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 (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