Разбираюсь сейчас с ретеншеном платящих. И понял, что в один пост не уложусь, сначала надо сделать подводку. Так что сейчас про активность пользователей, а завтра — уже про платящих.

Одна из ключевых особенностей игр как продукта — нам важны не только платежи пользователей, что и как они покупают, но и их внутриигровая активность.

Так как игры это развлечение, то активность служит маркером, насколько игра интересна сама по себе, будут ли пользователи оставаться, сможем ли мы их монетизировать, в конце концов. Мы не знаем мотивацию пользователей играть, но через их активность и вовлечение можем оценить, насколько наша игра ее удовлетворяет.

В результате это выливается в большое количество специфичных метрик активности — воронка боев, количество боев в день, длина сессии, DAU сегментов по платежеспособности и т. д. Да и классические метрики типа ретеншена мы смотрим по всей когорте, а не только по когорте платящих (как это нередко бывает в e-коме и прочих функциональных продуктах).

В добавление к метрикам у нас появляется еще одно измерение в интерпретациях. Ретеншен первого дня обычно интерпретируем как интересность геймплея, ретеншен дальних дней — как интересность метагейма. Отвалы лояльной аудитории суперкитов могут служить маркерами, как им зашли последние изменения.И так далее.

Когда дело доходит до платежей, становится еще интереснее.

Львиная доля задач на новых проектах касается вопроса “как бы нам повысить ARPU”. Мы тут смотрим на форму кумулятивной кривой, ищем точки перегиба и выхода на плато, и пытаемся понять, что происходит. Два ключевых инструмента для меня здесь — воронка платежей и ретеншен платящих. Конверсия в платящих тоже важна, но это отдельная тема.

Ретеншен платящих — тот же возврат пользователей в игру по дням от инсталла, только за 100% мы берем общее количество платящих, сделавших платеж в определенный период. Например, в день инсталла, или в за первые X дней, или за все наблюдаемое время когорты. Иногда можно просто посмотреть количество дней в игре после последнего платежа, с учетом окна лайфтайма сравниваемых когорт. Общая задача — проверить, а интересна ли игра этим пользователям. Если пользователи быстро отваливаются — одна история. Если платят мало (например, сделали платеж в первый день), но продолжают играть — совсем другая.

По воронке платежей (какая доля от сделавших первый платеж, делает второй, третий и т. д.) мы смотрим как раз, а готовы ли пользователи покупать что-то дальше. Тут я предпочитаю контролировать лояльность — брать только тех пользователей, кто активно играл какое-то время, и смотреть их воронку в этом периоде. Это нужно для того, чтобы как раз исключить ситуации, когда воронка обрывается из-за того, что пользователь ушел.

В конечном счете это сводится к проверке гипотез, пользователи не платят, потому что отвалились (даже платящим игра неинтересна). Тут изменение лежит в области геймплея, проработанности меты и так далее. Или пользователи не платят, потому что им нравится игра, но нет потребности или желания что-то еще покупать. И это уже про удовольствие и ожидания от платежа, про субъективную оценку “дорого/дешево” офферов и так далее.

Впрочем, одна явно локализованная причина плохих кривых cARPU — это редкость. Чаще всего мы имеем комбо, и надо выбрать то, что пробуем исправить в первую очередь, а потом оценить, как поменялось платежное поведение. Все переплетено, как это обычно у людей и бывает.

Так как я работаю с новыми проектами, у меня много задач, которые касаются разных версий игры. Притом версии существенно разные, особенно с точки зрения экономики. Где-то одна модель дистрибуции контента, где-то другая. Где-то изменили скорость прогрессии пользователя. Где-то просто перешатали дефициты.

Для подобных сравнений я в последнее время повадился считать метрики второго порядка. То есть, не просто кривую кумулятивного ARPU рисовать (или воронку боев), но и кривую коэффициентов. Где коэффициент — это значение cARPU day X / cARPU day 0. Берем и все значения cARPU делим на значение в какой-то выбранный день (день инсталла, третий день, седьмой, что угодно).

