CC BY
7Международный научный журнал «ВЕСТНИК НА УКИ» № 5 (74) Том 2. МАЙ 2024 г. УДК 004
Попов А.В.
магистрант 2-го курса Московский политехнический университет (г. Москва, Россия)
ПРОДУКТОВАЯ АНАЛИТИКА: ИНСТРУМЕНТ ДЛЯ ПРИНЯТИЯ ОБОСНОВАННЫХ РЕШЕНИЙ
Аннотация: в данной работе проведен анализ продуктовой аналитики как инструмента для улучшения пользовательского опыта и принятия обоснованных решений о продукте. Исследование включает в себя обзор ключевых метрик и методов сбора данных, а также сравнение различных систем продуктовой аналитики. Особое внимание уделено практическому применению аналитики в реальных бизнес-кейсах, таких как Netflix, Amazon, Zara и LinkedIn, и обсуждается необходимость обновления данных и инструментов для поддержания актуальности в меняющемся мире технологий.
Ключевые слова: продуктовая аналитика, метрики продукта, пользовательский опыт, сравнение аналитических систем, принятие решений на основе данных, обновление данных, инструменты аналитики, бизнес-кейсы.
Введение.
Цель исследования: Исследование направлено на анализ ключевых элементов продуктовой аналитики и её роли в улучшении пользовательского опыта и принятии данных обоснованных решений о продукте.
Проблематика исследования: Основная проблема заключается в определении наиболее значимых метрик и методик сбора, анализа и интерпретации данных, которые необходимы для проведения эффективного анализа.
Задачи исследования:
1. Изучение ключевых метрик продуктовой аналитики.
2. Определение наиболее эффективных методов сбора и анализа данных.
3. Выявление роли продуктовой аналитики в улучшении пользовательского опыта.
4. Сравнение систем продуктовой аналитики
Методология исследования:
Анализ литературы: Обзор существующих исследований и публикаций для получения обширного представления о продуктовой аналитике и её практическом применении.
Изучение практических примеров: Рассмотрение успешных кейсов применения продуктовой аналитики в различных секторах и типах продуктов для выявления лучших практик.
Что такое продуктовая аналитика?
Анализ взаимодействия пользователей с продуктом известен как "продуктовая аналитика". Он подразумевает сбор информации, отслеживание поведения пользователей и метрик продукта, а также получение выводов, которые помогут в дальнейшем выбирать продукт. [14]
В аналитике продукта основное внимание уделяется численным измерениям. Например, можно изучить статистику использования определенной функции или выявить проблемные места в процедуре регистрации пробной версии. Предоставляя основанные на данных ориентиры для принятия решений, аналитика помогает избавиться от догадок.
Естественно, все равно придется собирать качественные данные с помощью тикетов поддержки, звонков клиентов и портала идей. В сочетании качественные и количественные данные создают полную картину опыта клиентов. [20]
Что делает аналитику продукта критически важной?
Вам нужно как можно больше информации от покупателей. Один из самых лучших (и самых эффективных) методов сбора информации о покупателях от большого числа пользователей - это аналитика продукта. Знание того, как покупатели взаимодействуют с продуктом, помогает принимать более обоснованные решения о том, как их поддерживать. [18]
Измерение целей продукта - еще одно полезное применение аналитики продукта. Анализ вовлеченности пользователей поможет найти контрольные показатели, сравнить данные за определенный период времени и выявить области продукта, нуждающиеся в улучшении.
Что такое метрика?
На протяжении всей нашей жизни наши достижения и уровень мастерства оценивались количественно с помощью оценок или баллов. Будь то баллы, полученные на конкурсных экзаменах, или оценки, полученные по отдельным предметам в школе, эти числовые значения неизменно служили ориентирами для отслеживания нашего прогресса и развития. Менеджеры по продукту используют количественные показатели для оценки производительности и расширения продукта. Эти числовые показатели, также называемые метриками или ключевыми показателями эффективности (KPI), дают существенное представление об эффективности продукта или функции на рынке. Они позволяют определить эффективность или неэффективность продукта. [1]
В чем же их важность?
