Продуктовая аналитика

Профиль аудитории:

Начинающие и действующие продуктовые аналитики, junior-продакт-менеджеры, маркетологи и разработчики, которым нужно понимать, как данные превращаются в продуктовые решения. Опыт работы в IT желателен, но не обязателен.

Предварительные требования:

• Уверенный пользователь ПК, базовое владение Excel/Google Sheets.
• Школьный уровень математики (проценты, средние значения).
• Желательно: представление о жизненном цикле цифрового продукта и элементарный английский (чтение документации).

По окончании курса слушатели смогут:

• Формулировать продуктовые гипотезы и выбирать ключевые метрики (DAU/MAU, LTV, Retention и др.).
• Самостоятельно собирать и очищать данные в Python (Pandas) и визуализировать их в Power BI.
• Планировать и анализировать A/B-тесты, оценивать статистическую значимость результатов.
• Интерпретировать когортный и сегментный анализ, выявлять точки роста продукта.
• Подготавливать краткие data-driven рекомендации и защищать их перед командой.

Модуль 1. Введение в продуктовую аналитику

• Роль продуктового аналитика в команде.
• Задачи и цели продуктовой аналитики.
• Взаимодействие с продакт-менеджерами, маркетологами и разработчиками.
  
  

Модуль 2. Жизненный цикл продукта

• Этапы жизненного цикла продукта: концепция, MVP, запуск, рост, зрелость.
• Методы и подходы к тестированию гипотез на разных стадиях продукта.
• Роль аналитики на каждом этапе жизненного цикла, Ad-Hoc запросы

Модуль 3. Основные метрики продукта

• Метрики вовлеченности пользователей DAU (Daily Active Users), MAU (Monthly Active Users), Retention rate (удержание пользователей), Churn rate (коэффициент оттока), CAC (стоимость привлечения)
• Метрики прибыли LTV (Lifetime Value) и ARPU (Average Revenue Per User), ARPPU (Average Revenue Per Paying User), AOV (Average Order Value)
• Когортный анализ.
• Важность метрик для оценки успешности продукта.

Модуль 4. Продуктовые исследования

• Качественные исследования: Интервью, Фокус-группы, создание Customer Personas, тестирование MVP (Minimum Viable Product)
• Количественные исследования: анкетирование, A/B-тесты, кластеризация, веб-аналитика и ее метрики
• Методы исследования потребностей пользователей: метод СОПРАНО, техника СПИН, анализ CEO

Модуль 5. Анализ пользовательского поведения

• Сегментация аудитории: социально-демографическая, психографическая, поведенческая, по жизненному циклу, RFM-анализ, метод 5W, когортный анализ
• Путь клиента CJM (Customer journey map), этапы пути и точки касания
• Анализ показателей конверсий в воронке продаж, оценка ROI (Return on Investment) и ROMI (Return on Marketing Investment) 
• Сегментация пользователей с помощью алгоритмов кластеризации (K-Means, метод локтя).

Модуль 6. Работа с данными в Python

• Основы Python для аналитиков:
• Работа с данными: обработка, фильтрация, очистка.
• Основы синтаксиса, функции, циклы, работа с файлами (CSV, Excel).
• Pandas: манипуляция с данными (фильтрация, сортировка, агрегация).
• NumPy: работа с массивами данных и математическими операциями.
• Использование Matplotlib и Seaborn для визуализации данных.
• Прогнозирование показателей удержания, оттока, конверсии с помощью Scikit-learn

Модуль 7. Визуализация данных в PowerBI

• 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.

Модуль 8. 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 9. A/B тестирование и эксперименты

• A/B, A/A, A/B/n тестирования
• Планирование, проведение и интерпретация результатов тестов, основные ошибки.
• Методы обработки результатов, методы расчетов, оценка статистической значимости
• Выводы на основе экспериментов и принятие решений, бизнес-смысл тестов.

Модуль 10. Принятие решений на основе данных

• Построение гипотез и их тестирование.
• Приоритизация задач на основе данных.
• Принятие бизнес-решений на основе аналитики и выводов.