Этот сайт использует cookies. Продолжая, вы даёте согласие на их обработку. Политика использования.
Hard Аналитика данных
Продвинутая программа для аналитиков, которые хотят повысить грейд. За 6 месяцев вы освоите работу с BI-системами, DWH, экспериментами и машинным обучением, решая задачи на реальных данных
старт потока
12 февраля
12 февраля
уровень сложности
JUNIOR+ / middle
JUNIOR+ / middle
формат обучения
видеолекции и задания
видеолекции и задания
курс от экспертов индустрии
кому подойдёт 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:
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
Оставьте заявку, мы свяжемся 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
- 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
- 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
Head of Data, Nebius Group, BI-evangelist Yandex DataLens
- BI-евангелист Яндекс Облако, в прошлом три года руководил группой развития BI Yandex Go
РОМАН БУНИН
Head of Data, Nebius Group, BI-evangelist Yandex DataLens
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
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
Head of Data, Nebius Group, BI-evangelist Yandex DataLens
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
как будете учиться /?/
как будете учиться
- Уроки открываются 1−2 раза в неделю в зависимости от сложности темы
- Все лекции доступны в записи и разбиты на компактные видео по 15−40 минут
- На обучение понадобится в среднем от 8 до 16 часов в неделю
- Сдавать домашние задания можно в течение двух недель
=> Самостоятельно планируйте нагрузку
- Смотрите видеолекции и читайте конспекты к ним
- Практикуйтесь на заданиях с кодом
- Отправляйте решения на ревью и получайте обратную связь
- Изучайте разборы идеальных решений в видео и текстовом формате
- Погружайтесь в дополнительные материалы в каждом уроке
- Выполняйте проекты в каждом модуле
- Практикуйтесь на данных из разных сфер бизнеса
- Закрепляйте навыки на задачах и проектах из индустрии
- Работайте с инструментами в настоящем рабочем окружении
=> Решайте реальные задачи
=> Берите максимум от обучения
кто будет помогать в обучении //
Всегда готовы поддержать, приободрить и помочь в решении организационных вопросов
Кураторы
Виртуальный помощник на базе ChatGPT ответит на любые вопросы из области анализа данных и программирования
Чат-бот Ева
Проверяют дашборд, справедливо оценивают проекты и дают развёрнутую обратную связь
Ревьюеры
Помогают справиться с задачами, делятся опытом и подталкивают к правильному решению
Эксперты
Документы после выпуска //
> Упаковывайте полученный опыт в портфолио
> Получайте сертификаты на русском и английском языках
стоимость обучения >>
hard аналитика данных
> Продуктовый подход к созданию отчетности
> Работа с командой DWH и обработка больших данных
> Машинное обучение для решения задач аналитики
> Работа с командой DWH и обработка больших данных
> Машинное обучение для решения задач аналитики
> Продвинутые эксперименты
> Поддержка преподавателей
> Работа на удаленном сервере
> Поддержка преподавателей
> Работа на удаленном сервере
129 000 ₽
ОДНИМ ПЛАТЕЖОМ:
В РАССРОЧКУ ОТ:
при рассрочке на 24 месяца
7 017 ₽ / мес.
Оплачивайте курс так, как удобно: единовременно или в рассрочку
Беспроцентная рассрочка или оплата частями от наших партнёров:
Получите нужные навыки и развивайтесь в профессии — обучение может оплатить ваш работодатель
Повышайте квалификацию за счёт компании
Можно вернуть до 13% от стоимости обучения
Налоговый вычет
Если за две недели курс вам не подойдет, вернем полную стоимость. Позже — за вычетом пройденных уроков
Не подойдёт — вернём оплату
Выберите удобный срок рассрочки на этапе оплаты — от 4 до 24 месяцев
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
Регистрация на образовательной платформе
Для оплаты курса вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Если у вас уже есть учётная запись, можно использовать её.
Если у вас уже есть учётная запись, можно использовать её.
отзывы выпускников //
- По моему мнению, курс HDA — крутой уникальный продукт на русскоязычном образовательном рынке, который решает самую злободневную задачу: сделать «крутые инструменты» — «бизнесовыми крутыми инструментами». Идея прослеживается во всех модулях курса.
Читать полностью →Вера Ингинен - Примерно за полгода до поступления на курс задумался, что пора расти в профессии дальше, искал информацию самостоятельно, но не был уверен, что стоит изучать, а на что лучше не тратить время.
