Оставлю это здесь для пятничного настроения😁. Во всех странах одно и то же. Это американский кибер-популист)
👍5🔥3
📊 Ипотека vs вклад: как принять решение на данных
Привет, друзья! ☕️
В предновогодней суете работа отходит на второй план, пожалуй, сегодня отклонимся от корпоративной аналитики. Принципы data-driven работают и для личных финансов. У многих из нас есть ипотечные кредиты, а конец года приносит в копилку годовые бонусы. Если повезло взять семейный или ИТ, то это 5-7%, а вклады сейчас - под 14-16%.
Но почему-то люди торопятся гасить ипотеку: «Меня пугает переплата за 30 лет».
Давайте разберем это как аналитическую задачу.
❓ Страх «огромной переплаты» по ипотеке — это полуправда.
Да, при кредите в 12 млн на 30 лет вы отдадите банку 14 млн процентов. Но это не стоимость квартиры +14 млн. Через 30 лет сегодняшние деньги обесценятся на ту же сумму.
❓ «Сложный процент» (начисление % на остаток кредита ежемесячно, а не раз в год) имеет место. Большинство вкладов сейчас предлагают без капитализации %, но есть и такие. В любом случае разница в % по кредиту и в % по вкладу в большинстве случаев перекрывает капитализацию долга.
Для того, чтобы наглядно продемонстрировать на цифрах, подготовила для вас простой калькулятор в excel. Сейчас в нем конкретный пример, но условия можно менять под свои:
Возьмем 500 тыс. руб., которые можно направить на досрочное погашение или на вклад.
– При досрочном погашении ипотеки под 6% вы сэкономите около 30 тыс. руб. в год на процентах. За 30 лет условная экономия составит 2 млн руб.
– При размещении на вклад на 6 мес, мы сможем использовать эту сумму в погашение ипотеки позже, но уже с учетом полученного дохода по вкладу.
При вкладе под 7% - экономия переплаты близка, но чуть хуже варианта «гасим сразу», при 8% копить становится выгодно. При 15% выбор очевиден.
Вывод:
Если ставка по надежному краткосрочному вкладу даже на пару % выше вашей ипотечной ставки, с точки зрения чистой математики выгоднее накапливать средства.
Единственная настоящая проблема - это ваша дисциплина: эти деньги нельзя тратить на другие цели)
Принимайте решения на цифрах, а не на страхах 😉
Подписывайтесь — в следующем году вернемся к корпоративным data-кейсам♥️
Привет, друзья! ☕️
В предновогодней суете работа отходит на второй план, пожалуй, сегодня отклонимся от корпоративной аналитики. Принципы data-driven работают и для личных финансов. У многих из нас есть ипотечные кредиты, а конец года приносит в копилку годовые бонусы. Если повезло взять семейный или ИТ, то это 5-7%, а вклады сейчас - под 14-16%.
Но почему-то люди торопятся гасить ипотеку: «Меня пугает переплата за 30 лет».
Давайте разберем это как аналитическую задачу.
Да, при кредите в 12 млн на 30 лет вы отдадите банку 14 млн процентов. Но это не стоимость квартиры +14 млн. Через 30 лет сегодняшние деньги обесценятся на ту же сумму.
Для того, чтобы наглядно продемонстрировать на цифрах, подготовила для вас простой калькулятор в excel. Сейчас в нем конкретный пример, но условия можно менять под свои:
Возьмем 500 тыс. руб., которые можно направить на досрочное погашение или на вклад.
– При досрочном погашении ипотеки под 6% вы сэкономите около 30 тыс. руб. в год на процентах. За 30 лет условная экономия составит 2 млн руб.
– При размещении на вклад на 6 мес, мы сможем использовать эту сумму в погашение ипотеки позже, но уже с учетом полученного дохода по вкладу.
При вкладе под 7% - экономия переплаты близка, но чуть хуже варианта «гасим сразу», при 8% копить становится выгодно. При 15% выбор очевиден.
Вывод:
Если ставка по надежному краткосрочному вкладу даже на пару % выше вашей ипотечной ставки, с точки зрения чистой математики выгоднее накапливать средства.
Единственная настоящая проблема - это ваша дисциплина: эти деньги нельзя тратить на другие цели)
Принимайте решения на цифрах, а не на страхах 😉
Подписывайтесь — в следующем году вернемся к корпоративным data-кейсам
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥3❤1
🎄 Выгружаем «новогодний чемодан»: 3 data-вопроса к году
Привет, друзья! ☕️
Отзвенели бокалы, доедены мандарины, гирлянды — в коробку. Мы вернулись. Но прежде чем нырять в воронки, графики и планы, давайте сделаем одну полезную вещь.
Любой аналитик знает: прежде чем строить прогноз, нужно разобраться с базой. Давайте применим это к нашему прошедшему году.
Задайте себе три вопроса (можно мысленно, можно в заметках):
1. Какая одна цифра/факт из работы-2025 меня поразила больше всего? (Например: «Оказалось, 80% прибыли приносят всего 3 клиента» или «Я провёл 600 часов на совещаниях»). Просто вытащите это на свет.
2. Какой один неочевидный процесс (или привычка) оказался самым бесполезным? Тот, на который уходила энергия, а отдачи — ноль. Его стоит оставить в прошлом.
3. Кто один человек (коллега, клиент, близкий) дал мне в этом году главный профессиональный инсайт? Поблагодарите его мысленно или письмом.
Сегодня неспешно разбираем личные показатели года и решаем, какие из них берём с собой в 2026, а какие — уже давно «носки с дырками».
Поделитесь в комментариях хотя бы одним своим ответом и решением по нему — вдохновим друг друга на легкий старт💪🏼
А в следующий раз, с чистого листа, вернёмся к нашим данным, процессам и инсайтам. Рада снова вас видеть🩶
Привет, друзья! ☕️
Отзвенели бокалы, доедены мандарины, гирлянды — в коробку. Мы вернулись. Но прежде чем нырять в воронки, графики и планы, давайте сделаем одну полезную вещь.
Любой аналитик знает: прежде чем строить прогноз, нужно разобраться с базой. Давайте применим это к нашему прошедшему году.
Задайте себе три вопроса (можно мысленно, можно в заметках):
1. Какая одна цифра/факт из работы-2025 меня поразила больше всего? (Например: «Оказалось, 80% прибыли приносят всего 3 клиента» или «Я провёл 600 часов на совещаниях»). Просто вытащите это на свет.
2. Какой один неочевидный процесс (или привычка) оказался самым бесполезным? Тот, на который уходила энергия, а отдачи — ноль. Его стоит оставить в прошлом.
3. Кто один человек (коллега, клиент, близкий) дал мне в этом году главный профессиональный инсайт? Поблагодарите его мысленно или письмом.
Сегодня неспешно разбираем личные показатели года и решаем, какие из них берём с собой в 2026, а какие — уже давно «носки с дырками».
Поделитесь в комментариях хотя бы одним своим ответом и решением по нему — вдохновим друг друга на легкий старт💪🏼
А в следующий раз, с чистого листа, вернёмся к нашим данным, процессам и инсайтам. Рада снова вас видеть🩶
👍3❤1
🧠 Почему аналитик важнее данных: слепая выборка vs системный сбой
Привет, друзья! ☕️
«Зачем аналитик, если модель сама найдёт закономерности?». Ответ прост: модель не задаёт данным вопрос «почему», а мы умеем.