Рассмотрим простую иллюстрацию. Представьте, что Вы - руководитель, ответственный за внедрение аналога «Instagram* (* запрещен в РФ) Stories» как средства повышения эффективности взаимодействия с пользователями. Чтобы оценить его эффективность, можно рассмотреть отзывы пользователей как наиболее приемлемый подход. Однако как часто мы сами предлагаем обратную связь? Вот когда метрики могут пригодиться. В качестве индикатора успеха
можно отслеживать такие показатели, как рост использования приложения после внедрения функции, количество историй на одного пользователя в день или неделю, соотношение количества кликов к количеству историй и т.д. Метрики также позволяют руководителям принимать решения, основанные на данных, для достижения таких целей, как увеличение дохода, базы пользователей, удержание и т.д. Таким образом, они являются неотъемлемой частью стратегии развития продукта.
Понимая важность метрик, давайте рассмотрим, как они вписываются в более широкий контекст продуктовой аналитики и как они отличаются друг от друга
Что отличает метрики продукта от аналитики продукта?
До сих пор мы называли область анализа вовлеченности пользователей "продуктовой аналитикой". Конкретные измерения данных, которые Вы фиксируете в ходе анализа, называются метриками продукта.
Процесс стратегического планирования, отрасль, размер компании и тип продукта - все это повлияет на то, какие метрики Вы выберете. Надежность метрик также зависит от имеющихся инструментов и технологий. Например, для сбора данных о пользователях продуктовые команды все чаще прибегают к помощи внешних аналитических инструментов.
Выбирайте метрики, ориентируясь в первую очередь на цель. Дайте каждой цели Вашего продукта метрику успеха. Таким образом, Ваши данные будут связаны со значимыми результатами. Помимо метрик, связанных с Вашими целями, которые также известны как ключевые показатели эффективности (KPI), Вы, вероятно, будете отслеживать и более специфические метрики. Принятие решений становится более контекстным, когда у Вас есть полная картина работы команды и продукта.
Основные категории метрик.
Хотя метрики могут варьироваться в зависимости от Вашего продукта, ниже перечислены несколько традиционных метрик, которые Вы можете использовать в зависимости от целей:
1. Вовлеченность пользователей.
Метрика вовлеченности пользователей является ключевым показателем, отражающим уровень активности и интереса пользователей к продукту. Она может включать различные аспекты, такие как частота использования приложения, продолжительность сессий, взаимодействие с контентом и выполнение целевых действий. Вовлеченность напрямую связана с удержанием клиентов и их лояльностью, поскольку активные пользователи с большей вероятностью будут продолжать использовать продукт и рекомендовать его другим
2. Выручка.
Доход - одна из самых важных метрик для компании, которая напрямую зависит от других метрик. Он отслеживает, сколько прибыли может принести наше приложение/продукт и насколько хорошо мы используем другие упомянутые метрики для преобразования "бесплатных" клиентов в "платящих", а также для удержания уже платящих клиентов.
Некоторые из основных способов отслеживания дохода таковы:
- Ежемесячный повторяющийся доход
- Годовой повторяющийся доход
- Пожизненная ценность клиента
- Стоимость одного приобретения Средний доход на единицу (ARPU)
3. Активация и конверсия.
Активация относится к первому ценностному моменту пользователя (моменту "Ага"). Значение активации может варьироваться от продукта к продукту. Например, пользователь, подписавшийся на бесплатную пробную версию, или тот, кто просмотрел "X" количество видео в течение 7 дней, может быть отнесен к категории активных. Кроме того, если активация может означать
успешную загрузку приложения, то конверсия, которая является более важной метрикой, может означать такое действие, как успешная покупка. Activation Rate и Conversion Rate - наиболее часто используемые метрики для измерения одного и того же.
4. Удержание пользователей.
Коэффициент удержания пользователей: Удержание пользователей, признак лояльности, означает количество пользователей, которые продолжали пользоваться Вашим продуктом в течение определенного периода времени.