Читать полностью →Данила Гончаров
Вера Ингинен
«По моему мнению, курс HDA — крутой уникальный продукт на русскоязычном образовательном рынке, который решает самую злободневную задачу: сделать «крутые инструменты» — «бизнесовыми крутыми инструментами». Идея прослеживается во всех модулях курса. Открывается другой взгляд на процессы, смежные с технической реализацией, и результат, который было бы хорошо иметь после всего хард-кода.
Мой самый любимый модуль — «Продуктовый подход к созданию отчетности». Одновременно и просто, и гениально. Вдохновил уже с первого раздела на то, чтобы доделать текущую задачу. Подсветил, как исправить уже случившийся epic fail с рабочим проектом. Вместе с идеями курса и ответом Вселенной проект вышел на новый уровень и получил высокую оценку у главного бизнес-заказчика. Одновременно появилось понимание, в каком направлении мне хотелось бы развиваться, каким именно смыслом хотелось бы наполнить свои проекты.
Эксперименты и ML пролетели, как увлекательный триллер на одном дыхании. Модуль DWH шел тяжко. Если бы не поддержка, был соблазн ограничиться теорией. Спасибо экспертам! Вынесли меня вместе с практикой буквально на руках!
Самое трудное лично для меня — это неожиданно большой временной ресурс, требующийся для практики без особых дипдайвов. Понятное дело, что все зависит от скиллов, но было бы здорово, если бы перед оплатой была возможность пройти какой-то тест, чтобы заплнировать нужное количество времени на ближайшие полгода. В любом случае я, мои рабочие и личные задачи выжили. И моя жизнь теперь точно не будет прежней! Третья неделя на новой работе… Полет нормальный))»
Мой самый любимый модуль — «Продуктовый подход к созданию отчетности». Одновременно и просто, и гениально. Вдохновил уже с первого раздела на то, чтобы доделать текущую задачу. Подсветил, как исправить уже случившийся epic fail с рабочим проектом. Вместе с идеями курса и ответом Вселенной проект вышел на новый уровень и получил высокую оценку у главного бизнес-заказчика. Одновременно появилось понимание, в каком направлении мне хотелось бы развиваться, каким именно смыслом хотелось бы наполнить свои проекты.
Эксперименты и ML пролетели, как увлекательный триллер на одном дыхании. Модуль DWH шел тяжко. Если бы не поддержка, был соблазн ограничиться теорией. Спасибо экспертам! Вынесли меня вместе с практикой буквально на руках!
Самое трудное лично для меня — это неожиданно большой временной ресурс, требующийся для практики без особых дипдайвов. Понятное дело, что все зависит от скиллов, но было бы здорово, если бы перед оплатой была возможность пройти какой-то тест, чтобы заплнировать нужное количество времени на ближайшие полгода. В любом случае я, мои рабочие и личные задачи выжили. И моя жизнь теперь точно не будет прежней! Третья неделя на новой работе… Полет нормальный))»
Данила Гончаров
«Примерно за полгода до поступления на курс задумался, что пора расти в профессии дальше, искал информацию самостоятельно, но не был уверен, что стоит изучать, а на что лучше не тратить время.
Пару лет назад уже проходил Симулятор Аналитика и остался тогда очень доволен, поэтому, узнав о курсе Hard Аналитика, долго не думал. На первом блоке про отчетность не было кода и нагрузка была ниже средней, но потом постепенно возрастала и все больше уходила из бизнесовой части в техническую. В целом оцениваю курс очень положительно. Бывало такое, что встречались опечатки в материале и заданиях, случались и технические проблемы, но команда поддержки всегда помогала справиться.
Во время курса проходил собеседования и благодаря новым знаниям получил несколько офферов на грейд выше того, который имел в моменте.
Советую всем, кто хочет вырасти в своей сфере, но не до конца понимает, в какую сторону копать.»
Пару лет назад уже проходил Симулятор Аналитика и остался тогда очень доволен, поэтому, узнав о курсе Hard Аналитика, долго не думал. На первом блоке про отчетность не было кода и нагрузка была ниже средней, но потом постепенно возрастала и все больше уходила из бизнесовой части в техническую. В целом оцениваю курс очень положительно. Бывало такое, что встречались опечатки в материале и заданиях, случались и технические проблемы, но команда поддержки всегда помогала справиться.
Во время курса проходил собеседования и благодаря новым знаниям получил несколько офферов на грейд выше того, который имел в моменте.
Советую всем, кто хочет вырасти в своей сфере, но не до конца понимает, в какую сторону копать.»
FAQ >>
SQL, Python и питоновские библиотеки для работы с данными используются на протяжении всего курса (кроме модуля BI). Мы ожидаем, что вы уже знакомы с ними. Если чувствуете пробелы, очень рекомендуем наш курс Аналитик данных, он отлично подойдёт для начинающих.