Разберём на живом примере из медицинской статистики.
Задача: Проанализировать структуру заболеваемости по сети клиник.
Данные: В поле «Диагноз» заполнено только 50% записей.
Вариант 1: «Слепая» выборка
Допустим, диагнозы заполнили случайные 50% клиник (одни всегда вносят, другие — нет).
Вариант 2: Системный сбой
А если заполнены только диагнозы по ортопедии, а кардиология — нет (потому что справочник маппинга сбоит)?
Казалось бы: заполненность одинаковая. Но от причины пропусков зависит, можно ли вообще что-то считать.
Вариант 1:
Здесь пропуски случайны.
✅ Что можно: Проводить анализ заболеваемости по имеющимся данным. Они для всей сети.
❌ Что нельзя: Сравнивать клиники между собой по заполненности.
Вариант 2:
Здесь пропуски системны.
✅ Что можно: Сравнивать клиники только по доле ортопедических пациентов.
❌ Что нельзя: Делать выводы об общей заболеваемости. Вы увидите «всплеск болезней суставов», которого на самом деле нет.
Вывод для бизнеса:
Цифра «50% заполнено» ничего не значит без понимания контекста. Только человек, погружённый в процесс, может отличить «не заполнили» от «не смогли заполнить».
Не будьте ИИ, всегда анализируйте суть, а не цифры😉
Подписывайтесь, чтобы не пропустить следующую тему — разбор «хвостов» 🩶
Привет, друзья! ☕️
«Зачем аналитик, если модель сама найдёт закономерности?». Ответ прост: модель не задаёт данным вопрос «почему», а мы умеем.
Разберём на живом примере из медицинской статистики.
Задача: Проанализировать структуру заболеваемости по сети клиник.
Данные: В поле «Диагноз» заполнено только 50% записей.
Вариант 1: «Слепая» выборка
Допустим, диагнозы заполнили случайные 50% клиник (одни всегда вносят, другие — нет).
Вариант 2: Системный сбой
А если заполнены только диагнозы по ортопедии, а кардиология — нет (потому что справочник маппинга сбоит)?
Казалось бы: заполненность одинаковая. Но от причины пропусков зависит, можно ли вообще что-то считать.
Вариант 1:
Здесь пропуски случайны.
✅ Что можно: Проводить анализ заболеваемости по имеющимся данным. Они для всей сети.
❌ Что нельзя: Сравнивать клиники между собой по заполненности.
Вариант 2:
Здесь пропуски системны.
✅ Что можно: Сравнивать клиники только по доле ортопедических пациентов.
❌ Что нельзя: Делать выводы об общей заболеваемости. Вы увидите «всплеск болезней суставов», которого на самом деле нет.
Вывод для бизнеса:
Цифра «50% заполнено» ничего не значит без понимания контекста. Только человек, погружённый в процесс, может отличить «не заполнили» от «не смогли заполнить».
Не будьте ИИ, всегда анализируйте суть, а не цифры😉
Подписывайтесь, чтобы не пропустить следующую тему — разбор «хвостов» 🩶
👍3
🦎 Как не отрастить дата-хвост
Привет, друзья!☕️
К посту о data-driven инсайтах пришел комментарий, мимо которого я не могла пройти:
Он идеально иллюстрирует важную проблему: система слепа к аномалиям, пока они не затронут «своих». Это классический пример того, когда «средняя температура по больнице» (среднее время ожидания 5 минут) скрывает реальный «хвост» (10% клиентов ждёт по 40+ минут).
Инструмент борьбы называется: «Управление по перцентилям (P95) вместо средних».
Вот как это внедрить:
1. Перестаньте измерять «среднюю очередь». Ваша новая ключевая метрика — «95-й перцентиль времени ожидания». Это значит, что 95% клиентов ждут меньше, чем X минут.
2. Создайте триггер для ручного вмешательства. Внедрите автоматическое оповещение для руководителя, если в любом отделении формируется очередь с расчётным временем ожидания выше порога (например, 30 минут). Не ждите, пока там окажется чей-то родственник.
3. Время от времени проводите «ретроспективу хвостов». Берите 5-10 самых долгих случаев обслуживания (не только очереди, но и сложные запросы, жалобы) и детально разбирайте: что пошло не так на каждом этапе? Это может дать неочевидные инсайты для оптимизации процессов.
Вывод: Добавив в фокус «хвосты» распределения, вы начинаете видеть и лечить реальные боли, которые губят репутацию и отталкивают клиентов.
Вопрос вам: А какие «средние показатели» в вашем бизнесе, возможно, скрывают такие же «токсичные хвосты»? NPS? Время ответа на заявку? Процент ошибок?
Привет, друзья!☕️
К посту о data-driven инсайтах пришел комментарий, мимо которого я не могла пройти:
«История про инсайт номер 3 из одного банка: о том, что «в среднем небольшие очереди» в отделениях имеют толстые хвосты (клиенты в них попадают редко, но метко и надолго) узнали, когда в такую очередь попал родственник руководителя розничного бизнеса 😏 зато потом активно боролись»
Он идеально иллюстрирует важную проблему: система слепа к аномалиям, пока они не затронут «своих». Это классический пример того, когда «средняя температура по больнице» (среднее время ожидания 5 минут) скрывает реальный «хвост» (10% клиентов ждёт по 40+ минут).
Инструмент борьбы называется: «Управление по перцентилям (P95) вместо средних».
Вот как это внедрить:
1. Перестаньте измерять «среднюю очередь». Ваша новая ключевая метрика — «95-й перцентиль времени ожидания». Это значит, что 95% клиентов ждут меньше, чем X минут.
2. Создайте триггер для ручного вмешательства. Внедрите автоматическое оповещение для руководителя, если в любом отделении формируется очередь с расчётным временем ожидания выше порога (например, 30 минут). Не ждите, пока там окажется чей-то родственник.
3. Время от времени проводите «ретроспективу хвостов». Берите 5-10 самых долгих случаев обслуживания (не только очереди, но и сложные запросы, жалобы) и детально разбирайте: что пошло не так на каждом этапе? Это может дать неочевидные инсайты для оптимизации процессов.
Вывод: Добавив в фокус «хвосты» распределения, вы начинаете видеть и лечить реальные боли, которые губят репутацию и отталкивают клиентов.
Вопрос вам: А какие «средние показатели» в вашем бизнесе, возможно, скрывают такие же «токсичные хвосты»? NPS? Время ответа на заявку? Процент ошибок?
❤5
🤡 Продуктовый подход: новый язык или старые грабли?
Привет, друзья! ☕️
Забавно наблюдать, как старые, добрые принципы управления теперь обязательно нужно называть английскими аббревиатурами, чтобы они зазвучали «инновационно». Давайте проведём вежливый «ретроним-анализ» и переведём модный продуктовый сленг на человеческий язык.
Вот ваш краткий словарь переводчика:
OKR (Objectives and Key Results) → Это просто «Цели и показатели» с приставкой «каждый сотрудник должен их понять». Раньше это висело в отделе на плакате «План на квартал». Теперь для этого есть отдельный дорогой софт.
MVP (Minimum Viable Product) → «Пилотный проект» или «пробный запуск». Раньше тестировали в одном регионе/на одном цехе. Теперь это звучит как стратегия космического масштаба.
