Цель нашего курса — помочь опытным аналитикам расширить свои компетенции и задать правильное направление для дальнейшего развития в профессии. Полученный практический опыт позволит углубить знания в области продуктовой аналитики и научиться подбирать правильные инструменты для решения задач в самых неопределённых условиях и незнакомых отраслях.
Аналитика — это очень многогранная область, в рамках которой приходится сталкиваться с большим количеством задач: построение дашбордов, проведение экспериментов, прогнозирование ключевых показателей продукта, работа с хранилищем и т. д. В рамках работы над данным курсом мы сделали его таким, чтобы после окончания вы смогли решать эти задачи, не испытывая проблем.
Однако, мы осознаем, что работа над технической стороной вопроса — это лишь одна сторона аналитической монеты. Большая часть работы аналитика — это общение с заказчиком, объяснение и правильное преподнесение проделанной работы, поэтому в данном курсе вы еще и найдете материалы о том, как можно это делать с пользой для своей карьеры.
Добро пожаловать на глубины неизведанных аналитических проблем и задач!

ПРОГРАММА КУРСА :
ПРОДУКТОВЫЙ ПОДХОД К СОЗДАНИЮ ОТЧЕТНОСТИ
Разработка дашборда — один из самых популярных запросов к аналитику со стороны команды. Часто это не решает проблему заказчика. А без понимания, зачем дашборд создан, он скорее всего не будет пользоваться спросом у заказчика.
Этой проблемы можно избежать, освоив продуктовый подход к созданию дашбордов через применение BI-системы. Так специалист научится предлагать быстрые альтернативные решения или создавать систему отчётности, отвечающую запросам бизнеса.
ОПИСАНИЕ МОДУЛЬНОГО ПРОЕКТА
Состоит из 2 частей — по итоговому заданию каждого блока (мини-проекты). Вам предстоит собрать проекта DashBoard Map и создать дашборд в рамках BI-системы под конкретную задачу, получив обратную связь от экспертов курса.
РАБОТА С КОМАНДОЙ DWH И ОБРАБОТКА БОЛЬШИХ ДАННЫХ
В корпорациях аналитику нужно коммуницировать со специалистами по аналитическим хранилищам (DWH). Для этого важно понимать, какие бывают хранилища, как с ними работать и как именно в компании отвечают на вопрос о правильном хранении данных.
А в небольших компаниях аналитики могут самостоятельно писать пайплайны обработки данных, поэтому необходимо знать самые популярные и оптимальные инструменты обработки Big Data.
ОПИСАНИЕ МОДУЛЬНОГО ПРОЕКТА
Есть единый финальный проект модуля, который предполагает использование всех изученных инструментов в модуле: с помощью spark вычитываем данные из S3 и CH, проводим преобразования (фильтрация, агрегация, джойны и тд), чтобы получить отчет для записи в CH.
ПРОДВИНУТЫЕ ЭКСПЕРИМЕНТЫ
Как оценить влияние изменений в компании на ключевые метрики бизнеса? С помощью экспериментов, конечно! Чем выше уровень аналитика, тем более сложные дизайны он умеет проектировать, а также ускорять их проведение, анализировать результаты и учитывать специфику конкретных метрик при выборе способов оценки изменений.
Middle аналитик умеет выходить за пределы применения рутинных A/B-тестов, отвечать на сложные вопросы заказчиков и растить значимость экспериментов для принятия решения компании.
ОПИСАНИЕ МОДУЛЬНОГО ПРОЕКТА
Оценка за модуль складывается на основе работы с ситуационными кейсами и мини-проектами на реальных данных по каждому блоку, где необходимо решить поставленную проблему или применить изученный инструмент. Блок 1 — кейс-тест, Блок 2 — 7 мини-проектов и кейс-тест, Блок 3 — 6 мини-проектов.
МАШИННОЕ ОБУЧЕНИЕ ДЛЯ РЕШЕНИЯ ЗАДАЧ АНАЛИТИКИ
Для решения нетривиальных задач аналитику, скорее всего, придётся выйти за рамки привычных инструментов, поэтому в этом модуле мы познакомимся с продвинутыми методами машинного обучения.
ЧТО НЕОБХОДИМО ДЛЯ КУРСА [?]

• Знание базового синтаксиса Python (циклы, функции, условные операторы)
• Знание библиотек (pandas, numpy, scipy) на уровне импорта, экспорта данных, предобработки, EDA, базовая работа со случайными величинами
• Навыки визуализации в Python (Seaborn, matplotlib построение базовых визуализаций)
• Опыт анализа простых экспериментов (t-test или Манна-Уитни в Python)
• Написание запросов с JOIN, where, group by и агрегационными функциями
• Проверка гипотез
• Ошибки 1-ого и 2-ого рода
• Статистические критерии и p-value
• ЦПТ
• Корелляция
• Опыт работы с Tableau, Power BI, Superset или другими похожими инструментами