Работа аналитика направлена на улучшение продукта, пользовательского опыта и оптимизацию ресурсов компании — для этого нужно глубоко разбираться в том, как «переводить» продукт на язык цифр и метрик. Поэтому в первом модуле подробно изучаем:

• Введение в продуктовые метрики
• Метрики привлечения
• Метрики продукта
• Метрики вовлеченности
• Дополнительные метрики

Подкрепим изученный материал практикой и расчетными заданиями:

• Построение маркетинговой модели
• Расчет retention
• Расчет lifetime
• Расчет MAU/WAU/DAU

Дополнительно рассмотрим интересные темы (например, ложную корреляцию) с помощью блиц-тестирования.

Язык SQL — основной инструмент аналитика. Его чаще всего спрашивают на собеседованиях и используют в работе. Расписание модуля:

• Глава 1: «Введение в базы данных»
• Глава 2: «Основы работы с БД»
• Глава 3: «Первые шаги в SQL»
• Глава 4: «Как я умею гуглить»
• Глава 5: «JOIN: Объединение таблиц – важнейшая операция в РСУБД»
• Глава 6: «GROUP BY: расчет агрегированных метрик и описательных статистик»
• Глава 7: «Подзапросы, CTE, correlated subquery и вложенная логика»
• Глава 8: «Оконные функции: самый мощный инструмент для решения задач»
• Глава 9: «Код стайл: как писать красивый код на SQL»
• Глава 10: «DDL и DML: не SELECT-ом единым»
• Финальный тест по модулю SQL
• Финальный проект по модулю SQL

Вас ждет 150+ практических заданий, а также 3 финальных проекта на выбор.

Примеры практических заданий: ABC/XYZ-анализ, когортный анализ rolling retention, сегментация клиентской базы, распределение баланса по перцентилям, SCD, превращение длинной таблицы в широкую (pivot table), аналитика банковских транзакций.

Темы итоговых проектов:

• RFM анализ клиентской базы аптечной сети
• Повышение retention платформы IT Resume
• Аналитика активности студентов корпоративного клиента

Построение графиков и дашбордов — еще одна распространенная задача аналитика. И Metabase отлично синергируется с визуализацией данных и SQL: можно писать запросы и сразу строить графики. В этом модуле рассматриваем:

• Знакомимся с Metabase
• Как зайти в Metabase
• Глава 1: «Визуализируем наши SQL-запросы»
• Разбор домашнего задания
• Глава 2: «Работа с Questions»
• Глава 3: «Filter Fields»
• Глава 4: «Построение дашбордов»
• Дополнительные фишки
• Итоговая работа

В качестве итогового проекта вам предстоит построить сопроводительные визуализации для проекта, который вы делали в модуле по SQL. Дополнительно вам нужно будет собрать полноценный дашборд.

Для работы в команде необходимо уметь работать с системой контроля версий Git. В этом модуле мы расскажем, как пользоваться всеми основными командами, решать конфликты при merge и делать пулл-реквесты.

• Глава 1: Введение
• Глава 2: Работа с локальным репозиторием
• Глава 3: Работа с удаленным репозиторием
• Глава 4: Работа с ветками
• Глава 5: Работа с историей
• Глава 6: Перебазирование и слияние
• Глава 7: Работа с чужими репозиториями
• Глава 8: Заключение
• Глава 9: Конспект
• Глава 10: Итоговый тест
• Глава 11: Практический кейс
• Глава 12: Разбор практического кейса

В конце модуля вам предстоит сделать проект, в котором вы выступите в роли разработчика в большой команде и вам будет необходимо оформить pull request в одну из используемых библиотек.