CJM (Customer Journey Map) → «Схема работы с клиентом/клиентский путь». Просто раньше её рисовали на флипчарте, а теперь — в Figma.
A/B тест → «Сравнительный эксперимент». Раньше говорили: «Давайте в этом месяце сделаем так, а в следующем — эдак, и посмотрим, где результат лучше». Теперь для этого нужна отдельная платформа и продуктовый аналитик.
Roadmap → «План-график работ» или «дорожная карта». Синоним диаграммы Ганта, которая внезапно стала выглядеть менее солидно.
Metriсs → Они же ранее —«Ключевые показатели эффективности (КПЭ)». Как будто без «метрикс» мы и не измеряли эффективность процессов и внедрений.
Backlog → «План задач» или, как говорили классики, «очередь доработок». Раньше это был список в Excel, теперь — в Jira. «В каком порядке будем делать, когда дойдут руки».
Не дайте новым словам себя запутать. Суть грамотного управления всегда была одна: понять проблему клиента, проверить гипотезу, сделать, измерить результат, поправить.
Если за красивым CJM не стоит реального устранения «боли» клиента, а OKR не связаны с прибылью по итогу — это инфоцыганство. И его можно называть как угодно.
P.S. Какая ваша любимая «новая» аббревиатура, за которой скрывается хорошо забытое старое? Дополняйте список в комментариях.
В следующий раз разберем, что реально полезного можно взять на вооружение из новых подходов. Подписывайтесь, чтобы не пропустить🩶
Привет, друзья! ☕️
Забавно наблюдать, как старые, добрые принципы управления теперь обязательно нужно называть английскими аббревиатурами, чтобы они зазвучали «инновационно». Давайте проведём вежливый «ретроним-анализ» и переведём модный продуктовый сленг на человеческий язык.
Вот ваш краткий словарь переводчика:
OKR (Objectives and Key Results) → Это просто «Цели и показатели» с приставкой «каждый сотрудник должен их понять». Раньше это висело в отделе на плакате «План на квартал». Теперь для этого есть отдельный дорогой софт.
MVP (Minimum Viable Product) → «Пилотный проект» или «пробный запуск». Раньше тестировали в одном регионе/на одном цехе. Теперь это звучит как стратегия космического масштаба.
CJM (Customer Journey Map) → «Схема работы с клиентом/клиентский путь». Просто раньше её рисовали на флипчарте, а теперь — в Figma.
A/B тест → «Сравнительный эксперимент». Раньше говорили: «Давайте в этом месяце сделаем так, а в следующем — эдак, и посмотрим, где результат лучше». Теперь для этого нужна отдельная платформа и продуктовый аналитик.
Roadmap → «План-график работ» или «дорожная карта». Синоним диаграммы Ганта, которая внезапно стала выглядеть менее солидно.
Metriсs → Они же ранее —«Ключевые показатели эффективности (КПЭ)». Как будто без «метрикс» мы и не измеряли эффективность процессов и внедрений.
Backlog → «План задач» или, как говорили классики, «очередь доработок». Раньше это был список в Excel, теперь — в Jira. «В каком порядке будем делать, когда дойдут руки».
Не дайте новым словам себя запутать. Суть грамотного управления всегда была одна: понять проблему клиента, проверить гипотезу, сделать, измерить результат, поправить.
Если за красивым CJM не стоит реального устранения «боли» клиента, а OKR не связаны с прибылью по итогу — это инфоцыганство. И его можно называть как угодно.
P.S. Какая ваша любимая «новая» аббревиатура, за которой скрывается хорошо забытое старое? Дополняйте список в комментариях.
В следующий раз разберем, что реально полезного можно взять на вооружение из новых подходов. Подписывайтесь, чтобы не пропустить🩶
🔥5
🚀 Agile и JTBD: где за модными словами скрывается реальный прорыв
Привет, друзья! ☕️
Среди всего потока переупакованных старых идей есть две, которые, на мой взгляд, стоит выделить — Agile и Jobs To Be Done (JTBD).
1. Agile: легализация изменений
Что было раньше: «Водопад». Жёсткий план на год, ТЗ как библия, изменение требований — ЧП. Результат часто не совпадал с ожиданиями рынка.
В чём прорыв: Agile легализовал неопределённость. Он признал, что в начале пути мы многого не знаем, и дал механизм встроенного обучения: короткие циклы → обратная связь → адаптация.
Ценность: Это не про спринты и доски. Это про культуру, где можно менять курс по ходу движения. Фокус смещается с «следования плану» на достижение результата.
2. JTBD: смена оптики на клиента
Что было раньше: Мы спрашивали: «Каков портрет нашего клиента? (возраст, доход)» или «Какие фичи ему нужны?». Создавали продукты на основе демографии и опросов.
В чём прорыв: JTBD предлагает спросить иначе: «На какую «работу» клиент «нанимает» наш продукт?».
Клиент «нанимает» дрель не чтобы ей владеть, а чтобы сделать отверстие в стене.
Клиент «нанимает» страховой полис не чтобы иметь документ, а чтобы обрести спокойствие за будущее семьи.
Ценность: Это инструмент, чтобы видеть за запросами — скрытые мотивы, а за конкурентами — непохожие решения одной и той же задачи клиента. Это выход за рамки «добавим ещё одну кнопку».
Почему это не просто упаковка:
✔️Agile переносит фокус с плана на результат.
✔️JTBD переносит фокус с продукта/клиента на прогресс клиента.
Что брать на вооружение:
1. Из Agile — принцип «проверяй гипотезы короткими циклами». Не годовой план, а двухнедельный эксперимент.
2. Из JTBD — вопрос «Какую задачу клиент решает по-настоящему?» перед запуском любой новой фичи или продукта.
Если такие разборы полезны — поставьте реакцию. Следующим разберём конкретный кейс применения JTBD в страховании.
Привет, друзья! ☕️
Среди всего потока переупакованных старых идей есть две, которые, на мой взгляд, стоит выделить — Agile и Jobs To Be Done (JTBD).
1. Agile: легализация изменений
Что было раньше: «Водопад». Жёсткий план на год, ТЗ как библия, изменение требований — ЧП. Результат часто не совпадал с ожиданиями рынка.
В чём прорыв: Agile легализовал неопределённость. Он признал, что в начале пути мы многого не знаем, и дал механизм встроенного обучения: короткие циклы → обратная связь → адаптация.
Ценность: Это не про спринты и доски. Это про культуру, где можно менять курс по ходу движения. Фокус смещается с «следования плану» на достижение результата.
2. JTBD: смена оптики на клиента
Что было раньше: Мы спрашивали: «Каков портрет нашего клиента? (возраст, доход)» или «Какие фичи ему нужны?». Создавали продукты на основе демографии и опросов.
В чём прорыв: JTBD предлагает спросить иначе: «На какую «работу» клиент «нанимает» наш продукт?».
Клиент «нанимает» дрель не чтобы ей владеть, а чтобы сделать отверстие в стене.
Клиент «нанимает» страховой полис не чтобы иметь документ, а чтобы обрести спокойствие за будущее семьи.
Ценность: Это инструмент, чтобы видеть за запросами — скрытые мотивы, а за конкурентами — непохожие решения одной и той же задачи клиента. Это выход за рамки «добавим ещё одну кнопку».
Почему это не просто упаковка:
✔️Agile переносит фокус с плана на результат.
✔️JTBD переносит фокус с продукта/клиента на прогресс клиента.
