Учим Питон

Совместное прохождение SQLПродолжаем проходить курс-тренажер по SQL. Давайте начнем проходить вторую главу, задания 2.1-2.2. Не страшно, естли вы не прошли 1.6-1.7 — это были задания для закрепления. Нам же пора двигаться дальше.Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Совместное прохождение SQLЯ виже, что немало людей начали проходить 1 главу. В общем, давайте попробуем пройти за эту неделю первую главу, включая тренировочные задания 1.6-1.7 — там самое веселье.Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Совместное прохождение SQLК классу присоединились новые люди, поэтому проходим до конца этой недели главу 1. Для тех, кто не начиал — отличная возможность нагнать. SQL требуется практически везде.Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Совместное прохождение SQLНачалась новая неделя, а это значит, что мы продолжаем проходить наш SQL тренажере. Проходим до конца этой недели главу 1.Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Совместное прохождение SQLПоследний раз напоминаю, что мы начинаем повторять SQL на курсе-тренажере. Проходим до конца этой недели главы 1.1-1.3, а потом пойдем дальше и добиваем первую главу.Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2

Пост на английском про оптимизацию запросов для больших данных:https://towardsdatascience.com/14-ways-to-optimize-bigquery-sql-for-ferrari-speed-at-honda-cost-632ec705979/

ОпросА каких AI-помощников вы используете для написания кода? Или для аналитики данных? Как вы их используете? Сколько они стоят?Пишите в комментариях, а я попробую за пару недель протестировать разные решения и написать небольшой пост о своем опыте.

BigQueryBigQuery — это облачное хранилище данных (Data Warehouse) от Google, предназначенное для хранения и анализа больших объемов информации (петабайты) с помощью обычного SQL. С помощью BigQuery мы можем делать эффективные запросы выборки данных и строить модели анализа данных.Вот плейлист с доступным объяснением на английском:https://www.youtube.com/playlist?list=PLJnkyVAO-LM7D_9kbeI47P7hJ0SjHj1VQ

Свойства метрик.Прежде я выкладывал ссылку на плэйлист по AB-тестированию и несколько постов про метрики. Первый плейлист я все так же рекомендую. А вот одно видео оттуда по свойствам метрик: https://youtu.be/tLYfYliU6oU?si=I1dgdiUd-xv6mxB3

Совместное прохождение SQLНапоминаю, что сегодня мы начинаем повторять SQL на прекрасном курсе-тренажере. Одновременно, я буду подкидывать какие-то дополнительные статейки. Вступайте в класс, чтобы я мог отслеживать прогресс: https://stepik.org/join-class/ac4adbfbe848a0919b3fa687e1e9ad5be6ff7de2Как всё будет проходитьРаз в неделю я буду анонсировать, что мы прошли и что будем проходить. Под постами и в чате в тг можно задавать вопросы по курсу.

Метрики: pLTV (Predictive Customer Lifetime Value)Недавно мы поговорили о метрике Lifetime Value (LTV). Это ретроспективная метрика, которая показывает , сколько прибыли приносит компании клиент за определенный промежуток времени. Но нам ведь интересно узнать, сколько денег еще принесет клиент, сколько продуктов купит и с какой вероятностью он останется с нами (нужно ли тратить на его удержание деньги). Для этого и сущестует pLTV. Чтобы его рассчитать, можно использовать несколько методов и эвристик.О паре таких методов говорится в этом видео: https://www.youtube.com/watch?v=HgQ1TbgCI3Y

Метрики: Retention Rate.Retention Rate (коэффициент удержания клиентов) — это показатель удержания клиентов, который информирует, какой процент людей от общего числа пользователей возвращается за повторными покупками и/или продолжает пользоваться коммерческими продуктами бренда. Я сделал небольшую картинку с формулой для расчета, в сети же часто можно увидеть слегка измененную формулу.

Когортный анализ.Когортный анализ позволяет нам разделить наших клиентов на группы по их поведению или по времени и проанализировать эти группы (почему покупают, почему уходят, сколько тратят и т.д.). Не стоит путать с сегментированием, где мы разделяем на группы по таким произнакам, как пол, возраст, интересы и т.д.По этим ссылкам можно прочитать подробнее:https://kaiten.ru/blog/kogortnyj-analiz-i-issledovanie/https://marketolog.mts.ru/blog/kogortnii-analiz-v-marketinge-chto-eto-i-kak-provesti

Воронка продаж (funnel)Воронка продаж — это маркетинговая модель, которая описывает путь потенциального клиента от первого контакта с вашим продуктом или услугой до момента покупки и далее. Если в карте пути клиент мы смотрели на продукт глазами клиента, то здесь мы анализируем путь клиента глазами компании. Основное, что нужно знать — считается, что клиент проходит 4 этапа (AIDA): Attention, Interest, Desire, Action. И нам нужно уменьшить потерю клиентов между этапами.Подробнее можно прочитать здесь:https://direct.yandex.ru/base/articles/chto-takoe-voronka-prodazh-prostym-yazykomЕще один материал, в котором можно узнать о расширениях AIDA:https://kontur.ru/articles/5734

Customer Journey MapCustomer Journey Map (карта пути клиента) — какой путь проходит пользователь, когда пытается сделать покупку. Мы буквально должны взглянуть глазами пользователя на взаимодействие с компанией, начиная с "точки касания" и заканчивая отзывом о компании.Хорошее описание можно прочитать здесь:https://www.bitrix24.ru/journal/customer-journey-map-chto-eto-i-kak-pravilno-sostavit-kartu-puti-klienta/Больше примеров здесь:https://blog.eduson.academy/articles/marketing/customer-journey-map/