О профессииПрограммаКак учимКоманда курсаСтоимость
Компаниям
Начать учиться
BI-аналитики помогают руководителям компаний принимать важные решения
Они собирают, анализируют и визуализируют данные в виде графиков, таблиц и диаграмм
Например, онлайн‑кинотеатр запустил новое направление в продукте — сериалы. BI‑аналитик создал дашборд, на котором менеджеры кинотеатра могут в реальном времени наблюдать, какие сериалы и у каких сегментов аудитории более популярны.
Освоите профессию с нуля за 10 месяцев

Получите мощный набор навыков и инструментов

Это сейчас актуально и требуется почти во всех вакансиях.

Google Sheets
SQL
PostgreSQL
DataLens
Python
Jupyter Notebook
Pandas
Matplotlib
Plotly
A/B-тесты
Superset
Miro
Визуализация
Витрины данных
Документация

И прозрачный карьерный рост

Через 7 месяцев сможете претендовать на позицию аналитика данных, а в конце курса — станете начинающим BI‑аналитиком. Вот его средняя зарплата.

Источник: Хабр Карьера
от 64 000 до 132 000 ₽
Junior BI-аналитик с опытом до года
от 128 000 до 207 000 ₽
Middle BI-аналитик с опытом от 1 года до 3 лет
от 178 000 до 280 000 ₽
Senior BI-аналитик с опытом больше 3 лет
Регулярно обновляем программу, чтобы вы проходили только актуальное
Курс рассчитан на 10 месяцев: в первые 7 освоите основные инструменты и навыки аналитика данных, а в последние 3,5 месяца получите специализацию по BI‑аналитике
Скачать подробную программу в PDF
6 тем・~30 минут
Бесплатно
Вводный модуль
1 модуль — бесплатно, чтобы вы узнали больше о профессии BI‑аналитика и поняли, хотите ли развиваться в этом направлении
  • О профессии
  • Как устроен курс
Про профессию BI‑аналитика
С помощью наглядных примеров выясните, чем занимаются BI‑аналитики. Узнаете, какие навыки вы получите на курсе.
Про учёбу в Практикуме
Узнаете, как устроена учебная платформа и какая вас ждёт нагрузка. Поймёте, кто будет помогать вам учиться и какой будет практика.
1
2 недели・6 тем・1 проект
Введение в аналитику, аналитический отчёт в Google Sheets
Узнаете, кто такой аналитик данных и какие задачи он решает. Познакомитесь с пайплайном работы аналитика. Создадите свой первый аналитический отчёт в Google Sheets.
  • Пайплайн работы аналитика
  • Google Sheets
  • Формулы
  • Функции
  • Отчёты
Использование данных в бизнесе
Структурированные и неструктурированные данные. Роль данных в бизнесе.
Процесс анализа данных и задачи аналитика
Задачи аналитика данных. Пайплайн работы аналитика. Специализации в аналитике.
Excel как инструмент аналитика, основы Google Sheets
Табличные редакторы, начало работы в Google Sheets. Константы и формулы.
Предобработка данных в Google Sheets
Типы данных: числовые и текстовые. Форматирование данных. Очиcтка данных. Использование панели автоподсчёта.
Использование формул и функций
Обзор базовых функций и формул, синтаксис. Математические функции: SUM, COUNT, ROUND, MIN, MAX, AVERAGE. Логические функции: AND, OR, NOT. Функции с условиями: IF, SUMIF и другие. Абсолютные и относительные ссылки. Функции даты и времени. Использование VLOOKUP (ВПР). Сводные таблицы.
Презентация данных
Построение простых визуализаций, чтобы презентовать отчёт.
Создадите аналитический отчёт в Google Sheets
2
2 недели・4 темы・1 проект
Основы SQL, извлечение данных для анализа
Узнаете, как могут храниться данные, и познакомитесь с языком запросов SQL для работы с базами данных. Напишете первые запросы на SQL и научитесь извлекать данные под задачу с фильтрацией, группировкой, сортировкой.
  • Базы данных
  • СУБД
  • SQL
  • PostgreSQL
  • Типы данных
  • Группировка данных
  • Сортировка данных
Работа с базами данных и СУБД
Сбор данных в пайплайне аналитика. База данных, ER-диаграмма, модели данных. Реляционные базы данных. Первичный ключ. Система управления базами данных (СУБД). Основы SQL и PostgreSQL. SELECT-запросы.
Типы данных и их преобразования
Основные типы данных: числовые, символьные, логические, для работы с датой и временем. Изменение типа данных с помощью CAST. Округление данных: ROUND, CEIL и FLOOR. Арифметические операции.
Фильтрация данных и агрегация
Фильтрация по условиям (WHERE). Логические операции: AND, OR, NOT, IN(), NOT IN(). Составные условия. Функции для агрегации: COUNT(), SUM(), MIN(), MAX(), AVG().
Группировка и сортировка данных
GROUP BY, агрегация значений при группировке. Группировка по нескольким полям. Фильтрация после группировки. Отличия WHERE от HAVING. Псевдонимы. Сортировка данных ORDER BY.