Такая метрика позволяет нам понять, а изменили ли мы вообще что-то в экономике и платежах, поменяв пол-игры. У проектов в оперировании, когда модель экономики уже сформирована, подобные кривые от версии к версии очень похожи. А вот у новых проектов из вариативность как раз и служит одним из маркеров, получилось ли нам что-то изменить или нет.

Второе применение подобных коэффициентов — понять, в каком именно месте расходятся версии. Потому что нередко бывает так, что, например, основной отвал происходит на второй день, а потом он просто длится. Такое можно поймать либо воронке с долями от предыдущего шага, либо как раз коэффициентом изменения для каждого шага относительно первого.

Знали бы вы, как я не люблю ботов. Именно как продуктовую фичу. Вечно с ними какие-то проблемы. То они слишком слабые. То слишком сложные. То они не очень похожи на поведение людей. То у них меняется логика или сложность, или все вместе. То их слишком много и постоянно кажется, что пользователям они не нравятся. То приходится использовать всякие трюки типа “пользователь не может отставать больше чем в полтора раза от ботов”, как мы в гоночках делали.

Переход от экономики, построенной на контролируемых ботах к экономике игры, где пользователи играют преимущественно друг с другом — отдельная головная боль сродни кластерной. Геймдизов и продюсера в первую очередь, но и аналитикам тоже с лихвой хватает.

Но без ботов тоже нельзя — банально нет столько DAU и регистраций, чтобы на прототипах наполнить бои людьми. Да и с учетом больших отвалов пользователей в первый день, дешевле пользователя онбордить и первые бои делать с ботами, а уж потом только в полноценный pvp отправлять.

Так и живем.

В малом чате аналитиков недавно обсуждали, как можно измерить, что “пользователю было интересно в бою”. Конечно, самый простой вариант — спросить пользователя явно, но это читерство. Впрочем, думаю, мы и до этого скоро дойдем.

Самый простой и надежный ответ на этот вопрос — “в данных нет ответа”, так как не все можно измерить и отследить в логах. Кажется, валидное утверждение. Как минимум оно позволяет быстро перейти к другим инструментам или гипотезам.

Тем не менее, я, как правоверный гештальтист, склонен считать, что неявные личные особенности или процессы видны в любом действии человека. Проекции и изоморфизм, все дела. Просто нам может быть сложно увидеть эти действия или же их корректно проинтерпретировать. Или дешевле будет как-то по-другому ответить на свой вопрос.

В общем, немного методологической ереси вам в ленту.

Прекрасный Антон Марцен, автор канала Product Science ищет аналитиков себе в команду Яндекс.Музыки. Вакансия зело симпатичная, хоть сам откликайся.

По требованиям стек понятный — SQL, Python, хорошая статистика и хорошая продуктовая часть. Ну и вся обвязка Яндекса в комплекте, само собой — от черномагических внутренних инструментов до процессов и плюшек.

Мне вакансия показалась интересной тем, что это развлекательный продукт, но еще не геймдев. Как я понимаю, сейчас такое называют “фантех”. Соответственно, разнообразное поведение и мотивация пользователей, которое надо огрокать и конвертировать в повышение бизнес-метрик.

В последнее время на глаза попадалось несколько статьей про data design/modelling. Для меня интересная тема, так как я немалую часть времени занимаюсь проектированием системы логов на новых проектах — что логировать, как именно, как мы это будем использовать и т. д.

Тема сама по себе непростая, помнится, Никита Шустиков из Зепты меня как-то убеждал, что amplitude-like модель данных — лучшее, что может быть. А отдельные события, джойны и прочее — бессмысленный олдскул. Я же люблю воронки, обогащенные данные, рамочные события для ключевых компонент меты, много информации из конфигов, агрегаты на стороне проекта и прочее. В общем, есть о чем поговорить.

Но есть один момент, который критически важен в самом начале, на уровне роадмапа проекта. Я нередко сталкиваюсь с представлением разработчиков, что их задача — делать игру. А аналитика — это что-то дополнительное, что можно выбросить из роадмапа, что отвлекает от реальной работы, можно обойтись минимальными логами и так далее. В моем же мире, детальная аналитика — это не дополнительная, а обязательная часть любой фичи, и требует достаточно много времени разработчиков.

