Професія: Аналітик( з 0 до PRO): ви з нуля освоїте професію аналітик продуктів, детально розберете всю специфіку і інструменти даної професії від Google Analytics, Python і BI-інструментів до Machine Learning і DataScience
Чому ви навчитеся
- аналізувати трафік і сайт
- на основі даних складати аргументовані рекомендації щодо зміни стратегії та рекламних кампаній
- використовувати на просунутому рівні Google Analytics і Яндекс.Метрику
- налаштовувати лічильники і цілі в Google Analytics і Яндекс.Метриці, розбиратися в стандартних звітах і створювати свої
- проектувати систему наскрізної аналітики
- відстежувати повний шлях клієнта від переходу на сайт до продажу і визначати ефективність інвестицій
- візуалізувати дані
- наочно показувати динаміку зміни Даних
- 120 лекцій та 120 практичних завдань від практиків ринку з перевіркою
- Курс можна проходити зі своєю швидкістю на нашій платформі
- по ходу курсу ми допомагаємо вам з працевлаштуванням і підготовкою до співбесід
- нетворкінг: спілкування всередині групи курсу і підтримка ментора
Блок 1:"продуктова аналітика і робота в команді"
Роль і місце аналітика в продуктовій команді
Прийняття завдань: розуміння проблем
Типові завдання з аналітики та планування роботи над подібними завданнями
Управління продуктом на основі моделі Lean Canvas і роль аналітики в цій моделі
MVP-підхід для вирішення аналітичних задач
Основні типи бізнес-метрик
Unit-економіка
Декомпозиція метрик і факторний аналіз - практика
Вступ до web-аналітики: основні поняття та інструменти
Основні звіти Google Analytics
Основні звіти Yandex Metrica
Основні звіти App Metrica
...
Блок 2:"маркетингова та клієнтська аналітика"
Введення в маркетингову аналітику
KPI і метрики
UTM-мітки
Основні джерела даних і методи їх аналізу
Наскрізна аналітика
Методи сегментації клієнтів і цільової аудиторії
Введення в RFM-аналіз
Введення в когортний аналіз
...
Блок 3:"A/B-тестування"
Перевірка гіпотез і пошук точок зростання за допомогою A/B-тестування
Теорія вибіркових обстежень
Математична статистика в теорії вибіркових обстежень
Статистична перевірка підсумків тестування
Послідовність проведення A/B-тестів. Оцінка витрат на тести. Карти гіпотез
Основні проблеми A/B-тестування і способи їх вирішення.
Інструменти A/B-тестування
Особливості проведення A/B-тестів в оффлайн-бізнесі
...
Блок 4:"SQL та отримання даних"
Основи SQL
Оновлення, додавання та видалення даних. Робота з таблицями
Подання та збережені процедури. Особливості обробки транзакцій
Розширені можливості SQL і основні обмеження
Фільтрація даних і обчислювані поля-практика (SELECT ,SUM, AVG, GROUP BY,..)
Групування даних, підзапити і об'єднання таблиць-практика ( INNER, LEFT, RIGHT, DISTINCT,..)
Оновлення, додавання та видалення даних. Робота з таблицями (INSERT, UPDATE, DELETE, MERGE, FOREIGN KEY, ..)
...
Блок 5:"Python і обробка даних"
Введення в аналіз даних за допомогою Python
Python: Налаштування оточення, базові структури даних і основні оператори
Python: робота з файлами і форматований висновок
Python: простори імен та області видимості, класи та об'єкти
Python: інструменти функціонального програмування
Python: стандартні та сторонні бібліотеки Python для аналізу даних
...
Блок 6:"інструменти візуалізації та презентація аналітики"
Порівняльний огляд основних інструментів візуалізації даних
Основні помилки при проектуванні звітності та візуалізації даних
Розширені можливості візуалізації в Excel і Google Sheets, Google Data Studio + практика
Організація зберігання даних для цілей аналізу
Презентація результату команді
Робота з популярними bi-програмами (MySQL, SQL Server, Power BI, Redash, Tableau)
Рішення бізнес-завдань в команді
Як працювати з командою та підрядниками
Як керувати процесами з аналітики
Блок 7: "Python, мат.моделі та обробка даних "
Python: Налаштування оточення, базові структури даних і основні оператори
Python: робота з файлами і форматований висновок
Python: простори імен та області видимості, класи та об'єкти
Python: інструменти функціонального програмування
Python: стандартні та сторонні бібліотеки Python для аналізу даних
Основи лінійної алгебри та теорії множин
Методи математичної оптимізації
Основи описової статистики
Статистичний аналіз даних
...
Блок 8:"побудова Machine Learning моделей"
Лінійні методи, логістична регресія та SVM
Дерева рішень
Лінійна та поліномінальна регресія
Алгоритми кластеризації
Способи підвищення якості моделі
Функції втрат і оптимізація
Оцінка точності моделі, боротьба з перенавчанням, регуляризація
Поліпшення якості моделі
Неперсоналізовані рекомендаційні системи
Сontent-based-рекомендації
Collaborative Filtering
Гібридні алгоритми
Пошук по картинках
Сегментація зображень, детекція об'єктів
...
