Профессия: Аналитик с 0 до PRO [Productstar] [Д. Соболев, И. Чухляев, А. Морозова и др.]

Профессия: Аналитик с 0 до PRO [Productstar] [Д. Соболев, И. Чухляев, А. Морозова и др.]

Профессия: Аналитик (с 0 до PRO). Денис Соболев, Илья Чухляев, Анна Морозова и другие
вы с нуля освоите профессию Аналитик продуктов, подробно разберете всю специфику и инструменты данной профессии от Google Analytics, Python и BI-инструментов до Machine Learning и DataScience

Чему вы научитесь
Анализировать трафик и сайт
На основе данных составлять аргументированные рекомендации по изменению стратегии и рекламных кампаний
Использовать на продвинутом уровне Google Analytics и Яндекс.Метрику
Настраивать счётчики и цели в Google Analytics и Яндекс.Метрике, разбираться в стандартных отчётах и создавать свои
Проектировать систему сквозной аналитики
Отслеживать полный путь клиента от перехода на сайт до продажи и определять эффективность инвестиций
Визуализировать данные
Наглядно показывать динамику изменения данных

Спойлер: Программа курса

(120 лекций и воркшопов)

Блок 1: "Продуктовая аналитика и работа в команде"

• Роль и место аналитика в продуктовой команде
• Приёмка задач: понимание проблем
• Типовые задачи по аналитике и планирование работы над подобными задачами
• Управление продуктом на основе модели Lean Canvas и роль аналитики в этой модели
• MVP-подход для решения аналитических задач
• Основные типы бизнес-метрик
• Unit-экономика
• Декомпозиция метрик и факторный анализ - практика
• Введение в web-аналитику: основные понятия и инструменты
• Основные отчеты Google Analytics
• Основные отчеты Yandex Metrica
• Основные отчеты App Metrica

Блок 2: "Маркетинговая и клиентская аналитика"

• Введение в маркетинговую аналитику
• KPI и метрики
• UTM-метки
• Основные источники данных и методы их анализа
• Сквозная аналитика
• Методы сегментации клиентов и целевой аудитории
• Введение в RFM-анализ
• Введение в когортный анализ

Блок 3: "A/B-тестирование"

• Проверка гипотез и поиск точек роста с помощью A/B-тестирования
• Теория выборочных обследований
• Математическая статистика в теории выборочных обследований
• Статистическая проверка итогов тестирования
• Последовательность проведения A/B-тестов. Оценка затрат на тесты. Карты гипотез
• Основные проблемы A/B-тестирования и способы их решения.
• Инструменты A/B-тестирования
• Особенности проведения A/B-тестов в оффлайн-бизнесе

Блок 4: "SQL и получение данных"

• Основы SQL
• Обновление, добавление и удаление данных. Работа с таблицами
• Представления и хранимые процедуры. Особенности обработки транзакций
• Расширенные возможности SQL и основные ограничения
• Фильтрация данных и вычисляемые поля - практика (SELECT, SUM, AVG, GROUP BY, ..)
• Группировка данных, подзапросы и объединение таблиц - практика (INNER, LEFT, RIGHT, DISTINCT, ..)
• Обновление, добавление и удаление данных. Работа с таблицами (INSERT, UPDATE, DELETE, MERGE, FOREIGN KEY, ..)

Блок 5: "Python и обработка данных"

• Введение в анализ данных с помощью Python
• Python: настройка окружения, базовые структуры данных и основные операторы
• Python: работа с файлами и форматированный вывод
• Python: пространства имен и области видимости, классы и объекты
• Python: инструменты функционального программирования
• Python: стандартные и сторонние библиотеки Python для анализа данны

Блок 6: "Инструменты визуализации и презентация аналитики"

• Сравнительный обзор основных инструментов визуализации данных
• Основные ошибки при проектировании отчетности и визуализации данных
• Расширенные возможности визуализации в Excel и Google Sheets, Google Data Studio + практика
• Организация хранения данных для целей анализа
• Презентация результата команде
• Работа с популярными BI-программами (MySQL, SQL Server, Power BI, Redash, Tableau)
• Решение бизнес-задач в команде
• Как работать с командой и подрядчиками
• Как управлять процессами по аналитике

Блок 7: "Python, мат.модели и обработка данных"

• Python: настройка окружения, базовые структуры данных и основные операторы
• Python: работа с файлами и форматированный вывод
• Python: пространства имен и области видимости, классы и объекты
• Python: инструменты функционального программирования
• Python: стандартные и сторонние библиотеки Python для анализа данных
• Основы линейной алгебры и теории множеств
• Методы математической оптимизации
• Основы описательной статистики
• Статистический анализ данных

Блок 8: "Построение Machine Learning моделей"

• Линейные методы, логистическая регрессия и SVM
• Деревья решений
• Линейная и полиноминальная регрессия
• Алгоритмы кластеризации
• Способы повышения качества модели
• Функции потерь и оптимизация
• Оценка точности модели, борьба с переобучением, регуляризация
• Улучшение качества модели
• Неперсонализированные рекомендательные системы
• Сontent-based-рекомендации
• Collaborative Filtering
• Гибридные алгоритмы
• Поиск по картинкам
• Сегментация изображений, детекция объекто

Блок 9: "Аналитика больших данных"

• Машинные методы для обработки данных
• Культура сбора и источники данных
• Предобработка и визуализация данных в pandas
• Улучшение качества работы с данными
• Построение прогнозных и предсказательных моделей
• Основы архитектуры хранения и обработки больших данных, виды обработки и масштабирования
• Основы работы в Hadoop и MapReduce
• Работа с облачными платформами: AWS, EMR, Azure
• Продвинутые подходы в MapReduce
• Работа в pyspark
• Организация команды для работы с данными. CRISP-DM

Блок 10: Дипломная работа и помощь с трудоустройством

• Работа над дипломным проектом для портфолио
• Подготовка резюме
• Подготовка к собеседованию
• Финальная защита и консультации

Скрытая ссылка