academy@academyit.ru
PA-40
Работа с данными, аналитика и СУБД
40 ак.часов
Продуктовая аналитика
62000 ₽
Онлайн класс. Удаленное подключение к очным курсам.
Для обучения достаточно иметь доступ в Интернет.
Время онлайн трансляции курса устанавливается в зависимости от города проведения очного обучения. Предусмотрено предоставление записей слушателям в отдаленных часовых поясах.
-
О КУРСЕКурс научит вас превращать сырые данные о поведении пользователей в решения, которые растят продукт и выручку. Вы освоите весь цикл работы аналитика: от постановки гипотез и выбора метрик до проведения A/B-тестов, визуализации результатов в Power BI и аргументированного обоснования бизнес-решений перед командой.
Практическая часть основана на real-case заданиях: сегментируете аудиторию, построите дашборд ключевых показателей, проанализируете когортный LTV и защитите финальный проект. По окончании вы сможете говорить с продакт-менеджерами на одном языке и уверенно принимать data-driven решения
Технологии и инструменты, которыми будете владеть
DAU/MAU, LTV, Retention
Python (Pandas)
Power BI
A/B-тесты
Когортный и сегментный анализ
Чему вы научитесь
Выбирать ключевые метрики
Выявлять точки роста продукта
Визуализировать данные в Power BI
Формулировать продуктовые гипотезы
Планировать и анализировать A/B-тесты
Самостоятельно собирать и очищать данные
Подготавливать краткие data-driven рекомендации
Интерпретировать когортный и сегментный анализ
Оценивать статистическую значимость результатов
Защищать data-driven рекомендации перед командой
Целевая аудитория
Продуктовые аналитики
Junior-продакт-менеджеры
Маркетологи и разработчики
Содержание курса
1
Модуль 1. Введение в продуктовую аналитику
- Роль продуктового аналитика в команде
- Задачи и цели продуктовой аналитики
- Взаимодействие с продакт-менеджерами, маркетологами и разработчиками
2
Модуль 2. Жизненный цикл продукта
- Этапы жизненного цикла продукта: концепция, MVP, запуск, рост, зрелость
- Методы и подходы к тестированию гипотез на разных стадиях продукта
- Роль аналитики на каждом этапе жизненного цикла, Ad-Hoc запросы
3
Модуль 3. Основные метрики продукта
- Метрики вовлеченности пользователей DAU (Daily Active Users), MAU (Monthly Active Users), Retention rate (удержание пользователей), Churn rate (коэффициент оттока), CAC (стоимость привлечения)
- Метрики прибыли LTV (Lifetime Value) и ARPU (Average Revenue Per User), ARPPU (Average Revenue Per Paying User), AOV (Average Order Value)
- Когортный анализ
- Важность метрик для оценки успешности продукта
4
Модуль 4. Продуктовые исследования
- Качественные исследования: Интервью, Фокус-группы, создание Customer Personas, тестирование MVP (Minimum Viable Product)
- Количественные исследования: анкетирование, A/B-тесты, кластеризация, веб-аналитика и ее метрики
- Методы исследования потребностей пользователей: метод СОПРАНО, техника СПИН, анализ CEO
5
Модуль 5. Анализ пользовательского поведения
- Сегментация аудитории: социально-демографическая, психографическая, поведенческая, по жизненному циклу, RFM-анализ, метод 5W, когортный анализ
- Путь клиента CJM (Customer journey map), этапы пути и точки касания
- Анализ показателей конверсий в воронке продаж, оценка ROI (Return on Investment) и ROMI (Return on Marketing Investment)
- Сегментация пользователей с помощью алгоритмов кластеризации (K-Means, метод локтя)
6
Модуль 6. Работа с данными в Python
- Основы Python для аналитиков:
- Работа с данными: обработка, фильтрация, очистка
- Основы синтаксиса, функции, циклы, работа с файлами (CSV, Excel)
- Pandas: манипуляция с данными (фильтрация, сортировка, агрегация)
- NumPy: работа с массивами данных и математическими операциями
- Использование Matplotlib и Seaborn для визуализации данных
- Прогнозирование показателей удержания, оттока, конверсии с помощью Scikit-learn
7
Модуль 7. Визуализация данных в PowerBI
- Моделирование данных с помощью PowerQuery и PowerPivot
- Язык запросов M, язык формул DAX
- Построение дашбордов. Настройка свойств визуализации. Связи визуализаций. Пользовательские визуализации Power BI
- Визуализации, ориентированные на интеллектуальный анализ данных (data mining). Визуализации R и Python
8
Модуль 8. Статистический анализ
- Основные понятия теории вероятностей, понятие статистической гипотезы и уровня значимости, источники данных
- Основные метрики, статистические критерии, доверительные интервалы
- Регрессионный анализ: линейная регрессия, множественный регрессионный анализ, коэффициенты регрессии и детерминации
- Корреляционный анализ, дисперсионный анализ (ANOVA) с одним, двумя и более факторами
9
Модуль 9. A/B тестирование и эксперименты
- A/B, A/A, A/B/n тестирования
- Планирование, проведение и интерпретация результатов тестов, основные ошибки.
- Методы обработки результатов, методы расчетов, оценка статистической значимости
- Выводы на основе экспериментов и принятие решений, бизнес-смысл тестов
10
Модуль 10. Принятие решений на основе данных
- Построение гипотез и их тестирование
- Приоритизация задач на основе данных
- Принятие бизнес-решений на основе аналитики и выводов
-
Получаемый документ
-
Для успешного прохождения курса необходимы:
- Уверенный пользователь ПК, базовое владение Excel/Google Sheets
- Школьный уровень математики (проценты, средние значения)
- Желательно: представление о жизненном цикле цифрового продукта и элементарный английский (чтение документации)
- Опыт работы в IT желателен, но не обязателен
