Продуктовая аналитика от Otus

Модуль 1. Физический смысл аналитики

• Тема 1. Бизнес-смысл. Зачем нужна аналитика и что такое аналитическая культура в компании?

• Тема 2. Виды аналитиков и задач у них. BI, продуктовый аналитик, дата-аналитик, бизнес-аналитик. Чем продуктовый аналитик отличается от них всех?

• Тема 3. Задачи в аналитике: ad hoc запросы, построение дашбордов, исследования, факторный анализ, АВ-тесты

• Тема 4. Инструменты для анализа бизнес-показателей. Взаимосвязь продуктовых метрик и жизненного цикла продукта

Модуль 2. SQL

• Тема 5. Основные команды: select * from #, ключи. Различные типы данных: булевы, числовые, строковые, временные, Nullable, массивы и геокоординаты

• Тема 6. Разница в join-ах. Различие между having и where. О чем говорят аббревиатуры ASC/DESC. Откуда в SQL индексы?

• Тема 7. Подзапросы и with

• Тема 8. Взаимодействие с таблицами: create, insert, update, delete, drop, alter

• Тема 9. Агрегирующие функции. Сложные функции row_number, lag. Оконные функции и их применение

• Тема 10. Хинты в скриптах для ускорения запроса. Оптимизация запроса

Модуль 3. Визуализация данных

• Тема 11. Дашборды. Основные инструменты для визуализации данных: PowerBI, Tableau

• Тема 12. Сбор требований к дашборду

• Тема 13. Как графики могут обманывать и как этого не допустить // ДЗ

• Тема 14. Основные приемы в построении дашбордов. Good/bad practice: нюансы в визуализации

Модуль 4. Виды задач в продуктовой аналитике

• Тема 15. Продуктовая аналитика: расчеты retention/churn/ltv/cac

• Тема 16. Иерархия метрик // ДЗ

• Тема 17. Когортный анализ и все о сегментациях

• Тема 18. Юнит-экономика в Excel

• Тема 19. Формулирование гипотез, поиск точек роста

• Тема 20. Презентация исследований заказчику — опорные пункты // ДЗ

Модуль 5. Статистика

• Тема 21. Выборка, генеральная совокупность, метрики. База для анализа данных — среднее, медиана, дисперсия, квартили

• Тема 22. Нормальное распределение и ЦПТ

• Тема 23. Расчет уровня значимости и доверительные интервалы. Виды статистических критериев и их применение

• Тема 24. Регрессионный и корреляционный анализ

• Тема 25. Со*: логистическая регрессия и кластерный анализ (для сложных задач с предсказаниями)

Модуль 6. Python

• Тема 26. Основные понятия в Python: списки, словари, условия, циклы. Введение в Jupyter и Jupyter Notebooks

• Тема 27. Этапы очистки и подготовки данных к анализу

• Тема 28. Визуализируем данные с трендами с помощью Seaborn и Matplotlib // ДЗ

• Тема 29. Полезность pandas: основной функционал и решаемые задачи с его помощью

• Тема 30. Работа с API и его полезность в автоматизации задач

Модуль 7. АВ-тесты

• Тема 31. Поговорим о смыслах: А/В и А/В/n- тесты. А/А-тесты и почему они важны

• Тема 32. Дизайн А/В-теста — полный цикл. Как правильно организовать А/В-тест?

• Тема 33. Валидация продуктовых гипотез — как понять, нужно тестировать эту идею или нет?

• Тема 34. Избегаем основные ошибки в А/В-тестировании: проблемы подглядывания, неравномерность выборок, достижение стат.значимости, недостаток данных // ДЗ

• Тема 35. Снова про А/В/n-тесты. Поправки на множественное тестирование

• Тема 36. Анализ и интерпретация результатов теста. Бизнес-смысл А/В тестов // ДЗ

Модуль 8. Работа в команде

• Тема 37. Управление требованиями и ожиданиями

• Тема 38. Постановка задачи и реалистичные оценки сроков выполнения

• Тема 39. Роль аналитика в команде. Как оптимизировать свое время

• Тема 40. Как расти в грейде — отличие junior/middle/senior

Модуль 9. Поиск работы

• Тема 41. Как подсветить навыки в резюме. Шаблон резюме

• Тема 42. Этапы собеседования: чего ждать? Live-собеседование с поведенческими вопросами

• Тема 43. Сделаем разбор собеседования на hard-skills: теперь мы все умеем и на все вопросы ответим

• Тема 44. Бонус: что нужно сделать в первые 3 месяца работы аналитиком

Модуль 10. Подведение итогов курса

• Тема 45. Итоговое занятие по пройденному материалу. Выбор темы и организация проектной работы

• Тема 46. Защита проектных работ