JuniorSMM Manager > Общее > SMM-аналитика и метрики
Короткий ответ CTR (click-through rate) — доля пользователей, которые кликнули по ссылке/рекламе, от числа тех, кто её увидел; формула CTR = (клики / показы) × 100%. Как это работает подробнее показы (impressions) фиксируются при каждом отображении объявления, клики — при переходе по ссылке; CTR отражает, насколько креатив и текст мотивируют к переходу. Объявление получило 50 000 показов и 750 кликов. CTR = 750/50000×100% = 1,5%. Проверка: сравнить это значение с историческим CTR аналогичных объявлений на этой же площадке и плейсменте, а не с абстрактным «хорошим» числом. Что использовать на практике Практический подход. CTR сравнивают с бенчмарками конкретной площадки и формата (лента, Stories, баннер), так как нормальные значения сильно различаются между плейсментами и индустриями. Подводные камни Частые ошибки. сравнивать CTR рекламного объявления с CTR email-рассылки или другой площадки без учёта разной природы метрики; делать вывод об успехе кампании только по высокому CTR без учёта того, что происходит
ctrmetrics
JuniorPerformance Marketer > Google Ads > Метрики рекламных кампаний Короткий ответ CTR вычисляется как клики, делённые на показы. На показатель влияют креатив, аудитория, плейсмент и аукцион; на некоторых платформах ожидаемый CTR также участвует в ранжировании. Как это работает подробнее CTR считается по каждому объявлению или группе объявлений и используется платформой как сигнал релевантности в аукционе, что влияет на эффективную стоимость показа. Платформы учитывают ожидаемый CTR при расчёте итоговой стоимости показа в аукционе, поэтому падение CTR может одновременно повышать и CPM, и CPC по одной и той же кампании. Что использовать на практике Сравнивайте CTR в одном и том же формате и плейсменте, следите за частотой и охватом, а эффективность оценивайте вплоть до конверсии и CPA. Подводные камни Не оптимизируйте кампанию лишь на кликабельность: привлекательный, но нерелевантный креатив может поднять CTR и ухудшить качество трафика.
auctionaudience-fatigue
MiddleData Analyst > Метрики и эксперименты > A/B-тесты Короткий ответ CUPED — это метод снижения дисперсии метрики в тесте с помощью известных до начала эксперимента (пре-экспериментальных) данных о том же пользователе, что позволяет либо обнаруживать тот же эффект при меньшей выборке, либо получать более узкие доверительные интервалы при том же объёме данных. Как это работает подробнее Как это работает: метрика корректируется вычитанием части её вариации, которая объясняется ковариатой, измеренной до теста и коррелирующей с итоговой метрикой (например, активность пользователя за предыдущий месяц), с коэффициентом, минимизирующим дисперсию скорректированной метрики; среднее значение по группам при этом не меняется, меняется только дисперсия оценки. Упрощённая идея в псевдокоде: Ожидаемый результат: var(metric_cuped) < var(metric) при наличии корреляции между metric и pre_metric; sanity check — среднее по группам metric_cuped должно совпадать (с точностью до шума) со средним исходной metric, меняется только разброс. Пример кода Что использовать на практике На прак
ab-testingcuped
JuniorData Analyst > SQL и данные > Продуктовые и бизнес-метрики Короткий ответ DAU — число уникальных пользователей, совершивших целевое действие за календарный день, MAU — то же самое за 30 дней или календарный месяц; отношение DAU/MAU (sticky factor) показывает, какая доля месячной аудитории возвращается в продукт ежедневно. Как это работает подробнее обе метрики считаются по уникальным идентификаторам пользователя (user_id), а не по числу событий или сессий; "активностью" может быть открытие приложения, логин или конкретное целевое действие — это определяется продуктом. Пример кода Что использовать на практике Применение. перед расчётом нужно зафиксировать точное определение "активности" и окно MAU (скользящие 30 дней или календарный месяц — это разные числа); типичные значения sticky factor для большинства приложений 0.1–0.3, для мессенджеров и соцсетей — 0.4–0.6+. Проверка или пример. Проверка: DAU/MAU должен лежать в диапазоне (0;1]; если DAU > MAU — ошибка в фильтрах периода. Подводные камни Частая ошибка. считают MAU как сумму DAU за месяц (неверно — один и тот же
daumau
JuniorDevOps Engineer > Контейнеры и доставка > Infrastructure as Code и управление конфигурацией Короткий ответ Drift — это расхождение между описанным в коде желаемым состоянием и фактическим состоянием инфраструктуры; он возникает, когда кто-то (человек или другой процесс) меняет ресурс напрямую — через консоль, CLI облака, автомасштабирование или другой инструмент — минуя Terraform/Ansible. Как это работает подробнее Terraform узнаёт о реальном состоянии только во время plan/apply (запрашивая его через API провайдера) — между запусками инфраструктура может измениться незаметно для инструмента; Ansible, в отличие от Terraform, обычно не хранит state и просто применяет задачи заново, поэтому drift там проявляется иначе — как "незапланированные" changed-задачи при следующем прогоне. Пример кода Что использовать на практике Практика. типичные причины drift — инженер вручную поправил security group "на скорую руку" во время инцидента; автомасштабирование изменило количество инстансов; другой инструмент изменил тег ресурса; drift обнаруживают регулярным запуском terraform plan (без apply) и сравнением вывод
