ПРОДВИНУТАЯ ПРОДУКТОВАЯ АНАЛИТИКА. ОБУЧЕНИЕ У НАС |
Глубоко компаем в продукт и поведение пользователей.
СТАРТ ПРОГРАММЫ
10 ДЕКАБРЯ 2021
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
ПОЭТАПНАЯ ОПЛАТА
НА 5 МЕСЯЦЕВ
Хотите копнуть в продукт и статистику.
JUNIOR/MIDDLE DATA SCIENTIST
Умеете считать простые A/B-тесты, считать метрики и RFM-анализ, но этого недостаточно.
MIDDLE/SENIOR АНАЛИТИК
ДЛЯ КОГО ЭТА ПРОГРАММА:
КАК ПРОХОДИТ ОБУЧЕНИЕ
Глубокие продуктовые задачи
Инфраструктура
Поддержка студентов
ГЛУБОКИЕ ПРОДУКТОВЫЕ ЗАДАЧИ
— Выбирайте оптимальные методы для проведения эксперимента и его оценки
— Ищите самые популярные пути в продукте, а также точки оттока
— Считайте юнит-экономику продукта в связке с метриками
— Определяйте оптимальный аналитический стек, настраивайте мониторинги метрик и алёрты
— Применяйте машинное обучение в продуктовой аналитике
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте на выделенном сервере
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с преподавателями и менторами
— Вашими наставниками будут ML-инженеры из ведущих компаний России
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте на выделенном сервере
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
90
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с преподавателями и менторами
— Вашими наставниками будут ML-инженеры из ведущих компаний России
108
ЧТО НЕОБХОДИМО ДЛЯ КУРСА?
Базовый синтаксис
SQL
Базовое знание A/B тестов

Знание основ теории вероятностей, математической и прикладной статистики (проверка гипотез, точечное оценивание, построение доверительных интервалов, bootstrap)
A/B-ТЕСТИРОВАНИЕ
Базовый синтаскис

Понимание базовых структур данных (список, словарь, кортеж)

Основы объектно-ориентированного программирования (class, object)

PYTHON
ТЕХНОЛОГИИ, ИСПОЛЬЗУЕМЫЕ НА КУРСЕ:
ПРОГРАММА КУРСА ://
|
Разберемся, какие ошибки допускаются при проектировании и проведении экспериментов, как дизайнить эксперименты для оффлайна и онлайна, что такое оптимальный бутстрап, как ускорять эксперименты, как проверять сплит-систему на качество и где применять баесовские методы.
Матчинг позволяет решать некоторые важные проблемы,
с которыми сталкиваются все компании. Научимся выявлять товары-дубли по их названиям. Попрактикуемся сопоставлять покупателей в онлайне, офлайне и в приложении. Узнаем, как мониторить цены в реальном времени.
Открыть программу
1. Дизайн метрик
На вводной лекции познакомимся с постановкой задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга, верхнеуровнево познакомимся с архитектурой решения.
2. Какие ошибки можно допустить при дизайне и проведении эксперимента
Поправка на множественное тестирование, подглядывания, пересечения групп
3. Способы проведения экспериментов. Доказательная лестница.
Чистый эксперимент. Статистический эксперимент (рандомизированные контролируемые исследования). Квази эксперимент (когда нет возможности поделить объекты на группы). Counterfactuals (синтетические методы: очень сложно и низкая доказательная сила. Как правило ретроспективные данные).
4. Как дизайнить эксперименты в онлайне
Как подобрать оптимально мощные критерии для оценки эксперимента. Как структурировать эксперименты.
5. Как дизайнить эксперименты в оффлайне
Как проводить эксперименты, если субъектом является не пользователь, а магазин/терминал/ресторан.
6. Как понять, что Т-тест не работает, и что делать в таком случае
Как убедиться, что статистический критерий действительно работает и проверить это на основе реальных данных.
7. Как и зачем использовать бутстрап.
Примеры задач, где лучше через бутстреп. Как работает бутстреп. Почему он работает. Почему повсеместно не используют бутстреп: границы применимости. Различные варианты применения. Выбор параметров. Типичные ошибки
8. Зачем и как ускорять эксперименты
Повышение чувствительности метрик, особые приемы обработки. Включение в эксперимент по триггерам. Проверка комбинаций гипотез.
9. Зачем и как применять байесовские методы
Байесовские методы: отличие от фриквентистского подхода. Как думать про вероятность. Какую проблему работы с A/B тестами можно решить через байесовские методы. Как интерпретировать результат. Как сочетать с другими методами. Подводные камни. Байесовские методы за пределами A/B тестов, что изучать дальше, как выглядит байсовский подход в некоторых классических задачах и почему он дает странный ответ.
10. 5 разных примеров дизайна экспериментов и их результатов с разными типами метрик и способами оценки
Разберем реальные кейсы планирования, запуска, оценки и интерпретации результатов экспериментов.
Зачем и как проверять сплит-систему на качество
От качества работы сплит системы зависит исход эксперимента. Если система ошибается, то результат эксперимента будет зависеть не от гипотезы, а от паломок. На модуле разберем, как убедиться, что система работает корректно и научимся искать ошибки.
|
Узнаем, как делать поиск пользовательских путей, ключевых фичей в продукте, определять аномалии и делать расчет юнит-экономики продукта.
Открыть программу
1. Зачем знать марковские цепи, графы, фиттинг
Ключевой скрытый шаг продуктовой аналитики - выбор модели. Воронка как модель: плюсы и минусы. Проблема с детальным анализом траекторий пользователей, полюса подхода. Постановка задачи перед более детальной моделью. Проблема весов и нормировок. Эквивалентность графа и матрицы переходов. Ограничения матрицы как марковской модели. Пайплайн работы с данными.
2. Как определить основные пользовательские пути в продукте с помощью инструментов анализа графов
Постановка задачи. Подготовка данных. Первичный анализ. Выбор варианта векторизации. Построение графов и матриц. Сравнение графов и матриц. Необходимость разделения на сегменты, варианты сегментации.
3. Поиск сегментов в продукте через кластеризацию
Построение поведенческих сегментов. Анализ сегментов (анализ качества кластеризации и верификация). Влияние качества и метода обработки сырых данных на кластеризацию. Итеративный процесс анализа, иерархическая кластеризация.
4. Поиск сегментов через эвристики

