Hard Аналитика данных
Повысьте грейд за 6 месяцев
СТАРТ ПОТОКА
СКОРО ПОЯВИТСЯ
СКОРО ПОЯВИТСЯ
уровень сложности
JUNIOR+ / middle
JUNIOR+ / middle
ФОРМАТ ОБУЧЕНИЯ
видеолекции и задания
видеолекции и задания
курс от экспертов индустрии
Курс
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
кому подойдет курс //
На курсе «Hard Аналитика данных» вы освоите навыки, необходимые аналитику уровня middle, а после курса сможете претендовать на повышение грейда как внутри компании, так и при поиске работы.
Аналитик данных уровня junior
Аналитик данных уровня middle
Продуктовый аналитик
BI-аналитик
Кто такой middle аналитик данных >>
При составлении программы мы опирались на опыт практиков индустрии и нанимающих лидов, а также проанализировали карты компетенций крупных российских tech-компаний.
Для middle аналитиков важны не только hard, но и soft skills — именно поэтому в обучении мы уделяем особое внимание общению с заказчиками и объясняем, как преодолеть сложности кросс-командной коммуникации.
Специалист растет, когда успешно справляется с новыми для себя задачами или решает проблемы шире своей зоны ответственности. Это возможно только тогда, когда багаж знаний включает не только основы работы с данными, но и темы из смежных областей, — поэтому в программе курса вы найдете 4 модуля из разных сфер Data Science.
мы сделали 2 важных вывода:
1
2
почему курс актуален //
Программа курса «Hard Аналитика данных» поможет в решении проблем, с которыми нередко сталкиваются аналитики крупных компаний — даже если вы лично пока с ними еще не сталкивались.
Аналитикам часто приходится создавать дашборды. Но если они формируются без понимания задач бизнеса, то только отнимают время у команды.
Создание ненужных отчетностей
Чтобы успешно работать в связке с узкими специалистами, нужно разбираться в области. Еще лучше — уметь самостоятельно писать пайплайны обработки данных, если у компании нет команды DWH.
Неэффективная коммуникация с командой DWH
В процессе обучения вы разберетесь в типах хранилищ данных и способах взаимодействия с ними, а также освоите Spark, S3, Clickhouse как самые популярные и оптимальные инструменты обработки больших данных.
Стандартные A/B-тесты работают не всегда, а ошибка в расчетах может обернуться большими расходами. Аналитик данных уровня middle должен знать, как выйти за пределы применения стандартных тестов и ответить на сложные вопросы заказчика.
Задачи, которые нельзя решить стандартными методами
На курсе вы узнаете, как выстроить культуру экспериментов в компании, изучите продвинутые методы экспериментов и узнаете что делать в случаях, если провести стандартный A/B-тест невозможно.
Аналитики данных регулярно взаимодействуют с командой инженеров машинного обучения, поэтому полезно знать основы и уметь решать базовые задачи самостоятельно. Еще лучше, если аналитик умеет сам строить модели — это дает преимущество на рынке труда.
Незнание методов машинного обучения
В процессе обучения вы разберетесь, как создавать и обучать модели, а затем оценивать и интерпретировать результаты для бизнеса.
На курсе вы освоите продуктовый подход, узнаете, какие существуют альтернативы дашбордам, и научитесь выбирать оптимальный вариант отчетности для решения поставленной задачи. Ваши дашборды будут отражать максимум информации и четко отвечать на запросы бизнеса.
Аналитикам часто приходится создавать дашборды. Но если они формируются без понимания задач бизнеса, то только отнимают время у команды.
- Создание ненужных отчетностей
Чтобы успешно работать в связке с узкими специалистами, нужно разбираться в области. Еще лучше — уметь самостоятельно писать пайплайны обработки данных, если у компании нет команды DWH.
2. Неэффективная коммуникация с командой DWH
В процессе обучения вы разберетесь в типах хранилищ данных и способах взаимодействия с ними, а также освоите Spark, S3, Clickhouse как самые популярные и оптимальные инструменты обработки больших данных.
Стандартные A/B-тесты работают не всегда, а ошибка в расчетах может обернуться большими расходами. Аналитик данных уровня middle должен знать, как выйти за пределы применения стандартных тестов и ответить на сложные вопросы заказчика.
3. задачи, которые нельзя решить стандартными методами
На курсе вы узнаете, как выстроить культуру экспериментов в компании, изучите продвинутые методы экспериментов и узнаете что делать в случаях, если провести стандартный A/B-тест невозможно.
