Небольшая аналитика God of war 1 — Игры на DTF

Небольшая аналитика God of war 1 — Игры на DTF Аналитика

Что делает

Взял из вики.

Системный аналитик — в широком смысле — специалист по решению сложных организационно-технических проблем, имеющих междисциплинарную природу, использующий принципы общей теории систем и методы системного анализа.

В узком смысле в сфере информационных технологий данный термин используется для обозначения профессиональной роли и профессии, ответственной за анализ потребностей пользователей на предмет возможности их удовлетворения посредством функций соответствующей информационной системы.

На мой взгляд, системный аналитик переводит бизнес-требования в ТЗ для написания какого-либо софта, поэтому должен разбираться в разработке ПО.

А было ли что-то хороше?

Несмотря на все минусы игры, годноты в ней тоже достаточно, причем настолько достаточно, чтобы завоевать народную любовь, а именно:

1. QTE. На момент 2005-го года — прорывная технология, которая смотрелась действительно свежо и круто. Снеся полоску хп боссу, игрок активировал анимацию добивания и для того, чтоб успешно добить босса необходимо было строго по таймингу нажимать кнопки появляющиеся на экране.

На экране происходил в этот момент настоящий брутальный эпик. Первый раз он как первая любовь. Руки трясутся, адреналин подлетает до небес, от эпика на экране глаза лезут на лоб, а по итогам сего процесса приходит чувство легкого блаженства, словно зарплату получил.

Отмечу, что технология была настолько прорывная, что спустя некоторое время появилось интерактивное кино от Quantic Dream, кор механикой которого является именно QTE. Выглядит до сих пор стильно, модно, молодежно!

2. Сеттинг. Слешер в сеттинге древней греции это просто песня. Локации добавляют эпичности происходящему на экране, орды монстров валят на игрока, главный герой спартанец, который противостоит богу войны, смотрится это все великолепно.

3.Разнообразие мобов. Мобов много, мобы разные и соответствуют мифам древней греции, что дополняет ощущение погружения в древнегреческий сеттинг. Конечно мобы часто повторяются и не сказать, что бои с ними развлекают, но для 2005-го года их нереально много.

4.Саундтрек. Я не могу сказать, что саундтрек шикарен, запоминается только главная тема, НО! Музыка тут не напрягает и сопровождает нас на протяжении всего приключения. Достаточно вспомнить DMC 3 с его повторяющимися 2-мя треками, которые преследовали нас каждую стычку с мобами. Если музыка не запоминается, но и не напрягает, она в целом неплоха, ИМХО.

5. Секреты разбросанные по локациям. Они сильно добавили интереса шариться везде где только можно. Из секретов это ящики в которых обычно орбы необходимые для прокачки и всякие артефакты, увеличивающие полоску здоровья и манны. Их действительно много, они не сильно запрятаны, поэтому их вполне реально найти и это разбавляет геймплей.

6. Прокачка героя. Это не то чтобы новшество, да и на харде прокачать всё и сразу не получится, но в целом, открывая новый уровень клинков в каждом файте пытаешься попробовать новые удары (хоть и на харде это не всегда получается в полной мере). Без неё было бы явно хуже.

Находим точки роста продукта

Аналитик – человек, который находит перспективные точки роста продукта за счет масштабирования проблем и задач.

Самый первый этап понимания любой задачи для продуктового аналитика – это определение, к какому классу проблем она принадлежит. Обычно выделяется три вида исследований:

  • Поиск проблемы (problem discovery) — когда мы не знаем, какие проблемы существуют у пользователей вне конкретной продуктовой функциональности. Это, как правило, этап интервью.
  • Валидация проблемы (problem validation) – когда мы вроде бы знаем, что есть определенные задачи, но мы хотим проверить что они есть у действительно большого числа пользователей. Это этап разнообразных опросов.
  • Валидация решения (solution validation) – когда мы проверяем уже конкретные решения, которые придумали или запрототипировали. Этап прототипов или бета-тестирования.

Аналитик участвует во всех трех этапах исследований, однако главный упор в работе обычно все же приходится на вопросы валидации проблем и решений. Предположим, что продукт-менеджер вместе с аналитиком и маркетологом провел двадцать интервью с разными клиентами.

Как нам понять, что этим выводам можно доверять и те проблемы, которые были озвучены, актуальны действительно для всех пользователей? Как обеспечить объективность найденного потенциала развития за счет оценки масштаба? Иными словами, как нам проверить, что то, что мы обнаружили в интервью, это действительно потенциальная точка роста для продукта?

Именно здесь получается максимально задействовать инструменты и знания работы с данными, которые связывают качественные и количественные исследования. Понять масштабы и найти самый правильный способ их определить – это и является ключевой компетенцией продуктового аналитика.

Распознаем и анализируем разговоры

В Wrike есть подразделение аккаунт-менеджеров (customer success managers), главная задача которых — поддерживать клиентов не с целью продаж, а улучшения их опыта пользования продуктом. Они созваниваются с клиентами по видеосвязи, обсуждают их текущие боли, рассказывают лучшие практики, предлагают ворк-эраунды и сообщают о статусе разработки новых фичей.

