Аналитик данных

Профиль аудитории:

• Специалисты-новички и практики среднего уровня (маркетинг, финансы, IT-поддержка, управление продуктом), которым нужны твёрдые навыки аналитики данных.
• Новички в профессии, рассматривающие смену профессии либо карьерный рост в роли Data Analyst / BI-специалиста.
• Те, кто хочет уверенно работать с Python, SQL и BI-платформами для решения бизнес-задач.

Предварительные требования:

• Уверенный пользователь ПК; опыт работы с Excel.
• Школьная алгебра и базовые представления о вероятностях (проценты, среднее, дисперсия).
• Базовый английский для чтения техдокументации.
• Желательно понимание бизнес-метрик (выручка, конверсия), но не обязательно — курс стартует с нуля.

По окончании курса слушатели смогут:

• Собирать, очищать и анализировать данные в Python (Pandas, NumPy) и SQL (PostgreSQL, MySQL).
• Строить интерактивные дашборды и отчёты в Power BI, Tableau и Яндекс DataLens.
• Рассчитывать ключевые бизнес-метрики (DAU, MAU, LTV, CAC, unit-экономика), планировать и интерпретировать A/B-тесты.
• Применять базовые модели машинного обучения в Scikit-learn для прогнозов и сегментации.
• Презентовать инсайты и формулировать data-driven рекомендации, повышающие эффективность продукта или бизнеса.

Модуль 1. Введение в анализ данных

• Введение в профессию аналитика данных
• Обзор жизненного цикла данных: сбор, очистка, анализ, визуализация
• Роль аналитика в бизнесе и его взаимодействие с другими специалистами
• Построение гипотез, их тестирование, принятие бизнес-решений на основе аналитики и выводов.

Модуль 2. Аналитика в бизнесе

• Источники данных для анализа. Основные метрики в бизнесе, маркетинге и продуктовой аналитике DAU, MAU , Retention rate, Churn rate, CAC, LTV, ARPU, AOV, CR, UA, CPA, MR
• Модели Unit-экономики: алгоритмы расчета и интерпретация результатов
• A/B, A/A, A/B/n тестирования: планирование, проведение, обработка и интерпретация результатов тестов

Модуль 3. Работа с данными в Python

• Основы Python для аналитиков:
• Работа с данными: обработка, фильтрация, очистка.
• Основы синтаксиса, функции, циклы, работа с файлами (CSV, Excel).
• Работа с кодом в Anaconda и Jupyter Notebook, система управления версиями GIT
• Алгоритмы сортировки, хеширование, построение и программирование графов. Оценка сложности алгоритмов.
• Pandas: манипуляция с данными (фильтрация, сортировка, агрегация).
• NumPy: работа с массивами данных и математическими операциями.
• Использование Matplotlib и Seaborn для визуализации данных.

Модуль 4. Реляционные базы данных и SQL

• Понятие реляционной модели, СУБД, типы данных и их преобразования, фильтрация, группировка, сортировка данных
• Язык запросов SQL, его основные функции, агрегатные и оконные функции, древовидные структуры и рекурсивные запросы
• Работа в MySQL, PostgreSQL
• Управление базой данных с помощью DBeaver, подключение, администрирование и визуализация
• Системы NoSQL на примере работы в документно-ориентированной базе данных MongoDB

Модуль 5. Моделирование и визуализация данных в системах BI

• Моделирование данных с помощью PowerQuery и PowerPivot, язык запросов M, язык формул DAX
• Построение дашбордов. Настройка свойств визуализации. Связи визуализаций. Пользовательские визуализации Power BI
• Визуализации, ориентированные на интеллектуальный анализ данных (data mining). Визуализации R и Python
• Моделирование и визуализация данных в Tableau и DataLens

Модуль 6. Статистический анализ

• Основные понятия теории вероятностей, понятие статистической гипотезы и уровня значимости, источники данных
• Основные метрики, статистические критерии, доверительные интервалы
• Регрессионный анализ: линейная регрессия, множественный регрессионный анализ, коэффициенты регрессии и детерминации
• Корреляционный анализ, дисперсионный анализ (ANOVA) с одним, двумя и более факторами

Модуль 7. Машинное обучение

• Основные задачи машинного обучения: регрессия, классификация, кластеризация, уменьшение размерности
• Типы машинного обучения: с учителем, без учителя, с подкреплением, глубинное обучение
• Алгоритмы машинного обучения: Байес, опорных векторов, ближайших соседей, k-средних (k-means), различные виды регрессии, Random Forest, Gradient Boosting, XGBoost
• Прогнозирование с помощью пакета Scikit-learn

Модуль 8. Big Data и Data engineering

• Data warehouse: особенности хранения больших объемов данных. Знакомство с Apache Hadoop, Apache Spark
• Концепция организации данных NoSQL, теорема Брюера (CAP)
• Язык R, пакеты dplyr, ggplot, модели прогнозированния Arma и Arima, техники визуализации в R

9. Итоговая работа