Альтернативные способы сегментации: эвристики, классификаторы, внешние данные. Совмещение сегментаций.
5. Поиск и определение аномалий
6. Как понять, приносит ли продукт деньги. Расчет юнит-экономики и прогнозирование роста аудитории продукта с помощью когортного анализа. Финансовая оценка когорт.
|
Аналитик, не владеющий машинным обучением, сильно ограничен в своих возможностях. Разберем задачу прогноза метрик, подход к оптимизации метрики предсказания, а также прогноз оттока с помощью ML-алгоритмов.
Открыть программу
  1. Работа с векторами, построение и анализ предсказательных моделей в продуктовой аналитике
Зачем строить предсказательную модель, когда вам не нужно ничего предсказывать. Подготовка данных для предиктора (тонкие моменты, feature engineering, feature reduction, перекрестное влияние фичей). Траектории пользователей как фичи: декомпозиция траекторий, события и переходы, варианты векторизации, сравнение результатов, выбор n-грам, выбор нормировок, включение дополнительных фичей. Критерии качества результата, метрики качества моделей для продуктовой аналитики. Feature importance, как и зачем, связь с другими метриками фичей и событий.
2. Поиск ключевых фичей
Анализ важности событий. Почему не только события, но и переходы, и паттерны. Учет временных задержек. Сравнение результатов и валидация. Feature importance сводится к корреляции. Неочевидные системы причинно-следственных связей, необходимость экспериментов.
3. Что такое прокси-метрики и зачем они нужны. Как искать прокси-метрики.
Разные определения прокси метрик. Плохая vs хорошая прокси метрика. Предиктивные прокти-метрики. Устойчивость и точность предиктора. Некоторые нюансы из статистики (сдвиги между прокси и целью, смеси распределений, особые случаи). Зачем смотреть на ROC-AUC при анализе прокси-метрики (экономика ошибок предиктора). Как выбрать модель для прокси-метрики: предсказательная, экстраполяционная и интерполяционная сила модели.
4. Кейс: Предсказание CTR
5. Кейс: Как отлаживать работу предиктора
Анализ точности и валидация. Наблюдение за работой предиктора на примере модели скоринга. Средства мониторинга моделей.
6. Кейс: Как и зачем предсказывать отток пользователей.
Разберемся, зачем и как считать отток. Обучим модель машинного обучения и проверим её качество. Обсудим, что с этим делать дальше.
|
Когда речь заходит про данные и где их хранить, необходимо знать, какой стек и для чего лучше подходит, и после этого принимать решение об архитектуре. В этом модуле мы расскажем, как это работает, какие технологии есть и чем они отличаются.
Также соберем мониторинг и алерты для продуктовых метрик и покажем, как оптимизировать расчеты, не теряя в точности и не используя весь массив данных.
Открыть программу
  1. Введение в блок
Рассмотрим цели и задачи блока, место архитектуры\инфраструктуры DWH в продуктовой аналитике.
2. Обзор современная архитектура DWH
Поговорим про общую верхнеуровневую архитектуру DWH: слои данных, озера данных, подходы к логической модели, лямбда\каппа архитектуры и т.п.
3. Обзор инструментов построения аналитических хранилищ
Рассмотрим подходы к массивно-параллельной обработке данных, общие принципы NoSQL и RDBMS, колоночный\строчные форматы хранения
4. Обзор систем построения озера данных
На этом занятии мы поговорим про инструменты обработки больших данных на базе hadoop стека
5. Обзор подходов к построению потоков данных
Рассмотрим разницу ETL\ELT платформ, основные "кубики" пайплайнов.
6. Обзор технических аспектов продуктовой аналитики
Рассмотрим базовые технические понятия вокруг продуктовой аналитики: кликстрим, сессии, идентификаторы и их склейка.
7. Практика. Обработка кликстрима на Clickhouse
Рассмотрим основные паттерны работы с кликстримом c помощью Clickhouse.
8. Практика. Мониторинг процесса, проверка данных, поиск аномалий.
9. Как использовать много данных, не используя много данных: оптимизация расчетов, экстраполяция.
Семплинг данных: инфра. Семплинг данных: методология.
10. Примеры архитектур: MIRO, Delivery Club, semRush
11. Примеры переездов с технологий на технологию
У НАС ПРЕПОДАЮТ:
УЧИТЕСЬ У >ЛУЧШИХ>
РОМАН БЕДНАРСКИЙ
В Ленте Senior PM в департаменте больших данных. Отвечает за дата-продукты. До этого работал над продуктами и аналитикой в Яндексе. Преподает DS и ML в Высшей Школе Экономики.
Лента Bigdata, ex. Яндекс, ex. Grow with Google
МАКСИМ ГОДЗИ
Ранее исследователь в университете UPENN США, аналитик Yandex Такси, руководитель ML, аналитики и data science в App in the Air.
Создатель инструментов аналитики Retentioneering
ИСКАНДЕР МИРМАХМАДОВ
Более 5 лет опыта в анализе данных. Работал с Мвидео, Citymobil, Аэрофлот, Райффайзен банком.
Сооснователь EXPF
Модули >>>
ВИТАЛИЙ ЧЕРЕМИСИНОВ
Последние 5 лет занимается консалтингом и помогает разным продуктам решать задачи, связанные с анализом данных, экспериментами и ML.
Сооснователь EXPF
Модули >>>
Показать ещё
ЕВГЕНИЙ ЕРМАКОВ
Более 10 лет опыта работы с данными. Архитектор хранилищ данных и систем анализа в Mail.ru Group и Яндекс.Такси. Кандидат технических наук, автор более 10 работ в области анализа данных, соавтор монографии по теории и практике анализа параллельных баз данных.
Руководитель DWH Yandex.Go
Модули >>>
СТОИМОСТЬ
Все модули курса. Доступ к поддержке от наших преподавателей, готовых ответить на любые вопросы. Возможность работы на удалённом сервере.
Оплата в течение 5 месяцев
Скидка 30 000 ₽
при полной оплате
> Аналитическая архитектура
> Как устроены аналитические команды
> Работа с экспериментами
> Работа с продуктом
> Машинное обучение для аналитика
180 000₽
ПОЛНАЯ ОПЛАТА:
150 000 ₽
ПОМЕСЯЧНО:
36 000 ₽
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по курсу. Если вы хотите оплатить курс, перейдите по этой ссылке.