Все эти разговоры долгое время записывались и практически не использовались продуктовой организацией – пиэмы предпочитали лично общаться с аккаунт-менеджерами, чтобы получить некое общее представление о болях клиентов. Это могло добавлять элемент “испорченного телефона” и не всегда раскрывало контекст, в котором с этой проблемой сталкивался пользователь.

Одним из инициативных проектов продуктовой аналитики стала разработка pipeline, который превращал разговор в понятный текстовый формат. Используя Google Speech API, а также несколько дополнительных моделей для расстановки пунктуации, удалось максимально быстро получить представления о масштабах некоторых проблем и требований к функциональности на основемножества бесед менеджеров с клиентами, а не единичным интервью.

Благодаря такому нехитрому источнику удалось осуществлять полномасштабный поиск по ключевым словам, завязанных на некоторую функциональность или проблематику, оценить характер пользователей, требовавших то или иное решение, а также понять контекст в котором это чаще всего всплывало.

Сюжет и мотивация главного героя.

Основной сюжет игры прост как палка. Если кратко, то мы играем за Кратоса, спартанского война/полководца без страха и упрека. В начале игры мы не особо знаем его мотивацию, мы только знаем, что он страдает и пытается бежать от прошлого и то, что Афина (прим.

По сюжету, чтоб немного усмирить Ареса, мы должны найти ящик пандоры, открыв который мы получим то, с помощью чего можем аннигилировать Ареса. Пройдя невероятные трудности Кратос находит артефакт, однако Арес убивает его и Кратос отправляется в ад.

Да, я в курсе, что упустил личную историю Кратоса, которая раскрывается по ходу сюжета игры, но только потому, что хочу рассмотреть его отдельно. Приступим:


Вся история Кратоса в одной картинке.

Однажды, Кратос участвовал в битве с варварами и бой шел немного не в его пользу. И тогда Кратос взмолился в небеса: «Арес, помоги мне победить моих врагов и моя жизнь навеки твоя»… И как ни странно появился Арес, дал нашему герою ультимативнейшее оружие, а именно клинки хаоса, после чего Кратос победил варваров без особого труда.

В один прекрасный момент помотавшись по миру и поучаствовав в боях, Кратос возвращается домой, где его жена заявляет ему, что порабы прекратить воевать и начать жить семейной жизнью. Спартанец понимает перспективу заплыть жиром и понабрать кредитов на бытовую технику,и благородно отказывает своей возлюбленной.

И вот отправившись воевать против греков, Кратос натыкается на деревушку и решает всех перебить, но на его пути встает небольшой храм (на сколько я помню это был просто небольшой домик, но на вики написано, что храм, поэтому пусть будет храм, тем более там вроде был алтарь).

Ворвавшись в него и размахивая клинками как сумасшедший Кратос всех убивает и среди трупов обнаруживает, свою жену и дочь. После чего сжигает их и в пламени видит Ареса, который заявляет ему, что он избавился, от претензий жены и теперь можно как в старые добрые времена творить хаос и разруху. Кратос не оценил заботу своего начальства, обиделся, поклялся покарать Ареса и таки покарал.

Не знаю как для Вас, лично для меня очень сложно было воспринимать, Кратоса, как хотя бы немного адекватного персонажа, зная тот факт, что он сам убил свою жену и дочь. Ведь причиной всей трагедии стал он сам из-за своего желания, как бешенное животное убивать всех на своем пути без разбора. При этом, по мнению Кратоса во всем случившимся виноват в первую очередь Арес, а не он сам.

Я ни в коем случае не говорю, что Ареса показали как белого и пушистого, но не будь наш гг немного не в себе, то наверняка этой трагедии можно было избежать. Именно осознание этого факта рушит восприятие героя, и именно это самый большой недостаток сюжета (ИМХО). Все что вне личной истории главного героя… внезапно простейшая история мести фильмов категории B.

Дополнительный анализ:  Системы аналитики мобильных приложений

Боссы.

Боссы это именно то, чем знаменита вся серия God of war. Именно тут у нас появляется возможность навалять всем возможным персонажам древнегреческой мифологии и это, как модно сейчас говорить, нью экспириенс.

НО… в первой части всего 3 босса.

Первый босс — встречается в самом начале, это гидра с 3-мя головами. Сказать про этого босса что-то интересное я не могу, поочередно убиваем 2 маленькие головы гидры и после чего лезем убивать большую. Выглядел босс эффектно и ты думал, что таких боссов будет много, но к сожалению все оказывалось несколько иначе. Какой-то крутой тактики аннигиляции этого босса разработчики не предусмотрели.

Второй босс — железный бык. Тут уже была пародия на тактику, для его успокоения нужно было нанести достаточное количество дамага, после чего провести удачное qte 3 раза. С каждым удачным qte часть его доспеха разваливалась, после того, как босс оставался без армора, мы стреляли в него из арбалета. Сказать, что босс вызывал крутые эмоции, увы не могу.


Единственный нормальный босс в игре.

Третий босс — Арес. Вот тут как раз таки все работает как надо, первую часть боя мы деремся обычным оружием с ним и не сказать, что это легко. Во второй части боя, Арес затягивает нас в портал, где нам нужно охранять своб семью, от орд клонов Кратоса, которые хотят его убить.