Аналитики данных регулярно взаимодействуют с командой инженеров машинного обучения, поэтому полезно знать основы и уметь решать базовые задачи самостоятельно. Еще лучше, если аналитик умеет сам строить модели — это дает преимущество на рынке труда.
4. Незнание методов машинного обучения
В процессе обучения вы разберетесь, как создавать и обучать модели, а затем оценивать и интерпретировать результаты для бизнеса.
На курсе вы освоите продуктовый подход, узнаете, какие существуют альтернативы дашбордам, и научитесь выбирать оптимальный вариант отчетности для решения поставленной задачи. Ваши дашборды будут отражать максимум информации и четко отвечать на запросы бизнеса.
что нужно для начала /?/
Знаете базовый синтаксис, умеете работать с библиотеками на уровне экспорта/импорта данных, владеете навыком построения базовых визуализаций
Владеете навыком проверки гипотез, знакомы со статистическими критериями и p-value
Уже работали с Tableau, Power BI, Superset или похожими инструментами
Умеете писать запросы с JOIN, where, group by и агрегационными функциями
PYTHON
SQL
Дашборды и визуализация данных
Статистика и теория вероятностей
Оставьте заявку, мы свяжется с вами и поможем подобрать курс, который будет полностью соответствовать вашему уровню и целям.
НЕ УВЕРЕНЫ, ЧТО КУРС ВАМ ПОДХОДИТ?
программа курса >>
Продуктовый подход к созданию отчетности
преподаватель:
Роман Бунин
Продолжительность:
3 недели
Практические задания:
После каждого блока
- BI-система как продукт
- Алгоритм создания Dashboard Map
- Роли бизнес-пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Типы дашбордов
- Метрики и срезы
- Фасилитация
- Воркшоп по заполнению фреймворка Dashboard map
- Итоговый минипроект по блоку
- Алгоритм Dashboard Canvas фреймворк
- Подготовка и проведение интервью
- Структурирование требований в Dashboard Canvas
- Дизайн-паттерны
- Утверждение макета с заказчиком
- Разбор кейса
- Прототип, демо и оценка результатов проекта
- Итоговый проект по модулю
- BI-система как продукт
- Алгоритм создания Dashboard Map
- Роли бизнес-пользователей системы отчетности
- Анализ продуктов, бизнес-процессов и сущностей компании
- Типы дашбордов
- Метрики и срезы
- Фасилитация
- Воркшоп по заполнению фреймворка Dashboard map
- Итоговый минипроект по блоку
- Алгоритм Dashboard Canvas фреймворк
- Подготовка и проведение интервью
- Структурирование требований в Dashboard Canvas
- Дизайн-паттерны
- Утверждение макета с заказчиком
- Разбор кейса
- Прототип, демо и оценка результатов проекта
- Итоговый проект по модулю
Работа с командой DWH и обработка больших данных
преподаватели:
Евгений Ермаков, Александр Волынский
Продолжительность:
5 недель
финальный проект:
по модулю
- Архитектура современной платформы данных
- S3: как устроен инструмент и для каких задач подходит
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark. Работа с S3 с помощью Spark и Boto3
- Оптимизация запросов в Spark
- Как устроен Clickhouse и для каких задач он подходит
- Оптимизация запросов в ClickHouse и типичные ошибки
- Materialized View в ClickHouse
- Логическая архитектура DWH
- Варианты проектирования DWH: по Инмону и Кимбаллу, Data Vault, Anchor Modelling
- Организация работы DWH
- Процессы вокруг данных по DAMA DMBOK
- Ситуационный кейс: приземлить задачу на DWH с помощью терминов и артефактов
- Финальный проект
- Архитектура современной платформы данных
- S3: как устроен инструмент и для каких задач подходит
- Spark: устройство, архитектура, контекст применения, основные термины
- Простые и сложные запросы на Spark. Работа с S3 с помощью Spark и Boto3
- Оптимизация запросов в Spark
- Как устроен Clickhouse и для каких задач он подходит
- Оптимизация запросов в ClickHouse и типичные ошибки
- Materialized View в ClickHouse
- Логическая архитектура DWH
- Варианты проектирования DWH: по Инмону и Кимбаллу, Data Vault, Anchor Modelling
- Организация работы DWH
- Процессы вокруг данных по DAMA DMBOK
- Ситуационный кейс: приземлить задачу на DWH с помощью терминов и артефактов
- Финальный проект
Продвинутые эксперименты
преподаватель:
Дмитрий Казаков
Продолжительность:
10 недель
финальный проект:
по модулю
- Эксперименты и data-driven культура компании: роль, эволюция развития, принципы внедрения, артефакты