Решите в тренажёре задачи по извлечению данных с помощью SQL‑запросов
3
2 недели・5 тем・1 проект
SQL, обработка данных
Продолжите знакомиться с инструментами SQL и научитесь обрабатывать данные для анализа: устранять дубликаты и работать с пропущенными значениями. Сможете извлекать данные из нескольких таблиц, используя JOIN, подзапросы и СТЕ.
  • SQL
  • Пропуски
  • Дубликаты
  • Подзапросы
  • СTE
  • Присоединение таблиц (JOIN)
Работа с дубликатами и пропущенными значениями
Что такое пропуски и дубликаты. План работы. Концепция пропуска NULL. Заполнение пропусков COALESCE. Удаление явных дубликатов.
Присоединение таблиц
Хранение таблиц в базе данных. Нормализация. Связи между таблицами: один к одному, один ко многим, многие ко многим. Разные типы присоединения таблиц: INNER JOIN, LEFT JOIN и RIGHT JOIN, FULL OUTER JOIN.
Операции множеств и подзапросы
Объединение множеств. Пересечение и вычитание. Подзапросы в секции WHERE и FROM. Обобщённые табличные выражения.
Категоризация значений, создание новых столбцов
Операции со столбцами: вычитание, сложение, усреднение. Категоризация значений: CASE WHEN THEN END. Обработка неявных дубликатов.
Работа с датой и временем
Типы данных для даты и времени: TIMESTAMP, DATE, INTERVAL. Функции EXTRACT() и DATE_TRUNC(). Фильтрация по дате и работа с интервалами.
Решите в тренажёре задачи по извлечению и обработке данных с помощью SQL‑запросов
4
2 недели・6 тем・1 кейс-проект с ревью
Анализ данных и решение ad‑hoc‑задач
Научитесь применять продвинутые инструменты SQL для решения ad‑hoc‑задач разной сложности. Познакомитесь с необходимыми понятиями описательной статистики.
  • Декомпозиция
  • SQL
  • Агрегирующие оконные функции
  • Ранжирующие оконные функции
  • Оконные функции смещения
  • Аналитические оконные функции
  • Мода
  • Медиана
  • Среднее значение
  • Перцентиль
  • Размах
  • Решение ad‑hoc‑задач
Знакомство с базой данных
Как самостоятельно изучать базы данных и делать выводы об их устройстве.
Оконные функции: агрегирующие
Зачем нужны оконные функции, их классификация. Агрегирующие оконные функции: SUM(), COUNT(), AVG(), MIN(), MAX(). Предложения PARTITION BY и ORDER BY.
Оконные функции: ранжирующие
Назначение функций ROW_NUMBER(), RANK() и DENSE_RANK(), NTILE(). В чём особенность ранжирующих оконных функций.
Оконные функции смещения
Назначение и особенности функций LEAD(), LAG(), FIRST_VALUE() и LAST_VALUE().
Статистика, аналитические функции
Категориальные и количественные переменные. Меры центральной тенденции: среднее значение, мода, медиана, различие среднего и медианы, перцентили. Меры разброса. Аналитические функции: PERCENTILE_DISC(), PERCENTILE_CONT(), оператор WITHIN, функция STDDEV(). Назначение и использование.
Практика решения ad‑hoc‑задач
Что такое аd‑hoc‑запросы и какой алгоритм решения ad‑hoc‑запроса. Декомпозиция. Решение аd‑hoc‑запросов повышенной сложности.
Решите ad‑hoc‑запросы различной сложности на SQL в рамках задачи исследовательского анализа данных
5
2 недели・6 тем・1 кейс-проект с ревью
Визуализиция данных с помощью DataLens, создание дашбордов
Разберётесь с основами визуализации данных в BI-инструменте DataLens. Поймёте, как подбирать тип визуализации под задачу. Изучите основы создания и настройки дашбордов.
  • SQL
  • DataLens
  • BI-инструменты
  • Чарты
  • Визуализация данных
  • Дашборд
Знакомство с DataLens
Визуализация как задача аналитика. BI‑инструменты и порядок работы с ними. Интерфейс DataLens. Подключения в DataLens. Данные (credentials) для подключения к базе данных. Датасеты и типы данных в DataLens.
Основы визуализации: чарты
Виды визуализации. Типы графиков. Диаграммы: линейная, столбчатая, линейчатая, кольцевая, круговая, накопительная с областями. Таблица, сводная таблица и индикатор. Элементы визуализации. Создание чартов в DataLens. Оформление графиков. Графики для визуализации сравнения, соотношения части и целого, отображения изменений во времени.
Вычисляемые поля
Вычисляемые поля на уровне датасета и на уровне чарта. Агрегирующие функции: MIN(), MAX(), AVG(), AVG_IF(), COUNT(), COUNT_IF(), SUM(), SUM_IF(), COUNTD() и другие. Логические функции: IF(), CASE(). Функции для работы со строками: REPLACE(), CONCAT(), (I)STARTSWITH / (I)ENDSWITH, (I)CONTAINS и другие. Функции для работы с датами: DATEADD(), DATETRUNC(), DATEPART(), YEAR(), MONTH() и другие.
Дашборды