Что брать на вооружение:
1. Из Agile — принцип «проверяй гипотезы короткими циклами». Не годовой план, а двухнедельный эксперимент.
2. Из JTBD — вопрос «Какую задачу клиент решает по-настоящему?» перед запуском любой новой фичи или продукта.
Если такие разборы полезны — поставьте реакцию. Следующим разберём конкретный кейс применения JTBD в страховании.
❤5
🛠️ JTBD в ДМС: почему клиент «увольняет» вашу страховку после первого обращения
Привет, друзья! ☕️
Обещала пример. Мы говорим, что JTBD — это про «работу», на которую клиент нанимает наш продукт.
Ситуация: Клиент (физ.лицо) купил ДМС. Впервые обращается за помощью — нужен МРТ.
Логика клиента: Полис покрывает исследование. Клиника в сети есть.
А вот что происходит на деле:
1. Клиент сам ищет клинику в сети, где есть свободное окно.
2. Он звонит в страховую для подтверждения гарантийного письма.
3. Оператор запрашивает документы от лечащего врача (выписку, направление).
4. Клиент вынужден снова обратиться к врачу, потратить время.
5. Страховая предлагает другую клинику (по своим критериям)
Процесс растягивается на дни. Тревога усиливается..
Провал по JTBD
Какая «работа» не выполнена?
Клиент нанимал страховку как «агента, который берёт на себя организационную и бюрократическую нагрузку в момент стресса». Вместо этого он получил «дополнительный источник задач».
Реальная конкуренция происходит не между страховщиками, а между «купить ДМС» и «заплатить напрямую и решить вопрос за 3 часа». Второй вариант часто выигрывает по «стоимости» нервов, хотя может быть и дороже.
Что меняет JTBD-оптика?
Вы начинаете измерять количество организационных шагов, которые клиент вынужден сделать сам. Ваша цель — свести их к нулю.
Возможное решение:
Внедрить сервис «МРТ в один клик».
Но себестоимость организации такого сервиса выше. А стоимость удержания клиента, который «уволил» вас после первого стресса, — тоже. И вот вы взвешиваете и измеряете, измеряете и взвешиваете.. а поезд проносится мимо..
Привет, друзья! ☕️
Обещала пример. Мы говорим, что JTBD — это про «работу», на которую клиент нанимает наш продукт.
Ситуация: Клиент (физ.лицо) купил ДМС. Впервые обращается за помощью — нужен МРТ.
Логика клиента: Полис покрывает исследование. Клиника в сети есть.
А вот что происходит на деле:
1. Клиент сам ищет клинику в сети, где есть свободное окно.
2. Он звонит в страховую для подтверждения гарантийного письма.
3. Оператор запрашивает документы от лечащего врача (выписку, направление).
4. Клиент вынужден снова обратиться к врачу, потратить время.
5. Страховая предлагает другую клинику (по своим критериям)
Процесс растягивается на дни. Тревога усиливается..
Провал по JTBD
Какая «работа» не выполнена?
Клиент нанимал страховку как «агента, который берёт на себя организационную и бюрократическую нагрузку в момент стресса». Вместо этого он получил «дополнительный источник задач».
Реальная конкуренция происходит не между страховщиками, а между «купить ДМС» и «заплатить напрямую и решить вопрос за 3 часа». Второй вариант часто выигрывает по «стоимости» нервов, хотя может быть и дороже.
Что меняет JTBD-оптика?
Вы начинаете измерять количество организационных шагов, которые клиент вынужден сделать сам. Ваша цель — свести их к нулю.
Возможное решение:
Внедрить сервис «МРТ в один клик».
Но себестоимость организации такого сервиса выше. А стоимость удержания клиента, который «уволил» вас после первого стресса, — тоже. И вот вы взвешиваете и измеряете, измеряете и взвешиваете.. а поезд проносится мимо..
👍3🔥2
🔍 Как читать графики: навык, который не купишь у Power BI
Привет, друзья! ☕️
Вся аналитика держится на одной простой мысли: цифры не врут, но их можно заставить лгать. Давайте учиться смотреть на них с подозрением. Это и есть профессиональный навык.
Тренировка №1: Игра в «А что если?»
Каждый график рассказывает историю. Ваша задача — найти альтернативные сценарии, которые могли бы привести к той же картинке.
Пример:
Вы видите резкий рост продаж в декабре.
Первая мысль: «Отлично поработали!»
Правильная мысля: «Это могло быть вызвано:
1. Новой акцией
2. Падением продаж в ноябре (и декабрь просто компенсация)
3. Технической ошибкой в сборе данных
4. Тем, что конкурент ушёл с рынка
...и ещё 5 вариантов».
Упражнение: Возьмите любой график из ваших отчётов и придумайте 3 разных объяснения одному и тому же движению линии. Это развивает критическое мышление.
Тренировка №2: Искать невидимое
Хороший аналитик смотрит на то, что не показано. Задайте себе контрольные вопросы:
1. Что скрывает масштаб? (Если ось Y начинается не с нуля, рост может быть преувеличен)
2. Где пропали данные? (Разрывы в графике — это часто важнее, чем сами точки)
3. Что находится «за кадром»? («Смотрите, выручка упала!»
А на деле — это октябрь, и мы просто забыли, что в прошлом году в этом месяце был мега-кэшбэк от партнёра, который мы не повторили.)
Лайфхак: Всегда смотрите на абсолютные значения, даже когда вам показывают проценты. Рост на 200% — это от 1 до 3 клиентов или от 1000 до 3000?
Что развивают эти тренировки:
✔️Историческая память: Вести дневник аномалий. «В прошлом году в этот период тоже был скачок — почему?»
✔️Бизнес-грамотность: Понимать, какие внешние факторы влияют на метрики (сезонность, рынок, конкуренты).
✔️Техническая подкованность: Знать, как собираются данные. Возможно, «падение» — это сбой в передаче данных между системами.
Итог:
Умение читать графики — это способность видеть за цифрами — процессы, за процессами — людей, а за людьми — мотивы и ошибки. Пригодится и аналитикам, и продактам, и управленцам 🩶
Привет, друзья! ☕️
Вся аналитика держится на одной простой мысли: цифры не врут, но их можно заставить лгать. Давайте учиться смотреть на них с подозрением. Это и есть профессиональный навык.
Тренировка №1: Игра в «А что если?»
Каждый график рассказывает историю. Ваша задача — найти альтернативные сценарии, которые могли бы привести к той же картинке.
Пример:
Вы видите резкий рост продаж в декабре.
Первая мысль: «Отлично поработали!»
Правильная мысля: «Это могло быть вызвано:
1. Новой акцией
2. Падением продаж в ноябре (и декабрь просто компенсация)
3. Технической ошибкой в сборе данных
4. Тем, что конкурент ушёл с рынка
...и ещё 5 вариантов».
Упражнение: Возьмите любой график из ваших отчётов и придумайте 3 разных объяснения одному и тому же движению линии. Это развивает критическое мышление.
Тренировка №2: Искать невидимое
Хороший аналитик смотрит на то, что не показано. Задайте себе контрольные вопросы:
1. Что скрывает масштаб? (Если ось Y начинается не с нуля, рост может быть преувеличен)
2. Где пропали данные? (Разрывы в графике — это часто важнее, чем сами точки)
3. Что находится «за кадром»? («Смотрите, выручка упала!»