Коэффициент удержания = (Клиенты на конец расчетного периода -Новые клиенты) X 100/ Клиенты на начало расчетного периода
Показатель оттока - это процент пользователей, которые перестали пользоваться Вашим приложением в течение определенного периода. Высокий показатель оттока подавляет рост и увеличивает Ваш бюджет на привлечение клиентов. Отток может быть связан с такими проблемами, как недостаток функций, плохая поддержка, сильная конкуренция и т.д.
Коэффициент оттока = Количество потерянных клиентов/Общее количество клиентов
5. Удовлетворенность клиентов.
Net Promoter Score: Высокий показатель NPS может быть хорошим индикатором органического роста. Чтобы рассчитать NPS, пользователей просят оценить продукт от 0 до 10. "Отрицатели" обычно оценивают продукт от 0 до 6 баллов. Пользователи, которые ставят 7-8 баллов, являются "нейтралами", а те, кто оценивает продукт от 9 до 10 баллов, - "промоутерами". Затем NPS рассчитывается следующим образом:
Net Promoter Score = %Промоутеров - %Детракторов
Как работают инструменты для аналитики продукта?
Инструменты для аналитики продуктов отслеживают поведение пользователей на Вашем сайте или в Вашем продукте, чтобы собрать данные. Вы можете использовать различные методы анализа, чтобы извлечь из этих данных информацию. [17]
Вот несколько типичных примеров использования возможностей инструментов аналитики продуктов:
- Анализ атрибуции: Изучение взаимодействия с потребителем (например, посещение сайта, переговоры с продавцом или демонстрация товара), которое приводит к покупке.
- Анализ оттока: Анализ количества потерянных клиентов, чтобы попытаться понять, почему они уходят.
- Когортный анализ: Использование групп пользователей или когорт для измерения моделей поведения с течением времени.
- Анализ конверсии: Выяснение того, на чем останавливаются покупатели или завершают ли они намеченные действия по конверсии (например, подписываются на пробную версию).
- Анализ воронки: Составление схемы продвижения Ваших клиентов через различные этапы, которые завершаются достижением желаемого результата. Это поможет Вам понять, что такое отток или точки трения.
- Анализ удержания: противоположность анализу оттока, который выявляет элементы, заставляющие Ваших клиентов оставаться с Вами.
- Сегментация: Чтобы получить более глубокие сведения, разделите своих пользователей на группы в соответствии с их персонами, демографическими характеристиками, поведением и другими особенностями.
Системы продуктовой аналитики.
Система продуктовой аналитики - это набор инструментов и процессов, которые используются для сбора, обработки, анализа и представления данных о поведении пользователей в цифровых продуктах. Она предоставляет ценную
информацию о том, как пользователи взаимодействуют с продуктом, какие функции работают хорошо, а какие требуют улучшения.
Существует также несколько популярных систем, которые включают эти показатели в структурированном виде. Они могут служить в качестве контрольного списка для оценки эффективности Вашего продукта или функции.
Система HEART Framework:
Предложенная компанией Google, эта система широко используется для измерения пользовательского опыта. Метрики этой системы могут использоваться как на уровне продукта, так и на уровне функции:
- Счастье: Как пользователи относятся к продукту? Это можно оценить с помощью NPS, Customer satisfaction score и т.д.
- Вовлеченность: Как люди используют продукт? Это можно измерить с помощью количества действий, таких как акции, загрузки и т.д.
- Принятие: Новые пользователи. Это можно измерить с помощью таких показателей, как количество новых подписчиков, обновлений и т.д.
- Удержание: Существующие пользователи. Это можно измерить с помощью количества активных пользователей, частоты продлений, повторных покупок и т.д.
- Успешность задачи: Завершение действий. Для этого можно использовать количество пользователей, выполнивших задачу.
2. Модель RRR Framework:
Эта модель также известна как метрики стартапа для пиратов и была разработана Дэйвом МакКлюром. Метрики фиксируют поведение покупателей на различных этапах их взаимодействия с продуктом и помогают руководителям отделов разработки принимать более обоснованные решения, чтобы оптимизировать продукт и сделать его более ценным для покупателей.
Инструменты RRR Framework для отслеживания метрик.