Назначение дашбордов. Прототипирование дашбордов. Виджеты. Чарты. Добавление чартов на дашборд. Селекторы и их настройка. Связи: входящие и исходящие. Тексты и заголовки. Композиция дашборда.
Параметры
Использование параметров для дашборда и чарта. Ситуации, в которых используются параметры. Специальные параметры.
Интерпретация данных из дашбордов
Задачи визуализации и её аудитория. Работа с готовым дашбордом. Выбор чарта и настройка фильтрации. Чтение графиков на дашборде.
Итоговый проект модуля: создадите и настроите дашборд, который содержит интерактивные графики и другие визуализации, чтобы автоматизировать отчётность
1 неделя
Каникулы
Неделя перерыва, чтобы отвлечься от учёбы или повторить темы, если нужно.
6
2 недели・7 тем・1 проект
Основы Python
Начнёте знакомство с языком программирования Python. Изучите основы синтаксиса, которые нужны для написания кода.
  • Python
  • Переменные
  • Типы данных
  • Строки
  • Списки
  • Циклы
  • Условный оператор
  • Функции
  • Множества
  • Словари
Знакомство с Python
Язык программирования Python, его особенности и назначение. Переменные и объекты в Python. Типы данных и их преобразование. Ошибки типов. Математические операции в Python.
Строки и списки
Строки в Python и их создание. Операции со строками. Длина строк. Индексы в строках: прямые и обратные. Срезы строк. Форматирование строк. F‑строки. Методы строк. Списки и их создание в Python. Длина списков. Операции со списками. Индексы и срезы в списках. Методы списков. Сортировка списков. Кортежи.
Логические выражения и условный оператор
Логические выражения, значения и операции в Python. Условный оператор в Python. Секции elif и else. Предикаты.
Циклы и списковые включения
Циклы в программировании, принципы их работы и использование. Цикл for в Python. Функции range() и enumerate(). List comprehension и его использование. Преобразования списков.
Вложенные списки
Что такое вложенные списки. Циклы по вложенным спискам. Преобразования и сортировка вложенных списков.
Функции
Создание функций в Python. Переиспользование кода. Параметры и аргументы функций. Значения аргументов по умолчанию. Позиционные и именованные аргументы. Возвращение результата и нескольких значений из функции.
Множества и словари
Создание множеств. Удаление повторяющихся значений. Пересечение и объединение множеств. Разность множеств. Преобразование множеств в списки. Словари. Создание словарей. Что может быть ключами и значениями словаря. Поиск значения по ключу. Добавление элементов в словари. Словари и списки. Словари, содержащие другие словари.
Решите в тренажёре проверочные задания с помощью Python
7
2 недели・6 тем・1 кейс-проект с ревью
Python, предобработка данных
Начнёте работу с библиотекой Pandas. Научитесь предобрабатывать данные с помощью Python: очищать данные от выбросов, пропусков и дубликатов, преобразовывать разные форматы данных.
  • Python
  • Pandas
  • Jupyter Notebook
  • Предобработка данных
  • Обработка пропусков
  • Обработка дубликатов
  • Категоризация данных
Основы библиотеки Pandas: обзор данных
Знакомство с библиотекой Pandas. Датафрейм как структура данных Pandas. Свойства датафреймов и их создание. CSV- и TSV-файлы. Считывание данных из CSV-файлов в датафрейм. Среда Jupyter Notebook.
Типы данных, работа с датой и временем
Типы данных Pandas. Тип данных object. Преобразования строковых и числовых значений. Преобразование значений в тип даты и времени. Методы astype(), to_numeric(), to_datetime(). Ошибки при преобразовании типов в Pandas и способы их исправления.
Индексация в датафреймах
Индексы в Pandas. Выбор нужных строк и столбцов датафрейма. Атрибут loc[]. Логическая индексация.
Работа с пропущенными значениями
Пропущенные значения в данных. Виды пропусков: MAR, MNAR, MCAR. Нахождение пропусков, их замена и удаление в датафрейме. Подсчёт количества и доли пропусков в данных. Выбор стратегии обработки пропусков.
Обработка дубликатов
Виды дубликатов в данных: явные и неявные. Влияние дубликатов на дальнейший анализ и визуализацию. Нахождение и удаление дубликатов в датафрейме. Подсчёт количества дубликатов.
Категоризация данных
Метод apply(). Параметр axis. Применение функций к строкам и столбцам датафрейма. Объединение числовых значений в диапазоны. Извлечение информации из даты и времени в отдельный столбец.
Подготовите с помощью Python сырые данные, чтобы потом их проанализировать
8
2 недели・6 тем・1 кейс-проект с ревью
Исследовательский анализ данных и визуализация с помощью Python
