Что вы будете делать, когда станете аналитиком данных

Экономить
Выводы, основанные на анализе данных, помогают бизнесу более эффективно тратить и экономить деньги.
Прогнозировать
Аналитики данных проверяют гипотезы, делают прогнозы и принимают решения о том, как компании распределить ресурсы.
Исследовать
Чтобы бизнес рос даже во время кризиса, нужно анализировать возможности компании, предложения конкурентов, желания потребителей и закономерности рынка.
Переводить
В переносном смысле — переводить с языка данных на язык, понятный инвесторам и заказчикам. Но знание английского тоже может пригодиться.

Например, в маркетинге аналитики помогают привлекать клиентов: анализируют данные по рекламе в интернете и поведению пользователей на сайтах и даёт свои рекомендации по продвижению.

В бизнесе помогают принимать правильные решения и разумно распределять ресурсы: обеспечивать сбор, хранение и анализ данных о клиентах, оплатах или производстве.

В мобильных приложениях фиксируют проблемы, с которыми сталкиваются пользователи, и дают рекомендации по улучшению.

Чему вы научитесь

  • Выгружать, преобразовывать и очищать
    данные с помощью SQL-запросов
  • Запускать А/В-тестирования
    для проверки гипотез
  • Помогать бизнесу принимать
    решения на основе данных
  • Создавать дашборды с помощью
    Tableau и других инструментов
  • Рассчитывать ключевые метрики работы
    компании и оценивать их значимость

Как вы сможете применять свои знания

Работать в любой сфере
На промышленных предприятиях, в банковском деле, в страховании или научно-исследовательских учреждениях, в ритейле и многих других областях. Особенно важна работа аналитиков данных сейчас, когда многие перевели свой бизнес в интернет.
Развиваться в разных видах аналитики
Аналитиков данных бывает много — продуктовый, финансовый, маркетинговый, системный, аналитик-исследователь, BI-аналитик и бизнес-аналитик. Можно развиваться в том направлении, которое пересекается с вашими интересами и предпочтениями.

Какой может быть ваша карьера

Должность

Аналитик, Дата-аналитик, Аналитик данных

Навыки и инструменты

Python
Jupyter Notebook
SQL
PostgreSQL
Tableau
А/В-тесты

Средняя зарплата аналитиков данных

Начнёте с junior-позиции, а дальше только вперёд — будете шагать по карьерной лестнице и расти в цене

Источник данных: Хабр Карьера
60 000–95 000 ₽
Junior аналитик данных с опытом до года
120 000–180 000 ₽
Middle аналитик данных с опытом от 1 года до 3 лет
180 000–250 000+ ₽
Senior аналитик данных с опытом 3+ лет

Освоите не только технические навыки

  • Самопрезентация
  • Самоходность
  • Тайм-менеджмент
  • Критическое мышление

Как мы учим

YandexGPT помогает учиться

Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.

Тысячи студентов освоили новую
профессию, и вы сможете

Истории выпускников Практикума, которые уже занимаются любимым делом
4,7
TutorTop
4,5
IRecommend
4,3
Отзовик

10 000+ выпускников Практикума уже нашли новую работу

Это подтверждено исследованием, которое мы провели вместе с Высшей школой экономики. Вот в каких компаниях работают выпускники.