Среди наиболее широко используемых инструментов для отслеживания метрик можно назвать следующие:
Google Analytics - один из самых востребованных инструментов, поскольку он работает по модели freemium. Если начинающие компании и небольшие фирмы могут пользоваться этим инструментом с ограниченными возможностями бесплатно, то более крупным компаниям придется выбрать платную версию. Инструмент прост в использовании и ориентирован на сбор показателей для веб-сайтов, что очень удобно для сайтов электронной коммерции. [7]
CrazyEgg отслеживает взаимодействие пользователей с Вашим сайтом/приложением путем отслеживания щелчков мыши. Инструмент предлагает 2 ключевые функции - 1) Просмотр тепловой карты: Дает наглядное представление об областях на сайте, которые наиболее часто используются пользователями 2) Scrollmap View: Показывает, где пользователи проводят больше всего времени на странице. Эти функции позволяют владельцам сайтов оптимизировать данные, которые привлекают внимание клиентов. [4]
Mixpanel доступен как для веб, так и для мобильных приложений. Среди его уникальных возможностей - анализ и отслеживание воронки вовлеченности, профилей пользователей, когорт и пользовательских панелей. Этот доступный инструмент дает Вам четкое представление о показателях конверсии и отсева пользователей на каждом этапе воронки и помогает определить, что работает для Вас, а что нет! [12]
Heap - это еще один инструмент аналитики веб-сайтов и приложений, который фиксирует и измеряет каждое взаимодействие пользователя с Вашим сайтом или приложением. Он помогает PM понять, как пользователь использует их продукт, и определить функции, которые нравятся пользователям, и функции, которые не очень хорошо работают с ними. Подобно mixpanel, heap дает Вам возможность настраивать воронки клиентов и фиксировать уровень отсева на каждом этапе воронки, что позволяет руководителям компаний лучше понять,
где происходят потери и что можно сделать, чтобы переломить эту тенденцию. [8]
Amplitude - это аналитический инструмент, предназначенный для измерения пользовательского поведения на веб-сайтах и в приложениях. Он предлагает всесторонние функции, включая отслеживание событий, создание отчетов по когорте и аналитику удержания. Amplitude помогает командам получить глубокое понимание того, как пользователи взаимодействуют с их продуктом, выявляя области для улучшения и оптимизации для повышения вовлеченности и конверсии. [2]
Сравнение систем продуктовой аналитики.
Важность критериев для сравнения систем продуктовой аналитики зависит от конкретных потребностей и целей бизнеса. [16] Однако, в общем случае, можно выделить несколько ключевых аспектов:
Важные критерии:
Глубина аналитических возможностей: Это критически важно для получения детальных инсайтов и понимания пользовательского поведения.
Широта интеграции данных: Важно для создания единой аналитической картины из разнообразных источников данных.
Безопасность данных: Жизненно необходимо для защиты конфиденциальности и соответствия нормативным требованиям.
Масштабируемость: Обеспечивает, что система сможет поддерживать рост компании и увеличение объемов данных.
Поддержка принятия решений: Инструменты должны способствовать обоснованному принятию решений, а не только предоставлять данные.
Менее важные критерии:
Удобство использования: Хотя это важно, компании могут обучить сотрудников или адаптировать интерфейс под свои нужды.
Скорость обработки данных: Важна, но не критична, если задержки не влияют на бизнес-процессы.
Стоимость: Может быть менее значимым фактором для крупных компаний, готовых инвестировать в высококачественные инструменты.
Каждый бизнес уникален, и приоритеты могут отличаться в зависимости от специфических задач и стратегических целей. Поэтому важно провести тщательный анализ потребностей перед выбором системы продуктовой аналитики. [15]
Таблица 1. Сравнение систем продуктовой аналитики.