В третьей части боя, Арес отнимает наше оружие и магию и победить его надо с помощью большого меча, который кратос сорвал со статуи. Бой трудный, интересный и наверное самый лучший в первой части, тут мое почтение, однако после первого босса ждешь, что таких моментов будет много и в больших масштабах. К сожалению, то чего мы ждали после первого босса мы увидели только в следующих частях серии GoW.

Паркур — отдельный вид искусства троллинга игроков.

Чем можно разбавить игровой процесс в слешере 2005-го года? Да, дорогие читатели это паркур и в первой части GoW ужасен в принципе. Описать словами эту пародию на интересный игровой процесс тяжело, но все же я попробую. Всего в игре есть 3 вида паркура:

1. Хождение по балкам. Казалось бы, вполне нормальная механика паркура, которая была не раз опробована в серии игр Prince of Persia, но именно тут она работает так, как не надо. Кратос постоянно заваливается то влево, то вправо, что приводит в лучшем случае к тому, что герой виснет и поднимается каждые 3-4 секунды.

2.Карабканье по стенам. Ничего не обычного в этом виде паркура нет, кроме того, что в этот момент на тебя лезут толпы врагов. Все бы ничего, но чтобы их сбить на харде, необходимо раз 10 ударить по ним слабым ударом, либо раз 6 сильным. Единственная механикой, которая позволяет быстро расправляться с врагами это подползти к недругу и нажать захват, после чего Кратос сбросит врага вниз.

Отдельного внимания заслуживают балки на уровне в аду, по которым надо лезть вверх. Как вы могли догадаться, они крутятся и на них есть лезвия, которые постоянно сбивают героя. За такой толстый троллинг игроков прямо лайк от меня для разработчиков из «Santa Monica Studio».


Прорывной паркур из 2005-го. Ньюфаги не помнят, олдфаги до сих пор подгорают.

3. Горизонтальное лазанье по натянутой веревке — то что действительно получилось хорошо. Стоит Кратосу запрыгнуть на веревку и на него с двух сторон начинают ползти враги, от которых необходимо отбиваться. Динамично? Да! Круто? Однозначно! Самое главное, что данное действо не приедается, хотя бы потому что повторяется редко и отличается особой динамикой, которая сопутствует духу игры.


Лучший вид паркура, который временами открывает нам невероятно красивые виды. Скриншот взят из 2-й части, но различия с первой минимальны.

Все остальное что есть в игре это лазанье по лестницам, уступам и прыжки на платформу/коробку/карниз/уступ, что в принципе, отдельной категории в данной рубрике не достойно.

Аналитика как профессия

Анализ – это разложение какого-то процесса на составные части, выявление связей между ними, формулирование выводов на основании полученных сведений. Похоже на диагностику у врача: взяли кровь, посмотрели сколько эритроцитов, лейкоцитов и лимфоцитов, определили, есть ли проблема. Затем врач дает на основании анализов свои рекомендации.

Теперь я постараюсь простыми словами и с примерами рассказать вам суть работы аналитика в бизнесе и IT, а не в медицинской лаборатории.

На предприятиях собирается много информации о продажах, налогах, зарплатах, ценах, производительности труда. Обычный человек видит в них просто кучу цифр, а аналитик увидит материал для оценки эффективности работы подразделения или предприятия в целом и прогнозирования будущих показателей, например, объема продаж, поступления денежных средств, спроса на рынке.

Выводы, которые делают аналитики на основе собранных данных, помогают руководству предприятия действовать более эффективно, улучшать показатели, снижать расходы, увеличивать прибыль.

Например, в магазин одежды привезли 100 моделей летних платьев в разных цветах. За месяц собрали информацию о продажах, проанализировали и приняли решение, какие еще модели и в какой цветовой гамме нужно докупить, а какие не пользуются спросом и пора их отправить на распродажу, чтобы не собирать остатки в конце сезона.

Также статистика для анализа собирается в социальных сетях, на сайтах, в приложениях и программах. Аналитик смотрит на эти цифры, обрабатывает их и помогает улучшить программный продукт или сайт, чтобы он стал удобнее для пользователей, работал стабильно и приносил больше дохода владельцу.

В этой профессии важно собрать все нужные данные, правильно увидеть взаимосвязи между показателями и картину целиком, чтобы потом на основе анализа сделать правильные выводы и принять решения. Если хотите глубже разобраться в теме, почитайте статью о том, что такое аналитика.

Кто и как может стать продуктовым аналитиком

Возможно, сейчас вы работаете в области, далекой от продуктовой аналитики. Значит ли это, что вам не получить новую квалификацию? Едва ли. Вернемся к анализу рынка продуктовых аналитиков и посмотрим на бэкграунд:

Чаще всего аналитиками становятся разработчики, маркетологи, менеджеры проектов и другие. 33% респондентов начали свою карьеру сразу с этой специальности (молодые люди, недавно закончившие школу).

Больше трети специалистов пришли совершенно из других областей. Специалисты «Нормального исследования» выделили самые неожиданные профессиональные бэкграунды:

  • геммолог;
  • звукорежиссер;
  • психолог;
  • руководитель складского департамента;
  • государственный служащий.

