Итог: Оффер, но я отказался А еще зацените какой мерч получил от Х5 с Хайлоада

Кейс Здесь предложил экономический анализ с точки зрения CAC [ стоимости привлечения/удержания ] и LTV.

Для каждого типа SMS рассчитываем: ROI = (Количество_продливших × LTV - Количество_SMS × Стоимость) / (Количество_SMS × Стоимость) # Для каждого порога отправки SMS считаем: # Заполнил нулями, чтобы разные цифры не делали голову data = {     'sms_3_days_before': {'cost': 0, 'converted': 0, 'revenue': 0},     'sms_1_day_before': {'cost': 0, 'converted': 0, 'revenue': 0},     'sms_day_of': {'cost': 0, 'converted': 0, 'revenue': 0},     'sms_1_day_after': {'cost': 0, 'converted': 0, 'revenue': 0},     'sms_3_days_after': {'cost': 0, 'converted': 0, 'revenue': 0} }

# Где: # cost = кол-во SMS * цена SMS (например, 2 ₽) # converted = кол-во пользователей продливших подписку после этой SMS # revenue = converted * LTV [ или стоимость подписки на N месяцев ] По оси X: время отправки SMS (-3 дня, -1 день, день списания, +1 день, +3 дня)

По оси Y: процент пользователей, которые продлили подписку после этой SMS + можно сразу с прибылью

Этого хватит для быстрого принятия решения относительно того что мы можем скипнуть.

По итогу: CAC = Стоимость SMS / Количество вернувшихся пользователей - Если CAC < 0.3 * LTV → Оставляем - Если CAC > 0.5 * LTV → Вырубаем

Доп. поинты, которые были в обсуждении 1. Я как пользователь за 3 дня до окончания подписки вряд ли бы хотел получать уведу, тк не обращу внимания и пойму что еще есть время 2. Я как пользователь спустя 3 дня не захотел бы получать смс о продлении при условии что уже получил уведу и в день списания и на след день после ожидаемого списания. Значит я слился. 3. Стабильным пользователям отправлять меньше SMS, проблемным — больше [ Смотри на исторические данные оплат ] 4. Если есть возможность заменить отключенные СМС-ки на email-ы - будет лучше тк мы не тратим на это деньги. 5. Поинт про доп. мотивацию - добавлять в SMS персональную скидку для пользователей с историей просрочек

Кейс 1 1. Выкатывать сразу точно нельзя, т.к. наши сотрудники - лояльны, пользователи с улицы нет.

Что может пойти не так? 1.1. Каннибализация текущей подписки тк существующие пользователи перейдут на семейную, и мы потеряем N ₽ с каждого (если бы они покупали 2 базовых = 2N, а купят 1 семейную = N+100)

1.2. Семейный доступ будет "сливать" аккаунты друзьям → падение потенциальной выручки. Нам такое не надо.

1.3. Нужна техзащита от злоупотреблений (проверка семьи в идеале, но может привести к негативу, лимиты устройств офк)

2. Проводить АБ на новых пользователях, которые максимально похожи на наших сотрудников.

Группа A (контрольная) - 50% новых пользователей: - Видят только базовую подписку за N ₽

Группа B (тестовая) - 50% новых пользователей: - Видят выбор: базовая за N ₽ ИЛИ семейная за N+100 ₽

Метрики, которые я предложил - Конверсия в покупку любой подписки - Средний чек (ARPPU) - Выбор семейной vs базовой в группе B - Каннибализация базовой подписки

По итогу кейса - все кул

Решение SQ WITH index_rows AS (     SELECT *,            ROW_NUMBER() OVER (PARTITION BY user_id, date ORDER BY user_id, date DESC as dplcts_num,            COUNT(*) OVER (PARTITION BY user_id, date ) as total_dplcts     FROM your_table ) SELECT user_id, date, address, dplcts_num, total_dplcts FROM index_rows WHERE total_dplcts > 1 ORDER BY user_id, date, address, dplcts_num;

Решение Python # Допустим у нас есть какое-то смещение, которое мы не знаем true_bias = random.uniform(0.3, 0.7)  # скрытый параметр [ опять же мы не знаем его ]

def test_unknown_coin(num_trials):     orel = 0     for _ in range(num_trials):         if random.random() < true_bias:  # реальное распределение             orel += 1          estimated_bias = orel / num_trials     print(f"Оценка после {num_trials} бросков: {estimated_bias:.4f}")     return estimated_bias