В конце концов, мы работаем с f2p, нам критически важно понимать, что пользователь делает, и относительно гибко менять его опыт. Точнее, можно сделать f2p-игру без глубокой аналитики и при редкой удаче она даже сможет что-то зарабатывать, но оптимизировать и растить выручку будет сложно.

#datamodel

Любопытные новости, конечно. Особенно на фоне того, что несколько лет назад один из журналов по социальной психологии отказался принимать статьи с p-value и стал требовать только bayes factor.

Интересно, что привело гугл к такому решению. NHST, как ни крути, ведь тоже не идеал, да и на выборку весьма прожорлива.

Несколько лет назад делал что-то вроде аудита для одной студии с проектом жанра choices / love story. Так как жанр для меня совершенно незнакомый, спросил “а что мы продаем пользователю”. Получил несколько обескураживающий своей буквальностью ответ “харду и новые главы”. Пришлось уточнять, что меня больше интересовало, какой опыт получает пользователь, что его, по представлениям команды, привлекает и удерживает.

Вообще, чем дальше, тем я больше думаю, насколько же важно при разработке новых проектов регулярно задавать себе этот вопрос. С одной стороны, кажется, что это гигиена уровня “а не делаю ли я фигню”. С другой — он помогает держать фокус на опыте пользователя, на его мотивации и том, как это реализовано.

Для аналитики это еще и важнейший источник гипотез и идей для исследования. Например, в шутерах можно продавать блестяшки (скины и прочую кастомизацию), мощность в виде нового контента и геймплей в виде, опять-таки, нового контента. Блестяшки особый вариант — в первую очередь это характерно для проектов с многомиллионным DAU или для весьма специфичных ниш. А вот мощность (power) или геймплей — это да. Если мы предполагаем, что продаем геймплей, то наши юниты, кем мы играем, должны ярко различаться по боевым статистикам, тактике и т. д. Если мы продаем мощность, то тут возникают вопросы волн актуальности контента, активности и эффективности его использования и т. д.

В результате, если возникает вопрос “как бы увеличить ARPU”, мы можем оценить, правда ли мы продаем то, что планировали. А то вдруг юниты не различаются по геймплею или мощность у всех одинаковая. И действительно ли покупают то, что мы планировали — можно ведь продавать геймплей, а пользователи хотят покупать мощность. Или мы предлагаем скины, а пользователям они неинтересны в чистом слабо социальном мобильном pvp.

Всем привет.
Мы ищем продуктовых аналитиков. Описание вакансии здесь.
Подробности в личке, на что смогу — отвечу.

Из нюансов:
- в приоритете middle+ / senior, так как есть куча задач, которые решать надо прямо сейчас
- мы не используем внешние системы аналитики, сугубо DIY глубокая аналитика. Поэтому хорошие SQL+Python прямо обязательно
- если вы не из геймдева -- напишите, попробуем
- рассматриваем только зарубежные локации
- работать не со мной и моими проектами, но мы будем в одной команде

Посмотрел курс по продюсированию мобильных игр от Дмитрия Филатова (OwlCat, ex-MyGames/MGVC), автора канала DogDog. Курс выложен в открытый доступ, за что большое спасибо Дмитрию и Scream School.

Мне курс понравился. Кажется, он как раз закрывает недостающий кусочек — есть курсы по геймдизайну, по разработке или арту, да даже по аналитике кое-что есть. Но мало где говорится, как считать деньги команды, как оценивать перспективность игры, как мы вообще подходим к окупаемости, как декомпозировать задачи и выстраивать роадмап и т. д. “Вы пройдете полный цикл работы над идеей: от выбора и оценки до проработки и продажи ее бизнесу”.

Отдельно, конечно, было приятно услышать какие-то знакомые имена, близкие идеи и оценки — я с особым интересом слушал лекции по выбору жанра и по целям-этапам проекта до выхода в стадию оперирования.

При всем этом, я лично привык немного к другой роли продюсера. У Дмитрия сильный акцент сделан на организационно-финансовой части. Я же больше привык видеть другую сторону продюсеров — креативно-визионерскую. То есть я взаимодействую с продюсерами по поводу метагейма, экономики и в целом задачам вида “как повысить XXXX”. У Филатова в курсе эти компоненты оцениваются как менее значимые для работы продюсера. Даже на этапе прототипов, когда есть цели типа “нам нужен такой-то d1 retention”, роль продюсера в итеративном повышении метрики не особо раскрывается.