SQL и Python — необходимая база, но для роста до middle+ и повышения квалификации нужно больше. Middle-аналитик не просто выполняет задачи, а решает проблемы: как выстроить систему отчётности, которой действительно будут пользоваться, как эффективно работать с большими данными, как корректно провести эксперимент при существующих ограничениях, когда применить машинное обучение. Курс учит подходам, которые помогают аналитику самостоятельно проектировать и обосновывать аналитические решения.
В этом курсе мы не учим конкретным BI-инструментам — считаем, что вы уже умеете работать с каким-то из них. Модуль будет больше про методологию, системный продуктовый подход: как собрать требования через интервью с заказчиками, грамотно выстроить систему отчётности и сделать так, чтобы дашборды реально использовались, а не висели мёртвым грузом.
Вместо создания отчётов «по запросу» («покажи метрики продаж») вы научитесь проектировать дашборды как продукт.
Dashboard Map помогает структурировать систему отчётности: выделить роли пользователей, сущности, продукты, бизнес-процессы, выбрать подходящие типы дашбордов.
Dashboard Canvas помогает разработке уже конкретного дашборда: обозначить пользователей и контекст, уточнить цель дашборда, выделить метрики, срезы и источники данных, сформулировать решаемые пользователями задачи, подобрать подходящие визуализации и, наконец, создать дашборд.
Dashboard Map помогает структурировать систему отчётности: выделить роли пользователей, сущности, продукты, бизнес-процессы, выбрать подходящие типы дашбордов.
Dashboard Canvas помогает разработке уже конкретного дашборда: обозначить пользователей и контекст, уточнить цель дашборда, выделить метрики, срезы и источники данных, сформулировать решаемые пользователями задачи, подобрать подходящие визуализации и, наконец, создать дашборд.
Да, модуль всё равно будет полезен, но вам может быть чуть сложнее понять, какие именно проблемы решают предлагаемые методологии, и будет немного труднее выполнить финальный проект модуля (по созданию дашборда). В этом случае рекомендуем заранее познакомиться с какой-нибудь BI-системой, например DataLens. Это простой в освоении BI-инструмент, доступный в браузере и не требующий установки. Многие студенты для финального проекта используют именно его.
Аналитик — основной потребитель данных аналитического хранилища. Если вы не понимаете, как устроены таблицы, что такое партиционирование, почему запрос тормозит — будете постоянно зависеть от инженеров даже в простых вопросах. Понимание архитектуры и инструментов позволяет говорить с инженерами данных на одном языке или даже брать на себя часть задач, если в компании нет отдельной команды DWH. Это ключевой шаг в повышении квалификации аналитика.
Spark, S3 и ClickHouse изучаются с нуля. Модуль покрывает архитектуру современных data-платформ, методологии проектирования (Data Vault, Anchor Modeling), работу с инструментами обработки больших данных, процессы управления данными по DAMA DMBOK. Вам нужно только уверенное знание SQL, Python и библиотек для работы с данными (numpy, pandas, matplotlib, seaborn).
Базовый A/B-тест работает в идеальных условиях: большая аудитория, простая метрика, возможность рандомизации. В реальности часто возникают проблемы: выборка слишком маленькая, тест нужно закончить быстрее, невозможно разделить пользователей, метрика слишком шумная. Мы начнём с повторения основ (MDE, статистические критерии, формирование выборки) и дойдём до продвинутых методов: CUPED, стратификация, sequential testing, causal inference — которые решают эти проблемы. А также обсудим, как выстроить культуру экспериментов в компании.
Технически запустить A/B-тест это 20% работы. Остальное — процессы: как приоритизировать гипотезы, как валидировать проблемы перед тестированием, как правильно интерпретировать результаты и презентовать их бизнесу. Без выстроенных процессов эксперименты проводятся хаотично и слабо влияют на принимаемые решения. Модуль учит внедрять experiment-driven подход, где тесты становятся основой развития продукта.
Мы ожидаем, что у вас уже есть базовые знания статистики (p-value, проверка гипотез) и, в идеале, вы хотя бы немного работали с A/B-тестами. Но модуль по экспериментам — третий в курсе. Вы вполне можете повторить статистику или изучить основы параллельно с прохождением первых модулей, этого должно быть достаточно.
Достаточно базовой статистики. Модуль ориентирован на практическое применение и пользу для бизнеса, а не на подробное математическое обоснование методов.
Аналитики регулярно взаимодействуют с ML-командами и должны понимать их язык. Более того, умение самостоятельно построить простую модель для прогнозирования или кластеризации даёт преимущество на рынке.