Язык Python - один из мощнейших инструментов в арсенале аналитика, без него не обходится ни одна серьезная задача. Поэтому мы подробно рассмотрим все аспекты программирования на Python:

• Глава 1: «Введение»
• Глава 2: «Переменные. Базовые типы данных»
• Глава 3: «Сложные типы данных»
• Глава 4: «Дополнительные типы данных»
• Глава 5: «Функции»
• Глава 6: «Условия»
• Глава 7: «Циклы for и while»
• Глава 8: «Модули и библиотеки»
• Глава 9: «Базовая работа с файлами»
• Глава 10: «Промежуточные бизнес-кейсы»
• Глава 11: «Лямбда-функции и Функциональное программирование»
• Глава 12: «Comprehensions»
• Глава 13: «Итерируемые объекты, итераторы, генераторы, генераторные выражения»
• Глава 14: «Промежуточные бизнес-кейсы»
• Глава 15: «Исключения»
• Глава 16: «Оператор *»
• Глава 17: «Работа с датой и временем»
• Глава 18: «Промежуточные бизнес-кейсы»
• Глава 19: «Регулярные выражения»
• Глава 20: «Работа с базами данных через Python»
• Глава 21: «Модуль requests»
• Глава 22: «Итоговый проект»

Вам предстоит решить более 200 задач, а также более 20 бизнес-кейсов. А в конце вас ждет большой итоговый проект.

Примеры практических заданий: посчитать метрики MAU/DAU/WAU/retention, автоматизировать обработку чеков в сети магазинов с разных касс, проанализировать активность пользователей платформы, настроить интеграцию с Google Sheets.

Итоговый проект: Построить ETL-пайплайн для получения данных по API корпоративного клиента и загрузки их в базу данных. Дополнительно необходимо настроить оповещения на почту об успешной обработке.

Объектно-ориентированное программирование — подход, который позволяет писать удобный и масштабируемый код. Мы на реальных примерах покажем, где это может быть полезно для аналитика.

• Глава 1: «Основы ООП»
• Глава 2: «Инкапсуляция»
• Глава 3: «Наследование»
• Глава 4: «Полиморфизм, абстрактные классы и методы»
• Глава 5: «Дополнительные приемы - property, staticmethod, геттеры-сеттеры, декораторы»
• Глава 6: «Магические методы, Singleton»
• Глава 7: «Итоговые бизнес-кейсы: ООП»

Вам предстоит решить 20+ заданий, а также написать свой класс-коннектор к базе данных по шаблону Singleton, который вы потом будете использовать еще много лет во всех своих проектах, вспоминая нас добрым словом.

Основная задача аналитика — собирать данные и извлекать из них полезные гипотезы, изучая их под разными ракурсами. Для этого в данном модуле мы разбираем библиотеки:

• Numpy
• Pandas
• Matplotlib
• Seaborn

Полная программа модуля:

Подмодуль «Numpy»

• Глава 1: «Введение»
• Глава 2: «Основные операции с массивами»
• Глава 3: «Основные функции»
• Глава 4: «Статистика»
• Глава 5: «Загрузка и соxранение данных»
• Глава 6: «Линейная алгебра»
• Глава 7: «Логические функции»
• Глава 8: «Случайные величины»
• Глава 9: «Практический кейс»

Подмодуль «Pandas»

• Глава 1: «Введение в Pandas»
• Глава 2: «Загружаем и обрабатываем данные»
• Глава 3: «Изучаем датасет - проводим исследовательский анализ данных (EDA)»
• Глава 4: «Расчеты метрик»
• Глава 5: «Дополнительные методы»
• Глава 6: «Практический блиц-тест»
• Глава 7: «Практический кейс»
• Глава 8: «Несколько лайфхаков от Андрона»

Подмодуль «Визуализация в Python»

• Глава 1: «Matplotlib: Основы»
• Глава 2: «Matplotlib: Тюнинг графиков»
• Глава 3: «Matplotlib: Остальные виды визуализаций»
• Глава 4: «Matplotlib: Совмещение графиков»
• Глава 5: «Seaborn: Основы»
• Глава 6: «Seaborn: Продвинутая визуализация»
• Глава 7: «Plotly: Интерактивные графики»
• Глава 8: «Практическая работа»
• Глава 9: «Разбор практической работы»
• Глава 10: «Полезные советы от Андрона»

Итоговый проект

• Итоговый проект - Тестовое в Самокат
• Итоговый проект - Разбор

Примеры практических заданий: ABC/XYZ анализ ассортиментной матрицы, анализ сочетаемости товаров, EDA исследовательский анализ.