Критерий Google CrazyEgg Mixpanel Heap Amplitude
Analytics
Глубина Высокая Средняя, Высокая, Высокая, Высокая,
аналитически для фокус на детальный все комплексн
х платной визуализ анализ взаимодейс ый анализ
возможностей версии, ации воронки твия поведения
ограниче пользовате
на для ля
бесплатн
ой
Широта Высокая, Ограниче Высокая, Высокая, Высокая,
интеграции широкий на, фокус для веб и для веб и для веб и
данных спектр на веб- мобильных мобильных мобильных
интеграц аналитик приложени приложени приложени
ий е й й й
Безопасность Высокая, Высокая, Высокая, Высокая, Высокая,
данных соответс соответст соответств соответств соответств
твие вие ие GDPR и ие GDPR и ие GDPR и
GDPR и основны другим другим другим
другим м стандартам стандартам стандартам
стандарт стандарт
ам ам
Критерий Google Analytics CrazyEgg Mixpanel Heap Amplitude
Масштабируе мость Высокая, подходи т для всех размеров компани й Средняя, лучше для малого и среднего бизнеса Высокая, масштабир уется с ростом бизнеса Высокая, масштабир уется с ростом бизнеса Высокая, масштабир уется с ростом бизнеса
Поддержка принятия решений Высокая, обширн ые отчеты и инсайты Средняя, фокус на визуализ ации данных Высокая, анализ воронки и профилей пользовате лей Высокая, анализ взаимодейс твий и воронки Высокая, всесторонн ий анализ поведения
Имея представление о системах продуктовой аналитики, давайте перейдем к рассмотрению реальных кейсов, где эти системы были успешно применены для достижения бизнес-целей
Использование продуктовой аналитики в реальных системах.
NetШx и персонализация контента: Netflix использует продуктовую аналитику для персонализации рекомендаций контента, что является фундаментальной частью их стратегии удержания пользователей. Анализируя поведение просмотра и выбор контента миллионами пользователей, Netflix смог создать сложные алгоритмы машинного обучения, которые предсказывают, какой контент будет интересен конкретному пользователю. Это привело к увеличению вовлеченности пользователей и снижению оттока, так как пользователи получают более целенаправленный и удовлетворяющий их вкусы контент. [11]
Для улучшения персонализации контента Netflix может использовать гибридные рекомендательные системы, сочетающие коллаборативную фильтрацию и контент-базированные методы. Это позволяет не только учитывать предпочтения пользователей, основанные на их предыдущих взаимодействиях, но и рекомендовать контент, схожий по характеристикам с уже просмотренным. Такой подход увеличивает вероятность того, что пользователь найдет интересный для себя контент, что способствует удержанию и увеличению времени просмотра.
Amazon и оптимизация цепочки поставок: Amazon применяет продуктовую аналитику для оптимизации своей логистической цепочки и управления запасами. Используя данные о покупательском поведении, исторических покупках и сезонных трендах, Amazon может точно прогнозировать спрос и соответственно настраивать уровни запасов. Это позволяет компании сократить издержки на хранение и улучшить эффективность доставки, что в конечном итоге приводит к повышению удовлетворенности клиентов и увеличению продаж. [10]
Amazon может применять методы прогнозирования спроса, используя машинное обучение и анализ временных рядов для оптимизации уровней запасов. Анализируя исторические данные о продажах и покупательском поведении, Amazon может точно прогнозировать будущий спрос и соответственно настраивать уровни запасов, что позволяет сократить издержки на хранение и улучшить эффективность доставки.
Zara и управление запасами: Zara, один из ведущих мировых ритейлеров одежды, использует продуктовую аналитику для оптимизации управления запасами и производства. Анализируя данные о продажах в реальном времени, Zara может быстро реагировать на меняющиеся модные тенденции и предпочтения потребителей. Это позволяет компании сокращать излишки и недостатки запасов, уменьшать сроки производства и доставки новых коллекций в магазины, что приводит к повышению удовлетворенности клиентов и увеличению продаж. [3]
Zara может использовать быструю моду, основанную на данных, для оптимизации управления запасами и производства. Анализируя данные о продажах в реальном времени, Zara может быстро реагировать на меняющиеся модные тенденции и предпочтения потребителей, что позволяет компании сокращать излишки и недостатки запасов и уменьшать сроки производства и доставки новых коллекций в магазины.