Исследование показывает, что попробовать свои силы в этой сфере может человек из любой сферы. Поэтому если вы сильно заинтересованы в получении новой профессии, не опускайте руки и пробуйте.

Другой вопрос — как стать продуктовым аналитиком, если сейчас работаешь, например, психологом в школе. Есть два варианта: бюджетный и дорогой.

Первый предусматривает самостоятельное обучение: книги, вебинары, уроки в свободном доступе и т.п. Полностью бесплатным его не назовешь, потому что придется платить за рабочие инструменты для получения практики. Но это в любом случае дешевле (в несколько раз), чем прохождение платных курсов и специальных программ. Но придется долго искать нужные материалы, проверять их на актуальность и находить ответы на возникшие вопросы.

Второй — платное обучение в онлайн- или оффлайн-школе аналитиков. Это готовая программа с актуальными знаниями от практикующих специалистов. Стоимость курса может достигать 100 тысяч рублей. Но зато вы получаете структурированную информацию, сразу практикуетесь и можете получить быструю консультацию от опытного продуктового аналитика.

Мы больше склоняемся к платному обучению по нескольким причинам:

  • дается актуальная информация;
  • есть готовые проекты для получения первого опыта;
  • свободное обсуждение работы с другими учениками и преподавателями;
  • помощь в дальнейшем трудоустройстве (не всегда).

Даже если за курс придется заплатить 80-100 тысяч рублей, эти вложения окупятся через несколько месяцев после получения первой должности.

Профессиональный путь

Заработал первые деньги. На первую работу устроился в 14 лет — на археологические раскопки во время летних каникул. Платили тогда около 20 Р за час работы. На заработанные деньги я смог купить б/у телефон LG G1800 и новенький MP3-плеер.

Учился в МГУ, подрабатывал репетитором. После школы я поступил в МГУ на физика. Со второго курса я начал подрабатывать: готовил школьников к экзаменам по математике и физике, помогал отстающим.

Числился в РАН ради диплома. На старших курсах я был формально трудоустроен инженером в одном из институтов РАН и получал символическую зарплату за обработку данных эксперимента, по которому параллельно писал диплом. У меня был вариант остаться в науке, но я не захотел: пяти лет в общежитии мне хватило, а на те деньги, что платят аспирантам, снять жилье и обеспечить себя не получится.

В физике, которую я изучал в вузе, много математики, статистики, работы с данными. Все это так или иначе применяется в аналитике. На работе я «доставал» из базы данные, поддерживал регулярные отчеты, строил простые прогнозы продаж. Ушел через полгода, потому что не видел перспектив, да и атмосфера в компании была не самой дружелюбной.

Дополнительный анализ:  Стартап Merlion в сфере аналитики данных становится резидентом «Сколково»

При знакомстве начальник показался исключительно приятным человеком. Но за те пару лет, что я там проработал, отдел обновился почти на 100%: люди уходили, поработав несколько месяцев, либо их вынуждали уйти, а эйчар закрывал на это глаза.

Однажды я пришел на работу в 9 утра пятницы, а вышел в 6 утра субботы — потому что начальник решил, что никто не уйдет, пока мы не закончим отчет.

В один момент я понял, что не готов больше терпеть такого отношения ни за какие деньги. У меня были накопления: я привык скромно жить, и без работы мог бы оставаться не менее полугода. Из обязательств была только аренда комнаты — 15 тысяч рублей в месяц.

Помимо этого, на мой взгляд, это тот случай, когда «зачетка» начинает работать на тебя: имея опыт работы в известной компании, проще пробиться через фильтр эйчаров и заполучить работу мечты.

Помню, что откликов на мое резюме было довольно много, но по-настоящему интересных предложений, подходящих к моим требованиям, — минимум.

На поиск работы ушло два с половиной месяца — и дались они непросто: периодически я чувствовал себя никчемным. В какой-то момент я уже был готов согласиться на работу в очередной отечественной транспортной компании с высокой зарплатой, но отказался и продолжил искать.

Собеседование прошло не очень тяжело — просили решить стандартные задачи на математику, логику и проверяли навыки работы в «Экселе». Даже сейчас этого достаточно, чтобы начать карьеру в аналитике. В международных компаниях стараются набирать людей, которые близки по духу работодателю, а еще они уделяют внимание мотивации кандидатов: меня долго расспрашивали, почему я готов пойти на стажерскую позицию, имея практический опыт в аналитике. Видимо, мои ответы их устроили.

Было много разных мыслей по поводу «понижения в классе». Мое окружение, кажется, меня тогда не понимало.

Я продолжал работать сверхурочно. Делал это сознательно, чтобы зарекомендовать себя. Переработки, как правило, были обусловлены либо сжатыми сроками, либо тем, что задача мне была интересна. Не могу сказать, что это негативно сказывалось на физическом или эмоциональном состоянии: пока ты молод и все в новинку, работа дается легче.

Переработки не оплачивались, зато я всегда был на хорошем счету и, как правило, быстро получал повышение.

Одна из коллег решила перейти в коммерческий отдел и освободила место — так я стал штатным младшим аналитиком.

