Урок 1. Введение в аналитику данных

• Кто такой аналитик данных, задачи и карьерный путь
• Жизненный цикл данных: сбор, хранение, обработка, анализ, визуализация
• Основные понятия: данные, информация, метрики, KPI
• Обзор инструментов: Excel, SQL, Python, BI-системы

Результат: понимание роли аналитика и базовых терминов

Урок 2. Основы SQL – выборка данных

• Знакомство с реляционными базами данных и языком SQL
• Синтаксис SELECT, FROM, WHERE, LIMIT
• Типы данных, работа с NULL
• Сортировка ORDER BY

Результат: умение писать простые запросы для извлечения данных

Урок 3. Продвинутые конструкции SQL

• Объединение таблиц: JOIN (INNER, LEFT, RIGHT, FULL)
• Группировка и агрегация: GROUP BY, COUNT, SUM, AVG, MIN, MAX
• Фильтрация групп: HAVING
• Подзапросы и общие табличные выражения (CTE)

Результат: навык составления сложных запросов с объединениями и агрегацией

Урок 4. Оконные функции

• Оконные функции: ROW_NUMBER, RANK, LAG/LEAD, агрегаты с OVER
• Партиционирование и сортировка в окнах
• Практика на реальных задачах (например, расчёт retention, скользящих средних)

Результат: умение применять оконные функции

Урок 5. Описательная статистика

• Меры центральной тенденции: среднее, медиана, мода
• Меры разброса: дисперсия, стандартное отклонение, квартили, межквартильный размах
• Процентили, Box-plot

Результат: умение рассчитывать и интерпретировать основные статистические показатели

Урок 6. Распределения и проверка гипотез

• Понятие случайной величины и распределения
• Нормальное распределение и его свойства
• Центральная предельная теорема
• Проверка гипотез: нулевая и альтернативная гипотеза, p-value, t-тест

Результат: понимание логики статистических тестов, умение применять t-тест

Урок 7. Корреляционный и регрессионный анализ

• Корреляция Пирсона и Спирмена, интерпретация
• Линейная регрессия: уравнение, метод наименьших квадратов
• Оценка качества модели (R², p-value коэффициентов)

Результат: умение строить и интерпретировать регрессионные модели в Python

Урок 8. A/B тестирование

• Дизайн эксперимента: контрольная и тестовая группы, рандомизация
• Метрики и их выбор, подсчёт lift
• Статистическая значимость, длительность теста
• Разбор кейсов: как не ошибиться в A/B тесте

Результат: способность планировать и анализировать A/B тесты

Урок 9. Python для анализа данных – часть 1

• Установка Python и Jupyter Notebook, основы синтаксиса (переменные, типы данных, циклы, функции)
• Библиотеки pandas и numpy: структуры данных, чтение/запись файлов, фильтрация, группировка, базовые математические операции
• Первый анализ данных: загрузка датасета, расчёт описательных статистик

Результат: умение выполнять базовые задачи анализа данных на Python

Урок 10. Python для анализа данных – часть 2

• Обработка пропусков, создание новых признаков
• Сводные таблицы (pivot tables), объединение датафреймов
• Основы визуализации с matplotlib и seaborn

Результат: навык полноценной обработки данных и создания графиков на Python

Урок 11. BI-системы и дашборды

• Обзор BI-инструментов: Fine BI, Power BI, Tableau
• Построение интерактивных дашбордов: подключение данных, создание графиков, фильтры
• Практика: создание дашборда по продажам или активности пользователей

Результат: умение создавать дашборды для мониторинга ключевых метрик

Урок 12. Работа аналитика с искусственным интеллектом

• Обзор современных AI-инструментов: ChatGPT, Copilot, DeepSeek
• Как использовать AI для ускорения рутинных задач: написание SQL-запросов, генерация кода на Python, анализ текстов, создание отчётов
• Примеры промптов для ChatGPT: «напиши функцию на Python для расчёта retention», «объясни результат t-теста»
• Этические аспекты и ограничения: проверка данных, ответственность за выводы
• Практическое занятие: с помощью AI решить реальную аналитическую задачу (подготовка данных, визуализация, интерпретация)