Возможно, это особенность студий, в которых я работал, и/или другой поход к развитию продукта. Или просто специфика именно этого курса.

#courses

Последнее время иногда думаю про логирование событий (когда устаю думать “а почему XXX такое низкое”). Хочется как-то перейти от простого “вот это надо обложить аналитикой” к какому-то более абстрактному/концептуальному уровню. Чтобы можно было для любой игры относительно быстро и безболезненно сформировать модель данных, например.

Дело идет со скрипом, если честно. Постоянно кажется, что это какой-то велосипед и более умные люди (системные аналитики, архитекторы бд и прочие разработчики) все это уже давным давно сделали. Но каких-то внятных материалов на эту тему я так и не нашел. Может, плохо искал.

Пока дошел до выделения сущностей, их параметров и состояний, переходов в другие состояния, краешком затронул ресурсы и их виды. И это только самое начало — есть же еще всякие замороченные компоненты типа транзакций в движениях ресурсов или тапы/переходы в UI, платежи и их структура, в конце концов.

Но одно уже понятно сразу — очень много вкусовщины. Самый простой пример — квесты. Обычно для анализа квестов требуется как минимум два события — событие получение квеста и событие выполнения. Иногда могут быть дополнительные этапы, типа “квест выдан сервером”, “награда за этап квеста начислена сервером” и тому подобное.

Так вот, очень часто делают два события, на получение и на выполнение. Потом эти две таблички в бд можно спокойно джойнить и смотреть, какие квесты реже всего завершались. По моим наблюдениям, разработчики очень любят такой формат.

Я же предпочитаю не плодить множество событий и все логировать в рамках только одного, но с разным значением в поле статуса (started / finished / etc). То есть длинный формат таблиц и потом группировка по соответствующим полям.

И это тоже только маленькая часть айсберга дизайна логов. Нейминг, можно ли json-ы или лучше строкой с разделителями позиций, новая колонка или еще одно значение в json, длинный или широкий формат таблиц — в каждом из этих пунктов можно долго и упоенно ругаться. Мы так и делали на этапе создания нашей модели, кстати. Движение ресурсов, помнится, неделю обсуждали — от нас даже маркетинг шарахаться начал, а они ребята вроде стойкие да привычные.

#datamodel

Недавно смотрел отчеты нашей кросс-проектной команды — они регулярно делают обзоры продуктовых метрик по всем проектам группы. Метрики у ребят интересные, сложные и непривычные, эпизодически приходится долго думать.

Теперь вот думаю, насколько все же методы формируют нашу картину мира. А если ближе к теме — как структура базы данных влияет на используемые метрики. Классический пример — какое-то время назад никто не собирал точную статистику по заходам пользователей в приложение. Максимум — писали дату последнего логина в таблицу состояния пользователя (условный “профиль”). В результате мы имеем rolling retention как единственную внятную метрику удержания пользователя (stickiness не беру как совсем бессмысленную) — и считать легко, и цифры для инвесторов красивые. Потом стали чаще спускаться на уровень поведения пользователя и логировать каждый заход. В результате retention rate стал стандартом, пусть и с некоторыми нюансами типа метода расчета интервала.

Вот и сейчас — смотрю на метрику, понимаю, что для меня она как минимум спорная. Но она достаточно легко считается при определенной модели данных. Зачем, почему так, есть ли в этом какой-то еще смысл, который я не вижу — буду спрашивать.

Я это постоянно говорю студентам, скажу и тут — утиный тест при чтении чужих отчетов сбоит. Если что-то называется retention/ARPU/conversion/etc, то всегда полезно уточнить, как именно это считается. Оно может быть совсем не тем, чем кажется. Хотя как тренировка гибкости мышления — наверное, неплохая практика. Но для таких целей лучше прочитать Джойса, на мой взгляд.

Недавно просматривал коллекцию тестовых заданий, которую выложил Павел Бухтик.