LinkedIn и улучшение пользовательского опыта: LinkedIn использует продуктовую аналитику для улучшения пользовательского опыта на своей платформе. Анализируя данные о взаимодействии пользователей с различными функциями сайта, LinkedIn может идентифицировать и устранять узкие места в пользовательском интерфейсе и функциональности. Кроме того, аналитика помогает LinkedIn разрабатывать персонализированные рекомендации вакансий и контента, что делает платформу более ценной для пользователей и способствует их профессиональному росту. [9]
LinkedIn может улучшить пользовательский опыт, используя A/B тестирование и анализ пользовательских путей. Это позволяет компании тестировать изменения в интерфейсе и функциональности, чтобы определить, какие из них наиболее эффективно улучшают вовлеченность и удовлетворенность пользователей. Кроме того, анализ данных о взаимодействии с различными функциями сайта помогает LinkedIn разрабатывать персонализированные рекомендации вакансий и контента.
Эти примеры демонстрируют, как продуктовая аналитика может быть использована для получения глубоких инсайтов о поведении пользователей и оптимизации продуктовых стратегий, что ведет к улучшению пользовательского опыта и коммерческому успеху.
Прежде чем мы подведем итоги, давайте обсудим необходимость обновления данных и инструментов, чтобы поддерживать актуальность и эффективность продуктовой аналитики в меняющемся мире.
Обновление данных и инструментов.
В современном мире технологии и рыночные условия развиваются с невероятной скоростью, что требует от компаний постоянного обновления данных и аналитических инструментов. [19] Для поддержания актуальности данных и эффективности инструментов продуктовой аналитики, компании должны:
Регулярное обновление данных: Установить процессы для ежедневного, еженедельного или ежемесячного сбора данных в зависимости от динамики изменений в отрасли и поведения пользователей.
Интеграция новых источников данных: Включать данные из новых источников, таких как социальные медиа, IoT устройства и онлайн-платформы, для получения более полной картины поведения пользователей.
Обновление аналитических моделей: Регулярно пересматривать и обновлять аналитические модели для учета новых трендов и изменений в поведении пользователей.
Использование адаптивных алгоритмов: Применять машинное обучение и искусственный интеллект для создания алгоритмов, способных адаптироваться к изменениям и обучаться на новых данных.
Тестирование и валидация: Проводить регулярное тестирование и валидацию инструментов для обеспечения их точности и надежности.
Обратная связь от пользователей: Собирать и анализировать обратную связь от пользователей для улучшения качества данных и аналитических инструментов.
Слежение за технологическими трендами: Оставаться в курсе последних технологических разработок и интегрировать новые технологии в аналитические процессы.
Заключение.
Продуктовая аналитика является ключевым инструментом для понимания потребностей пользователей и оптимизации продуктов, но её
эффективность зависит от правильного выбора метрик и глубины анализа. Хотя аналитика предоставляет ценные данные для принятия решений, важно признавать её ограничения и потенциальные искажения. Например, данные могут быть предвзятыми из-за специфики сбора или интерпретации, а также могут не учитывать внешние факторы, влияющие на поведение пользователей.
Для улучшения качества продуктовой аналитики исследователям следует:
Тщательно выбирать метрики, учитывая специфику продукта и цели исследования.
Критически оценивать источники данных, чтобы минимизировать риск предвзятости.
Интегрировать качественные методы исследования, такие как интервью и фокус-группы, для дополнения количественных данных.
Проводить долгосрочные исследования, чтобы лучше понять изменения в поведении пользователей и динамику рынка.
Рассматривать контекст и внешние факторы, которые могут влиять на интерпретацию данных.
Таким образом, продуктовая аналитика может стать более мощным инструментом, способным не только отслеживать текущие тенденции, но и предвидеть будущие изменения, а также помогать в создании продуктов, которые лучше соответствуют потребностям пользователей и способствуют устойчивому росту компании.
