init

.gitignore

@@ -0,0 +1 @@
+.DS_Store

README.md

@@ -0,0 +1,148 @@
+# Завдання 1
+
+Припущення, з яких я виходжу в процесі підготовки завдання:
+
+- Теоретичний блок пояснює LTV, CAC, маржу, когортний аналіз.
+- Студенти вже пройшли блок з аналітичним інструментом і мають достатній рівень, щоб технічна сторона аналізу не була для них чимось новим. Якщо говоримо про Tableau — то це вміння працювати з кількома табличками через Relations, будувати Custom Calculations і певний рівень LOD-функцій.
+
+## Легенда
+
+Ви продакт-аналітик українського стартапу з доставки їжі, що працює в кількох містах: Київ, Дніпро, Львів, Харків.
+
+Три місяці тому команда маркетингу запустила новий канал залучення користувачів через TikTok Ads. Початкові результати багатообіцяючі: TikTok має найнижчий CAC серед усіх основних каналів залучення. Маркетинг хоче перерозподілити бюджет та масштабувати цей канал до 30% маркетингового бюджету.
+
+CFO не впевнений у цій ідеї і звертається до вас із наступним питанням:
+
+> Низький CAC — це круто, але чи маємо ми розуміння, наскільки профітабельні ці клієнти? Чи можемо ми бути впевнені, що скейлінг призведе до підйому ревенью? Покопайся в даних і допоможи визначитись, чи варто скейлити TikTok-рекламу.
+
+## Дані
+
+Три таблички з інформацією:
+
+- `users` — кожен рядок у табличці — інформація про зареєстрованого користувача. Стовпці:
+    - user_id
+    - signup_date
+    - city
+    - acquisition_channel
+    - platform (android / ios)
+
+- `orders` — кожен рядок у табличці — інформація про доставлене замовлення. Для зручності всі дані з таблички `users` підтягнуті до цієї таблички; втім, у табличці `users` міститься також інформація про користувачів, що не створили жодного замовлення. Стовпці:
+    - order_id
+    - user_id
+    - order_date
+    - signup_date
+    - city
+    - acquisition_channel
+    - platform
+    - order_value_uah (скільки заплатив користувач за замовлення)
+    - food_cost_uah (скільки ми заплатили ресторану)
+    - delivery_cost_uah (скільки ми заплатили кур'єру)
+    - delivery_time_min (час, що пройшов від створення замовлення до підтвердження клієнтом про отримання)
+    - discount_applied (0..1 — відсоток знижки, застосований до ціни замовлення. 0 = немає знижки)
+
+- `channel_spend` — табличка з тижневим зведенням витрат у рекламних системах, розділених по місту (кампанії таргетовані по кожному місту окремо). Стовпці:
+    - week_start — дата початку тижня
+    - channel — маркетинговий канал
+    - city
+    - spend_uah
+
+Період: жовтень 2025 — березень 2026.
+Канали: Organic, Paid Search, Meta Ads, Referral, TikTok Ads.
+
+## Що потрібно здати
+
+Результат завдання — коротка презентація (6–10 слайдів у Google Slides або аналогічному форматі), що містить:
+
+- Короткий висновок із вердиктом щодо TikTok та рекомендацією для CFO.
+- Візуалізацію даних, що підтверджує знахідку.
+- Пояснення механізму: не просто що саме було знайдено, а яким чином користувачі з TikTok поводять себе саме тим чи іншим чином.
+
+Разом із презентацією необхідно надати артефакт, що містить процес вашого аналізу даних: Excel, Tableau чи інший інструмент, яким ви аналізували вхідні дані. Файл має бути зданий у форматі, який передбачає, що у перевіряючого буде можливість успішно відкрити та прослідкувати хід ваших дій.
+
+## Як підійти до виконання
+
+Питання від CFO доволі вузьке, але щоб на нього відповісти, скоріш за все доведеться пройти кілька циклів аналізу. Загальний цикл наступний:
+
+Обрати/розрахувати цільову метрику → переглянути її динаміку в часі → переглянути її розбивку по когортах чи сегментах → якщо щось виглядає незвично чи вирізняється від решти, спробувати пояснити цю поведінку іншими метриками чи додатковими розбивками → сформувати рекомендації.
+
+Залежно від того, чи коректні метрики ви оберете з першого разу, можливо, цей цикл доведеться повторити декілька разів.
+
+Протягом аналізу даних ви можете помітити речі, про які CFO не просив явно, але які також варті уваги. Якщо незалежно від історії з TikTok щось виглядає достатньо цікавим, включіть це у ваш аналіз та презентацію.
+
+# Завдання 1 — Критерії оцінювання (для менторів)
+
+Основна знахідка, яку це завдання очікує від тих, хто виконує завдання — TikTok Ads це канал, що ховає низьку профітабельність за дешевим CAC.
+
+- TikTok Ads CAC низький порівняно із загальним значенням для інших каналів.
+- TikTok-юзери «спалюють» знижки на перше замовлення, але мінімальна кількість замовляє більше ніж один раз — 10% проти 40% по решті каналів.
+- Когортний LTV за 3 місяці менший за CAC — отже, навіть привабливий CAC не компенсує збитків.
+- Збільшення частки бюджету до 30% потягне загальний LTV/CAC нижче за 1.
+