В крупных международных компаниях вариантов развития карьеры много — как горизонтальных, так и вертикальных. Аналитик в нашей компании может перейти в продажи, планирование, логистику, ИТ, финансы или перебраться в один из зарубежных офисов — и это поощряется руководством.

На первых этапах я разобрался с языками Excel, SQL, VBA. Сейчас изучаю Power BI, Python и Project Management. Так получается, что на самообразование трачу свободное время, — работу-то никто не отменял. Платить за обучение стал не так давно: например, купил пакет уроков в Skyeng, чтобы подтянуть английский.

Недавно получил вычет по ИИС и оплатил обучение в «Яндекс-практикуме» по программе «Аналитика данных». Скоро стартует шестимесячный курс — надеюсь, это позволит расти дальше. В целом считаю, что практически всему можно научиться бесплатно, но иногда быстрее и эффективнее сделать это за деньги.

Для меня психологическая отметка — 10 тысяч рублей за месяц хорошего онлайн-обучения. Думаю, что до 5% дохода в год вполне можно инвестировать в свое образование.

В международной компании я работаю до сих пор. За пять лет прошел путь от стажера до старшего бизнес-аналитика — и увеличил зарплату с 40 до 120 тысяч рублей.

Карьерный рост у меня планомерный. Здесь в принципе исключен вариант «из грязи в князи». На каждую более-менее серьезную позицию внутри компании уже есть претенденты, которые ждут, когда она освободится.

На личные качества тоже обращают внимание. Мало быть просто хорошим специалистом. Важно уметь общаться с коллегами, партнерами за пределами компании, работать в команде, проявлять инициативу.

Сбор обратной связи

Многие компании считают, что после того как они настраивают систему логирования, прикручивают аналитические сервисы вроде Google Analytics к своему продукту, подготовка платформы для проведения аналитики на этом заканчивается. Однако, к сожалению, при таком подходе забывается важнейший элемент – необходимость обратной связи с пользователем, возможности спросить его в нужный момент времени о его задачах и сложностях, перед которыми он сталкивается.

Таким образом, критически важно, чтобы у команды был достаточный инструментарий, чтобы ненавязчиво опросить пользователей и собрать с них обратную связь не только посредством какого-то маркетингового опроса, но и с помощью внутреннего механизма.

Мы используем внутренний инструмент QFF (qualitative feedback form) для формулирования и валидации гипотез и рассматриваем возможные сценарии пользовательского опыта в качестве трехступенчатой пирамиды (product → feature → interaction):

  1. Уровень продукта
  2. Уровень функциональности
  3. Уровень конкретного взаимодействия

Остановимся на каждом из них немного подробнее и покажем, какие метрики мы используем для понимания их проблематики.

1. Уровень продукта

Здесь нам важно понять самые широкие, наиболее кросс-функциональные части воронки пользовательского опыта. Это стремление найти ответы на самые глобальные вопросы, будь то удовлетворенность продуктом в целом или набором функционала для решения какой-то одной задачи (например, согласование отпуска может потребовать взаимодействия функциональности календарей, статусов задач, алгоритмов планирования и т.п.).

Не существуют четко регламентированных метрик, которые необходимо применять в таких ситуациях, всегда есть нюансы. Однако, как правило, на этом уровне абстракции речь идет о метриках NPS (net promoter score) или SUS (system usability scale). Метрики не бесспорные, но, как правило, все же являются стандартами индустрии и помогают ориентироваться для целеполагания в масштабах нескольких кварталов.

2. Уровень функциональности

На этом уровне мы задаем уже более конкретные вопросы, которые касаются непосредственно определенного функционала. Из примера выше — мы можем уже отдельно смотреть не на проблему «согласования отпуска» вообще, а берем только конкретную часть продукта, например, календари. Насколько они удобны для восприятия? Для чего люди ими пользуются?

В зависимости от этапа нашего исследования могут отличаться не только вопросы, но и показатели, которые мы собираем с наших пользователей. Самое простое – уровень удовлетворения, который от задачи к задачи может считываться с помощью разных шкал (три смайлика или Likert scale), CES (customer effort score) — насколько трудно или легко пользователю реализовывать какие-то задачи.

3. Уровень взаимодействия

Задача этого уровня – оценить конкретную итерацию, которую совершил пользователь с продуктом (например, нажал некую кнопку). При этом важно, чтобы результатом этого взаимодействия было некое действие или решение, которое мы не можем замерить или проконтролировать.

Как правило, здесь идет речь об уровнях удовлетворенности и принятии неких последующих решений: например, удалось ли менеджеру, смотря в календарь, понять, когда у сотрудника заканчивается отпуск? Подошел ли пользователю формат экспорта данных? Поскольку все дальнейшие действия происходят либо только в голове пользователя, либо за пределами нашего продукта, у нас отсутствует какой-либо иной метод оценки итерации.

Фактически уровень оценки взаимодействия – это попытка оценить метрику CSAT (customer satisfaction), которая часто используется в поддержке и других сервисах, где нужно поставить оценку конкретному событию. При этом, здесь также могут использоваться метрики вроде CES, но в более «локальной» формулировке.

Системный аналитик и бизнес-аналитик: кто это такие и каков спрос?