СПИСОК ЛИТЕРАТУРЫ:
1. Aha! "Product Metrics" [Электронный ресурс]. URL: https://web.arcMve.org/web/20220826140752/https://www.aha.io/raadmapping/guide/product-strategy/product-metrics (дата обращения: 10.05.24);
2. Amplitude [Электронный ресурс]. URL: https://amplitude.com/ (дата обращения: 10.05.24);
3. Caro, F., & Gallien, J. (2009). Inventory Management of a Fast-Fashion Retail Network. Operations Research, 58(2), 257-273. [Электронный ресурс]. URL: https://www.jstor.org/stable/40648588 (дата обращения: 10.05.24);
4. CrazyEgg [Электронный ресурс]. URL: https://www.crazyegg.com/ (дата обращения: 10.05.24);
5. Croll A., Yoskovitz B. Lean Analytics: Use Data to Build a Better Startup Faster // O'Reilly Media. 2013. ISBN: 978-1449335670;
6. Eyal N. Hooked: How to Build Habit-Forming Products // Portfolio. 2014. ISBN: 9781591847786;
7. Google Analytics [Электронный ресурс]. URL: https://analytics.google.com/ (дата обращения: 10.05.24);
8. Heap [Электронный ресурс]. URL: https://heap.io/ (дата обращения: 10.05.24);
9. Kamil, M. A. F. (2023). User Experience Analysis of LinkedIn Social Media Using Usability Metric for User Experience (UMUX). [Электронный ресурс]. URL: https://doi.org/10.26740/jieet.v7n2.p78-82 (дата обращения: 10.05.24);
10. Kassmann, D., & Allgor, R. (2006). Supply chain design, management and optimization. В W. Marquardt & C. Pantelides (Ред.), Computer Aided Chemical Engineering (Том 21, стр. 101106). Elsevier. ISSN 1570-7946, ISBN 9780444529695. [Электронный ресурс]. URL: https://doi.org/10.1016/S1570-7946(06)80031-3 (дата обращения: 10.05.24);
11. Matthew, J. R. (2020). Netflix and the design of the audience: The homogenous constraints of data-driven personalization. MedieKultur: Journal of Media and Communication Research, 36(69), 052-070. [Электронный ресурс]. URL: https://doi.org/10.7146/mediekultur.v36i69.121223 (дата обращения: 10.05.24);
12. Mixpanel [Электронный ресурс]. URL: https://mixpanel.com/ (дата обращения: 10.05.24);
13. Olsen D. The Lean Product Playbook: How to Innovate with Minimum Viable Products and Rapid Customer Feedback // Wiley. 2015. ISBN: 978-1118960875;
14. Product HQ, "Product Analytics" [Электронный ресурс]. URL: https://producthq.org/product-analytics/ (дата обращения: 10.05.24);
15. Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking // O'Reilly Media. 2013. ISBN: 978-1449361327;
16. Siegel E. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die // Wiley. 2016. ISBN: 978-1119145677;
17. The PM Digest, "The Product Metrics Guide" [Электронный ресурс]. URL: https://medium.com/the-pm-digest/the-product-metrics-guide-c4a16d5640b6 (дата обращения: 10.05.24);
18. The Product Manager, "Product Analytics Guide" [Электронный ресурс]. URL: https://theproductmanager.com/topics/product-analytics-guide/ (дата обращения: 10.05.24);
19. Towards Data Science, "Defining Product Metrics - The Ultimate Guide Part 1 of 2" [Электронный ресурс]. URL: https://towardsdatascience.com/defining-product-metrics-the-ultimate-guide-part-1-of-2-585b8c63fcef (дата обращения: 10.05.24);
20. Userpilot Blog, "Product Analytics Guide" [Электронный ресурс]. URL: https://userpilot.com/blog/product-analytics-guide/ (дата обращения: 10.05.24)
Popov A.V.
Moscow Polytechnic University (Moscow, Russia)
PRODUCT ANALYTICS: TOOL FOR MAKING INFORMED DECISIONS
Abstract: paper analyzes product analytics as a tool for improving user experience and making informed product decisions. The study includes a review of key metrics and data collection methods, as well as a comparison of various product analytics systems. Special attention is given to the practical application of analytics in real business cases, such as Netflix, Amazon, Zara, and LinkedIn, and the need to update data and tools to stay relevant in the changing world of technology is discussed.
Keywords: product analytics, product metrics, user experience, comparison of analytical systems, data-driven decision-making, data updating, analytics tools, business cases.