+Протягом аналізу можлива інша знахідка: Львів має проблеми операційного характеру, що є незалежною від TikTok проблемою.
+
+- Середній час доставки у Львові значно вищий за інші міста.
+- Ретеншн нових юзерів занижений по всіх каналах, не лише TikTok.
+
+Це не обов'язкова знахідка, але вирізняє студентів, які достатньо глибоко занурились у юніт-економіку та вийшли за рамки очікуваного.
+
+## Чек-ліст хорошої роботи
+
+- LTV порахований на основі профіту (відмінусовані кости за доставку та оплата ресторану).
+- LTV для всіх каналів порахований на рівні 3 місяців (оскільки TikTok запустився лише 3 місяці тому, порівняння з іншими каналами має також відбуватись на рівних умовах).
+- Презентація містить наглядне порівняння CAC та LTV по каналах.
+- Проаналізована крива ретеншну або порахований відсоток користувачів, які зробили більше ніж одне замовлення.
+- Коректно пояснений механізм поведінки: TikTok-користувачі активно замовляють перші замовлення зі знижкою по купону, але майже не роблять наступне замовлення без знижки.
+- Рекомендацією є постановка TikTok-реклами на паузу або обмеження бюджету на неї. Рекомендований перегляд стратегії знижок за перше замовлення: можливо, канал можна зробити більш окупним, не пропонуючи знижки, і таким чином менше оптимізувати рекламні кампанії виключно під CAC.
+
+Найбільш якісно підготовлений аналіз буде також містити знахідку про проблематичність операційки у Львові, якщо студент вирішить провести аналіз метрик LTV чи ретеншну між містами. Буде помітно, що Львів має занижені значення цих метрик, але це причина, не пов'язана з TikTok — у такому випадку презентація може містити відсилку на це. Ідеальний фреймінг — це окремий слайд-два «ось що я помітив додатково», воно не має відтягувати увагу від основної теми — аналізу TikTok-реклами.
+
+## Типові помилки
+
+- LTV розрахований на основі `order_value_uah`, а не маржі після віднімання `delivery_cost_uah` та `food_cost_uah`.
+- LTV розрахований без часових рамок — якісь канали запустились раніше і мають вищий LTV, тож порівняння з TikTok буде некоректне.
+- Відсутність пояснення до наданих рекомендацій або надто загальні рекомендації. «LTV TikTok низький, рекомендовано стопнути канал» може бути занадто сильною рекомендацією, враховуючи, що канал успішний у певних метриках — набрана клієнтська база може бути реактивована в майбутньому.
+- Рекомендації не спонукають до дії.
+- Проблема зі Львовом подана як пояснення проблеми з TikTok — може статися, якщо студент знайшов проблему, але не провів крос-перевірку.
+- Рекомендації містять поради, що не засновані на даних; або припущення видаються за інсайти («TikTok-юзери загалом мають меншу купівельну спроможність» — це не інсайт, це припущення, перевірити яке у нас немає даних).
+
+## Критерії затвердження/відхилення
+
+Завдання вважається успішним, якщо всі критерії нижче виконані:
+
+- Метрики, на основі яких виноситься рішення, стосуються юніт-економіки (LTV, CAC, Retention), а не є накопичувальними (Total Revenue, Total Orders).
+- LTV порахований на основі маржі, а не суми замовлень.
+- LTV порівнюється між каналами з урахуванням їх специфіки (або обраний Capped LTV, або порівняння ведеться в рамках часового періоду, протягом якого була активна реклама в TikTok).
+- Ідентифікована різниця в ретеншні.
+- Пояснений механізм за допомогою інших метрик (завищений відсоток замовлень зі знижкою або низький відсоток 2+ замовлень).
+- Наявні рекомендації, засновані на знахідках та інсайтах у даних.
+
+Завдання повертається на доопрацювання, якщо виконується хоча б один з критеріїв:
+
+- LTV розрахований на основі виручки (`order_value_uah`), а не маржі.
+- LTV поданий без зазначеного часового горизонту, або канали порівнюються на нерівних горизонтах.
+- LTV TikTok поданий без порівняння з іншими каналами як бенчмарком.
+- Відсутній будь-який погляд на ретеншн — лише одне агрегатне число LTV.
+- Аналіз зупиняється на констатації «LTV TikTok низький» без пояснення механізму.
+- Рекомендації занадто загальні («моніторити», «покращити ретеншн»), без конкретних дій.
+- Львів поданий як причина проблеми з TikTok (незалежний фактор переплутано з основним сюжетом).
+
+Бонус-поінти надаються за додаткову знахідку з операційними проблемами у Львові та надані рекомендації щодо виправлення ситуації.
+
+
+Візуалізації, які можуть надати студенти для пояснення:
+
+![CAC по каналах](img/01-cac-by-channel.png)
+
+![LTV за 3 місяці по каналах](img/02-ltv-by-channel.png)
+
+![LTV/CAC по каналах](img/03-ltv-cac-ratio.png)
+
+![Крива ретеншну](img/04-retention-curve.png)
+
+![Львів — аномалія](img/05-lviv-anomaly.png)
+
+---
+
+# Завдання 2 — Відео про Correlation vs Causation
+
+[![Watch the video](https://img.youtube.com/vi/dAUyC8Kp-A4/hqdefault.jpg)](https://www.youtube.com/watch?v=dAUyC8Kp-A4)