Программа курса

Курс рассчитан на 12,5 месяцев, учёбе нужно будет посвящать от 13 часов в неделю
~2 часа
Бесплатно
Вводный модуль
Эта часть курса бесплатная, чтобы вы познакомились с процессом обучения и больше узнали о профессии
  • Python
  • Pandas
Про учёбу в Практикуме
Узнаете, как устроена учебная платформа и какая вас ждёт нагрузка. Поймёте, кто будет помогать вам учиться и какой будет практика на этом курсе.
Про профессию аналитика данных
С помощью наглядных примеров выясните, чем занимаются аналитики данных. Узнаете, какие навыки вы получите на курсе, и попробуете свои силы в первом учебном проекте.
Поймёте, что вас ждёт на курсе и выполните свой первый проект: выясните причину массовой поломки гаджетов на фабрике робокотов
1
12 тем・1 проект・4 недели
Базовый Python
  • Python
  • Pandas
  • Переменные
  • Типы данных
  • Строки
  • Списки
  • Циклы
  • Условный оператор
  • Функции
  • Словари
  • Датафрейм
Переменные и типы данных
Язык Python. Переменные. Вывод объектов и данных на экран. Обработка ошибок, оператор try-except. Типы данных. Преобразования типов данных.
Строки
Индексы в строках. Срезы строк. Операции над строками. Методы строк. Форматирование строк, метод format(), f-строки.
Списки
Индексы в списках. Срезы списков. Добавление и удаление элементов из списка. Сложение и умножение, сортировка списков. Поиск элементов в списке. Разделение строки в список строк, соединение списка строк.
Цикл for
Перебор элементов. Перебор индексов элементов. Обработка элементов списков с помощью циклов: нахождение суммы и произведения элементов.
Вложенные списки
Циклы по вложенным спискам с подсчётом значений. Добавление элементов во вложенные списки. Сортировка вложенных списков.
Условный оператор, цикл while
Логический тип данных. Булевы значения. Логические и составные логические выражения. Условный оператор if, elif, else. Ветвления. Фильтрация списков с использованием условного оператора. Цикл while.
Функции
Назначение функций. Параметры и аргументы. Параметры со значениями по умолчанию. Позиционные и именованные аргументы. Возвращение результата из функции.
Словари
Ключи и значения. Поиск значения по ключу. Добавление элементов в словарь. Список словарей. Красивый вывод словарей.
Библиотека Pandas
Чтение CSV-файлов. Датафрейм. Конструктор датафрейма. Вывод первых и последних строк датафрейма. Индексация в датафреймах. Индексация в столбцах Series.
Предобработка данных
Принцип GIGO. Переименование столбцов датафрейма. Обработка пропущенных значений. Обработка явных и неявных дубликатов.
Анализ данных
Группировка данных. Сортировка данных. Основы описательной статистики.
Jupyter Notebook — тетрадь в ячейку
Интерфейс и шорткаты Jupyter Notebook.
Сравните данные пользователей Яндекс Музыки по городам и дням недели
2
5 тем・1 проект・3 недели
Предобработка данных
  • Python
  • Pandas
  • Предобработка данных
  • Обработка пропусков
  • Обработка дубликатов
  • Категоризация данных
Работа с пропусками
Конверсия. Куки. Категориальные и количественные переменные, обработка пропусков в них. Обработка пропусков в количественных переменных по категориям.
Изменение типов данных
Преобразование Series к числовому типу. Модуль числа, метод abs(). Работа с датой и временем. Обработка ошибок, оператор try-except. Объединение датафреймов, метод merge(). Сводные таблицы.
Дубликаты
Поиск дубликатов. Поиск дубликатов с учётом регистра.
Категоризация данных
Декомпозиция таблиц. Категоризация по числовым диапазонам. Категоризация на основе нескольких значений в строке.
Критическое и системное мышление
Системное мышление. Причины ошибок в данных. Критическое мышление.
Проанализируете данные о клиентах банка и определите, какова доля кредитоспособных
3
5 тем・1 проект・3 недели
Исследовательский анализ данных
  • Python
  • Pandas
  • Matplotlib
  • Анализ данных
  • Срезы данных
  • Описательная статистика
  • Гистограммы
  • Диаграмма размаха
  • Диаграмма рассеяния
  • Визуализация данных
Первые графики и выводы
Применение сводных таблиц. Гистограмма. Распределения. Диаграмма размаха.
Изучение срезов данных
Метод query(). Работа с датой и временем. Построение графиков методом plot(). Бритва Оккама.
Работа с несколькими источниками данных
Срез данных на основе внешних объектов. Добавление новых столбцов в датафрейм. Добавление данных из других датафреймов. Переименование столбцов. Объединение таблиц.
Взаимосвязь данных
Диаграмма рассеяния. Корреляция переменных. Матрица диаграмм рассеяния.
Валидация результатов
Укрупнение групп. Разбиение данных по группам.
Исследуете архив объявлений о продаже недвижимости в Санкт‑Петербурге и Ленинградской области
4
1 проект・2 недели
Первый большой проект
Проведёте сложный исследовательский анализ датасета с информацией о фильмах: показах в кинотеатрах, сборах, государственной поддержке. Потренируетесь в предобработке, вычислениях и построении визуализаций. В конце проекта вы проведёте самостоятельное исследование по фильмам с господдержкой и найдёте интересные закономерности.
5
5 тем・1 проект・3 недели
Базовый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Фильтрация данных
  • Группировка данных
  • Сортировка данных
  • Объединение таблиц
  • Подзапросы
  • Общие табличные выражения
Введение в базы данных
Системы управления базами данных (СУБД). Язык SQL. SQL-запросы. Форматирование SQL-запросов.
Срезы данных в SQL
Типы данных в PostgreSQL. Преобразование типов данных. Оператор WHERE. Логические операторы. Срезы данных. Операторы IN, LIKE, BETWEEN. Работа с датой и временем. Обработка пропущенных значений. Условная конструкция CASE.
