2.2: Аналіз даних

• Час на виконання: 60–75 хвилин
• Передумови: Модуль 2.1 (Написання PRD), базове розуміння CSV-файлів та продуктових метрик

Почніть цей модуль в Claude Code: Запустіть /start-2-2.

📖 Огляд

Модуль 2.2 навчає повного робочого процесу ПМ для розробки функцій на основі даних: виявлення проблем через аналіз даних, оцінка бізнес-впливу перед побудовою та аналіз результатів експериментів для прийняття рішень про запуск/закриття.

Головний висновок: Ніколи не зупиняйтесь на загальних метриках — завжди сегментуйте за цільовим клієнтом та шукайте провідні індикатори.

🎯 Триетапний робочий процес

📊 Фреймворк оцінки впливу

Формула

Вплив = Кількість користувачів × Поточна дія × Очікуваний приріст × Цінність дії

Триетапний підхід до сценаріїв

Завжди моделюйте невизначеність з песимістичним, реалістичним та оптимістичним сценаріями:

🔬 Фреймворк аналізу експериментів

Ієрархія аналізу

1. Загальні метрики

• Швидкий знімок загального впливу
• Недостатньо для прийняття рішень

2. Статистична значущість

• p < 0.05: Статистично значуще (< 5% шанс що це випадково)
• 95% ДІ: Діапазон правдоподібних розмірів ефекту

3. Аналіз сегментів

Segment the experiment results by company_size and calculate activation rates

• Функції працюють по-різному для різних типів користувачів
• Загальні середні можуть приховувати перемоги сегментів

4. Метрики якості

Among activated users, calculate week 1 retention for both cohorts

• Рівень активації = КІЛЬКІСТЬ активованих користувачів
• Утримання = якщо ці активації хороші

5. Провідні індикатори

Compare template usage and invite rates between cohorts

💼 Аналіз даних у Claude Code

Що Claude може робити

Читати CSV-файли напряму:

Read activation-funnel-q4.csv and calculate drop-off rates at each step

Обробляти тисячі рядків:

Analyze the 8,000 rows in onboarding-experiment-results.csv and segment
activation rates by company size

Будувати ROI-моделі:

Build an impact estimation model using the framework in
impact-estimation-framework.md

Запускати статистичні аналізи:

Calculate statistical significance between control and treatment groups
with p-values and confidence intervals

💡 Реальні приклади

Виявлення: Завис рівень активації

Ситуація: Активація застигла на 45% протягом 6 місяців.

Робочий процес аналізу:

1. Read activation-funnel-q4.csv and find the biggest drop-off → 60% відтік на виконанні завдань
2. Analyze user-survey-responses.csv and extract top complaints → Потрібні приклади/шаблони
3. Синтез: Створити problem-analysis.md з кількісними та якісними доказами

Оцінка впливу: Обґрунтування вдосконаленого онбордингу

Ситуація: Запропонована функція за $100k. Керівництво хоче ROI.

Результат: ROI 9.4x за 3 роки (реалістичний). Побудову схвалено.

Аналіз експерименту: Виявлення прихованих перемог

Ситуація: Загальний показник показує +2.6pp. Команда розчарована.

Робочий процес:

1. Загальний показник → Скромні +2.6pp
2. Segment results by company_size → Малі команди: +11.4pp (величезно!), Підприємства: -3.5pp
3. Calculate week 1 retention → Лікування: 78% проти Контролю: 60%
4. Compare template usage and invite rates → Використання шаблонів у 3.2 рази вище

Результат: Запустити для малих команд, виключити підприємства.

🎯 Найкращі практики

Робіть:

• Завжди перевіряйте гіпотези даними перед побудовою
• Створюйте три сценарії для кожної оцінки
• Сегментуйте за цільовим клієнтом
• Перевіряйте якісні метрики (утримання > кількість активацій)
• Шукайте провідні індикатори

Не робіть:

• Зупинятися на загальних метриках без сегментації
• Використовувати одноточкові оцінки
• Вбивати експерименти перед перевіркою сегментів

🚀 Що далі?

Модуль 2.3: Дізнайтесь про конкурентні дослідження та стратегічний аналіз.

Інтерактивний трек: Введіть /start-2-3

Про цей курс

Створено Carl Vellotti.