Скачать BI-аналитик [Яндекс Практикум]

[Джокер]

Складчина: BI-аналитик [Яндекс Практикум]



За 10 месяцев научитесь превращать данные в наглядные графики и отчёты для бизнеса. Получите реальный опыт и сразу 2 специальности: аналитик данных и BI-аналитик.

Курс «BI-аналитик»:

Актуальная программа и навыки, которые нужны работодателям
DataLens, Superset, Python, SQL и проекты на основе реальных задач аналитиков
Через 7 месяцев у вас будет достаточно навыков, чтобы работать аналитиком данных
Усилите навыки с помощью нейросетей чтобы они работали вместе с вами, а не вместо вас.

Программа курса «BI-аналитик»:

Вводный модуль
Введение в аналитику. Отчёт в Google Таблицах
Основы SQL. Извлечение данных для анализа
SQL. Обработка данных
SQL. Анализ данных и решение ad-hoc-задач
Визуализация данных и дашборды
Основы Python
Python. Предобработка данных
Исследовательский анализ данных и визуализация
Расчёт и визуализация бизнес-метрик и показателей
Формулировка и проверка гипотез
Анализ результатов A/B-тестирования
Сбор требований и прототипирование
Дизайн дашборда и документирование его логики
Завершение работы над дашбордом. Superset
Проектирование витрины и предобработка данных
Углублённая работа с данными
Итоговый проект
Кейсы от работодателей
Нейросети для BI-аналитиков


Спойлер: Подробно
Вводный модуль

Кто такой BI-аналитик
Как проходит обучение
Помощь с трудоустройством
Введение в аналитику. Отчёт в Google Таблицах

Использование данных в бизнесе
Процесс анализа данных и задачи аналитика
Excel как инструмент аналитика. Основы Google Таблиц
Предобработка данных в Google Таблицах
Использование формул и функций
Презентация данных
Проект: отчёт в Google Таблицах для салона красоты
Основы SQL. Извлечение данных для анализа

Работа с базами данных
Типы данных и их преобразования
Фильтрация данных и агрегация
Группировка и сортировка данных
Проект: сбор статистики прослушиваний музыкального стриминга
SQL. Обработка данных

Связи между таблицами
Работа с пропущенными значениями и дубликатами
Присоединение таблиц
Операции множеств и подзапросы
Категоризация значений. Создание новых столбцов
Работа с датой и временем
Проект: анализ данных клиентов оператора связи Мегасеть
SQL. Анализ данных и решение ad-hoc-задач

Знакомство с базой данных
Оконные функции. Агрегирующие функции
Оконные ранжирующие функции
Оконные функции смещения
Описательная статистика. Аналитические функции
Практика решения ad-hoc-задач
Проект: анализ данных о продажах в онлайн-игре Секреты Темнолесья
Визуализация данных и дашборды

Визуализация в работе аналитика. Знакомство с DataLens
Основы визуализации. Чарты
Вычисляемые поля
Дашборды
Параметры
Интерпретация данных из дашбордов
Проект: дашборд на основе данных конференции TED
Итоговый проект модуля: анализ объявлений о продаже недвижимости
Основы Python

Основы синтаксиса Python
Определение данных и их типы
Условные выражения
Циклы и их организация
Функции в Python
Словари и множества
Работа с вложенными структурами
Проект: проверочные задания на знание синтаксиса Python
Python. Предобработка данных

Основы библиотеки Pandas. Обзор данных
Типы данных. Работа с датой и временем
Индексация в датафреймах. Фильтрация данных
Работа с пропущенными значениями
Обработка дубликатов
Категоризация данных
Проект: предобработка данных онлайн-игры Секреты Темнолесья
Исследовательский анализ данных и визуализация

Объединение датафреймов
Описательная статистика
Взаимосвязь переменных
Визуализация для изучения данных
Сводные таблицы
Пример исследовательского анализа данных
Проект: анализ данных рынка заведений Москвы для инвестфонда
Итоговый проект модуля: исследование данных о стартапах
Расчёт и визуализация бизнес-метрик и показателей

