Как решаю:

• Анализирую industry reports, ищу public данные
• Смотрю на app reviews, social mentions конкурентов
• Делаю user surveys для understanding WTP

Инструменты: SimilarWeb, App Annie, public data, surveys

8. Метрики и KPIs

Типичная задача:

• Какие метрики должны быть в дашборде CEO?
• Как я знаю, что в нас здорово?
• На какой метрике мне сфокусировать усилия?

Как решаю:

• Выбираю SMART метрики: Specific, Measurable, Actionable, Relevant, Time-bound
• Избегаю vanity metrics (total signups) и выбираю качественные (DAU, engagement)
• Связываю метрики с бизнес целями

Инструменты: Tableau, OKR frameworks, SQL

9. Качество данных

Типичная задача:

• Числа в моём дашборде не совпадают с числами в инженеров
• Есть ли ошибки в трекинге? Потеря данных?
• Как я знаю, что мой анализ правильный?

Как решаю:

• Reconciliation: сравниваю разные sources данных
• Data validation: проверяю что events логичны
• Collaboration с инженерами: вместе смотрим на трекинг

Инструменты: SQL, dbt, data tests

10. Communication & Storytelling

Типичная задача:

• Мне нужно объяснить CEO результаты анализа в 5 минут
• Как я передам эти инсайты таким образом, чтобы команда сделала действие?
• Как я делаю дашборд, который люди будут смотреть?

Как решаю:

• Структурирую: Insight → So What? → Now What?
• Создаю narratives: не просто числа, но история
• Использую визуализацию: right chart for right audience

Инструменты: Slides, Tableau, Confluence

11. Долгосрочная стратегия

Типичная задача:

• Где компания должна быть через 3 года?
• Какая стратегия growth даст нам 10x?
• На какие сегменты/каналы/фичи инвестировать?

Как решаю:

• Вижу patterns в историческом росте
• Анализирую что работает, что не работает
• Даю recommendations к executive team

Инструменты: SQL, Python, Financial Modeling

12. Специфичные challenges

Challenge 1: Seasonality

• Сравнивать January (low) с December (holidays), но видеть underlying trends
• Solution: Year-over-year анализ, seasonal adjustments

Challenge 2: Сatastrophic outliers

• Один юзер потратил $100K, это портит averages
• Solution: Median вместо mean, log transformations

Challenge 3: Selection bias

• Пользователи, которые ответили на survey, отличаются от тех кто не ответил
• Solution: Признавать bias, делать sensitivity analysis

Challenge 4: Correlation vs Causation

• Retention вырос, но это потому что мы запустили фичу? Или просто季节性?
• Solution: A/B тесты, RCAs (Root Cause Analysis), controlled comparisons

Challenge 5: Data privacy

• Нельзя смотреть на PII пользователей
• Solution: Работать с anonymized data, hashIds

Мой типичный день

• 09:00: Читаю emails, обновляю дашборды
• 10:00: Встреча с Product Manager: какие вопросы есть?
• 11:00: Пишу SQL запросы для ответа на вопросы
• 13:00: Анализирую результаты, создаю visualization
• 14:00: Презентирую находки
• 15:00: Planning: какие данные собирать на неделю
• 16:00: Code review: другие аналитики проверяют мои запросы
• 17:00: Documentation: добавляю новую метрику в data dictionary

Ключевой навык: быть curious, thinking critically о данных, и всегда спрашивать "почему?".