Бизнес-аналитик – это специалист, который выявляет и анализирует проблемы в бизнесе заказчика. Результат его работы – систематизация бизнес-требований в документе о концепции и границах. В нем описаны бизнес-цели, которых нужно достичь в рамках текущего проекта или отдельной его итерации.

К примеру, нужно разобраться в абстрактной проблеме клиента: «низкая прибыль». Для начала аналитик изучает бизнес-процессы компании. Анализ позволяет сформировать финансовую цель – сэкономить X рублей в год, которые сейчас расходуются на содержание офиса. Вариант решения: внедрение нового бизнес-процесса – перевода сотрудников на удаленную работу.

Системный аналитик занимается анализом требований, сформированных бизнес-аналитиком, написанием технических документов, спецификации требований к ПО, описанием его функций и возможностей, вариантов использования, действий пользователя, при которых тот достигает необходимого результата. То есть системный аналитик – это специалист, который выступает промежуточным звеном между бизнесом и разработкой.

Обе профессии крайне значимы для бизнеса, которому нужны специалисты, умеющие принимать взвешенные бизнес-решения. Функцию системного аналитика и бизнес-аналитика в компании зачастую исполняет один человек, однако в крупных компаниях эти две должности разделены и идут рука об руку при подготовке проекта.

Такая разная аналитика

Business Intelligence (BI) — это цифровые методы и инструменты, которые помогают свести разрозненную деловую информацию (финансовые, производственные, маркетинговые, бухгалтерские показатели) в единую систему, которую просто и удобно анализировать. Это понятие часто приравнивают к «бизнес-аналитике», но есть разница.

Бизнес-аналитика — это процесс анализа уже собранных, обработанных и подготовленных к анализу данных. Она оценивает текущую ситуацию и помогает делать прогнозы, поэтому её ещё иногда зовут углубленной аналитикой.

Business Intelligence — это, скорее, сам процесс сбора, обработки и «очистки» всевозможных данных и преобразование их в удобный формат. Такая аналитика помогает интерпретировать большие массивы данных, делая акценты на ключевых факторах, моделировать эффект от управленческих решений и оценивать их результаты. Поэтому её часто называют «продвинутой аналитикой».

Обычно для Business Intelligence используют специальный софт или так называемые BI-системы — например, платформы Microsoft Power BI, Tableau, Qlik, или системы Sisense, Zoomdata, Information Builders. Подобные сервисы работают по следующему алгоритму:

Эксперты говорят

, что если раньше бизнес-аналитика была прерогативой нескольких «посвященных людей» в компании, то теперь это вполне доступный инструмент для работы сотрудников из самых разных департаментов, с помощью которого им проще принимать решения.

Но при этом есть такое явление как «BI-плато» — когда данные доступны широкому кругу сотрудников, но далеко не каждый из них умеет извлекать из такой информации пользу. На помощь приходят подсказки от разработчиков внутри софта (часто — с использованием машинного обучения) или возможность общаться с аналитической системой на естественном языке (NLP, natural language processing).

Ботаники следят за тем, как развиваются растения, педиатры — как развиваются дети, а продуктовые аналитики — как развивается пользовательский опыт в продукте: куда люди кликают, как часто пользуются продуктом, что кладут в корзину и так далее. Зная эту информацию, можно делать гипотезы о развитии продукта: добавлять новые фичи и находить, где люди спотыкаются (да, это та самая UX-аналитика, которая является частью продуктовой).

Дополнительный анализ:  Аудит сайта: что это такое и зачем его проводить — Самая полная в Рунете энциклопедия интернет-маркетинга

Цель продуктовой аналитики — улучшение продукта: с точки зрения пользовательского опыта, эффективности маркетинговых активностей и прибыльности для его владельца. За основу здесь берутся финансовые, маркетинговые и пользовательские метрики, отслеживая которые можно эффективнее управлять бюджетами на разработку и продвижение и улучшать пользовательский опыт.

Продуктовую аналитику иногда относят к бизнес-аналитике. Бизнес-аналитика говорит о том, как дела в бизнесе на сегодняшний момент (сколько заработали в прошлом месяце или на этой неделе, сколько «слили» на маркетинг и какой был эффект), а продуктовая аналитика — по аналогии — даёт понимание о текущем положении дел в конкретном продукте. Но здесь есть проблема: для продуктовой аналитики простого анализа того, как продукт чувствует себя сейчас, мало.

Бизнес-аналитика не работает в режиме быстрых итераций: посмотрели на данные — выдвинули гипотезу — проверили — оценили эффект. Она заточена под анализ Big Data и принятие стратегических решений.

Продуктовая же аналитика приносит эффект лишь тогда, когда её используют в режиме реального времени: оценивают имеющиеся данные, строят продуктовые гипотезы, проверяют их и оценивают эффект на продукт здесь и сейчас. Продуктовые гипотезы обычно являются решением какой-то проблемы пользователя, а их эффект оценить проще, когда идёшь от обратного: опровержение гипотезы — куда более доказательно, чем её подтверждение.

Настройка продуктовой аналитики предполагает затраты — для начала, на создание плана измерений (measurement plan). Это документ, где прописаны ключевые KPI плюс события и их свойства, которые оценивают выполнение KPI. Например, измеряемыми метриками могут быть средний чек, LTV (Lifetime Value — пожизненная ценность клиента), Retention (возврат клиентов), Conversion Rate (конверсия страницы), а событиями — «успешная оплата на странице транзакции» или «повторная покупка».

