Аналитик данных

• Кто такой аналитик данных в 2026 году
• Данные: типы, структуры, метаданные и качество
• Практикум: находим дефекты в чужой таблице
• Аналитическое мышление: от вопроса к гипотезе
• Инструменты аналитика: карта стека

ИТОГпонятно, чем занимается аналитик

• Основы
• Формулы и функции
• Работа с данными
• Сводные таблицы и визуализация
• Продвинутая аналитика

ИТОГтаблицы, формулы и сводные

• Как установить Python
• Первая программа на Python. Основные конструкции
• Числа в Python и операции с ними
• Работа со строками в Python
• Условные конструкции в Python
• Циклы в Python
• Списки (массивы) в Python
• Функции в Python. Создание собственных функций
• Использование множеств (set) в Python
• Работа со словарями в Python

ИТОГбаза Python для анализа

• Зачем аналитику SQL. Рабочее место: Colab и SQLite
• SELECT, WHERE, ORDER BY: выбрать нужные строки
• Агрегаты и GROUP BY: считаем итоги (и ловушки NULL)
• JOIN: соединяем таблицы и не теряем строки
• Учебная база «Магазин»: IN, BETWEEN, NULL, CASE, числа
• HAVING, DISTINCT и отчёты по группам
• JOIN глубже: несколько таблиц, RIGHT, FULL, самосоединение
• Подзапросы: коррелированные, в FROM, EXISTS
• CTE (WITH) и временные таблицы
• Оконные функции: ранги, LAG/LEAD, накопительные итоги
• SQL из Python: запросы, параметры, отчёт одной функцией
• Когорты и бизнес-метрики в SQL

ИТОГданные достаются запросами

• Рабочее место аналитика: Google Colab и Jupyter
• NumPy: массивы и вычисления без циклов
• Pandas: таблица в Python — Series и DataFrame
• Отбор строк, сортировка и новые столбцы
• Группировка и сводные таблицы в pandas
• Объединение таблиц: merge и concat
• Предобработка: пропуски, типы, дубликаты, текст
• Даты и время в pandas + проект главы

ИТОГтаблицы обрабатываются в Python

• Как устроен веб
• Первый скрейпер
• Формы и скрытые API
• Очистка и хранение
• Право и проверка своей работы

ИТОГданные собираются из сети

• Описательные статистики: среднее, медиана, разброс
• Вероятность на практике: события и случайные величины
• Распределения и выбросы
• Выборка и доверительный интервал
• Корреляция и её ловушки
• Проверка гипотез: p-value, t-тест, хи-квадрат
• Непараметрика, ANOVA, таблицы и проект главы

ИТОГвыводы опираются на статистику

• Какой график для какого вопроса
• Matplotlib: первый график и его анатомия
• Seaborn: статистические графики
• Plotly: интерактивные графики
• Ошибки графиков: как не обмануть себя и читателя
• Сторителлинг с данными и проект главы

ИТОГграфики объясняют вывод

• План исследования и первый осмотр данных
• Срезы, сегменты и взаимосвязи
• Текстовые данные: отзывы и комментарии
• Проверка вывода и отчёт по исследованию

ИТОГв новых данных видно главное

• Метрики продукта и их иерархия
• Динамика метрик: рост к прошлому периоду и скользящее среднее
• Воронки: где теряем пользователей
• Когорты и удержание в pandas
• Юнит-экономика: выгодно ли покупать клиента
• Откуда берутся данные о поведении: события, UTM, Яндекс Метрика

ИТОГметрики продукта считаются и объясняются

• Гипотезы для A/B-теста и приоритизация
• Дизайн теста: мощность, размер выборки, длительность
• Анализ результата A/B-теста
• Ловушки A/B-тестов: подглядывание, SRM, единица анализа
• Мало людей и деньги: точный тест, бутстреп, средний чек
• Когда A/B-тест невозможен, чувствительность и проект главы

ИТОГгипотезы проверяются экспериментом

• Техническое задание на дашборд
• Данные для дашборда: витрина в pandas
• DataLens: от CSV до дашборда с картой
• Дашборд, который читают, и проект главы

ИТОГдашборд собран в BI

• ИИ пишет SQL и pandas: как ставить задачу
• Проверка ответа ИИ: цифры, JOIN, логика
• Автоматизация отчёта: Python + GigaChat API
• Данные и ИИ: что нельзя отдавать модели

ИТОГИИ ускоряет рутину анализа

• Проект аналитика на GitHub
• Итоговый проект: от вопроса бизнеса до дашборда и отчёта

ИТОГсвой аналитический проект