ansibleconfiguration-management
JuniorSMM Manager > Общее > SMM-аналитика и метрики Короткий ответ ER — это показатель вовлечённости аудитории, который показывает долю пользователей, совершивших действие (лайк, комментарий, репост, сохранение), относительно охвата или числа подписчиков; базовая формула: ER = (сумма вовлечений / охват или подписчики) × 100%. Как это работает подробнее вовлечения суммируют все целевые действия под постом (лайки + комментарии + репосты + сохранения), затем делят на базу (охват поста или число подписчиков аккаунта) и умножают на 100, чтобы получить процент. Пост собрал 400 лайков, 30 комментариев, 20 репостов при охвате 8 000. ER by reach = (400+30+20)/8000×100% = 5,6%. Проверка: пересчитать ER by followers (если подписчиков 10 000) даст другое число — 4,5%, и в отчёте нужно явно указать, какая формула использована. Что использовать на практике Практический подход. важно заранее указывать, какая база используется — по охвату (ER by reach) или по подписчикам (ER by followers), так как результаты будут сильно отличаться и несравнимы между собой при смешивании. Под
engagement-ratemetrics
JuniorDevOps Engineer > Контейнеры и доставка > Надёжность и инцидент-менеджмент Короткий ответ Error budget — это допустимое количество "ненадёжности" (ошибок, простоя) за период, равное 100% минус целевой SLO; например, при SLO 99.9% error budget составляет 0.1% времени или запросов, которые можно "потратить" на риски и изменения. Как это работает подробнее SLO (Service Level Objective) задаёт целевой уровень надёжности для конкретной метрики (например, доли успешных запросов), а error budget — это оставшийся "запас" до нарушения SLO, который можно тратить на рискованные релизы, эксперименты, техдолг. Пример / кейс Для API с SLO 99.9% успешных запросов за 30 дней при 10 млн запросов в месяц error budget = 10 000 неуспешных запросов. Ожидаемое поведение: если за 10 дней месяца уже "потрачено" 8000 из 10000 допустимых ошибок (например, из-за деградации одного из апстримов), команда должна снизить частоту рискованных деплоев до конца периода, чтобы не нарушить SLO. Что использовать на практике Практический подход. Когда error budget израсходован, команда обычно замораживает рискованные рел
error-budgetreliability
JuniorData Analyst > SQL и данные > Качество данных Короткий ответ ETL означает Extract, Transform, Load: извлечь данные, преобразовать их и загрузить подготовленный результат в целевую систему. Как это работает подробнее На этапе извлечения читают БД, API или файлы. Затем данные очищают, приводят к типам, дедуплицируют и рассчитывают производные поля. После проверок результат записывают в DWH. Extract. Получение полного или инкрементального набора из источника. Transform. Проверки качества, стандартизация и применение бизнес-правил. Load. Запись подготовленных данных с контролем количества строк и ошибок. Пример кода Что использовать на практике Храните контрольную точку успешной загрузки и журналируйте количество строк на каждом этапе. Некорректные записи помещайте в карантин, если их можно обработать отдельно без остановки всего потока. Подводные камни Потеря строк. Фильтрация без журналирования делает расхождения необъяснимыми. Неатомарная загрузка. Сбой посередине может оставить частично обновлённую таблицу.
data-pipelinedata-transformation
JuniorPython Developer > Основы Python > Согласованность и репликация Короткий ответ Eventual consistency — модель, при которой после изменения данных все читатели со временем увидят новое значение, но не гарантируется, что это произойдёт немедленно. Как это работает подробнее Обновление сначала применяется в одном узле/реплике, а затем асинхронно распространяется на остальные; в промежутке разные читатели могут видеть разные версии данных. Пример кода Что использовать на практике Практика. Допустимо для данных, где кратковременная несвежесть не критична (счётчик лайков, список комментариев); требует продуманного UX, чтобы пользователь не был сбит с толку расхождениями. Подводные камни Риск. Применять eventual consistency там, где бизнес требует немедленной точности (остаток на счёте при переводе денег), без явного решения о допустимости такого риска.
consistencydistributed-systems
JuniorDevOps Engineer > Контейнеры и доставка > CI/CD и управление релизами Короткий ответ Feature flag — это условие в коде (часто управляемое внешней конфигурацией), которое включает или выключает часть функциональности без нового деплоя; это позволяет выкатить код в прод «выключенным» и включить его позже отдельной операцией, не связанной с релизом. Как это работает подробнее вместо того чтобы напрямую вызывать новый код, приложение проверяет значение флага (из конфиг-файла, базы данных или специализированного сервиса управления флагами) и в зависимости от этого выполняет старую или новую ветку логики. Пример кода Что использовать на практике На практике. флаги позволяют выкатывать код чаще и меньшими порциями (даже недоделанные фичи, скрытые за флагом), включать функциональность постепенно для части пользователей и мгновенно выключать проблемную функцию без отката всего деплоя. Это снижает риск и ускоряет deployment frequency, но требует аккуратного управления жизненным циклом флагов. Пример. Ожидаемое поведение: код с новой функциональностью уже находится в production-образе, но
artifactscicd-and-release-management