Да, вы, как владелец продукта, заинтересованы в его успешном развитии, как никто другой. Но если с аналитической платформой вы вполне справитесь сами, то с другими популярными инструментами в арсенале аналитиков вы можете быть знакомы лишь заочно.

Тогда в команде пригодится продуктовый аналитик — такие специалисты, как правило, владеют языком программирования Python, который очень пригодится, если нужно автоматизировать обработку больших массивов данных или визуализировать их, а также построить модели прогнозирования. А ещё они умеют работать с SQL — инструментом для взаимодействия с базами данных продукта. За счёт этого знания продуктовые аналитики могут обходиться без разработчиков, когда нужно обработать или скомпоновать данные.

Владимир

CEO & Founder Сибирикс

Вот буквально вчера приходил на собеседование парень с такими компетенциями. Немного SQL, немного Python. В резюме всякие умные слова про PowerBi. Работает у крупного ретейлера, аналитиком. Я его спрашиваю — делаешь-то что? Говорит — отчеты готовлю, данные выбираю. Я говорю: «Ну у тебя ж там всё по-любому автоматизировано должно быть, давно. Три кнопки нажимай, и всё». Он: «Ну нет, не автоматизировано. Выбираю данные, затем засовываю их в Excel, как-то соединяю». Ну, говорю, это у тебя час-два в месяц должно занимать. А в остальное время-то что? Он мне: «Ну да, у меня загрузка на 2 дня в неделю». Спрашиваю — а не кажется ли тебе, что ты какой-то херней занимаешься? Он мне: «Не кажется, именно по этому я здесь…». Дал ему в шутку

старинную задачку на SQL

. C 4-й попытки сделал, но как-то неуверенно.

Я это к чему. Вокруг аналитики и выборки данных нашайтанили очень большую дымовую завесу из умных слов. А предикцию и нормальную математику мало-мало кто умеет. Математика вообще как-то немодной стала. По факту перекладываем данные из левого кармана в правый и картинки по ним выводим. Не все конечно, но большая часть. Словом, если не знаешь, какой херней ты занимаешься на работе — назови это Аналитикой

Если бы у Икара был хотя бы простенький дашборд, где показывалась бы температура окружающей среды и степень плавления воска в его крылышках, он, вероятно, смог бы избежать печальной участи. Так что, пожалуй, продуктовая аналитика нужна всегда, когда вы хотите делать успешный продукт, который не просто «взлетит», но и продолжит своё развитие.

Но особенно продуктовая аналитика пригодится, если:

  • вы ищете точки роста — продукт работает, но вы не понимаете, как его масштабировать;
  • пользователи никак не хотят превращаться в покупателей — привязав конкретные события к шагам на Customer Journey Map, проще понять типичные «затыки» и устранить их;
  • вам нужен краткий срез метрик продукта для постоянного мониторинга и принятия решений — аналитика хороша, когда она регулярна;
  • у вас есть продуктовые гипотезы, и их нужно проверить — изучая эффект на
  • пальцах конкретных метриках, проще делать выводы;

  • вашим А/В-тестам не хватает прозрачности — красная кнопка действительно лучше работает или это эффект чёрной пятницы?

Мобильная аналитика, как и продуктовая, — изучает множество метрик и погружается в глубины глубин поведения пользователей, чтобы найти взаимосвязи. Поэтому новичкам с ней всегда сложно: эти взаимосвязи не лежат на поверхности, отчего бывает непросто понять, что добавление какой-то супер-полезной фичи (которая по гипотезе должна сделать продукт лучше) в итоге увеличит отток пользователей просто потому, что приложение будет весить на пару гигабайтов больше.

Но даже если вы вооружитесь пачкой метрик мобильной аналитики, это не подскажет вам на 100%, как действовать: какие фичи добавлять и выстрелят ли они. Поэтому, по-хорошему, придётся использовать всю свою интуицию — просто потому что ваш продукт уникален (только если вы не пилите второй Фейсбук), и вряд ли кто-то подскажет, что с ним делать дальше. Поэтому на данные аналитики надейся, а сам не плошай 🙂

Что, если в астрологию вы не верите, а строить догадки о развитии продукта или бизнеса на основе бизнес-аналитики не хотите (или не умеете)? Добро пожаловать в мир предиктивной аналитики. Она использует исторические данные, которые с помощью статистических алгоритмов и методов машинного обучения превращаются в прогнозы будущих результатов.

Проблема бизнес-аналитики в том, что она опирается только на прошлое — то, что уже произошло в предыдущие периоды: сколько было выручки, потребителей, маркетинговых активностей. Предиктивная аналитика же помогает заглянуть в будущее — наверное, поэтому эта технология интеллектуальной автоматизации используется большинством крупных предприятий в мире.

Чтобы создать адекватную модель для предиктивной аналитики, нужны данные: внутренние (то, что мы уже знаем о бизнесе — ассортимент, товарооборот, выручка, количество клиентов) и внешние (всё, что так или иначе влияет на бизнес — статистика коронавируса, биржевые котировки или даже погода). Вот почему бизнес-аналитика хуже справляется с прогнозами — обычно она оперирует только внутренними данными, хотя на бизнес всегда влияют и внешние факторы.