Блок 9:"Аналітика великих даних"
Машинні методи для обробки даних
Культура збору та джерела даних
Передобробка і візуалізація даних в pandas
Поліпшення якості роботи з даними
Побудова прогнозних і прогнозних моделей
Основи архітектури зберігання та обробки великих даних, види обробки та масштабування
Основи роботи в Hadoop і MapReduce
Робота з хмарними платформами: AWS, EMR, Azure
Просунуті підходи в MapReduce
Робота в pyspark
Організація команди для роботи з даними. CRISP-DM
...
Блок 10: дипломна робота та допомога з працевлаштуванням
Робота над дипломним проектом для портфоліо
Підготовка резюме
Підготовка до співбесіди
Фінальний захист і консультації
Роль і місце аналітика в продуктовій команді
Прийняття завдань: розуміння проблем
Типові завдання з аналітики та планування роботи над подібними завданнями
Управління продуктом на основі моделі Lean Canvas і роль аналітики в цій моделі
MVP-підхід для вирішення аналітичних задач
Основні типи бізнес-метрик
Unit-економіка
Декомпозиція метрик і факторний аналіз - практика
Вступ до web-аналітики: основні поняття та інструменти
Основні звіти Google Analytics
Основні звіти Yandex Metrica
Основні звіти App Metrica
...
Блок 2:"маркетингова та клієнтська аналітика"
Введення в маркетингову аналітику
KPI і метрики
UTM-мітки
Основні джерела даних і методи їх аналізу
Наскрізна аналітика
Методи сегментації клієнтів і цільової аудиторії
Введення в RFM-аналіз
Введення в когортний аналіз
...
Блок 3:"A/B-тестування"
Перевірка гіпотез і пошук точок зростання за допомогою A/B-тестування
Теорія вибіркових обстежень
Математична статистика в теорії вибіркових обстежень
Статистична перевірка підсумків тестування
Послідовність проведення A/B-тестів. Оцінка витрат на тести. Карти гіпотез
Основні проблеми A/B-тестування і способи їх вирішення.
Інструменти A/B-тестування
Особливості проведення A/B-тестів в оффлайн-бізнесі
...
Блок 4:"SQL та отримання даних"
Основи SQL
Оновлення, додавання та видалення даних. Робота з таблицями
Подання та збережені процедури. Особливості обробки транзакцій
Розширені можливості SQL і основні обмеження
Фільтрація даних і обчислювані поля-практика (SELECT ,SUM, AVG, GROUP BY,..)
Групування даних, підзапити і об'єднання таблиць-практика ( INNER, LEFT, RIGHT, DISTINCT,..)
Оновлення, додавання та видалення даних. Робота з таблицями (INSERT, UPDATE, DELETE, MERGE, FOREIGN KEY, ..)
...
Блок 5:"Python і обробка даних"
Введення в аналіз даних за допомогою Python
Python: Налаштування оточення, базові структури даних і основні оператори
Python: робота з файлами і форматований висновок
Python: простори імен та області видимості, класи та об'єкти
Python: інструменти функціонального програмування
Python: стандартні та сторонні бібліотеки Python для аналізу даних
...
Блок 6:"інструменти візуалізації та презентація аналітики"
Порівняльний огляд основних інструментів візуалізації даних
Основні помилки при проектуванні звітності та візуалізації даних
Розширені можливості візуалізації в Excel і Google Sheets, Google Data Studio + практика
Організація зберігання даних для цілей аналізу
Презентація результату команді
Робота з популярними bi-програмами (MySQL, SQL Server, Power BI, Redash, Tableau)
Рішення бізнес-завдань в команді
Як працювати з командою та підрядниками
Як керувати процесами з аналітики
Блок 7: "Python, мат.моделі та обробка даних "
Python: Налаштування оточення, базові структури даних і основні оператори
Python: робота з файлами і форматований висновок
Python: простори імен та області видимості, класи та об'єкти
Python: інструменти функціонального програмування
Python: стандартні та сторонні бібліотеки Python для аналізу даних
Основи лінійної алгебри та теорії множин
Методи математичної оптимізації
Основи описової статистики
Статистичний аналіз даних
...
Блок 8:"побудова Machine Learning моделей"
Лінійні методи, логістична регресія та SVM
Дерева рішень
Лінійна та поліномінальна регресія
Алгоритми кластеризації
Способи підвищення якості моделі
Функції втрат і оптимізація
Оцінка точності моделі, боротьба з перенавчанням, регуляризація
Поліпшення якості моделі
Неперсоналізовані рекомендаційні системи
Сontent-based-рекомендації
Collaborative Filtering
Гібридні алгоритми
Пошук по картинках
Сегментація зображень, детекція об'єктів
...
Блок 9:"Аналітика великих даних"
Машинні методи для обробки даних
Культура збору та джерела даних
Передобробка і візуалізація даних в pandas
Поліпшення якості роботи з даними
Побудова прогнозних і прогнозних моделей
Основи архітектури зберігання та обробки великих даних, види обробки та масштабування
Основи роботи в Hadoop і MapReduce
Робота з хмарними платформами: AWS, EMR, Azure
Просунуті підходи в MapReduce
Робота в pyspark
Організація команди для роботи з даними. CRISP-DM
...
Блок 10: дипломна робота та допомога з працевлаштуванням
Робота над дипломним проектом для портфоліо
Підготовка резюме
Підготовка до співбесіди
Фінальний захист і консультації
https://privatelink.de/?https://productstar.ru/analytics-full-course