А на деле — это октябрь, и мы просто забыли, что в прошлом году в этом месяце был мега-кэшбэк от партнёра, который мы не повторили.)
Лайфхак: Всегда смотрите на абсолютные значения, даже когда вам показывают проценты. Рост на 200% — это от 1 до 3 клиентов или от 1000 до 3000?
Что развивают эти тренировки:
✔️Историческая память: Вести дневник аномалий. «В прошлом году в этот период тоже был скачок — почему?»
✔️Бизнес-грамотность: Понимать, какие внешние факторы влияют на метрики (сезонность, рынок, конкуренты).
✔️Техническая подкованность: Знать, как собираются данные. Возможно, «падение» — это сбой в передаче данных между системами.
Итог:
Умение читать графики — это способность видеть за цифрами — процессы, за процессами — людей, а за людьми — мотивы и ошибки. Пригодится и аналитикам, и продактам, и управленцам 🩶
❤7👍3🔥2
📊 Инфляция: почему в новостях 6%, а в кошельке — все 15%
Привет, друзья! ☕️
В ДМС мы постоянно считаем инфляцию медицинских услуг. И каждый раз утыкаемся в одно и то же расхождение: официальная статистика и реальные ощущения живут в параллельных вселенных. Давайте разберёмся, почему так происходит и где здесь зарыта аналитическая собака.
Как считают официальную инфляцию
Росстат берёт корзину товаров и услуг, смотрит их цены каждый месяц, а потом считает средневзвешенный рост за год. Ключевое слово — «средневзвешенный» и «календарный».
Пример: Допустим, МРТ подорожало на 12% в декабре 2025-го. Вклад этого подорожания в годовую инфляцию-2025 составит примерно... +1%. Потому что 11 месяцев в году цена была старой, и только один месяц — новой.
Как инфляция бьёт по кошельку
А теперь представьте, что вы делаете МРТ каждый месяц (не дай бог, конечно). С декабря вы платите на 12% больше. И все ваши будущие покупки — тоже на 12% больше. Для вашего личного бюджета инфляция по этой услуге — честные 12%.
Разница в том, что:
▫️Официальная статистика смотрит на изменение за период (усреднённо и с весами)
▫️Ваш кошелек смотрит на точку отсчёта всех будущих трат
Где ещё встречается такой эффект?
В ДМС мы видим это постоянно. Медицинские услуги дорожают неравномерно:
▫️В январе подняли цены на стоматологию
▫️В марте — на лабораторные анализы
▫️В сентябре — те, кто не делал этого с января
Официальная инфляция по медицине за год может показать скромные 5-7%, тк всегда есть учреждения, которые цены не повышали. Но если вы болели в этом году, ваша личная «медицинская инфляция» легко составит 10-15%, потому что вы застали все подорожания по факту их наступления и скорее всего, в 1-2 поликлиниках, которые посещаете.
Почему это важно понимать
✔️Никто не врёт — просто используются разные метрики для разных задач. Росстату нужно сравнивать годы между собой, а вам — планировать бюджет.
✔️В аналитике вообще много таких «двойных» показателей:
· Среднее и медианное
· Моментальное и накопленное
· За период и на конец периода
✔️Вывод: Когда слышите «инфляция 6%», всегда уточняйте — для кого и с какого момента. Для макроэкономики — да. Для вашего кошелька — почти наверняка нет.
Скоро разберём ещё пару коварных метрик.
Подписывайтесь, чтобы не пропустить🩶
DataDrivenManagement
Привет, друзья! ☕️
В ДМС мы постоянно считаем инфляцию медицинских услуг. И каждый раз утыкаемся в одно и то же расхождение: официальная статистика и реальные ощущения живут в параллельных вселенных. Давайте разберёмся, почему так происходит и где здесь зарыта аналитическая собака.
Как считают официальную инфляцию
Росстат берёт корзину товаров и услуг, смотрит их цены каждый месяц, а потом считает средневзвешенный рост за год. Ключевое слово — «средневзвешенный» и «календарный».
Пример: Допустим, МРТ подорожало на 12% в декабре 2025-го. Вклад этого подорожания в годовую инфляцию-2025 составит примерно... +1%. Потому что 11 месяцев в году цена была старой, и только один месяц — новой.
Как инфляция бьёт по кошельку
А теперь представьте, что вы делаете МРТ каждый месяц (не дай бог, конечно). С декабря вы платите на 12% больше. И все ваши будущие покупки — тоже на 12% больше. Для вашего личного бюджета инфляция по этой услуге — честные 12%.
Разница в том, что:
▫️Официальная статистика смотрит на изменение за период (усреднённо и с весами)
▫️Ваш кошелек смотрит на точку отсчёта всех будущих трат
Где ещё встречается такой эффект?
В ДМС мы видим это постоянно. Медицинские услуги дорожают неравномерно:
▫️В январе подняли цены на стоматологию
▫️В марте — на лабораторные анализы
▫️В сентябре — те, кто не делал этого с января
Официальная инфляция по медицине за год может показать скромные 5-7%, тк всегда есть учреждения, которые цены не повышали. Но если вы болели в этом году, ваша личная «медицинская инфляция» легко составит 10-15%, потому что вы застали все подорожания по факту их наступления и скорее всего, в 1-2 поликлиниках, которые посещаете.
Почему это важно понимать
✔️Никто не врёт — просто используются разные метрики для разных задач. Росстату нужно сравнивать годы между собой, а вам — планировать бюджет.
✔️В аналитике вообще много таких «двойных» показателей:
· Среднее и медианное
· Моментальное и накопленное
· За период и на конец периода
✔️Вывод: Когда слышите «инфляция 6%», всегда уточняйте — для кого и с какого момента. Для макроэкономики — да. Для вашего кошелька — почти наверняка нет.
Скоро разберём ещё пару коварных метрик.
Подписывайтесь, чтобы не пропустить🩶
DataDrivenManagement
❤5👍2🔥2❤🔥1🥰1👌1😐1
☢️ Токсичные метрики: как красивые цифры убивают ваш бизнес
Привет, друзья! ☕️
В data-driven культуре есть негласное правило: «что измеряется, то управляется». Но часто мы начинаем управлять не бизнес-результатом, а самой метрикой — и это лучший способ незаметно проехать мимо цели.
Вот 3 признака, что ваша метрика стала токсичной:
1. Она растёт, а бизнес — нет.
Классика: «количество выполненных задач» в тикете у поддержки. Агенты закрывают сотни обращений, но клиенты всё равно недовольны. Потому что метрика поощряет скорость, а не решение. Вы управляете активностью, а не эффективностью.
2. Её можно «накрутить» без реальных изменений.
Пример: NPS (индекс лояльности). Команда начинает массово «просить» клиентов ставить 10 баллов, давит на жалость или даёт бонусы за высокие оценки. Цифра растёт, а качество сервиса — нет. Вы управляете цифрой, а не опытом.
3. Она создаёт конфликт вместо синергии.
Когда отдел продаж бьётся за «объём выручки», а сопровождение — за «снижение дебиторки», они начинают работать друг против друга. Продажи сбивают цены и дают длинные отсрочки «любой ценой». Вы управляете локальными целями, разрывая бизнес-процесс.
Что делать?
Прежде чем внедрить любую новую метрику, спросите:
✔️Достижение какой цели будет мерить эта метрика?
