Формы подачи материала:
-видео
-текст
Методы:
-асинхронная работа студента на платформе
-синхронная работа на вебинарах с преподавателями
-самостоятельная работа (выполнение заданий)

1.Анализ рынок конкурентов — изучаем, что предлагают другие школы и рынок вакансий, чтобы давать востребованные знания и навыки.
2.Проработка критериев по набору экспертов и авторов программы
3.Разработка контента в обучающие материалы и проектирование структуры курса
4.Анализ рынка вакансий на предмет актуальности знаний.
5.Создание авторами модулей программы. Каждый урок проходит многоуровневое ревью — эксперта, методиста, редактора, студента-тестировщика.
6.Чередование форматов подачи информации (текст — видео— таблица). Обязательно предоставление ссылок на дополнительные источники — документацию и полезные статьи, которые помогут лучше понять тему и расширят кругозор студента
7.В конце каждой темы у нас есть:
-итоговое тестирование, чтобы привести знания теории в систему,
-большая практическая задача для закрепления всех необходимых навыков модуля.
8.Обработка обратной связи от студентов по каждому модулю.

-Продуктовые подходы
-Зачем продуктовый подход аналитику?
-Как выявить потребности клиента?
-Зачем аналитику нужна юнит-экономика?
-Как оценить финансовый результат по гипотезе
-Типы задач продуктового аналитика
-Инфраструктурные задачи
-Ad hoc-запросы
-Главное — скорость
-Процессы ad hoc-исследования
-Трансформация в аналитическую задачу
-Как быть с инфраструктурными задачами?
-Инфраструктурные задачи: пример 1
-Инфраструктурные задачи: пример 2
-Инфраструктурные задачи: пример 3
-Фронтовая аналитика
-Планирование внедрения аналитики
-Систематизация внедрения: быстро или качественно
-Систематизация внедрения: лучшие практики
-Систематизация внедрения: процессы
-Внедрение аналитики
-GTM или хардкод?
-Настройка GTM
-Настройка аналитики: AppMetrica, Amplitude, MyTracker
-Как писать ТЗ
-Сегментирование рынка
-Методы сегментирования рынка
-Сегментация целевой аудитории
-Что такое RFM-анализ?
-RFM-анализ: плюсы и минусы
-Что такое когортный анализ?
-Область применения когортного анализа.
-Этапы анализа полученных данных
-Программы и платформы для анализа данных
-Настройка: Google Студия данных
-Настройка: Power BI
-Настройка: Excel
-Анализ данных при помощи Python
-Практика: анализ данных при помощи Python
-Составление отчётов и дашбордов
-Визуализация результатов: преимущества и принципы
-Визуализация результатов: правила
-Обзор источников внешних данных для бизнес-аналитики
-Обзор источников внешних данных для бизнес-аналитики: разбор примера
-Извлечение внешних данных с помощью Python: API
-Извлечение внешних данных с помощью Python: парсинг
-Внутренние данные: обзор популярных баз данных
-Дополнительный модуль: Создание базы данных PostgreSQL на Azure
-Внутренние данные: подключение к базе данных
-Ошибки данных и верификация данных
-Декомпозиция данных. Стратификация
-Эффективность каналов привлечения и воронка продаж
-Пользовательская аналитика
-Создание отчёта
-Зачем нужны A/B-тесты?
-Гипотезы и проведение A/B-тестов
-Источники идей для тестирования и гипотез
-Метрики
-Ухудшающие A/B-тесты
-Офлайн A/B-тесты
-Сферы применения и примеры A/B-тестов
-Что нужно для проведения A/B-тестов?
-Введение в математическую статистику
-Виды распределений
-Генеральная совокупность и выборка
-Проверка статистических гипотез
-Статистические критерии оценки гипотез: z-критерий
-t-критерий
-Критерий Манна-Уитни
-Основные шаги при проведении тестов
-Основные шаги при проведении тестов: разбор кейсов
-Практический разбор кейса
-Оценка затрат на тестирование
-Тестирование на малых выборках
-Какие бывают проблемы при А/В-тестировании
-Некорректное определение контрольной и тестовой группы
-Другие виды тестов
-Проблема подглядывания
-Байесовские многорукие бандиты
-Множественная проверка гипотез
-Множественная проверка гипотез: разбор кейса
-Популярные инструменты для проверки гипотез
-Google Optimize
-Firebase
-Дизайн эксперимента с помощью Python
-Сегментирование рынка
-Методы сегментирования рынка
-Целевая аудитория
-Сегментация и методы сегментации целевой аудитории
-Портрет клиента и сбор данных
-Аналитика сервисов сегментации и персонализации
-Настройка сегментации и персонализации интернет-магазина при помощи сервиса CarrotQuest
-Что такое RFM-анализ?
-RFM-анализ: плюсы и минусы
-Что такое когортный анализ?
-Область применения когортного анализа
-Игровой юнит
-Зачем объединять данные?
-Внутренние данные: обзор популярных баз данных
-Создание базы данных PostgreSQL на Azure
-Внутренние данные: подключение к базе данных
-Обзор ETL сервисов
-Подключаемся к БД через MyBi
-Сквозная аналитика: что это и зачем нужно?
-Как настроить сквозную аналитику самостоятельно?
-Популярные сервисы для настройки сквозной аналитики
-Roistat: знакомство
-Кейсы: когда сквозная аналитика действительно работает
-Эконометрика: что это и зачем нужно
-Однофакторная эконометрическая модель
-Влияющие факторы и многофакторная эконометрическая модель
-Строим модель по факторам
-Ключевые метрики и KPI для отслеживания рекламных кампаний, лидов, продаж
-Прототипирование и подбор графиков
-Зачем визуализировать данные?
-Описание кейса
-Шаг I. Получение и первичный анализ данных
-Шаг II. Сегментирование целевой аудитории
-Шаг III. Когортный анализ
-Шаг IV. Построение модели
-Шаг V. Построение дашборда
-Шаг VI. Защита. Как подготовить достойную презентацию?
-Статистика и A/B-тесты
-Какие бывают распределения?
-Формирование выборки для тестирования
-Проверка статистических гипотез
-z-критерий
-t-критерий
-Критерий Манна-Уитни
-Какие бывают проблемы при А/В-тестировании
-Некорректное определение контрольной и тестовой группы
-Другие виды тестов
-Проблема подглядывания
-Байесовские многорукие бандиты
-Множественная проверка гипотез
-Множественная проверка гипотез: разбор кейса
-Введение, или Три возможных сценария для A/B-тестов
-Методы трансформации данных: метод Шапиро-Уилка, линеаризация
-Методы трансформации данных: метод Бокса-Кокса, бутстрэп
-Распространение результатов на генеральную совокупность
-Анализ эксперимента с помощью Python
-Защита результатов перед заказчиком

Технологии интеллектуального анализа данных/Алексеев Д.С. - СПб.: Лань, 2022 - 176 с. - ISBN: 978-5-8114-8299-3 (ПК-1, ПК-2, ПК3, ПК-4)