Что такое бизнес-метрики и зачем они нужны
Расчёт, визуализация и интерпретация продуктовых метрик
Продуктовая воронка
Расчёт метрик конверсии и LTV по когортам
Выбор ключевых и кастомных метрик
Проект: расчёт, визуализация и анализ метрик сервиса доставки еды
Формулировка и проверка гипотез

Основы теории вероятностей
Случайные величины
Распределения
Основы статистики
Проверка гипотез
Проект: проверка бизнес-гипотез для сервиса GoFast
Анализ результатов A/B-тестирования

Что такое A/B-тесты и зачем они нужны
Выбор метрики для проверки гипотезы
Расчёт размера выборки. Валидация результатов
Проверка результатов A/B-теста. Тест Манна — Уитни. Z-тест пропорций
Проект: A/B-тестирование для рекомендательной системы приложения
Итоговый проект модуля: расчёт метрик и проверка гипотезы
Сбор требований и прототипирование

Введение в BI-аналитику
Инструменты BI и их реализация
Интервью с заказчиком для сбора требований
Принципы и методы документирования бизнес-требований
Типы визуализации
Принципы дизайна дашбордов
Эскизы дашбордов
Проект: подбор инструмента для конкретной задачи и выбор визуализации
Дизайн дашборда и документирование его логики

Дополнительные чарты в DataLens
Интерактивность и параметризация дашбордов
Форматирование текста на дашбордах с помощью Markdown
Основы администрирования в DataLens
Документирование и закрепление результатов дашборда
Проект: сборка макета дашборда в DataLens
Завершение работы над дашбордом. Superset

Введение в Superset: чарты, датасеты и дашборды
Интерактивность и параметризация дашбордов
Форматирование текста на дашбордах
Основы администрирования в Superset
Проект: сборка макета дашборда в Superset
Итоговый проект модуля: дашборд в Superset по данным из PostgreSQL и интервью с заказчиком, документация дашборда в Confluence
Проектирование витрины и предобработка данных

Принципы создания витрин данных
Параметризация и фильтрация данных в Superset
Продвинутые техники SQL в DataLens
Основы администрирования в Superset
Документирование и закрепление знаний
Проект: подключение и очистка датасетов, создание дашборда в DataLens
Углублённая работа с данными

Основы SQL для BI-аналитиков
Построение дашбордов по макету и готовому датасету
Оптимизация запросов и правила хорошего кода
Сложный SQL в Superset
Качество данных для дашбордов
Проект: решение SQL-задач на разных бизнес-кейсах
Итоговый проект модуля: решение SQL‑задач, которые встречаются на собеседованиях
Итоговый проект

Решение сложных аналитических кейсов на большом объёме реальных данных с помощью PostgreSQL, DataLens и Superset. Документация результата в Confluence и презентация решения.
Проект: комплексный дашборд, чтобы отслеживать ключевые показатели
Кейсы от работодателей

Это задачи от наших партнёров, которые будут встречаться в течение всего курса. Они основаны на реальных бизнес-кейсах — вы узнаете, с чем работают аналитики данных каждый день.
Нейросети для BI-аналитиков

Навыки работы с ИИ сейчас так же важны, как и хардскилы. Поэтому модуль по нейросетям входит в базовую программу.
В нём вы узнаете, как устроены нейросети, освоите промпт‑инжиниринг и научитесь выбирать AI-инструменты для разных задач — от освоения новых технологий до повседневных обязанностей BI-аналитиков.
После обучения сможете применять ИИ в работе:
Генерировать SQL-запросы по бизнес-требованиям
Создавать и корректировать формулы в таблицах
Разрабатывать фрагменты кода на Python
Проводить диагностику кода и исправлять в нём ошибки
Брейнштормить гипотезы для исследований
Анализировать и структурировать бизнес-требования
Делать пользовательские инструкции
Выполнять первичный анализ табличных данных
Визуализировать данные
Готовить презентации
Практика: освоите техники работы с ИИ для решения 10+ типовых задач BI‑аналитиков


Цена 142500 руб.




СКАЧАТЬ СЛИВЫ КУРСОВ

Для возможности скачивать складчины и сливы курсов нужно зарегистрироваться