На заре моей карьеры, когда я работал в DHL в нулевых, мне очень повезло — я работал в очень сильной команде дата аналитиков, которые научили меня моделировать структуры данных для анализа и создавать трёхэтажные SQL-запросы.

Благодаря им, у меня сложилась модель того, как "правильно". Правильно — это создать структуру данных с максимальным количеством выверенных деталей, а потом уже из неё строить отчёты.

Например, для того чтобы посчитать процент посылок, доставленных вовремя, можно просто посчитать количество посылок и количество ивентов по доставке посылок, а потом разделить вторую цифру на первую. А можно как делали мы — создать дополнительные таблицы, в которых каждая посылка отмечена как доставленная, задержанная, через какие пункты она проходила и т.п.

Это позволяет не просто считать KPI, но и почти мгновенно углубиться в них и выяснить причины задержек. Можно даже взять номер накладной и скинуть его конкретному человеку на месте, чтобы он объяснил, что происходит.

Такой подход к аналитике позволяет выстроить процесс, в котором любой человек в компании может быстро получить доступ к мельчайшим деталям в удобном формате без помощи высококвалифицированного аналитика.

Это работало реально круто и я неоднократно применял этот подход в будущей работе.

Я мало об этом рассказываю — первый год в Амазоне я вместе с Арнабом, моим нынешним кофаундером, создал внутреннюю систему для анализа поведения пользователей в веб-админке AWS. Там я продолжил оттачивать методологию из DHL, анализируя данные по использованию облачных сервисов.

Я начал делать то же самое в Metacast, но быстро понял, что делать аналитику "правильно" требует времени, которого у нас в стартапе просто нет. Данные из Firebase+Google Analytics в кривом формате, какие-то события попросту теряются из-за наших собственных багов и у нас нет инфраструктуры для создания дата пайплайнов (и нет желания и денег сейчас что-то прикручивать).

Поэтому я начал делать то, чего не делал никогда — считать метрики на коленках, лишь бы было быстро и помогало нам принимать решения на месте. Я заведомо знаю, что в данных есть погрешность, поэтому смотрю на общее положение вещей широкими мазками. Мне важнее тренд, чем 100-процентная точность.

Мне потребовалось немалое время и усилие, чтобы отойти от перфекционизма в аналитике, в которую я изначально пришёл в 2006 году.

Недаром есть выражения "старую собаку новым фокусам не научишь" и "old habits die hard". Бывает очень сложно отойти от устоявшегося подхода и начать делать то, что всю жизнь считал браком и ленью.

Но процесс — как MVP продукта. Надо начинать с чего-то маленького из говница и палочек, выращивать его в говно и палки, а потом уже в белого лебедя.