Агрегирующие функции, группировка и сортировка данных
Математические операции. Агрегирующие функции. Группировка данных. Сортировка данных. Фильтрация по агрегированным данным, оператор HAVING.
Взаимоотношения между таблицами, типы объединения
ER-диаграммы. Переименование полей и таблиц. Алиасы. Объединение таблиц. Виды объединений: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN. Альтернативные виды объединения UNION и UNION ALL.
Подзапросы и общие табличные выражения
Подзапросы. Подзапросы во FROM. Подзапросы в WHERE. Сочетание объединений и подзапросов. Общие табличные выражения (CTE). Вариативность запросов.
Напишете ряд запросов разной сложности к базе, в которой хранятся данные по венчурным инвесторам, стартапам и инвестициям в них
6
5 тем・1 проект・3 недели
Как рассказать историю с помощью данных
  • Визуализация данных
  • Презентации
  • Геоаналитика
  • Matplotlib
  • Seaborn
  • Plotly
  • Folium
Кому, как, что и зачем рассказывать
Представление результата исследования. Целевая аудитория рассказчика. Что и зачем рассказывать аналитику данных.
Библиотека Seaborn
Библиотека Seaborn как расширение библиотеки Matplotlib. Метод jointplot(). Цветовые гаммы. Стили графиков. Визуализация распределений.
Библиотека Plotly
Интерактивные графики. Линейный график. Столбчатая диаграмма. Круговая диаграмма. График воронки.
Визуализация данных в геоаналитике
Геоаналитика. Библиотека Folium. Отображение карт. Установка маркеров с указанными координатами. Создание кластеров точек. Собственные иконки для маркеров. Хороплет.
Подготовка презентации
Выводы на основе исследования. Сезонность и внешние факторы. Абсолютные и относительные величины. Парадокс Симпсона. Принципы построения презентаций. Отчёты в Jupyter Notebook.
Проведёте исследование рынка общепита Москвы на основе открытых данных и визуализируете результаты
Пример проекта
7
9 тем・1 проект・3 недели
Построение дашбордов в Tableau
  • BI-инструменты
  • BI-аналитика
  • Дашборды
  • Визуализация данных
  • Tableau
Основы работы с Tableau
BI-системы. Tableau. Создание документа. Сохранение документа. Публикация документа.
Работа с источниками данных
Источники данных. Объединение данных. Метод Relationship. Метод Join. Метод Blend. Метод Union. Изменение формата таблицы.
Типы данных
Основные типы данных. Измерения. Меры. Работа с датой и временем. Сеты. Группы. Параметры. Изменение формата переменных. Переменные Measure Names, Measure Values, Count.
Таблицы и вычисления
Интерфейс редактирования листа. Сводные таблицы. Вычисляемые поля. LOD-выражения.
Фильтры и сортировки
Сортировка мер. Сортировка измерений. Вложенные сортировки. Сортировка с помощью параметра. Фильтры.
Визуализации
Элементы управления визуализацией. Тепловые карты. Круговые и столбчатые диаграммы. Гистограммы. Диаграммы размаха и рассеяния. Линейные графики. Совмещённые графики. Диаграммы с областями.
Специальные визуализации, подсказки
Карты. Символьная и древовидная карта. Пузырьковая и пулевая диаграммы. Сircle Views. Диаграммы Ганта. Measure Names, Measure Values в визуализациях. Reverse Engineering. Всплывающие подсказки. Аналитические инструменты в Custom.
Презентации
Дополнительные параметры. Изучение типовых параметров. Создание презентации.
Дашборды
Загрузка и подготовка данных. Подготовка визуализаций. Сборка дашборда. Actions. Демонстрация дашборда. Публикация дашборда.
Исследуете историю TED-конференций и создадите дашборд в Tableau на основе полученных данных
Пример проекта
8
1 проект・2 неделя
Второй большой проект
Проанализируете данные о метрике NPS клиентов телекоммуникационной компании из базы данных, а потом визуализируете результаты. Объедините навыки, полученные во всех пройденных спринтах.
9
4 темы・1 проект・3 недели
Анализ бизнес-показателей
  • Метрики
  • Продуктовые метрики
  • Маркетинговые метрики
  • Конверсия
  • Воронки
  • Когортный анализ
  • Юнит-экономика
Метрики и воронки
Конверсия. Воронки. Маркетинговая воронка. Показы. Клики. CTR. Продуктовая воронка.
Когортный анализ
Профиль пользователя. Retention Rate. Churn Rate. Горизонт анализа. Визуализация когортного анализа. Анализ удержания произвольных когорт. Конверсия в когортном анализе. Расчёт метрик в Python.
Юнит-экономика
Метрики LTV, CAC, ROI. ARPU, ARPPU. Расчёт метрик в Python. Продвинутая визуализация метрик. Параметр sharey. Скользящее среднее.
Пользовательские метрики
Оценка пользовательской активности. Пользовательская сессия. Расследование аномалий.
На основе данных изучите поведение пользователей, доходность клиентов и окупаемость рекламы, чтобы сформулировать рекомендации для отдела маркетинга
Пример проекта
10
6 тем・1 проект・3 недели
Продвинутый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Метрики
  • Когортный анализ
  • Оконные функции
Расчёт бизнес-показателей
Схема данных. Конверсия. LTV. ARPU. ARPPU. ROI. Расчёт с помощью SQL.
Агрегирующие оконные функции
Выражение OVER. Параметр окна PARTITION BY. Агрегирующие оконные функции.
Оконные функции ранжирования
Функции ранжирования. Оператор окна ORDER BY ROW_NUMBER(). RANK(). DENSE_RANK(). NTILE(). Операторы окна вместе с функциями ранжирования.
Оконные функции смещения
Кумулятивные значения. Функции смещения. LEAD(). LAG(). Оконные функции и алиасы.
Когортный анализ
Когортный анализ. Retention Rate, Churn Rate. LTV.
База данных, клиент базы данных