НАЧАЛО КУРСА 1 ОКТЯБРЯ
СТАРТ КАЖДЫЙ МЕСЯЦ 1 ЧИСЛА
Удобный способ связи
ПРОГРАММА ТРУДОУСТРОЙСТВА>>>
ТРУДОУСТРОЙСТВО
Устраиваем не только на junior позиции, но и более опытных специалистов
ПОДГОТОВКА
Помощь с резюме и сопроводительным письмом, отработка самопрезентации
РЕКОМЕНДАЦИИ
Рекомендации компаниям-партнёрам, среди которых Озон, Яндекс, Авито и др.
СОПРОВОЖДЕНИЕ
Сопровождение наших выпускников в трудоустройстве до момента оффера
84,4%
Процент успешно трудоустроенных студентов
Процент посчитан по числу устроенных на работу студентов, обратившихся за помощью в поиске работы
Поможем с поиском работы, усилим ваше резюме и научим правильно презентовать свои навыки. Наша цель — довести вас до оффера.
Процент посчитан по числу устроенных на работу студентов, обратившихся за помощью в поиске работы
ПОДРОБНЕЕ
САМОПРЕЗЕНТАЦИЯ
Чтобы получить сильное резюме и навыки самопрезентации вы пройдете:
- Лекции и вебинары по составлению резюме от HR-эксперта Яндекс
- Тест-драйв собеседования
- Консультацию, на которой определите стратегию поиска работы и пропишете карьерные цели
79
ОТСЛЕЖИВАНИЕ ПРОГРЕССА
Свой прогресс в трудоустройстве вы будете отслеживать с помощью специальных дневников. Работать над ошибками мы будем вместе с вами: мы подскажем, что нужно подтянуть и в каком направлении лучше мыслить, чтобы эффективнее справляться с задачами на собеседованиях.
90
РАБОТА МЕЧТЫ
Наша цель — довести вас до оффера. Среднее время трудоустройства с сопровождением составляет 1-1,5 месяца.
108
Самопрезентация
Выбор вакансий
Отслеживание прогресса
Работа мечты
САМОПРЕЗЕНТАЦИЯ
Чтобы получить сильное резюме и навыки самопрезентации вы пройдете:
- Лекции и вебинары по составлению резюме от HR-эксперта Яндекс
- Тест-драйв собеседования
- Консультацию, на которой определите стратегию поиска работы и пропишете карьерные цели
ВЫБОР ВАКАНСИЙ
После подготовки всех необходимых материалов вы получите доступ к Telegram-каналам с вакансиями от наших партнеров, где ежедневно обновляются вакансии. На заинтересовавшие вас вакансии HR отправят ваше резюме с рекомендациями и организуют вам собеседование.
ОТСЛЕЖИВАНИЕ ПРОГРЕССА
Свой прогресс в трудоустройстве вы будете отслеживать с помощью специальных дневников. Работать над ошибками мы будем вместе с вами: мы подскажем, что нужно подтянуть и в каком направлении лучше мыслить, чтобы эффективнее справляться с задачами на собеседованиях.
РАБОТА МЕЧТЫ
Наша цель — довести вас до оффера. Среднее время трудоустройства с сопровождением составляет 1-1,5 месяца.
НАШИ ВЫПУСКНИКИ РАБОТАЮТ ЗДЕСЬ >>>
FAQ
Какой уровень требуется для прохождения курса?
Этот курс будет полезен как тем, кто уже обладает знаниями в машинном обучении и хочет узнать, как решать специфичные проблемы, так и тем, кто хочет с нуля научиться выстраивать сервисы с использованием ML.
Как оформить поэтапную оплату?
Поэтапная оплата происходит равными платежами раз в месяц. Для оплаты поэтапно просто перейдите по ссылке на странице оплаты.
Как проходит обучение?
Теорию вы будете осваивать в формате видеолекций и конспектов-шпаргалок к ним, а оттачивать практику на удаленном сервере. Если у вас появляются вопросы, вам ответят на них менторы или преподаватели в Slack.