В курсе мы изучаем ML на примере задач, актуальных именно для дата-аналитиков. Вы научитесь строить модели классификации и регрессии, кластеризовать пользователей, прогнозировать временные ряды, интерпретировать полученные результаты.
В курсе мы изучаем ML на примере задач, актуальных именно для дата-аналитиков. Вы научитесь строить модели классификации и регрессии, кластеризовать пользователей, прогнозировать временные ряды, интерпретировать полученные результаты.
Нет, машинное обучение даётся с нуля. Требования те же, что для остальных модулей: Python, pandas, matplotlib. И SQL для извлечения данных.
Модуль по ML даёт хорошую базу (это большой шаг в сторону data science), но для полноценной работы ML-инженером нужна отдельная специализация.
Вы освоите ML на уровне аналитика: линейные модели, деревья решений, градиентный бустинг, кластеризация, прогнозирование временных рядов. Научитесь строить базовые модели и оценивать их качество.
Если хотите углубиться именно в ML — обратите внимание на наш курс Инженер машинного обучения.
Вы освоите ML на уровне аналитика: линейные модели, деревья решений, градиентный бустинг, кластеризация, прогнозирование временных рядов. Научитесь строить базовые модели и оценивать их качество.
Если хотите углубиться именно в ML — обратите внимание на наш курс Инженер машинного обучения.
Это распространённое заблуждение. Продуктовый аналитик высокого уровня — это мост между бизнесом и данными. Без hard скиллов (глубокого понимания DWH, умения оптимизировать тяжёлые запросы, знаний статистики для корректных экспериментов, основ ML для анализа поведения) вы не сможете проверить сложные гипотезы, построить надежные прогнозные модели или гарантировать качество данных для ключевых продуктовых решений. Наш курс как раз даёт эту техническую основу для продуктового аналитика.
Да, мы осуществляем образовательную деятельность на основании государственной лицензии № Л035-01298-77/00179689 от 11 апреля 2022 года, выданной Департаментом образования и науки города Москвы.
Да. Если вы оплатили обучение на курсе после 23 мая 2022 года, являетесь налоговым резидентом России и уплачиваете подоходный налог, вы можете оформить вычет. Однако подать документы можно только в году, следующем за годом оплаты обучения.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
- Python. Знание базового синтаксиса python. Циклы, функции. Знание pandas, numpy, scipy на уровне импорта, экспорта данных, предобработки и EDA, Seaborn, matplotlib умение построения базовых визуализаций. Опыт анализа простых экспериментов например t-test или Манна-Уитни в Python;
- Знание SQL на уровне написания запросов с JOIN, where, group by и агрегационными функциями;
- Статистика и теория вероятностей. Знать и понимать процесс проверки гипотез, ошибки 1-го и второго уровня, статистические критериев и p-value, а также принципы работы центральной предельной теоремы и знание факторов влияющих на размер выборки. Меры центральной, тенденции, функции плотности вероятности и меры разброса. Корреляция и причинность;
- Навыки построения дашбордов и визуализации данных: опыт работы с Tableau, Power BI, Superset или другими похожими инструментами.
Лекции вы сможете смотреть с любого устройства, но для написания кода вам потребуется компьютер или ноутбук. Требований к конфигурации и мощности нет — мы предоставим всю необходимую инфраструктуру для работы на удалённом сервере. На старте обучения специальные программы устанавливать не обязательно — будут нужны только браузер и стандартные приложения для общения: мессенджер «Пачка» и Zoom.
Средняя нагрузка составляет 6−12 часов в неделю в зависимости от сложности, включая разбор теории, выполнение заданий, проектов, общение по сложным вопросам с командой экспертов.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе — все лекции записаны заранее и разбиты на отдельные видео, а для домашних заданий установлены мягкие дедлайны.
Курс повышения квалификации для аналитиков данных длится максимум 6 месяцев (26 недель) — от старта первого дня обучения до момента выдачи сертификатов. Каждую неделю вы будете проходить максимум три урока, доступ к которым будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к преподавателям и специалистам команды поддержки. Все учебные материалы будут доступны круглосуточно на нашей образовательной платформе.
Набрать минимум 75% баллов за всю программу. Баллы присваиваются только за выполнение практических заданий: ситуационные кейсы, задания на тренировку навыков, мини- и заключительные проекты. Общего финального проекта на программе не предусмотрено. Задания на проверку понимания терминологии и основных тезисов лекции не оцениваются.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда экспертов, которая поможет разобраться со сложной задачей.
Остались вопросы?
Отправьте заявку, и мы проконсультируем вас.