Клиент базы данных. Установка PostgreSQL. Установка DBeaver. Интерфейс DBeaver. Создание базы данных. Разворачивание дампа базы данных. Выгрузка результатов запроса. Представление результатов запроса.
С помощью Python и SQL подключитесь к базе данных, посчитаете и визуализируете ключевые метрики сервис-системы вопросов и ответов о программировании
11
1 проект・2 недели
Проект с реальным заказчиком в Мастерской
Мастерская — это пространство внутри Практикума, где вы поработаете над актуальной задачей от реального заказчика. Этот проект войдёт в ваше портфолио, которое сможете показать своему потенциальному работодателю.
12
6 тем・1 проект・3 недели
Статистический анализ данных
  • Python
  • Pandas
  • SciPy
  • NumPy
  • Matplotlib
  • Комбинаторика
  • Теория вероятностей
  • Распределения
  • Проверка гипотез
Комбинаторика
Комбинации. Правило умножения. Перестановки. Количество перестановок. Размещения. Число размещений. Сочетания. Число сочетаний.
Теория вероятностей
Эксперимент. Вероятностное пространство. События. Вероятность. Пересекающиеся и взаимоисключающие события. Диаграмма Эйлера-Венна. Закон больших чисел.
Описательная статистика
Категориальные и количественные переменные. Мода и медиана. Среднее значение. Дисперсия. Стандартное отклонение. Квартили и процентили. Диаграмма размаха. Столбчатая диаграмма. Плотность частоты. Гистограмма.
Случайные величины
Случайная и дискретная случайная величина. Распределение вероятностей для дискретной случайной величины. Кумулятивная функция, математическое ожидание и дисперсия дискретной случайной величины.
Распределения
Эксперимент Бернулли. Биномиальный эксперимент. Распределения: непрерывное равномерное, нормальное и стандартное нормальное. CDF, PPF для нормального распределения. Распределение Пуассона. Аппроксимация одного распределения другим.
Проверка гипотез
Генеральная совокупность. Выборка. Выборочное распределение. Центральная предельная теорема. Односторонние и двусторонние гипотезы. P-Value. Проверка гипотезы о равенстве средних двух генеральных совокупностей.
Проверите гипотезы сервиса аренды самокатов, чтобы помочь вырастить бизнес
Пример проекта
13
6 тем・1 проект・3 недели
Принятие решений в бизнесе
  • A/B-тестирование
  • Приоритизация гипотез
  • Подготовка к A/B-тестированию
  • Анализ результатов A/B-тестирования
  • Поведенческие алгоритмы
Основы проверки гипотез в бизнесе
Опережающие метрики. Базы экспериментов. Генерация гипотез. Приоритизация метрик.
Выбор метода проведения эксперимента
Качественные методы проверки гипотезы. Количественные методы проверки гипотезы. Преимущества и недостатки A/B-тестов.
Приоритизация гипотез
Приоритизация гипотез. Фреймворк RICE. Параметр Reach. Параметр Impact. Параметр Confidence. Параметр Efforts.
Подготовка к A/B-тесту
A/A-тест. Ошибки I и II рода. Мощность статистического теста. Значимость статистического теста. Множественные сравнения, методы снижения вероятности ошибки. Расчёт размера выборки и длительности A/B-теста. Графический анализ метрик.
Анализ результатов A/B-теста
Проверка гипотезы о равенстве долей. Критерий Шапиро-Уилка для проверки нормальности данных. Непараметрические статистические тесты. Критерий Манна-Уитни. Стабильность кумулятивных метрик. Анализ выбросов и всплесков.
Поведенческие алгоритмы
Факты, эмоции, оценки. Объяснение своей точки зрения.
Проанализируете результаты A/B-теста в крупном интернет-магазине
14
4 темы・1 проект・3 недели
Основы машинного обучения
  • Python
  • Pandas
  • Sklearn
  • Машинное обучение
  • Задачи машинного обучения
  • Алгоритмы машинного обучения
Задачи машинного обучения в бизнесе
Обучение с учителем. Обучение без учителя. Библиотека sklearn. Обучение модели в Python. Обучающая выборка. Тестовая выборка. Валидационная выборка. Недообучение. Переобучение. Пайплайн.
Алгоритмы машинного обучения
Линейная регрессия. Функция ошибки. Градиентный спуск. Масштабирование признаков. Регуляризация. Линейные модели. Метрики регрессии и классификации. Порог и баланс классов. Дерево принятия решений. Случайный лес. Градиентный бустинг. Кластеризация. K-Means. Метрики для задач обучения без учителя.
Процесс решения задач машинного обучения
EDA. Предварительная обработка данных. Random и time split. Выбор метрик. Выбор модели машинного обучения. Выбор лучшей модели. Важность признаков.
Линии тренда и прогнозы в Tableau
Доверительные интервалы. Линии тренда и прогноз. Кластеризация.
Разработаете модель машинного обучения для прогнозирования оттока клиентов из фитнес-центра
15
Самостоятельно・В любое время
Дополнительный курс: теория вероятностей
Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д. На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения.
16
Самостоятельно・В любое время
Дополнительный курс: линейная алгебра и алгоритмы
Сможете изучить основы линейной алгебры, а также основы работы с алгоритмами. Это поможет лучше подготовиться к собеседованиям и претендовать на вакансии, где выше требования к фундаментальным знаниям.
17
Самостоятельно・В любое время
Дополнительный курс: практика Python
Пройдёте несколько лабораторных занятий с дополнительными задачами на язык программирования Python. Узнаете, как извлекать данные из веб-ресурсов.
18
Самостоятельно・3 недели
Итоговый проект
Подтвердите, что освоили новую профессию: выберете одну из 5 сфер (банки, ретейл, игры, мобильные приложения, e-commerce), уточните задачу заказчика, пройдёте все стадии анализа данных — всё как на реальной работе. Привычного описания шагов в проекте не будет. Вы проработаете их самостоятельно.

