Доклад

Data-driven подход в проектировании новых фичей. Кейс Яндекс.Лончера

Видеозапись iMetrics-2017. 15 ноября 2017. Москва, Россия

Александр Лукин - продакт-менеджер сервиса AppMetrica в Яндекс. Занимается мобильными проектами с 2010 года.

Разбор кейса Яндекс.Лончер: роль данных в принятии продуктовых решений, использование инструментов AppMetrica в анализе и проверке гипотез.

Тезисы

00:48 - Что такое AppMetrica

02:16 - Топ-4 инструментов AppMetrica для продуктовой аналитики

03:42 - Яндекс.Лончер: что это такое и что нужно улучшить

05:44 - UX-анализ использования экрана телефона на Android’е: события

10:51 - Когортный отчет

12:26 - Поведенческая сегментация

13:48 - Как проверять гипотезы с помощью показателей поведенческой сегментации и событий

17:40 - API

20:29 - Телеграм-чат AppMetrica


Расшифровка

Меня действительно зовут Александр Лукин. Я работаю в AppMetricе product-менеджером. А сегодня я хотел бы рассказать про кейс наших ребят из Launchera. Александр Афанасьев, project-менеджер Launchera, который отвечает там за аналитику. К сожалению, он уехал в Санкт-Петербург в командировку и не пришел сегодня со мной рассказать вам эту прекрасную историю. Сначала давайте поймем, кто у нас здесь присутствует. Поднимите сначала руку, кто AppMetrica пользуется в работе. Приблизительно половина. А кто больше года пользуется AppMetrica? А кто перестал на проекте использовать?

Для тех, кто руку не поднял, я сделаю небольшую вводную. AppMetricа была запущена как метрика для мобильных приложений в 2013 г. В 2015 г. мы запустили ее как AppMetricа, добавив в нее новую функциональность. Собственно, с этого момента мы и отсчитываем историю нашего проекта.

У нас есть четыре основных функциональных области, которые мы закрываем.

Во-первых, это продуктовая аналитика. Во-вторых, это отслеживание источников установок, то есть Instal Intribushion. У нас есть Push-компании – это возможность таргетированных рассылок Push-уведомлений. И есть отчеты по стабильности приложения (CrashReports). Все это в одном интерфейсе, с помощью одного CDKE, что экономит нам время на переливание данных из одного места в другое. То есть мы избегаем фрагментации данных и не вкорячиваем лишний CDKE в наше приложение, что позволяет сэкономить на тестировании. Стабильность у нас лучше немножко от этого и так далее. Сегодня же речь пойдет в основном про продуктовую аналитику. Понятно для чего она нужна, какие задачи решает…

Обсуждение

Комментарии для сайта Cackle
поделитесь оценкой с друзьями
Оцените доклад
Авторизируйтесь, чтобы продолжить просмотр