Итоговая работа: большое тестовое задание в компанию Самокат.

Многие задачи в работе аналитика — рутина, которую можно автоматизировать. Однако, чтобы сделать это, нужно уметь также развернуть и настроить сервер, настроить окружение, установить все необходимые программы и много еще чего. Расписание модуля:

• Глава 1: Введение
• Глава 2: Создание и настройка сервера
• Глава 3: Разработка проекта
• Глава 4: Деплой
• Глава 5: Автоматизация
• Глава 6: Настройка веб-сервера и Metabase
• Глава 7: Windows Scheduler
• Итоговый проект

По итогу прохождения модуля вам предстоит полностью настроить сервер, а также автоматизировать скрипт, который ежедневно будет забирать данные по API со стороннего сервера и складывать их в базу данных, которую вы также развернули на сервере.

Power BI - одна из мощнейших систем визуализации, которая используется в большинстве крупных компаний. С ее помощью можно строить гибкие дашборды и настраивать сквозную аналитику.

Мы разберем весь цикл работы с Power BI, DAX, Power Query и дашбордами:

• Глава 1: Введение
• Глава 2: Установка Power BI
• Глава 3: Знакомство с Power BI
• Глава 4: Первый дашборд в Power BI
• Глава 5: Power Query
• Глава 6: Быстрый старт в DAX
• Глава 7: Важное начало - моделирование, переменные и не только
• Глава 8: Итерационные X-функции DAX
• Глава 9: Мини-практика 1 - Создание универсального календаря
• Глава 10: Разбор практического задания
• Глава 11: Мини-практика 2 - Итерационные X-функции
• Глава 12: Разбор практического задания
• Глава 13: Функции фильтров в DAX
• Глава 14: Предварительная агрегация. Создание в DAX внутренних таблиц
• Глава 15: Мини-практика 3 - Работа с несвязными таблицами
• Глава 16: Разбор практического задания
• Глава 17: Контексты DAX
• Глава 18: Функция CALCULATE и управление контекстом фильтра
• Глава 19: Преобразование контекста фильтра
• Глава 20: Работа с датами в DAX
• Глава 21: Мини-практика 4 - Функция CALCULATE и работа с датами
• Глава 22: Разбор практического задания
• Глава 23: Работа со связями таблиц в DAX
• Глава 24: Мини-практика 5 - Связанные таблицы
• Глава 25: Разбор практического задания
• Глава 26: Мини-практика 6 - Несколько таблиц-данных
• Глава 27: Разбор практического задания
• Глава 28: Мини-практика 7 - Функции условия
• Глава 29: Разбор практического задания
• Глава 30: Работа с Power BI Service
• Глава 31: Технические фишки DAX для построения умных и интерактивных визуализаций в отчетах
• Глава 32: Статический и динамический ABC-анализ в DAX
• Глава 33: Итоговый проект
• Глава 34: Мастер-классы по DAX и Power BI

По итогу прохождения модуля вам предстоит построить полноценный коммерческий дашборд на несколько страниц со сложными мерами и визуализациями - например, check-up дашборд руководителя или визуализацию финансовой отчетности.