Коллекция любопытная — раньше мне попадались только сборники для датасаентистов, да иногда у своих студентов просил тестовые, которые они проходили. А тут именно продуктовая аналитика, на junior-middle уровни преимущественно, с разметкой тем, грейда и наличия датасетов.

Ко всему прочему, нашел там задания от геймдев-студий. Lesta/WG, Playrix, Crazy Panda, Vizor, EasyBrain, MyGames и Saber. Везде есть описание заданий, почти во всех есть данные. Самое интересное, на мой взгляд, задание у WG. “Проанализируйте показатели эффективности кораблей, выбрав наиболее верную на Ваш взгляд методологию” — прелесть же.

Самое скучное задание у Saber Interactive — задание касается аналитики тасок, а не игрового поведения пользователей. Впрочем, неудивительно. В заданиях остальных студий — анализ фич, A/B-тесты, немного теор.вера и маркетинга. Везде — SQL + Python.

Теперь вот думаю, что стоит порешать тестовые неигровых компаний. Хотя бы почитать их, потрогать данные. Глядишь, и студентам обновление для домашек так насобираю, а то они на сгенерированных датасетах сидят, бедняги. Да и самому интересно, как уши методологии будут торчать из формулировок заданий.

В середине прошлой недели ко мне внезапно подкрался аудит. Есть такая забава у публичных компаний или компаний, которые хотят стать публичными / привлечь инвесторов. И ключевое там — как рассчитывать отложенную выручку для отчетности в формате МСФО.

Казалось бы, причем тут аналитики. Однако мы в играх продаем харду и различные наборы ресурсов. Некоторые из них можно потратить мгновенно (бустеры). А некоторые — вечны, типа единиц контента или прокачки. Плюс пользователи отваливаются или не полностью используют купленную харду, которая остается у них на руках. Зная курс харды к доллару, можно вычислить, на какую сумму были проданы товары, а что остается в обязательствах и должно быть записано в отложенную выручку (насколько я понял эту бухгалтерскую магию).

Собственно, все это и интересует финансистов, которые готовят отчеты для аудиторов. А аналитики ближе всего к подобным данным.

Вообще, как сказал @dkd_kdk, “аудит — это ультимативное испытание для модели данных”. Если модель хорошая, то собрать траты платной харды и ее курс будет относительно просто. Наша модель оказалась относительно неплоха, я доволен. Есть пара выявившихся лакун, а кое-что уже давно в бэклоге лежит. Есть и пара мест, которые на других проектах придется менять, без этого тоже не обошлось, к сожалению.

#datamodel

Вчера NEWHR опубликовали список, за какими экспертами, подкастами, каналами в Telegram и YouTube следят аналитики. Список был составлен по результатам ежегодного опроса.

Было неожиданно, но очень приятно увидеть мой канал там. Спасибо всем, кто упоминал и рекомендовал!

Если у вас есть какие-то комментарии или предложения по каналу — напишите, пожалуйста, в тред или мне в личку (@konhis). Немного фидбека всегда полезно.

Один мой знакомый продуктовый аналитик при каждой нашей встрече ворчит: “геймдев — это какая-то своя реальность”. В чем-то он прав, пожалуй. Своя атмосфера и в данных, и в фокусах анализа, и в подходе к интерпретации.

Вот небольшой пример. Изучаю факторы отвала на третий день — сравниваю, как играют те, кто отвалился раньше и те, кто все-таки вернулся. Интересно, чем различается игровой опыт этих групп пользователей, так как это как раз может быть причиной отвала.

Вижу, что у отвалившихся пользователей выше винрейт и KDA. Вопрос, можно ли утверждать (при прочих равных), что пользователям слишком легко играть, нет челленджа и они отваливаются?

Самый правильный ответ тут — недостаточно данных. Но в большинстве случаев вывод про отсутствие челленджа будет все же неверен. В данном случае от нас скрыта еще одна переменная — сколько боев сыграли те, кто отвалился и кто вернулся, и что это за бои. Обычно отвалившиеся пользователи играют в два-три раза менее активно, чем вернувшиеся. В этом и кроется ключевая ловушка — бои пользователей, особенно в самом начале, неодинаковы (для других жанров единицы будут другими, но смысл тот же). Самые первые бои обычно стараются делать легкими (беззубые и/или понерфленные боты и т. д.) и потом постепенно повышать сложность. Плюс пользователи растут по рейтингу и попадают в котлы к игрокам с более высоким рейтингом и, соответственно, опытом и прокачкой.

