BANG
MARKET
GO SHOPPING
!
ПОИСК
(
0
)
Главная
KARPOV.COURSES
Аналитика
Аналитика данных
ФИЛЬТРЫ КАТЕГОРИИ
сбросить фильтры
СОРТИРОВАТЬ
не выбрано
Цена: сначала дешевле
Цена: сначала дороже
Название: А-Я
Название: Я-А
ЦЕНА
от (min)
до (max)
ПРИМЕНИТЬ
БЛИЖАЙШАЯ ДАТА
2024-07-25
2024-08-08
2024-08-15
2024-08-19
ЕЖЕМЕСЯЧНАЯ ЦЕНА
12500
3166
3583
7500
7667
ЕСТЬ БЕСПЛАТНАЯ ЧАСТЬ
false
true
ЕСТЬ ВЕБИНАРЫ
false
true
ОПЛАТА В РАССРОЧКУ
10
12
ПЛАН
в данном блоке мы познакомимся с основами теории вероятностей. знания в этой области необходимы для более глубоко понимания прикладной статистики.
в корпорациях аналитику нужно коммуницировать со специалистами по аналитическим хранилищам (dwh). для этого важно понимать, какие бывают хранилища, как с ними работать и как именно в компании отвечают на вопрос о правильном хранении данных.
в первый рабочий день в новой компании познакомимся с данными и их структурой, вспомним навыки работы с python, sql, git и для разминки решим несколько ad hoc задач.
в первый рабочий день в новой компании познакомимся с данными и платформой а/b-тестирования, а также изучим основы статистики, которых будет достаточно для прохождения курса.
важный навык аналитика — уметь правильно представлять результаты своей работы в виде интерактивного дашборда. посмотрим, какие бывают типы дашбордов, научимся подбирать и оформлять графики под разные задачи, узнаем, на чём необходимо делать акценты при верстке, а также попрактикуемся собирать требования к дашборду от заказчика. всё это сделаем в bi-системе tableau.
вспомним пройденные темы и структурируем полученные знания для применения их в реальных задачах. обсудим проблему подглядывания в результаты до окончания эксперимента.
вы попробуете себя в роли аналитика, выполняющего тестовое задание в компанию. вы получите доступ к удалённому серверу и базам данных и попрактикуетесь решать задачи, с которыми в своей работе сталкиваются аналитики. вам будут представлены на выбор разные аналитические проекты, в ходе работы над которыми вы сможете применить все навыки, которые приобрели за время прохождения курса. вы будете писать код, работать с базами данных, автоматизировать рутинные задачи, искать инсайты в данных и анализировать результаты a/b-тестов. как и в любой крупной компании, с помощью git вы пройдёте code-ревью и получите фидбэк. итоговый проект позволит вам закрепить полученные знания и непременно сделает ваше резюме более интересным для будущего работодателя.
выбрать метрику для эксперимента не всегда просто. разберёмся, какие бывают метрики, научимся выбирать наиболее подходящие для эксперимента и узнаем, как отслеживать «здоровье» a/b-теста.
гипотез становится всё больше, и нам не хватает наблюдений, чтобы проверять их все одновременно. обсудим, когда можно использовать пользователей одновременно в нескольких экспериментах и как это делать.
для автоматизации сложных и взаимосвязанных задач нам потребуются более продвинутые инструменты. воспользуемся airflow — системой управления процессами обработки данных. разбёремся, как она устроена, познакомимся с её возможностями и попробуем с её помощью решить важную etl-задачу.
для решения нетривиальных задач аналитику, скорее всего, придётся выйти за рамки привычных инструментов, поэтому в этом модуле мы познакомимся с продвинутыми методами машинного обучения.
заложим фундамент: освоим основы программирования, познакомимся с библиотеками для анализа данных, визуализации и работы с файловой системой. будет непросто, но крутые аналитики обязаны знать эти инструменты. с первого дня начнем работать на удалённом сервере, все по-настоящему!