✔️Как именно команда сможет на неё повлиять прямым действием?
✔️Как её рост или падение напрямую повлияют на сборы/выручку/денежный поток через 90 дней?
Инсайт: Настоящая data-культура начинается, когда метрики помогают принимать трудные решения, а не просто отчитываться об их росте. Иногда полезнее отказаться от красивого, но бестолкового показателя.
P.S. Поделитесь в комментариях: а какая «токсичная метрика» в вашей практике создавала больше всего иллюзий? Давайте составим чёрный список.
Подписывайтесь, чтобы не пропустить разбор того, как превратить метрики из инструмента отчётности в инструмент принятия решений.🩶
DataDrivenManagement
Привет, друзья! ☕️
В data-driven культуре есть негласное правило: «что измеряется, то управляется». Но часто мы начинаем управлять не бизнес-результатом, а самой метрикой — и это лучший способ незаметно проехать мимо цели.
Вот 3 признака, что ваша метрика стала токсичной:
1. Она растёт, а бизнес — нет.
Классика: «количество выполненных задач» в тикете у поддержки. Агенты закрывают сотни обращений, но клиенты всё равно недовольны. Потому что метрика поощряет скорость, а не решение. Вы управляете активностью, а не эффективностью.
2. Её можно «накрутить» без реальных изменений.
Пример: NPS (индекс лояльности). Команда начинает массово «просить» клиентов ставить 10 баллов, давит на жалость или даёт бонусы за высокие оценки. Цифра растёт, а качество сервиса — нет. Вы управляете цифрой, а не опытом.
3. Она создаёт конфликт вместо синергии.
Когда отдел продаж бьётся за «объём выручки», а сопровождение — за «снижение дебиторки», они начинают работать друг против друга. Продажи сбивают цены и дают длинные отсрочки «любой ценой». Вы управляете локальными целями, разрывая бизнес-процесс.
Что делать?
Прежде чем внедрить любую новую метрику, спросите:
✔️Достижение какой цели будет мерить эта метрика?
✔️Как именно команда сможет на неё повлиять прямым действием?
✔️Как её рост или падение напрямую повлияют на сборы/выручку/денежный поток через 90 дней?
Инсайт: Настоящая data-культура начинается, когда метрики помогают принимать трудные решения, а не просто отчитываться об их росте. Иногда полезнее отказаться от красивого, но бестолкового показателя.
P.S. Поделитесь в комментариях: а какая «токсичная метрика» в вашей практике создавала больше всего иллюзий? Давайте составим чёрный список.
Подписывайтесь, чтобы не пропустить разбор того, как превратить метрики из инструмента отчётности в инструмент принятия решений.🩶
DataDrivenManagement
❤2🔥2
📦 Big Data в страховании: почему YouTube знает вас лучше, чем ваша страховая
Привет, друзья! ☕️
А чем мы собственно хотим управлять? Что такое эта пресловутая «Big Data» (Большие Данные). Термин заезженный, но то ли это «много данных», то ли что-то «на программистском», поди разбери. А и разберём.
Давайте посмотрим, как работают алгоритмы YouTube или Instagram. Вы только зарегистрировались — платформа уже примерно знает, кто вы: возраст, пол, на какие группы подписаны. Дальше — вы начинаете смотреть видео. Алгоритм фиксирует и записывает в память: досмотрели до конца или закрыли через 10 секунд, поставили лайк, подписались, начали смотреть похожее. Через неделю лента формируется сама, и временами даже откровенно неплохо.
А теперь посмотрим на страховку. Здесь схема сложнее. У нас есть страхователь (кто платит) и застрахованный (кто потребляет услугу). Часто это разные люди: работодатель и сотрудник, родитель и ребёнок. И если мы хотим управлять рисками и убыточностью, нам нужно собирать данные обоих.
Что мы знаем уже сейчас
Стандартный набор страховщика:
· Возраст, пол застрахованного
· Отрасль компании-страхователя
· Кто платит (сам сотрудник или работодатель)
· История обращений
Этого достаточно для базового андеррайтинга. Но это как в YouTube знать только возраст и город пользователя — лента будет так себе.
Что может дать Big Data
Представьте: женщина, 40 лет, двое детей, работает в IT-компании. По стандартной статистике — среднестатистический пользователь поликлиники. Но если копнуть глубже:
· У нее дети — значит, вечером она с ними, на плановые осмотры себя времени почти нет.
· Работа в IT — высокая нагрузка, но и высокий доход, готова платить за комфорт.
· Культура заботы о здоровье — возможно, европейская (чекапы раз в год), а может, советская (только когда припечёт).
· Тревожность — если дети болеют, она вызывает врача на дом или ведёт в поликлинику?
Что мы получаем? Частота обращений в поликлинику зависит не только от реальной заболеваемости, а от наличия времени, уровня тревожности, привычек, дохода. Это всё — прокси-признаки, которые можно собирать:
· Данные из соцсетей
· Геолокация
· Транзакционные данные
· Поведенческие паттерны в вашем приложении
и др.
Зачем это страховщику
• Чтобы точнее предсказывать свои убытки (статистику обращений).
• Чтобы дифференцировать цены на страховку для разных сегментов.
• Чтобы предлагать клиенту персонализированные, нужные именно ему продукты.
Что ждут от аналитиков
Анализировать Big Data — это не про то, чтобы собрать о клиенте «всё подряд». Это про то, чтобы найти, собрать и определить данные, которые отвечают на правильные вопросы:
✔️Какие неочевидные факторы влияют на частоту обращений в нашем портфеле?
✔️Где мы можем достать данные об этих факторах (с согласия клиента, конечно)?
✔️Как объединить разрозненные источники в один портрет?
✔️Какие решения мы примем на основе этого портрета?
Стандартные демографические данные — это лишь вершина айсберга. Под водой — поведение, контекст, привычки. Именно их анализ может превратить страховую из «компании, которая платит по счетам» в «сервис, который заботится». И мы сейчас на пути к этому.. я надеюсь 😬
P.S. Насколько вам подходит формат таких лонгридов? Понятно? Интересно? Ставьте лайк, если все «да» 🩶
DataDrivenManagement
Привет, друзья! ☕️
А чем мы собственно хотим управлять? Что такое эта пресловутая «Big Data» (Большие Данные). Термин заезженный, но то ли это «много данных», то ли что-то «на программистском», поди разбери. А и разберём.
Давайте посмотрим, как работают алгоритмы YouTube или Instagram. Вы только зарегистрировались — платформа уже примерно знает, кто вы: возраст, пол, на какие группы подписаны. Дальше — вы начинаете смотреть видео. Алгоритм фиксирует и записывает в память: досмотрели до конца или закрыли через 10 секунд, поставили лайк, подписались, начали смотреть похожее. Через неделю лента формируется сама, и временами даже откровенно неплохо.
А теперь посмотрим на страховку. Здесь схема сложнее. У нас есть страхователь (кто платит) и застрахованный (кто потребляет услугу). Часто это разные люди: работодатель и сотрудник, родитель и ребёнок. И если мы хотим управлять рисками и убыточностью, нам нужно собирать данные обоих.
Что мы знаем уже сейчас
Стандартный набор страховщика:
· Возраст, пол застрахованного
· Отрасль компании-страхователя
· Кто платит (сам сотрудник или работодатель)
· История обращений
Этого достаточно для базового андеррайтинга. Но это как в YouTube знать только возраст и город пользователя — лента будет так себе.