В результате пользователи, которые вернулись на третий день, скорее всего отыграли больше боев. И в этих боях они сталкивались уже с более сложными ботами и опытными игроками. Отвалившиеся пользователи ушли на легких боях, и поэтому у них winrate/KDA вполне может выше. Но это никак не говорит о том, что пользователи отвалились из-за того, что им легко и нет челленджа. Для проверки этой гипотезы надо брать тех, кто сыграл, например, ровно 10 боев, и смотреть метрики вернувшихся и отвалившихся по ним.

Собственно, вот эта неоднородность опыта пользователей, которая зависит от внутриигровой прогрессии — одна из ключевых особенностей игровых данных, влияющих на метрики и на подходы к анализу и выводу.

PS. сижу теперь и думаю — кажется, вполне неплохой кейс получился для задачника по продуктовой аналитике или для собесов

#exercises

Недавно прочитал “50 бизнес-моделей новой экономики. Уроки компаний-единорогов”. Это не совсем про продуктовую аналитику, но, на мой взгляд, понимание бизнес-моделей полезно для развития продуктового мышления. Один из авторов — Александр Горный, его курс по юнит-экономике я проходил некоторое время назад.

Впечатления скорее негативные. Каждая статья — описание той или иной компании по фиксированной структуре: идея, история, ценность для пользователя и буквально пара слов про капитализацию. Группировка компаний скорее по авторству и по некоторым темам, которые, видимо, интересны авторам (например, у одного много про компании в области спорта, у другого — про компании, предоставляющие образовательные услуги).

Авторы прямо говорят (в комментариях на странице на литресе), что “в основу книги легли статьи из блогов авторов. При этом, каждый кейс был доработан. Мы постарались выявить закономерности и тенденции во введении и заключении”. И это ключевая проблема книги — нет никакого серьезного обобщения ни трендов, ни собственно бизнес-моделей. Максимум, на что хватило авторов — добавить в приложение табличку-сопоставления вида “Онлайн-обучение в виде развлечения: Duolingo, Masterclass, Outsсhool, VIPKid”. Книга была бы кратно интереснее, если бы было наоборот — сначала разбирались бы тренды в бизнес-моделях, а к ним давались бы иллюстрации в виде уже существующих компаний.

Некоторые компании и бизнес-модели показались устаревшими или несколько “притянутыми за уши”. Например, в чем новизна и специфика бизнес-модели в DOLLAR SHAVE CLUB, которые продавали подписку на бритвы? С учетом того, что компанию в 2016 году купил ее конкурент Unilever. Или Eng Authority, которые создали “большой красивый обзорный курс современного айтишника и продает его заинтересованным в обучении компаниям”. Да и утверждение про компании-единороги спорное, у многих компаний из списка оборот десятки миллионов долларов.

При этом любопытно было почитать про какие-то компании и решения, попримерять на себя — стал бы я пользоваться их продуктом и почему. Я бы сказал, сейчас ценность книги для меня заключается в материале, которые поможет чуть лучше различать тренды. Но всю исследовательско-аналитическую работу придется делать самому.

#books

Как я уже неоднократно говорил, я не очень люблю ui-аналитику. Тем нагляднее кейс, который некоторое время назад случился на одном из проектов, с которыми я работаю (пример основан на реальных событиях, но не полностью).

В одном из релизов отломали всплывающее окно с предложением докупить софты. Оно появлялось, когда у пользователя не хватает софты, а он хочет что-то купить/проапгрейдить и т. д. Мест, где такое окошко всплывает, было несколько, сломалось одно из них.

Про баг qa знали, приоритет был низкий, но в какой-то момент все же поправили. А пользователи стали тратить на 20% больше софты.