иногда для решения одной проблемы выдвигается сразу несколько гипотез, одновременная проверка которых влияет на дизайн эксперимента. познакомимся с техниками множественного тестирования и параллельным проведением большого числа экспериментов.
как оценить влияние изменений в компании на ключевые метрики бизнеса? с помощью экспериментов, конечно! чем выше уровень аналитика, тем более сложные дизайны он умеет проектировать, а также ускорять их проведение, анализировать результаты и учитывать специфику конкретных метрик при выборе способов оценки изменений.
мониторинг ключевых показателей настроен, и теперь самое время спуститься на уровень ниже. подготовим дашборд с более продвинутыми продуктовыми метриками: научимся считать и визуализировать ретеншн, отток пользователей и когорты.
на примере пройдёте все этапы: от постановки задачи до мониторинга.
на рынке труда грамотная презентация своих навыков порой так же важна, как и сами навыки, а неумение правильно вести коммуникацию может помешать устроиться на работу даже опытному аналитику. в этом блоке мы обсудим базовые вопросы, касающиеся поиска работы в сфере анализа данных, на примерах рассмотрим разные этапы поиска работы и зададим вопросы профессиональному рекрутеру одной из крупнейших it-компаний россии.
настало время обеспечить строгий надзор за здоровьем ключевых метрик. на офлайн данных потренируемся находить аномалии — попробуем самые разные подходы: от базовых правил до более совершенных статистических решений. настроим автоматическое обновление системы и оценим качество её работы на данных в реальном времени: сначала просто поставим наши скрипты на cron, а затем по всем стандартам индустрии упакуем наше решение в gitlab ci/cd.
научимся планировать a/b тесты и проверять статистические гипотезы. акцент будет сделан на приложении статистики к решению задач из индустрии. * параллельно с прохождением этого блока у вас будет промежуточный проект
научимся подбирать оптимальные параметры для запуска эксперимента. определять продолжительность, размер выборки и минимальный эффект, который возможно обнаружить.
научимся применять cuped и стратификацию — продвинутые методы повышения чувствительности a/b-тестов, основанные на использовании дополнительной информации.
научитесь рассчитывать финансовый эффект от внедрения модели машинного обучения. поймете, почему важен этап ав-тестирования и поймете особенности проведения множественных ав-тестов. узнаете, зачем нужно мониторить качество работы моделей на всем периоде ее эксплуатации.
начнём выстраивать в компании аналитические процессы! прежде всего разработаем простой дашборд для удобной визуализации основных продуктовых метрик.
начнете со сбора данных и разметки. познакомитесь с понятием целевой переменной и выбором источников данных, которые коррелируют с ней. узнаете, как влияют на результат глубина и количество, собираемых данных. поймете, как проверить качество данных на разных этапах, и научитесь генерировать признаки из сырых данных. узнаете, в каких случаях без разметки данных не обойтись, когда может справится с задачей внешний подрядчик, а когда не получится обойтись без инвестиций во внутреннюю функцию.
освоим основы синтаксиса sql. на примере clickhouse научимся работать с системой управления базами данных и подключаться к ней с помощью python. начнем учиться грамотно визуализировать наши данные.
познакомимся с командной строкой и широко используемым инструментом контроля версий — git. обсудим базовые команды, научимся работать с репозиториями и увидим, как git позволяет объединять деятельность множества разработчиков и аналитиков в работе над одним проектом.
познакомимся с методом бутстрэп. научимся строить доверительные интервалы для произвольных метрик и узнаем, как принимать решения на основе доверительных интервалов.
познакомитесь с особенностями процессов разработки моделей машинного обучения. узнаете основные форматы взаимодействия с внедренными моделями и способы интеграции с ними.