Научитесь использовать Python для исследования и визуализации данных. Разберётесь с основами описательной статистики на примерах.
  • Python
  • Pandas
  • Jupyter Notebook
  • Matplotlib
  • Seaborn
Присоединение датафреймов
Виды присоединений. Методы join() и merge(). Использование индексов и столбцов для присоединения.
Описательная статистика
Выборка и генеральная совокупность. Особенности подсчёта стандартного отклонения и среднего значения в Pandas. Распределение данных. Столбчатые диаграммы. Гистограммы. Диаграммы размаха.
Сводные таблицы
Отличие сводных таблиц от группировки. Составление сводных таблиц. Анализ среднего, медианы и других показателей с помощью сводных таблиц. Многоуровневые сводные таблицы. Методы cut(), stack() и unstack(). Визуализация сводной таблицы с помощью heatmap. Библиотека Seaborn.
Базовая визуализация данных
Взаимосвязь данных. Корреляция данных для численных значений. Коэффициент корреляции Пирсона. Универсальный коэффициент корреляции. Диаграммы рассеяния. Матрица диаграмм рассеяния. Линейный график и его настройка. Круговая диаграмма.
Расширенная визуализация данных
Размещение нескольких подграфиков на одном графике. Продвинутая настройка графиков. Интерактивные визуализации. Библиотека Plotly.
Пример исследовательского анализа данных
Разбор исследовательского анализа данных в среде Jupyter Notebook.
Итоговый проект модуля: проведёте исследование данных и визуализируете их с помощью инструментов Python. После подготовите презентацию и дадите рекомендации бизнесу по итогам исследования
1 неделя
Каникулы
Неделя перерыва, чтобы отвлечься от учёбы или повторить темы, если нужно.
9
3 недели・5 тем・1 кейс-проект с ревью
Расчёт и визуализация бизнес-метрик и показателей
Погрузитесь глубже в контекст бизнеса и продукта. Рассчитаете и визуализируете важные для бизнеса показатели с помощью SQL и разберётесь с основами когортного анализа.
  • SQL
  • DataLens
Что такое бизнес‑метрики
Какие бывают метрики у бизнеса. Цель подсчёта и использования бизнес-метрик. Как бизнес применяет аналитические показатели.
Основные бизнес‑метрики
Уникальные пользователи. DAU. Конверсия. Средний чек. CTR. Retention rate. Churn rate. LTV. ROI. CAC. Расчёт и визуализация метрик бизнеса.
Когортный анализ для расчёта метрик
Когортный анализ и цели его использования. Выбор признака начала когорты. Момент наблюдения и горизонт анализа. Расчёт метрик с использованием когортного анализа.
Выбор ключевых метрик для кейса
Использование аналитического мышления. Выбор ключевых метрик для кейса.
Продуктовые воронки
Для чего они нужны. Воронкообразные метрики. Анализ продуктовой воронки.
Решите ad‑hoc‑задачи по расчёту и визуализации бизнес‑метрик
10
3 недели・5 тем・1 кейс-проект с ревью
Формулировка и проверка гипотез, статистический анализ данных
Изучите основы статистического анализа данных и сможете применять статистику для проверки продуктовых гипотез.
  • Python
  • Pandas
  • SciPy
  • Statsmodels
  • Нулевая гипотеза
  • Альтернативная гипотеза
  • Распределение метрик
  • Ошибка первого рода
  • Ошибка второго рода
  • Статистический тест
  • Множественная проверка гипотез
  • T-тест Стьюдента
  • Z-тест
  • Тест Манна — Уитни
  • Биноминальный тест
Основы теории вероятностей
Эксперимент. Исходы. События. Вероятность. Классическое и геометрическое определение вероятности. Достоверные, случайные и невозможные события. Совместные и несовместные события. Умножение и сложение событий. Вероятностное пространство. Закон больших чисел.
Случайные величины
Дискретная случайная величина. Функция распределения дискретной случайной величины. Математическое ожидание дискретной случайной величины. Дисперсия математической случайной величины.
Распределения
Эксперимент Бернулли. Виды распределения: биномиальное, нормальное, стандартное нормальное, экспоненциальное, распределение Стьюдента, распределение Пуассона.
Проверка гипотез: T-тест Стьюдента
Генеральная совокупность и оценки её параметров. Случайные выборки и их репрезентативность. Проверка гипотез. Статистические тесты. Ошибки первого и второго рода. Двусторонние и односторонние гипотезы. T-тест Стьюдента и T-тест Уэлча.
Множественная проверка гипотез
Ситуации, в которых возникает множественная проверка гипотез. Проблемы при множественной проверке гипотез. Поправки на множественную проверку гипотез. Поправка Бонферрони. Проблемы, связанные с поправками на множественную проверку гипотез. Специальные тесты для проверки нескольких групп.
Проведёте мини-исследование данных и проверите нескольких гипотез с помощью статтестов
11
2 недели・4 темы・1 кейс-проект с ревью
Анализ результатов А/В-тестирования с помощью Python
Познакомитесь с дорожной картой А/В-тестирования. Научитесь самостоятельно анализировать результаты А/В-теста и формулировать выводы для бизнеса.
  • SQL
  • Python
  • Pandas
  • SciPy
  • Statsmodels
  • Jupyter Notebook
  • Множественная проверка гипотез
  • T-тест Стьюдента
  • Тест Манна — Уитни
  • Z-тест
Что такое A/B‑тесты и зачем они нужны
Продуктовые гипотезы, их генерация и оценка. Что такое A/B‑тесты, зачем и когда они нужны. Что такое A/A‑тесты. План подготовки и этапы A/B‑теста.
Подготовка A/B‑теста
Основные параметры A/B‑теста. Выборка и длительность проведения теста. Размер выборок и оценка длительности в A/B‑тесте.
Проверка результатов A/B-теста
Выбор статистического теста, чтобы проверить результаты A/B‑теста. Непараметрические тесты: тест Манна — Уитни и Z‑тест пропорций. Интерпретация результатов для бизнеса.
Анализ результатов A/B‑тестов
Кейсы с анализом результатов проведённых A/B‑тестов и их интерпретация.
Итоговый проект модуля: проведёте A/B‑тестирование и сформулируете выводы о результатах эксперимента, чтобы помочь бизнесу вырастить целевые метрики
1 неделя
Каникулы
Неделя перерыва, чтобы отвлечься от учёбы или повторить темы, если нужно.
12
2 недели・7 тем・1 проект
Сбор требований и прототипирование
Научитесь проводить интервью с заказчиком, выявлять и документировать бизнес-требования, создавать эскизы дашбордов. Уделите внимание приоритизации требований и выделите критически важные для бизнеса элементы.
  • Miro
  • DataLens
  • Визуализация данных
  • Проведение интервью
  • Сбор требований
  • Прототипирование дашбордов
  • Документирование требований
Знакомство с BI‑аналитикой
Применение BI в бизнесе. Основные компоненты BI-систем. Примеры успешного использования BI.
Сравнение инструментов BI и их реализации
Ключевые функции и возможности каждого инструмента. Преимущества и недостатки различных BI-решений.
Проведение интервью с заказчиком для сбора требований
Подготовка к интервью с заказчиком. Методики проведения интервью. Вопросы для выявления бизнес-требований. Анализ и документирование собранной информации.
Принципы и методы документирования бизнес‑требований
Основные принципы документирования требований, форматы и шаблоны. Какие есть инструменты для документирования требований. Как управлять изменениями требований.
Типы визуализаций
Обзор основных типов визуализаций данных: графики, диаграммы, карты. Когда и для чего их использовать. Примеры эффективных визуализаций. Ошибки при создании визуализаций и как их избегать.
Принципы дизайна дашбордов
Основы дизайна дашбордов. Важность юзабилити и UX. Принципы размещения и группировки элементов. Использование цветов и шрифтов.
Создание эскизов дашбордов
Инструменты для создания эскизов дашбордов. Процесс разработки эскиза: от идеи до финального макета. Примеры удачных эскизов. Проверка и утверждение эскиза заказчиком.
Выберете BI‑инструмент, чтобы решить бизнес-задачу. Заполните бриф на основе готового дашборда, подберёте дизайн и сделаете визуализацию
13
2 недели・5 тем・1 кейс-проект с ревью
Проектирование дизайна и документирование логики дашборда
Изучите принципы дизайна дашбордов. Поймёте, как работать с различными типами чартов и инструментами визуализации данных. Научитесь создавать интерактивные и параметризованные дашборды, документировать и закреплять результаты работы.
  • DataLens
  • Superset
  • Markdown
  • Miro
  • Визуализация данных
  • Администрирование BI-инструментов
  • Документирование результатов
  • Интерактивные дашборды
Дополнительные чарты в DataLens
Использование карт-полигонов для визуализации данных. Создание и настройка Calendar Heatmap. Примеры использования дополнительных чартов в DataLens.
Интерактивность и параметризация дашбордов
Добавление интерактивных элементов на дашборды. Использование фильтров и параметров для персонализации данных. Примеры интерактивных дашбордов.
Форматирование текста на дашбордах с помощью Markdown
Основы синтаксиса Markdown. Примеры форматирования текста с помощью Markdown. Добавление заголовков, списков и ссылок на дашбордах.
Основы администрирования в DataLens
Управление пользователями и ролями. Настройка доступа к данным и дашбордам. Мониторинг и оптимизация производительности DataLens.
Документирование созданного дашборда
Создание документации для дашбордов. Описание целей и метрик дашборда. Сбор обратной связи и корректировка дашборда на основе результатов.
Создадите эскиз дашборда в Miro на основе брифа от заказчика. Соберёте макет дашборда в DataLens, используя шаблоны графиков (мокапы) и основываясь на интервью с заказчиком
14
2 недели・4 темы・1 кейс-проект с ревью
Завершение работы над дашбордом и документацией, введение в Superset
Научитесь работать с Superset: создавать чарты, датасеты и дашборды, интерактивные и параметризованные дашборды, а также документировать и администрировать данные.
  • Superset
  • SQL
  • Параметризация дашборда
  • Администрирование Superset
Введение в Superset: чарты, датасеты и дашборды
Основные возможности Superset. Создание и настройка чартов. Работа с датасетами. Создание дашбордов и управление ими.
Интерактивность и параметризация дашбордов в Superset
Добавление интерактивных элементов на дашборды. Использование фильтров и параметров для персонализации данных. Примеры интерактивных дашбордов в Superset.
Форматирование текста на дашбордах в Superset
Основы синтаксиса форматирования текста. Примеры форматирования текста на дашбордах в Superset. Использование заголовков, списков и ссылок.
Основы администрирования в Superset
Управление пользователями и ролями. Настройка доступа к данным и дашбордам. Мониторинг и оптимизация производительности в Superset.
Итоговый проект модуля: соберёте дашборд в Superset на основе данных из базы в PostgreSQL, основываясь на интервью с заказчиком. Задокументируете свой дашборд в Confluence
15
2 недели・5 тем・1 проект
Проектирование витрины данных и предобработка данных
Освоите создание витрин данных, параметризацию и фильтрацию данных, продвинутые техники SQL и основы администрирования в Superset.
  • DataLens
  • Superset
  • SQL
  • Витрины данных
  • Параметризация данных
  • Оптимизация запросов
  • Документирование данных
  • Качество данных
Принципы создания витрин данных
Основные принципы и этапы создания витрин данных. Оптимизация данных для аналитики. Примеры эффективных витрин данных.
Параметризация и фильтрация данных в Superset
Использование параметров для персонализации данных. Настройка и применение фильтров. Примеры параметризации и фильтрации данных в Superset.
Продвинутые техники SQL в DataLens
Использование сложных SQL-запросов для анализа данных.
Основы администрирования в Superset
Управление пользователями и ролями. Настройка доступа к данным и дашбордам. Мониторинг и оптимизация производительности Superset.
Документирование и закрепление знаний
Создание документации для аналитических решений. Описание процессов и метрик. Сбор обратной связи и корректировка на основе полученных данных.
Подключите и очистите несколько датасетов, оптимизируете запрос и создадите дашборд в DataLens
16
2 недели・5 тем・1 проект
Углублённая работа с данными и разработка отдельных визуализаций
Углубите свои знания в SQL и научитесь строить дашборды по готовому макету, оптимизировать запросы и обеспечивать качество данных.
  • SQL
  • DataLens
  • Superset
  • Оптимизация запросов
  • Качество данных
  • Визуализация данных
Основы SQL для BI‑аналитиков
Введение в SQL. Основные команды и операторы. Написание простых запросов для извлечения данных.
Построение дашбордов по макету и готовому датасету
Чтение и интерпретация макета дашборда. Импорт и настройка готового датасета. Создание дашборда в соответствии с макетом.
Оптимизация запросов и правила хорошего кода
Принципы написания оптимальных SQL-запросов. Избежание распространённых ошибок. Примеры оптимизации кода, чтобы повысить производительность.
Использование сложных SQL-запросов в Superset
Написание и выполнение сложных SQL‑запросов. Примеры использования подзапросов, объединений и агрегатных функций. Оптимизация сложных запросов.
Как обеспечить качество данных для дашбордов
Важность качества данных для аналитики. Методы проверки и очистки данных. Инструменты для обеспечения качества данных.
Итоговый проект модуля: будете практиковаться на SQL‑задачах с интервью, чтобы подготовиться к собеседованию
Каникулы
Самостоятельно・2 недели
Финальный проект
Решите несколько сложных аналитических кейсов на большом объёме реальных данных, используя изученные на курсе инструменты: PostgreSQL, DataLens и Superset.

Разработаете комплексный дашборд, чтобы отслеживать ключевые показатели, задокументируете свои результаты в Confluence и презентуете готовое решение. Ревьюеры оценят проекты и дадут развёрнутую обратную связь, подскажут, что можно улучшить.
Самостоятельно・От 2 до 4 часов на кейс
13 кейсов от реальных компаний
Мы попросили у наших партнёров реальные задачи, проработали решения и добавили их в курс. Вы сможете сами выбрать, сколько кейсов дополнительно выполнить (необязательно все). Благодаря этим задачам вы с первых дней обучения будете видеть, с чем сталкиваются аналитики на работе.

В начале курса вас ждут более простые кейсы, но с каждым модулем они будут становиться сложнее.
Карьерный центр・4 недели
Карьерный трек
Эта часть курса для тех, кто решил найти работу в IT. Вы изучите стратегии поиска работы и узнаете о тонкостях выбора компании-работодателя, подготовите резюме, напишете сопроводительное письмо и оформите портфолио.

Обратите внимание: если курс оплачивает ваш работодатель, у вас не будет подготовки к трудоустройству.
Карьерный центр・8–24 недели
Акселерация
Программа сопровождения: вы ищете работу, мы консультируем и помогаем. Участвовать в программе могут те, кто закончил программу трудоустройства и находится в активном поиске работы. Основной формат участия — индивидуальные консультации и публичные собеседования.
Получите диплом о профессиональной переподготовке
Это официальный документ установленного образца, который принимают работодатели. Образовательная лицензия № Л035‑01298‑77/00185314 от 24 марта 2015 года.
Начать учиться бесплатно
И очень много практики
Сделаете 7 больших проектов для портфолио и разберёте 13 кейсов от реальных компаний
Будете решать конкретные задачи бизнеса. Проекты проверят эксперты и подскажут, что у вас получается хорошо, а что нужно развивать.
Ещё 7 месяцев после выпуска бесплатно помогаем с поиском работы — для этого у нас целый карьерный центр
Готовим к выходу на рынок IT и поддерживаем, когда начинаете общаться с работодателями
10 000+ выпускников Практикума уже нашли новую работу
Это подтверждено исследованием, которое мы провели вместе с Высшей школой экономики. Вот в каких компаниях они работают:
Начать учиться бесплатно
Как устроена учёба
Никаких давно снятых видео и длинных лекций
Вы проходите теорию и сразу закрепляете навыки работы с Python и SQL в интерактивном тренажёре, а также строите графики в DataLens и Superset. Можно учиться во сколько и где удобно, главное — укладываться в дедлайны по проектам.
По расписанию только воркшопы с наставниками, остальное — в своём темпе
Опытные аналитики объясняют сложные темы и отвечают на вопросы на живых воркшопах. Если не успеваете, можно смотреть в записи. Ещё для общения с экспертами есть чат.
Учёба в Практикуме похожа на реальную работу
Программа поделена на спринты — отрезки по 2–3 недели, за которые вы изучаете тему и делаете проект. Потом отправляете его на ревью, а эксперты проверяют и комментируют. И тот же цикл дальше, пока не дойдёте до конца.
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.
Отвечаем на вопросы
Чем уникален этот курс?
Это курс 2 в 1: сперва вы освоите базу по аналитике данных и уже через 7 месяцев сможете начать работать по специальности. А когда пройдёте модули по BI-аналитике и закончите курс — сможете претендовать на позицию начинающего BI‑аналитика.
Каким требованиям нужно соответствовать?
Вам не понадобятся специальные навыки или опыт — мы обучим всему с нуля. Главное — иметь компьютер и достаточно времени для онлайн-занятий. Выше можно посмотреть программу, чтобы оценить количество учебного материала и свои возможности.
Чем курс «BI-аналитик» отличается от курса «Аналитик данных»?
Курсы «BI-аналитик» и «Аналитик данных» имеют пересечения в теории и практике в первой части программы, когда вы будете осваивать базовые навыки в анализе данных.

Курс «BI-аналитик» ещё содержит модули, где вы научитесь визуализировать данные и создавать дашборды. После базовой части вы на 3,5 месяца погрузитесь в BI-аналитику и научитесь применять данные для стратегических и оперативных решений в бизнесе.
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.
Хорошо, а вы можете помочь с поиском работы?
Да. Вы сможете пройти карьерный трек, который состоит из 2 частей:

• Подготовка к трудоустройству: студенты при поддержке наших HR-экспертов составляют резюме или оформляют портфолио, пишут сопроводительные письма.
• Акселерация: студенты начинают активный поиск работы, а мы им помогаем — отвечаем на вопросы, проводим тренировочные собеседования, предлагаем вакансии от партнёров.

Обратите внимание: если курс оплачивает ваш работодатель, у вас не будет карьерного трека.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если случилось непредвиденное или понадобилось больше времени на закрепление материала, напишите своему куратору. Он поможет перенести дедлайн сдачи проекта или перевестись в более поздний поток. На общую стоимость курса это не повлияет.
Если не понравится, я могу вернуть деньги?
Конечно. Если поток ещё не стартовал, вернём всю сумму. Если учёба уже началась, придётся оплатить прошедшие дни со старта вашего первого потока — но мы вернём деньги за остаток курса. Более подробно рассказываем об этом в 7 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, если она налоговый резидент РФ. Условия для юридических лиц и ИП отличаются — чтобы узнать подробнее, оставьте заявку или уточните у вашего менеджера.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет может получить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.

Вот инструкция, которая поможет всё оформить.

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.

Как планируете учиться?