Отвечаем на вопросы

Подойдёт ли мне эта профессия?
Для тех, кто сомневается, мы спроектировали бесплатную часть, которая поможет получить ответ на этот вопрос. Если вы убедитесь, что выбранная профессия вам не подходит, — это тоже положительный результат.
Можно ли обучиться профессии за 12 месяцев?
Да, программа рассчитана на это. Но многое зависит и от вас — чтобы пройти курс до конца, нужно уделять учёбе достаточно времени: читать теорию, практиковаться в тренажёре и делать учебные проекты.
Каким требованиям нужно соответствовать?
Вам не понадобятся специальные навыки или опыт — мы обучим всему с нуля. Главное — иметь компьютер и достаточно времени для занятий. Выше можно посмотреть программу, чтобы оценить количество учебного материала и свои возможности.
Подробнее о профессии аналитика данных вы можете узнать из нашей статьи.
Кто будет меня учить?
Все наставники — практикующие специалисты: сотрудники Яндекса и других крупных компаний. Программу составляют опытные преподаватели и методисты, а ещё действующие специалисты Яндекса, Школы анализа данных и других лидеров технологической и образовательной индустрий.
Как и когда я буду учиться?
Обучение состоит из 3 больших частей: теории с закреплением в тренажёре, домашних заданий с самостоятельными проектами и вебинаров с наставниками и экспертами из индустрии.