Для удобства студентов и преподавателей мы записали все лекции заранее. Они будут вам доступны в личном кабинете даже после окончания обучения.
Могу ли я получить помощь в перерывах между занятиями?
Конечно. Все студенты курса общаются с преподавателями и между собой в Slack. В чате можно задать любые вопросы по обучению,  наши преподаватели обязательно ответят вам.
Зачем платить деньги, если я могу пройти ваши бесплатные курсы?
Справедливое замечание. В открытых источниках есть много бесплатной информации, например, курсы на Stepik.

Однако не всем подходит формат самостоятельного обучения. Обучаясь в компании  опытных наставников и других студентов, вы получите ощутимые результаты значительно быстрее.
Я начал курс, но мне не понравилось. Вы вернёте деньги?
Да. В течение двух недель после начала курса вы можете вернуть оплату за весь курс. Также в течение месяца мы готовы вернуть вам сумму за вычетом уже пройденного материала.
Получу ли я сертификат?

Конечно! После успешного завершения курса вы получите электронный сертификат, подтверждающий его прохождение.


Для этого необходимо выполнить два условия:

1. Сделать не менее половины домашних заданий курса.

2. Выполнить финальный проект и получить на него рецензию.


Однако важно помнить, что как при приёме на работу, так и непосредственно в работе главное — это полученные Hard и Soft Skills.

Есть ли у вас образовательная лицензия?
Нет. Мы оказываем информационно-консультационные услуги.
У меня есть свои задачи по работе с данными, которые я хочу научиться решать. Поможет ли мне ваш курс?
Уверены, что поможет. Вы всегда можете посоветоваться в чате с кураторами или другими студентами.
Мы свяжемся с вами, ответим на все ваши вопросы и подробнее расскажем о курсе.
ОСТАВЬТЕ ЗАЯВКУ ИЛИ ЗАДАЙТЕ ВОПРОС
СТАРТ КАЖДЫЙ МЕСЯЦ
НАЧАЛО КУРСА
-
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по найму учеников.