Каталог/назад к курсам
Data ScienceСредний
Практическая аналитика данных
Превратите знания SQL или Python в аналитическую работу: проверяйте данные, считайте бизнес-метрики, стройте дашборды и объясняйте выводы на трёх прикладных кейсах.
10 модулей • 45 уроков255 заданий с проверкойоколо 40 ч
Свободный темпСертификат с проверкой
О курсе
Умеете писать запросы или работать с Python, но пока непонятно, как из таблицы получить полезный ответ для бизнеса?
На учебных данных интернет-магазина «Маяк» вы пройдёте путь от расплывчатого вопроса до графика, вывода и рекомендации. Разберётесь, какую метрику выбрать, каким данным доверять, как сравнивать периоды и почему красивый график ещё не доказывает причину изменений.
Выберите удобный маршрут расчётов: SQL или Python с pandas. Графики и дашборды соберёте в DataLens. Визуализация появляется уже в начале курса, а затем сопровождает анализ.
В программе три прикладных кейса: продажи, клиенты и когортное удержание, рекламные каналы. В финале соберёте дашборд, повторите анализ на новом месяце данных и подготовите короткую аналитическую записку.
45 уроков в 10 модулях: объяснения, разобранные примеры, учебные данные и самостоятельная практика с проверкой контрольных результатов. Ориентир по плану — около 40 часов для одного выбранного маршрута.
Чему научитесь
- Переводить бизнес-запрос в конкретный вопрос и паспорт метрики.
- Проверять пропуски, дубли, grain и последствия объединения таблиц.
- Читать средние, медианы, квартили, распределения и динамику показателей.
- Анализировать продажи, удержание клиентов и показатели рекламных каналов.
- Создавать графики и дашборд в DataLens и объяснять ограничения выводов.
- Повторять расчёты на новом периоде и формулировать рекомендацию в аналитической записке.
Для кого
- Для тех, кто освоил основы SQL или Python и хочет перейти к прикладному анализу данных. Подойдёт как следующий курс после SQL, Python или NumPy при выполнении требований выбранного маршрута.
Формат
- Текстовые уроки, воспроизводимые иллюстрации, примеры SQL и pandas, самостоятельная практика на предоставленных данных, проверки ответов и интерпретации. Код выполняется в выбранной учебной среде; сохранённые графики DataLens сверяются самостоятельно.
Что нужно на старте
- Для SQL-маршрута: базовые SELECT, WHERE, GROUP BY и работа с таблицами. Для Python-маршрута: переменные, условия, функции и базовая работа с Python. Достаточно одного маршрута; работу с pandas и DataLens разбираем в курсе.
#аналитика данных#sql#python#pandas#datalens#бизнес-метрики#дашборды
Автор курса
Алексей Малышкин
Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов. Мой профиль на Stepik - https://stepik.org/users/273781420/profile Мой телеграм для связи @alexey_latorn
Программа
01Аналитическое мышление и первый рабочий цикл6 уроков
1Цикл аналитической работы: от бизнес-вопроса к решениюпробный
2Паспорт метрики: числитель, знаменатель и grain
3Виды переменных: количественные и категориальные
4Учебные данные: словарь таблиц и первый рабочий цикл
5Абсолютное и относительное изменение: проценты и процентные пунктыпробный6Доли категорий и интерпретация разницы долей
02Первые графики и мини-дашборд в DataLens3 урока
1DataLens: доступ, файловое подключение и датасет
2Линейный график и столбчатая диаграмма в DataLens
3Первый дашборд: табличный чарт, холст, фильтр по периоду и проверка
03Описательная статистика: центр, разброс и распределение6 уроков
1Среднее и медиана: выбор меры центрапробный
2Вычисление медианы: ранжированный ряд в SQL и pandas
3Перцентили и межквартильный размахпробный4Частотная таблица и гистограмма: чтение распределения
5Взвешенное среднее и эффект состава групппробный6Выбросы: выявление, причины и решение об исключении
04Доверие к данным: качество, пропуски, дубли и JOIN4 урока
1Базовая проверка качества данных: NULL, дубли и диапазоны
2NULL, реальный ноль и защита деления
3Grain таблиц, раздувание суммы при JOIN и визуализация ошибки