Теория в тренажёре и домашние задания не привязаны к расписанию — можно учиться когда угодно. Главное — уложиться в дедлайн, обычно это спринт из 2 недель. Вебинары проходят в определённое время, о котором вам заранее скажет куратор.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если вам понадобится сделать паузу в учёбе или уделить больше времени закреплению материала, напишите своему куратору.
Смогу ли я найти работу после обучения?
Гарантий нет, но мы верим, что сможете. Работодателям важно, чтобы вы справлялись с реальными задачами, а не просто обладали набором знаний. Мы учим применять знания на практике, а также предлагаем помощь HR-специалистов из нашего карьерного центра. Но вам точно придётся приложить усилия, чтобы найти работу: активно откликаться на вакансии, проходить собеседования, показывать свои проекты и делать тестовые задания.

По данным исследования Высшей школы экономики, 69% наших выпускников среди тех, кто хотел сменить профессию, начинают новую карьеру после обучения. Больше половины из них — во время учёбы и в первые 2 месяца после выпуска. Эти цифры подкреплены публичным отчётом о трудоустройстве студентов Практикума.
А если я хочу работать в Яндексе?
Некоторые наши студенты работают в сервисах Яндекса, в том числе и в Практикуме. Но с нашей стороны было бы нечестно что-либо гарантировать и завышать ваши ожидания.

Без опыта попасть в крупную IT-компанию возможно, хотя и сложно. Программа составлена так, чтобы вы могли начать карьеру после выпуска и набраться первого опыта. С ним вам будет значительно проще претендовать на позицию в крупных компаниях.
Хорошо, а вы можете помочь с поиском работы?
Да. По желанию студенты могут попасть на программу трудоустройства, которая длится от 2 недель. С поддержкой карьерного центра Практикума студенты оформляют портфолио, проходят тренировочные собеседования с их последующим разбором и учатся писать сопроводительные письма.

Мы сотрудничаем с разными компаниями и регулярно предлагаем студентам партнёрские вакансии. Но важно помнить, что мы не ищем работу за вас, а помогаем её найти.
Если не понравится, я могу вернуть деньги?
Да, причём в любой момент. Если обучение в потоке уже началось, придётся оплатить прошедшие дни — но мы вернём деньги за оставшееся время обучения. Более подробно рассказываем об этом в седьмом пункте оферты.
Получу ли я какой-то документ после курса?
Если у вас есть среднее профессиональное или высшее образование, после курса вы получите диплом о профессиональной переподготовке.

Если нет, выдадим сертификат о прохождении курса и справку об обучении в электронном виде.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию: юридические лица — резиденты РФ также могут оплатить обучение в Практикуме. Оставить заявку на оплату от юрлица можно на странице для корпоративных клиентов.
Можно ли оплатить курс за счёт работодателя?
Да, работодатель может оплатить учёбу полностью или разделить оплату с вами: например, поделить сумму 50/50 или 75/25.

Такая оплата пройдёт по счёту или двустороннему договору, а ИП могут оплатить с бизнес-счёта. Если работодатель купит обучение сразу 10 и больше сотрудникам, сделаем скидку 10%.

Чтобы получить счёт на оплату через компанию, оставьте заявку или напишите нам в чат поддержки.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет может оформить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.

Для этого нужно подать заявление на налоговый вычет через личный кабинет на сайте nalog.ru (в него можно войти через аккаунт на Госуслугах).

К заявлению нужно приложить:
•‎ Справку 2-НДФЛ от работодателя.
•‎ Договор на обучение, в вашем случае это оферта Практикума.
•‎ Лицензию на образовательную деятельность. Вот наша.
•‎ Чек об оплате обучения. Мы отправляем его на электронную почту. Если не найдёте чек у себя в почте, напишите в чат службы поддержки — вышлем копию.
•‎ Справку о получении образовательных услуг — её тоже нужно запросить в чате поддержки.

Подробнее о налоговом вычете — на сайте Федеральной налоговой службы.

Давайте поможем

Мы перезваниваем в течение 30 минут каждый день с 10:00 до 19:00. Если оставите заявку сейчас, то перезвоним уже в рабочее время.