Что может дать Big Data
Представьте: женщина, 40 лет, двое детей, работает в IT-компании. По стандартной статистике — среднестатистический пользователь поликлиники. Но если копнуть глубже:
· У нее дети — значит, вечером она с ними, на плановые осмотры себя времени почти нет.
· Работа в IT — высокая нагрузка, но и высокий доход, готова платить за комфорт.
· Культура заботы о здоровье — возможно, европейская (чекапы раз в год), а может, советская (только когда припечёт).
· Тревожность — если дети болеют, она вызывает врача на дом или ведёт в поликлинику?
Что мы получаем? Частота обращений в поликлинику зависит не только от реальной заболеваемости, а от наличия времени, уровня тревожности, привычек, дохода. Это всё — прокси-признаки, которые можно собирать:
· Данные из соцсетей
· Геолокация
· Транзакционные данные
· Поведенческие паттерны в вашем приложении
и др.
Зачем это страховщику
• Чтобы точнее предсказывать свои убытки (статистику обращений).
• Чтобы дифференцировать цены на страховку для разных сегментов.
• Чтобы предлагать клиенту персонализированные, нужные именно ему продукты.
Что ждут от аналитиков
Анализировать Big Data — это не про то, чтобы собрать о клиенте «всё подряд». Это про то, чтобы найти, собрать и определить данные, которые отвечают на правильные вопросы:
✔️Какие неочевидные факторы влияют на частоту обращений в нашем портфеле?
✔️Где мы можем достать данные об этих факторах (с согласия клиента, конечно)?
✔️Как объединить разрозненные источники в один портрет?
✔️Какие решения мы примем на основе этого портрета?
Стандартные демографические данные — это лишь вершина айсберга. Под водой — поведение, контекст, привычки. Именно их анализ может превратить страховую из «компании, которая платит по счетам» в «сервис, который заботится». И мы сейчас на пути к этому.. я надеюсь 😬
P.S. Насколько вам подходит формат таких лонгридов? Понятно? Интересно? Ставьте лайк, если все «да» 🩶
DataDrivenManagement
❤5👍3🔥2
📊 Средняя зарплата 160 тысяч, но вы получаете 100? Добро пожаловать в мир статистики
Привет, друзья! ☕️
Знакомая картина: выходит новость «Средняя зарплата в регионе — 160 тысяч», а вы с друзьями в мессенджере переглядываетесь и не понимаете, где эти деньги раздают. Всё дело в том, что среднее арифметическое — это такой товарищ, который любит приврать в компании богатых родственников.
Давайте на простом примере разберёмся, чем отличаются среднее, медиана и мода, и когда на какой показатель смотреть.
Встречаем отдел из 10 человек
Вот их зарплаты:
1 стажёр — 50 000 ₽
7 рядовых сотрудников — по 100 000 ₽
1 ведущий — 150 000 ₽
1 начальник — 700 000 ₽
Считаем:
1. Среднее арифметическое: (50 + 7×100 + 150 + 700) / 10 = 1600 / 10 = 160 000 ₽.
Официально: «средняя зарплата в отделе 160 тысяч».
2. Медиана: сортируем людей по деньгам: 50, 100, 100, 100, 100, 100, 100, 100, 150, 700. Берём середину (пятого и шестого) — оба по 100. Медиана = 100 000 ₽.
Это зарплата «типичного» сотрудника, ровно половина получает меньше, половина — больше.
3. Мода: самое частое значение — 100 000 ₽ (встречается 7 раз).
Что видим: среднее гордо рапортует о 160 тысячах, хотя 9 из 10 получают 150 или меньше, а большинство — вообще 100. Медиана и мода честно говорят: «парни, реальность — это 100».
Зачем это знать в страховании
В наших данных постоянно встречаются такие же «начальники» — крупные убытки, редкие, но дорогие.
✔️Среднее нужно для расчёта общих резервов: если сложить все выплаты и поделить, мы поймём, сколько денег в среднем уходит на один страховой случай.
✔️Медиана покажет типичный размер выплаты: ровно половина клиентов получает меньше этой суммы, половина — больше. Это полезно, когда мы разрабатываем тариф для массового сегмента.
✔️Мода подскажет, какой размер страховой суммы выбирают чаще всего. Именно его стоит ставить в конструктор калькулятора по умолчанию — чтобы клиенту не пришлось листать длинный список.
Правило трёх М (mean, mediane, mode)
M Среднее любит выбросы, но нужно для планирования бюджета.
M Медиана любит правду, её спрашивайте, когда хотите знать «как у всех».
M Мода любит популярность, её используйте в дизайне продуктов.
И главное: когда в следующий раз увидите новость про «среднюю зарплату», вспомните наш отдел. Скорее всего, где-то рядом завалялся большой начальник, который всё испортил.😉
Привет, друзья! ☕️
Знакомая картина: выходит новость «Средняя зарплата в регионе — 160 тысяч», а вы с друзьями в мессенджере переглядываетесь и не понимаете, где эти деньги раздают. Всё дело в том, что среднее арифметическое — это такой товарищ, который любит приврать в компании богатых родственников.
Давайте на простом примере разберёмся, чем отличаются среднее, медиана и мода, и когда на какой показатель смотреть.
Встречаем отдел из 10 человек
Вот их зарплаты:
1 стажёр — 50 000 ₽
7 рядовых сотрудников — по 100 000 ₽
1 ведущий — 150 000 ₽
1 начальник — 700 000 ₽
Считаем:
1. Среднее арифметическое: (50 + 7×100 + 150 + 700) / 10 = 1600 / 10 = 160 000 ₽.
Официально: «средняя зарплата в отделе 160 тысяч».
2. Медиана: сортируем людей по деньгам: 50, 100, 100, 100, 100, 100, 100, 100, 150, 700. Берём середину (пятого и шестого) — оба по 100. Медиана = 100 000 ₽.
Это зарплата «типичного» сотрудника, ровно половина получает меньше, половина — больше.
3. Мода: самое частое значение — 100 000 ₽ (встречается 7 раз).
Что видим: среднее гордо рапортует о 160 тысячах, хотя 9 из 10 получают 150 или меньше, а большинство — вообще 100. Медиана и мода честно говорят: «парни, реальность — это 100».
Зачем это знать в страховании
В наших данных постоянно встречаются такие же «начальники» — крупные убытки, редкие, но дорогие.
✔️Среднее нужно для расчёта общих резервов: если сложить все выплаты и поделить, мы поймём, сколько денег в среднем уходит на один страховой случай.
✔️Медиана покажет типичный размер выплаты: ровно половина клиентов получает меньше этой суммы, половина — больше. Это полезно, когда мы разрабатываем тариф для массового сегмента.
✔️Мода подскажет, какой размер страховой суммы выбирают чаще всего. Именно его стоит ставить в конструктор калькулятора по умолчанию — чтобы клиенту не пришлось листать длинный список.
Правило трёх М (mean, mediane, mode)
M Среднее любит выбросы, но нужно для планирования бюджета.
M Медиана любит правду, её спрашивайте, когда хотите знать «как у всех».
M Мода любит популярность, её используйте в дизайне продуктов.
И главное: когда в следующий раз увидите новость про «среднюю зарплату», вспомните наш отдел. Скорее всего, где-то рядом завалялся большой начальник, который всё испортил.😉
👍4🔥3💯1
👨💻 Product Owner: спаситель процессов или лишняя штатная единица?