4Сопоставимость периодов: полнота и незрелый срез
05EDA: сегментация, динамика и ограничения интерпретации4 урока
1EDA: сегментация числовой переменной и сравнение сегментов
2Эффект состава: mix-shift между периодами и его влияние на агрегат
3Временной ряд: тренд, сезонность и разовый выброс
4Ограничения описательного анализа: корреляция не причина
06Кейс: анализ продаж6 уроков
1Метрики продаж: выручка, число заказов и AOV с учётом статусов и возвратовпробный
2Учёт возвратов: предагрегация refunds и сверка итогов
3Декомпозиция изменения выручки: Δзаказы × AOV_base + заказы_new × ΔAOV
4Ценовые сегменты: доли и сдвиг структуры продаж
5Дашборд продаж в DataLens: динамика, AOV и сегменты
6Аналитический отчёт по продажам: от цифр к решению
07Кейс: анализ клиентов и когортное удержание6 уроков
1Определение клиента, первого заказа и повторной покупки
2Построение когорт: cohort_month и возраст когорты
3Сводная таблица удержания: фиксированный знаменатель и вещественное деление
4Зрелость когорты: одинаковое окно наблюдения
5Дашборд клиентов: таблица удержания и когортные графики в DataLens
6Аналитический отчёт по клиентам: удержание, ограничения и рекомендация
08Кейс: анализ рекламных каналов6 уроков
1Метрики рекламы: CPA и ROAS — определения и знаменателипробный
2Согласование данных о расходах и заказах по period + channel
3Выручка vs. маржа: почему высокий ROAS не гарантирует прибыльность
4Ограничения атрибуции: пропуски, отсутствие модели, ненаблюдаемые эффекты
5Дашборд рекламы: вычисляемые поля CPA и ROAS в DataLens
6Аналитический отчёт по рекламным каналам: сравнение, аномалии и рекомендация
09Коммуникация результатов и финальный дашборд2 урока
1Структура аналитического отчёта для нетехнической аудитории
2Финальный дашборд DataLens: три кейса, навигация и проверка фильтров
10Воспроизводимость: новый месяц данных и аналитическая записка2 урока
1Повтор ключевых расчётов на новой месячной выгрузке
2Аналитическая записка: новый месяц, ключевые изменения и рекомендация
Дополнительные материалы и практика
Задачи
- Задача по аналитике: Выручка vs. маржа: почему высокий ROAS не гарантирует прибыльность
- Задача по аналитике: Базовая проверка качества данных: NULL, дубли и диапазоны
- Задача по аналитике: Ограничения описательного анализа: корреляция не причина
- Задача по аналитике: Паспорт метрики: числитель, знаменатель и grain
- Задача по аналитике: Доли категорий и интерпретация разницы долей
- Задача по аналитике: Согласование данных о расходах и заказах по period + channel
- Задача по аналитике: Дашборд продаж в DataLens: динамика, AOV и сегменты
- Задача по аналитике: Эффект состава: mix-shift между периодами и его влияние на агрегат
- Задача по аналитике: Виды переменных: количественные и категориальные
- Задача по аналитике: Выбросы: выявление, причины и решение об исключении
- Задача по аналитике: Дашборд рекламы: вычисляемые поля CPA и ROAS в DataLens
- Задача по аналитике: Зрелость когорты: одинаковое окно наблюдения
- Задача по аналитике: Сводная таблица удержания: фиксированный знаменатель и вещественное деление
- Задача по аналитике: Ограничения атрибуции: пропуски, отсутствие модели, ненаблюдаемые эффекты
- Задача по аналитике: NULL, реальный ноль и защита деления
- Задача по аналитике: Вычисление медианы: ранжированный ряд в SQL и pandas
- Задача по аналитике: Построение когорт: cohortmonth и возраст когорты
- Задача по аналитике: Линейный график и столбчатая диаграмма в DataLens
- Задача по аналитике: Декомпозиция изменения выручки: Δзаказы × AOVbase + заказыnew × ΔAOV
- Задача по аналитике: Ценовые сегменты: доли и сдвиг структуры продаж
Уроки
- Абсолютное и относительное изменение: проценты и процентные пункты
- Среднее и медиана: выбор меры центра
- Перцентили и межквартильный размах
- Взвешенное среднее и эффект состава групп
- Метрики продаж: выручка, число заказов и AOV с учётом статусов и возвратов
- Метрики рекламы: CPA и ROAS — определения и знаменатели