Казалось бы, все отлично. Но на самом деле это весьма проблемная история. Потому что в этот момент мы планировали тест новых балансов в экономике и такое изменение ошибочно можно было приписать нашему эксперименту. Во-вторых, багофиксы обычно проходят мимо аналитиков, разработчики вообще могли в рабочем режиме молча поправить баг, а мы бы потом долго разбирались, что же произошло. И в-третьих, такие вещи очень маятно отслеживать и контролировать на лету — к релизообразующим фичам всплывающее окошко не отнесешь, да и в ченджлоге такие изменения редко расписываются подробно. Логами и дашбордами события показа ui-окон обкладывать долго и дорого, всегда есть более важные задачи.

А самое противное — не особо понятно, что можно/нужно изменить, чтобы в следующий раз верно и с минимальными затратами исключать роль ui в изменениях метрик.

Коллеги попросили порекомендовать какие-нибудь каналы про аналитику и прочее. Решил и тут поделиться.
NB! Это то, что я более-менее активно и регулярно читаю по аналитике и геймдеву. Eсть другие хорошие каналы, но как-то с ними не сложилось (revealdata) или они совсем уж специфичны (типа по hr-аналитике).

продуктовая аналитика / продуктовое мышление
Product Science by Anton Martsen. Антон — продакт с большим опытом в аналитике. В канале много про исследования, фреймворки и в целом про персонализацию продукта под пользователя (интерфейс, контент и офферы).
Продакт аналитикс. Задорно, больше ориентировано на джунов и вкотиков, но полезные материалы встречаются.
Product analysis | Dmitry Varsanovich и Я твой продукт анализировал — два канала продуктовых аналитиков о жизни и работе. Немного похоже на мой канал, но задорнее, больше практики и меньше методологической рефлексии.
Продуктовое мышление / от ProductSense. Ребята из ProductSense выбирают и пересказывают полезные для продактов статьи.
Стартап дня. Александр Горный. Далеко от аналитики, но на мой взгляд, полезно для расширения насмотренности разных продуктов, потребностей пользователей и монетизации.
Products’ memes. Мемы, куда ж без них. Канал Ани Подображных и ее коллег, так что в первую очередь про продакт-менеджмент. Но попадаются и мемы про аналитику.

геймдев
App2Top. Новости, что вообще происходит в индустрии.
GameDev Reports - by devtodev. Сводные отчеты об исследованиях агентств и аналитических сервисов (Newzoo, SensorTower и т. д.)
DogDog. Канал Дмитрия Филатова (в прошлом продюсер, ныне кофаундер инвест-фонда для инди-разработчиков). Полезно для понимания индустрии, трендов и практик создания игр.
Product in Gamedev. Малоактивный канал с пересказами разных полезных статей (DoF и прочие).
Чатик игровых аналитиков (по инвайтам, для уже работающих аналитиков). Весьма малоактивный, по совокупности причин. Но иногда полезно что-то спросить или посмотреть на обсуждение чужих кейсов.
Чат гейм-дизайнеров | Манжеты ГД. Чат геймдизайнеров. Атмосфера как и во всех живых чатах — вперемешку интересное, флейм и срачи. В целом полезно для того, чтобы понимать, как думают геймдизайнеры.

stats
EXPF. Канал про эксперименты, статистику и анализ данных. Я плохо знаю проекты Вита и Искандера, но в канале они постят и комментируют ссылки на современные статьи.
Reliable ML. Хороший канал Иры Голощаповой и ее коллег про то, “как управлять внедрением и развитием аналитики и data science/machine learning/AI”. Ребята делают митапы и пишут статьи про интерпретируемость ML-моделей, casual inference и прочие edge-темы.
Время Валеры [Бабушкина]. Валера это конечно Валера, но временами попадаются пересказы интересных статей (например, разбор robyn) или ссылки на хорошие обсуждения аб-тестов.
BioStat <- R | Чат по статистике и R. Небольшой чат биоинформатиков и статистиков в фарме, нередко встречаются обсуждения сложных стат.методов. (на самом деле про R мало, больше по статистике)

dataviz
отвратительные графики. Канал плохих визуализаций. Беру оттуда примеры студентам, да и в целом учит, как не надо делать.
Чартомойка. Канал Александра Богачева “о графиках: плохих, хороших и других”. Хорошее про то, как надо делать [инфографику].
настенька и графики. “Датавиз, аналитика и всякое полезное и интересное”. Я только изредка /просматриваю, хотя канал хороший.

#links