- Процесс управления движением продукта через эксперименты: принятие решений, валидация проблем и идей гипотез, правильный бэклог и приоритизация
- Обход проблемы нечувствительных тестов: снижение дисперсии и повышение чувствительности эксперимента с помощью стратификации
- Обход проблемы слишком длинных тестов с помощью CUPED: ускорение тестов и определение оптимальной длительности с точки зрения бизнеса
- Обход проблемы подглядывания. SPRT
- Методики сausal inference: Diff in Diff, Causal Impact, Propensity Score matching
- Метрики бизнеса и метрики эксперимента: какие бывают и как связаны между собой
- Чувствительность, ошибки 1-го и 2-го рода в тесте, статистическая и практическая значимость эксперимента
- Формирование выборки, сплитование, проверка и починка ошибок сплитования
- Оптимальный критерий или метод оценки эффекта. Бутстрап
- Обход проблемы множественных сравнений
- Угрозы внешней достоверности результатов и способы их обхождения
- Чеклисты запуска и контроля эксперимента
- Презентация результатов эксперимента бизнесу
- Эксперименты и data-driven культура компании: роль, эволюция развития, принципы внедрения, артефакты
- Процесс управления движением продукта через эксперименты: принятие решений, валидация проблем и идей гипотез, правильный бэклог и приоритизация
- Метрики бизнеса и метрики эксперимента: какие бывают и как связаны между собой
- Чувствительность, ошибки 1-го и 2-го рода в тесте, статистическая и практическая значимость эксперимента
- Формирование выборки, сплитование, проверка и починка ошибок сплитования
- Оптимальный критерий или метод оценки эффекта. Бутстрап
- Обход проблемы множественных сравнений
- Угрозы внешней достоверности результатов и способы их обхождения
- Чеклисты запуска и контроля эксперимента
- Презентация результатов эксперимента бизнесу
- Обход проблемы нечувствительных тестов: снижение дисперсии и повышение чувствительности эксперимента с помощью стратификации
- Обход проблемы слишком длинных тестов с помощью CUPED: ускорение тестов и определение оптимальной длительности с точки зрения бизнеса
- Обход проблемы подглядывания. SPRT
- Методики сausal inference: Diff in Diff, Causal Impact, Propensity Score matching
Машинное обучение для решения задач аналитики
преподаватель:
Никита Табакаев
Продолжительность:
5 недель
- Компоненты машинного обучения
- Дизайн экспериментов с моделями МО
- Линейные модели МО для решения задач классификации
- Метрические подходы МО для решения задач прогнозирования
- Метрические подходы МО для решения задач кластеризации объектов
- Эконометрический подход в решении задачи прогнозирования временных рядов
- Решающие деревья, композиции: градиентный бустинг и случайный лес
авторы курса //
Head of Data Science Raiffeisen CIB, хедлайнер курса
- руководит data-трансформацией в Райффайзен CIB
- хедлайнер курсов StartML, Hard аналитика и Deep Learning Engineer
- специализируется на машинном обучении и продвинутой аналитике данных
- студент аспирантской школы по экономике НИУ ВШЭ
Нерсес Багиян
Head of Data Science Raiffeisen CIB, хедлайнер курса
Chief Analytics Officer in Kolesa Group
- Отвечает за развитие команд продуктовой аналитики, экспериментов, DWH, UX-research и Data Science.
- Работает над построением data-driven, experiment-driven культуры и discovery процессов в продуктовой аналитике.
- Работал в команде построения BI одного из крупнейших банков Казахстана Kazkom.
ДМИТРИЙ КАЗАКОВ
Chief Analytics Officer in Kolesa Group
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
- BI-евангелист Яндекс Облако, в прошлом три года руководил группой развития BI Yandex Go
РОМАН БУНИН
BI-evangelist Yandex DataLens, ex-Head of BI Yandex Go
Руководитель платформы данных toloka.ai
- Более 10 лет опыта работы с данными.
- Архитектор DWH и систем анализа данных в VK и Яндекс.Такси.
- Кандидат технических наук, автор более 10 работ в области анализа данных.
- Соавтор монографии по теории и практике анализа параллельных баз данных.
ЕВГЕНИЙ ЕРМАКОВ
Руководитель платформы данных toloka.ai
Технический менеджер ML сервисов в VK Cloud
- Специалист по Big Data и AI, занимается внедрением сложных кастомных проектов.
- Участвовал в создании хранилищ данных в компаниях Платформа ОФД, X5 и VK.
АЛЕКСАНДР ВОЛЫНСКИЙ
Технический менеджер ML сервисов в VK Cloud
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