Аналитика — это про проверку гипотез, A/B тестирование и расчеты. А для этого нужно иметь крепкий математический фундамент. Поэтому в этом модуле мы максимально простым языком будем рассказывать сложные университетские темы:

• Урок 1: Введение в статистику
• Урок 2: Реализация выборок в Python
• Решение задачи из Урока 2: Реализация выборок в Python
• Урок 3: Типы переменных
• Урок 4: Базовые понятия из математического анализа
• Урок 5: Базовые понятия теории вероятностей
• Урок 6: Дискретные распределения
• Урок 7: Непрерывные распределения
• Урок 8: Полезные статистические функции в Python
• Урок 9: Описательная статистика. Часть 1
• Урок 10: Описательная статистика. Числовые характеристики распределения
• Урок 11: Расчет статистических характеристик в Python
• Урок 12: Проект по описательной статистике
• Урок 13: Нормальное распределение
• Урок 14: Закон больших чисел и ЦПТ
• Разбор задания из Урока 14
• Урок 15: Параметрические точечные методы оценки параметров распределения
• Разбор заданий из Урока 15
• Урок 16: Свойства статистических оценок
• Разбор заданий из Урока 16
• Урок 17: Доверительные интервалы
• Урок 18: Количественная репрезентативность
• Урок 19: Проверка статистических гипотез
• Урок 20: Проверка гипотез: концепция p-value
• Урок 21: Проверка гипотез для одной выборки
• Разбор задания из Урока 21
• Урок 22: Проверка параметрических гипотез для двух выборок
• Разбор задания из Урока 22
• Урок 23: Параметрические критерии для двух и более независимых выборок
• Разбор задания из Урока 23
• Урок 24: Проверка данных на нормальность
• Урок 25: Преобразование данных: приведение к нормальному распределению
• Урок 26: Урок 26: Непараметрические критерии для среднего и дисперсии для двух и более независимых выборок
• Разбор задания из Урока 26
• Урок 27: Непараметрические критерии однородности независимых выборок
• Урок 28: Критерии для зависимых выборок
• Разбор задания из Урока 28
• Урок 29: Как определять зависимость данных
• Разбор задания из Урока 29
• Урок 30: Анализ качественных данных
• Разбор задания из Урока 30
• Финальный проект по статистике

По итогу прохождения модуля вам предстоит проанализировать коммерческий набор данных, сформулировать набор гипотез и, вооружившись математическими формулами, проверить их.

В этом модуле подробно будем говорить про проведение A/B тестов, формирование выборок и не только. Поговорим про доверительные интервалы, статистические тесты, сэмплирование:

• Глава 1: Что такое эксперименты
• Глава 2: Приоритезация гипотез
• Глава 3: Дизайн A/B-теста
• Глава 4: Проведение АВ-теста
• Глава 5: Подготовка данных
• Глава 6: Анализ полученных данных
• Глава 7: Презентация результатов

В качестве практической работы вам предстоит спроектировать, провести и проанализировать A/B тест на обновление списка рекламы от партнеров на платформе Marketpele Feed, которая помогает издательствам зарабатывать на рекламе.

Дипломная работа - финальный этап симулятора. Вам предстоит объединить все полученные знания воедино и сделать большой финальный проект, который и будет живым подтверждением того, что вы не просто получили знания и навыки на каких-то учебных задачах, а что вы реально можете применять их на практике, внедрять и настраивать аналитику с нуля в компании, а также генерировать качественные гипотезы и бизнес-выводы.

Вам предстоит работать с информацией о продажах крупного онлайн-маркетплейса (формата Озон). Вам нужно будет полностью настроить аналитику для этой компании: наладить и автоматизировать сбор данных, настроить сервер, установить BI-системы, построить дашборды, провести аналитику и сгенерировать ценные бизнес-выводы.

На ежемесячной основе мы проводим крутые мастер-классы от практикующих специалистов. Вам будут доступны записи старых мастер-классов, а также возможность посетить новые.

Примеры тем:

• Разбор тестового задания на позицию аналитика в OZON
• Разбор задач по SQL повышенной сложности
• Когортный анализ LTV с помощью SQL (с выводами)
• ABC-анализ ассортимента в Pandas (с выводами)