поймём, какую ценность может приносить аналитика и как объяснить её бизнесу. научимся определять потребности пользователей продукта и сегментировать их, считать юнит-экономику, выбирать правильные продуктовые метрики и драйвить рост бизнеса с помощью непрерывной проверки гипотез.
практическое a/b тестирование подразумевает большую часть работы с математической статистикой. на лекциях рассмотрим основную проблематику экспериментов и закрепим полученные знания с помощью домашних заданий. 3 занятия, 2 домашние работы. блок проводится совместно с партнёром experiment fest (2020).
при проверке гипотез о равенстве метрик отношения (например, ctr) обычные тесты применять некорректно, так как наблюдения не являются независимыми. изучим подходы для проверки таких гипотез и закрепим новые знания на практике.
проведём свой первый a/b-тест в новой компании! рассмотрим все основные этапы проведения эксперимента: разберёмся с системой сплитования, научимся работать с метриками, на практике применим продвинутые методы статистической обработки — бакетное преобразование и линеаризацию.
разберёмся как проверять корректность дизайна. узнаем, зачем нужно проводить синтетические a/a и a/b эксперименты на исторических данных.
разработка дашборда — один из самых популярных запросов к аналитику со стороны команды. часто это не решает проблему заказчика. а без понимания, зачем дашборд создан, он скорее всего не будет пользоваться спросом у заказчика.
ранее вы уже изучали, как можно решать задачи при помощи python, sql и других инструментов. порой были такие задачи, которые нужно было делать ежедневно, например, следить за курсом акций, считать kpi или проверять успехи любимой команды. для решения таких задач есть свои собственные инструменты — как простые шедулеры, так и сложные системы оркестрирования процессов. airflow как раз такая система. далее мы познакомимся с тем, как устроена его работа и как им пользоваться для решения задач
рассмотрим актуальные способы повышения чувствительности a/b-тестов и применим их на практике. научимся сокращать размер выборки, необходимый для проведения эксперимента.
сформируем продуктовое видение и более глубокое понимание бизнеса и продукта. научимся находить общий язык с продакт-менеджерами и поймём, каким образом можно использовать анализ данных для развития бизнеса. также рассмотрим, как организована работа команд в it-продуктах.
теперь, когда все данные у нас перед глазами, перейдём к анализу ключевых показателей в различных срезах и сделаем простейшие аналитические выводы. для удобства сотрудников компании настроим автоматическую рассылку отчёта в telegram.
узнаем, как появилась идея проверять гипотезы. создадим собственный критерий принятия решений. рассмотрим популярные критерии для типичных метрик и поговорим об их ограничениях.
узнаете как модели машинного обучения обучаются, принимают решения и узнаете какие типы задач можно решать при помощи них. научитесь находить точки применения data science в ваших бизнес процессах. научитесь ставить задачи и узнаете необходимые точки вашего вовлечения для их эффективной реализации. узнаете, как оценивать финансовый эффект и устанавливать правильную приоритезацию задач.
финальный тест
ПРОДОЛЖИТЕЛЬНОСТЬ
1
2
5
6
СЛОЖНОСТЬ
для новичков
для опытных
ТИП ОБУЧЕНИЯ
курс
профессия
ФОРМАТ ОБУЧЕНИЯ
в группе с наставником
самостоятельно
ЦЕНА ПО СКИДКЕ
120000
70000
80000
ЧАСЫ В НЕДЕЛЮ
12
15
8
Аналитика данных
Симулятор A/B-тестов?utm_source=yandex&utm_medium=organic&utm_campaign=13_dssimab_yandex_organic_feed_course_worldwide_ds_kc
35 000
₽
ПОДРОБНЕЕ
Принятие решений на основе данных
75 000
₽
ПОДРОБНЕЕ
Hard Аналитика данных
139 500
₽
ПОДРОБНЕЕ
Аналитик данных
92 000
₽
ПОДРОБНЕЕ
Симулятор Аналитика
40 000
₽
ПОДРОБНЕЕ