Другой вопрос в том, что внешние данные иногда не так-то просто собрать (процесс сбора данных ещё называют Data Mining). Например, чтобы добыть информацию о чеках, придётся договариваться с операторами фискальных данных. А за какую-то информацию придётся даже платить. Поэтому каждый раз приходится думать, насколько такие данные смогут сделать прогноз точнее, и соизмеримы ли затраты на их добычу с эффектом от их использования в модели прогноза.

Как построить такую модель — опыт Redmadrobot:

Предиктивная аналитика пригодится, если:

  • вы хотите точнее прогнозировать бюджеты — не полагаться на исторические данные, а предугадывать будущие потребности;
  • нужно предсказать поведение потребителя, чтобы создать более качественные продукты и услуги под его потребности или увеличить отдачу от своих клиентов (средний чек, конверсии, лояльность);
  • нужно снизить затраты на маркетинг — прогнозные модели могут учитывать цикл жизни клиента и предугадывать его поведение;
  • нужно принять стратегическое решение, а исторических данных для этого недостаточно;
  • вы хотите увеличить продажи — предиктивная аналитика на основе истории покупок конкретного пользователя помогает предугадать другие продукты и услуги, которые он купил бы;
  • нужен прогноз эффективности рекламного контента и маркетинговых активностей;
  • вы хотите предсказывать LTV клиента и иметь возможность влиять на этот показатель;
  • у вас производство на базе высокотехнологичного оборудования, и нужно предугадывать его поломки сильно заранее;
  • нужно предсказать текучку кадров и найти причины, чтобы её устранить.

Предиктивную аналитику можно реализовать с помощью языков программирования — всё того же Python или R. А можно воспользоваться готовыми инструментами:

RapidMiner

,

Knime

, гугловским

BigQuery

,

Oracle Big Data Preparation

или

TIBCO Spotfire

(на самом деле, инструментов куда больше).

Если у вас нет вообще никакой аналитики, то сквозная могла бы стать первой ступенькой к управляемости бизнес-процессов. Правда, для сбора ключевых метрик придётся работать с разными инструментами.

Сквозная аналитика особенно нужна, если:

  • у вас нет единой системы данных — данные с сайта, рекламных кабинетов, различных сервисов, CRM и трекеров хранятся как попало и никак не учитываются их взаимосвязи;
  • маркетинговые активности разрозненны — непонятно, какие каналы работают эффективнее и как они взаимосвязаны, хотя каждый в отдельности показывает неплохие результаты;
  • в вашей отчётности чёрт ногу сломит: чтобы понять, как обстоят дела в финансах, маркетинге, продажах, вы тратите не один день на сбор и консолидацию всей информации (а хотелось бы — быстро сделать срез по всем ключевым метрикам);
  • ваш маркетолог опять просит выделить бюджет на что-то экстраординарное, а продажники делают одно и то же, желая получить другой результат — сквозная аналитика показала бы, какие каналы эффективны для финансирования, и какие действия приносят больше прибыли;
  • вы устали сливать бюджеты на рекламу всего подряд — сквозная аналитика помогает найти самые популярные товары и категории и расходовать деньги оптимально.

Такая аналитика использует «цифровой след» из журналов событий информационных систем, чтобы потом визуализировать протекание конкретного процесса и выявить его узкие места: зацикливания, пропуски шагов, лишние операции, расхождения с регламентами, переброс задач с исполнителя на исполнителя и прочее.

Процессная аналитика также помогает:

  • выявлять повторяющиеся задачи, которые можно автоматизировать и тем самым сократить затраты;
  • предупреждать ошибки на более ранних стадиях;
  • отслеживать эффект от изменений на каком-то из этапов на всём бизнес-процессе.

Такая аналитика особенно пригодится в промышленности, банковском секторе, медицине, логистике и сфере телекоммуникации.

Но как они соотносятся, по большому счёту, неважно — важно, какие виды аналитик вы возьмёте себе на вооружение для управления продуктом и бизнесом:

  • Если вы в начале пути, и аналитики нет от слова «совсем» — скорее всего, вам нужна сквозная, чтобы представлять хотя бы в общем, что происходит с бизнесом.
  • Если вы создаёте продукт с нуля, то лучше сразу настроить продуктовую, мобильную и UX-аналитику (если это приложение), чтобы не набить шишек впоследствии.
  • Если маркетинг хромает, налаживайте маркетинговую аналитику.
  • Если с финансами не всё гладко — логично, финансовую аналитику.
  • Если хотите понимать, что происходит с бизнесом комплексно, заморочьтесь на бизнес-аналитике. Business Intelligence пригодится, если данных слишком много.
  • Если вы знаете, что процессы в компании можно улучшить, но пока не понимаете как — добро пожаловать в процессную аналитику.

И кстати, никто не говорил, что вам нужен только один тип аналитики — совмещайте, экспериментируйте и отфильтровывайте из моря метрик те, которые быстрее и лучше всего будут отражать малейшие изменения в бизнесе и продукте.

Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector