Продуктовые аналитики востребованы в IT, e‑commerce, EdTech и других цифровых сферах

Освоите профессию с нуля за 10 месяцев

Получите мощный набор навыков и инструментов

Мы регулярно обновляем программу и учим актуальному — тому, что нужно работодателям.

Google Sheets
SQL
PostgreSQL
Python
DataLens
Pandas
Matplotlib
Plotly
A/B-тесты
Тест Манна — Уитни
Jupyter Notebook
Логирование
Система метрик
Юнит-экономика
Когортный анализ
User Journey
Продуктовая воронка
Кластеризация
ANOVA
Визуализация

И прозрачный карьерный рост

Вот средние зарплаты продуктовых аналитиков. Вы начнёте с junior позиции.

Источник: Хабр Карьера
92 000–137 000 ₽
Junior с опытом до года
160 000–253 000 ₽
Middle с опытом от 1 года до 3 лет
219 000–336 000 ₽
Senior с опытом больше 3 лет

Программу обновляем каждые полгода, чтобы вы учились только актуальному

Она рассчитана на 10 месяцев: первые 7 — основные инструменты и навыки, которые нужны аналитику данных, а последние 3,5 месяца — специализация по продуктовой аналитике
6 тем・~30 минут
Бесплатно
Вводный модуль
1 модуль — бесплатно, чтобы вы узнали больше о профессии продуктового аналитика и поняли, хотите ли развиваться в этом направлении
  • О профессии
  • Как устроен курс
Про профессию продуктового аналитика
С помощью наглядных примеров выясните, чем занимаются продуктовые 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 на этом курсе.
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, использование. 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 и 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 операторы JOIN, подзапросы и СТЕ.
  • SQL
  • Пропуски
  • Дубликаты
  • Подзапросы
  • СTE
  • Присоединения 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 (СТЕ).
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
SQL, 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 аналитические запросы различной сложности на SQL в рамках задачи исследовательского анализа данных
5
2 недели・6 тем・1 кейс-проект с ревью
Визуализация данных с помощью DataLens, создание дашбордов
Разберётесь с основами визуализации данных в BI-инструменте DataLens. Научитесь 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. Использование параметров для 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. Добавления 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 решения.
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, разберётесь с основами когортного анализа.
  • SQL
  • DataLens
Что такое бизнес-метрики
Какие бывают метрики у бизнеса. Цель подсчёта и использования бизнес-метрик. Как бизнес использует аналитические показатели.
Основные бизнес-метрики
Уникальные пользователи. DAU. Конверсия. Средний чек. CTR. Retention rate. Churn rate. LTV. ROI. CAC. Расчёт метрик бизнеса. Визуализация бизнес-метрик.
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 несколько 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 А/B-теста
Основные параметры А/В-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 А/В-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・3 темы・1 кейс-проект с ревью
Как живёт продукт, логирование
Узнаете, как работает продуктовая команда и какое место в ней занимает продуктовый аналитик. Научитесь самостоятельно анализировать действия пользователей в продукте и составлять аналитические спецификации исходя из ТЗ продакт-менеджера.
  • Excel
  • Логирование
  • Спецификации
Жизненный цикл продукта
Как живёт и развивается продукт. Что такое data-driven цикл разработки. Как аналитик участвует в жизненном цикле продукта. Работа в продуктовой команде.
Анализ работы продукта
Исследование работы продукта и его экономики. Анализ особенностей продукта глазами пользователя. Выявление ключевых точек взаимодействия. Монетизационные модели продуктов.
Подготовка аналитических спецификаций
Аналитичеcкие логи и их роль в работе аналитика. Проектирование и разработка аналитических событий, чтобы отслеживать взаимодействия пользователей с продуктом. Использование электронных таблиц для разработки аналитических спецификаций.
Итоговый проект модуля: разработаете аналитические спецификации для приложения
13
2 недели・4 темы・1 кейс-проект с ревью
Построение системы метрик продукта
Погрузитесь в понимание метрик. Разберётесь, как они связаны и как ухудшение одной метрики может повлиять на другие. Научитесь оценивать состояние продукта с помощью анализа и сравнения метрик. Научитесь обнаруживать аномалии и делать визуализацию метрик.
  • Python
  • SQL
  • Метрики
  • Монетизация
  • Визуализация
  • Аномалии
Система метрик в продукте
Основные метрики продукта: DAU, ARPU, удержание и другие. Система метрик продукта, связь между метриками и их взаимное влияние. Классификация метрик. Иерархия метрик, главные метрики продуктов в различных областях бизнеса. Кастомные метрики.
Расчёт и визуализация пользовательских метрик
Пользовательские метрики продукта и их расчёт с помощью Python. Визуализация пользовательских метрик и их анализ.
Расчёт и визуализация монетизационных метрик
Монетизационные метрики продукта и их расчёт с помощью Python. Визуализация монетизационных метрик и их анализ.
Кейсы и анализ поведения метрик
Анализ поведения продуктовых метрик. Обнаружение аномалий в поведении метрик и методы поиска причин их возникновения.
Создадите систему метрик в продукте, чтобы обнаруживать в нём проблемы
14
2 недели・5 тем・1 кейс-проект с ревью
Экономика продукта
Углубитесь в расчёты метрик юнит-экономики и когортного анализа.
  • Python
  • SQL
  • Юнит-экономика
  • Когортный анализ
  • Окупаемость
  • Конверсия
  • Удержание
  • LTV
  • ROI
Мониторинг здоровья продукта
Основы когортного анализа. Методики привлечения пользователей продукта. Методики и метрики исследования качества привлекаемой аудитории: удержание, конверсия, LTV, ROI и другие.
Расчёт и визуализация метрик удержания
Расчёт и визуализация удержания с точки зрения когортного анализа с помощью Python. Анализ удержания для различных когорт.
Расчёт и визуализация конверсии и LTV
Расчёт и визуализация LTV и конверсии с точки зрения когортного анализа с помощью Python. Анализ метрик монетизации для различных когорт. Методики самопроверки.
Расчёт и визуализация метрик окупаемости
Расчёт и визуализация окупаемости и ROI с точки зрения когортного анализа с помощью Python.
Основы юнит-экономики
Базовые понятия юнит-экономики. Юнит-экономика продукта и юнит-экономика клиента, её расчёт на примерах. Анализ сходимости юнит-экономики для различных когорт с помощью Python. Разбор кейсов по анализу юнит-экономики. Методы самопроверки.
Расчёт метрик для юнит-экономики
Анализ сходимости юнит-экономики для различных когорт с помощью Python. Разбор кейсов по анализу юнит-экономики. Методы самопроверки.
Итоговый проект модуля: проведёте когортный анализ, чтобы решить ad-hoc задачи. Составите систему метрик для продукта, чтобы обнаруживать проблемы в нескольких когортах
15
2 недели・4 темы・1 кейс-проект с ревью
A/B-тесты в работе продуктового аналитика
Научитесь готовить и проводить A/B-тесты, делать выводы по их результатам.
  • A/B-тесты
  • T-тест Стьюдента
  • Тест Манна — Уитни
  • Z-тест
  • ANOVA
  • SciPy
  • Statsmodels
A/B-тесты в работе продуктового аналитика
Роль А/В-тестирвания в жизненном цикле продукта. Этапы А/В-тестирвания и функции аналитика на каждом из этапов.
Статистические тесты для проверки гипотез
Основы выбора и применения статистических тестов: T‑теста, теста Манна — Уитни, Z‑теста. Выбор теста в ситуации множественных гипотез: ANOVA, тест Краскел — Уоллиса, критерий хи-квадрат. Статистические тесты с помощью Python, библиотек SciPy и Statsmodels.
Подготовка и проведение теста
Определение назначения и гипотез теста. Выбор метрик, длительности и момента запуска теста. Методики проверки адекватности проведения теста, выбор момента остановки теста.
Анализ результатов тестов
Применение статистических тестов для анализа результатов теста. Получение бизнес-инсайтов из результатов теста и презентация их заказчику.
Спроектируете и проведёте A/B-тест, проанализируете его результаты
16
2 недели・4 темы・1 кейс-проект с ревью
Поиск инсайтов в работе продукта
Научитесь использовать наиболее популярные методики поиска точек роста, чтобы улучшить продукт.
  • SQL
  • Python
  • User Journey
  • Сегментация
  • Воронки
Задача по поиску роста
Методики поиска точек роста в продукте. Роль аналитика в процессе поиска.
Методики поиска точек роста: воронки и User Journey
Применение воронок для поиска точек роста. Исследование User Journey, чтобы сравнить ожидаемое и реальное поведение пользователей. Использование Python для построения воронок и оптимизации User Journey.
Методики поиска точек роста: сегментация
Методики сегментации. Основы статистики для сегментации пользователей. Кластеризация пользователей с помощью алгоритма K-Means в Python.
Кейсы по поиску точек роста
Обзор кейсов из различных областей бизнеса, в которых проводился поиск точек роста.
Итоговый проект модуля: сегментируете пользователей и проведёте статистические тесты, чтобы выяснить, есть ли среди сегментов различия. Проведёте А/В-тест, чтобы определить оптимальный вариант пути пользователя
1 неделя
Каникулы
Неделя перерыва, чтобы отвлечься от учёбы или повторить темы, если нужно.
Самостоятельно・2 недели
Финальный проект
Решите несколько сложных аналитических кейсов на большом объёме реальных данных, используя изученные на курсе инструменты: SQL, PostgreSQL, DataLens, Python, Pandas, SciPy, Statsmodels. И презентуете бизнесу своё решение.
Самостоятельно・от 2 до 4 часов на кейс
10 кейсов от реальных компаний
Мы попросили у наших партнёров реальные задачи, проработали решение и добавили в курс. Вы сможете сами выбрать, сколько задач дополнительно взять в работу, необязательно решать их все. Благодаря этим задачам вы с первых дней обучения будете видеть, с чем сталкиваются аналитики на работе.

В начале курса будут более простые задачи, но с каждым модулем они будут становиться сложнее.
Карьерный центр・1 месяц
Карьерный трек: подготовка к трудоустройству
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・До 6 месяцев
Акселерация: активный поиск работы с поддержкой HR‑экспертов
Будете откликаться на вакансии, делать тестовые и ходить на собеседования, а мы вас дистанционно поддержим. Например, расскажем, какие ошибки бывают в общении с работодателем и как их избежать. Акселерация может продолжаться до 6 месяцев — обычно этого достаточно, чтобы получить первую работу в IT.

Получите диплом о профессиональной переподготовке

Это официальный документ установленного образца, который принимают работодатели. Образовательная лицензия № Л035‑01298‑77/00185314 от 24 марта 2015 года.

И очень много практики

Проекты от настоящих заказчиков и хакатоны, чтобы получить реальный опыт

В Мастерской Практикума сможете поучаствовать в реальных проектах, почувствовать себя частью команды разработки и наладить полезные связи

Ещё 7 месяцев после выпуска бесплатно помогаем с поиском работы — для этого у нас целый карьерный центр

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:

Как устроена учёба

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 продуктовой аналитике и закончите курс — претендовать на позицию начинающего продуктового аналитика.
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.
Чем курс «Продуктовый аналитик» отличается от курса «Аналитик данных»?
Курсы «Продуктовый аналитик» и «Аналитик данных» имеют пересечения в теории и практике в начале обучения, когда вы будете осваивать базовые навыки в анализе данных. Но только курс «Продуктовый аналитик» содержит модули по продуктовой аналитике, которые вы будете проходить 3 месяца.
Вижу, что в программе, в первых 7 месяцах и в специализации, есть повторяющиеся темы. В чём их различия?
Такие темы, как «Метрики» и «А/В-тесты», изучаются и в базовой части курса, и в специализации, но на разном уровне погружения. В базовой программе вы освоите необходимый минимум: познакомитесь с основными метриками и научитесь считать их на SQL. А в специализации углубитесь в метрики и их систему, а также научитесь рассчитывать их уже на Python.

В теме «А/В-тесты» в специализации вы расширите инструментарий статистических тестов и на практике отработаете все этапы тестирования. И всё это — на кейсах из работы продуктового аналитика.
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.
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: юридические лица — резиденты РФ также могут оплатить обучение в Практикуме. Условия предоставления услуг для юридических лиц могут отличаться — чтобы узнать подробнее, оставьте заявку или уточните у вашего менеджера.
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.

Заявление на налоговый вычет нужно подать 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.

Как планируете учиться?