Привет, друзья! ☕️
Методологи подготовили регламент, IT настроили интеграцию, продажи обучились, но процесс не взлетел. Пока каждый делал свой кусок, часть ответственных сменилась, стратегию переписали, и никто уже не помнит, зачем все это заказывали.
В больших компаниях это системная боль. И в последние годы появилась роль, которая пытается эту боль лечить — Product Owner (PO).
Когда слышите «продукт», вы думаете о страховом продукте: ДМС, КАСКО, ипотечное страхование. Или о продукте в магазине. А в реальности продукт — это любой процесс, который создаёт ценность. Для внутренних пользователей — тоже.
PO отвечает за то, чтобы процесс (внедрение CRM, новый порядок урегулирования, скоринг-модель) достиг цели и принёс результат. Не за свой кусочек, а за всё целиком.
Почему к PO относятся скептически
В идеале все круто, но в реалиях PO часто становится просто ещё одним согласующим звеном. Было три человека, которые тормозили процесс, стало четыре. PO приходит на встречи, что-то записывает, но ответственность по-прежнему размазана.
Но давайте разберёмся, что это за зверь в идеальном мире.
В чём суть роли
PO не отвечает за этап. Он отвечает за сквозной результат. Его главный вопрос не «сделали ли мы всё по плану?», а «заработало ли это в итоге и дало ли эффект?».
Это как с эстафетой: все бегут свои этапы, палочку передают, но никто не смотрит, прибежал ли последний к финишу. PO — тот, кто стоит на финише и проверяет, что команда вообще туда добежала.
Кейс из страховой практики
Внедряют новый скоринг для андеррайтинга:
· IT сделали интеграцию, отчитались.
· Методологи написали регламенты, разослали.
· Андеррайтеры прошли обучение, расписались.
Проходит месяц. Смотрят данные — скорингом никто не пользуется. Андеррайтеры по старинке считают в Excel. Почему? Потому что в регламенте не прописали, что старую форму надо закрыть, доступы к ней оставили, а в новой интерфейс непривычный — лень.
В традиционной модели каждый сделал свою работу. IT внедрили — да. Методологи описали — да. Обучили — да. А то, что процесс не заработал, — ничья зона.
PO здесь должен был:
1. Ещё на старте сформулировать не «внедрить скоринг», а «добиться, чтобы 80% заявок проходили через новый скоринг через месяц после запуска».
2. Следить за этим показателем ежедневно.
3. Когда увидел, что после обучения цифры не растут, — выяснить причину (доступы неудобные) и продавить решение (убрать старую форму).
4. Довести до финиша, пока метрика не будет достигнута.
При чём тут вообще data-driven
Потому что PO без данных — просто ещё один менеджер с блокнотом. Его главный инструмент — метрики внедрения:
· Сколько пользователей реально используют новый процесс?
· На каком этапе они отваливаются?
· Сколько времени занимает переход между этапами?
· Какая доля заявок прошла по новому пути?
Аналитики нужны PO как воздух, и это не про финансовые метрики, и не про метрики роста продаж, а про метрики успешности внедрения новых процессов. И такие тоже бывают, и про них хорошо бы знать всем аналитикам и продакт оунерам. В идеале. А в жизни пока как получится.
Так что если в вашей большой компании процессы вечно умирают на полпути — возможно, вам не хватает не ресурсов или метрик, а человека, который стоит на финише и проверяет, кто вообще прибежал.
P.S. Признавайтесь, тоже не понимали, зачем на совещание ходят эти бесполезные люди?😉 В следующий раз разберем еще что-нибудь интересненькое. Подписывайтесь, чтобы не пропустить 🩶
DataDrivenManagement
Привет, друзья! ☕️
Методологи подготовили регламент, IT настроили интеграцию, продажи обучились, но процесс не взлетел. Пока каждый делал свой кусок, часть ответственных сменилась, стратегию переписали, и никто уже не помнит, зачем все это заказывали.
В больших компаниях это системная боль. И в последние годы появилась роль, которая пытается эту боль лечить — Product Owner (PO).
Когда слышите «продукт», вы думаете о страховом продукте: ДМС, КАСКО, ипотечное страхование. Или о продукте в магазине. А в реальности продукт — это любой процесс, который создаёт ценность. Для внутренних пользователей — тоже.
PO отвечает за то, чтобы процесс (внедрение CRM, новый порядок урегулирования, скоринг-модель) достиг цели и принёс результат. Не за свой кусочек, а за всё целиком.
Почему к PO относятся скептически
В идеале все круто, но в реалиях PO часто становится просто ещё одним согласующим звеном. Было три человека, которые тормозили процесс, стало четыре. PO приходит на встречи, что-то записывает, но ответственность по-прежнему размазана.
Но давайте разберёмся, что это за зверь в идеальном мире.
В чём суть роли
PO не отвечает за этап. Он отвечает за сквозной результат. Его главный вопрос не «сделали ли мы всё по плану?», а «заработало ли это в итоге и дало ли эффект?».
Это как с эстафетой: все бегут свои этапы, палочку передают, но никто не смотрит, прибежал ли последний к финишу. PO — тот, кто стоит на финише и проверяет, что команда вообще туда добежала.
Кейс из страховой практики
Внедряют новый скоринг для андеррайтинга:
· IT сделали интеграцию, отчитались.
· Методологи написали регламенты, разослали.
· Андеррайтеры прошли обучение, расписались.
Проходит месяц. Смотрят данные — скорингом никто не пользуется. Андеррайтеры по старинке считают в Excel. Почему? Потому что в регламенте не прописали, что старую форму надо закрыть, доступы к ней оставили, а в новой интерфейс непривычный — лень.
В традиционной модели каждый сделал свою работу. IT внедрили — да. Методологи описали — да. Обучили — да. А то, что процесс не заработал, — ничья зона.
PO здесь должен был:
1. Ещё на старте сформулировать не «внедрить скоринг», а «добиться, чтобы 80% заявок проходили через новый скоринг через месяц после запуска».
2. Следить за этим показателем ежедневно.
3. Когда увидел, что после обучения цифры не растут, — выяснить причину (доступы неудобные) и продавить решение (убрать старую форму).
4. Довести до финиша, пока метрика не будет достигнута.
При чём тут вообще data-driven
Потому что PO без данных — просто ещё один менеджер с блокнотом. Его главный инструмент — метрики внедрения:
· Сколько пользователей реально используют новый процесс?
· На каком этапе они отваливаются?
· Сколько времени занимает переход между этапами?
· Какая доля заявок прошла по новому пути?
Аналитики нужны PO как воздух, и это не про финансовые метрики, и не про метрики роста продаж, а про метрики успешности внедрения новых процессов. И такие тоже бывают, и про них хорошо бы знать всем аналитикам и продакт оунерам. В идеале. А в жизни пока как получится.
Так что если в вашей большой компании процессы вечно умирают на полпути — возможно, вам не хватает не ресурсов или метрик, а человека, который стоит на финише и проверяет, кто вообще прибежал.
P.S. Признавайтесь, тоже не понимали, зачем на совещание ходят эти бесполезные люди?😉 В следующий раз разберем еще что-нибудь интересненькое. Подписывайтесь, чтобы не пропустить 🩶
DataDrivenManagement
❤5💯1