Учебный курс: аналитик данных

Спрос на специалистов в сфере сбора, обработки и анализа данных растёт с каждым годом. Тем не менее пока лишь 1% данных, хранящихся на предприятиях, используется по назначению. Понимаете, какой потенциал у этой профессии? Исследования показали, что 77% компаний, имеющих в штате аналитика данных, значительно улучшили свои финансовые показатели и обошли конкурентов. Почему? Потому, что когда знаешь, кому, что, когда и по какой цене продавать, стабильные денежные потоки фирме обеспечены.

Аналитики данных — человек, который при помощи структурного подхода к отбору и управлению данными, может многократно повысить  эффективность любых бизнес-процессов.

Целевая группа:
Руководители предприятий, менеджеры, специалисты по продажам, все лица, заинтересованные в эффективном использовании хранящихся в фирме данных для повышения производительности предприятия. А также лица, заинтересованные в получении новой профессии.

Для кого:

• Для менеджеров и руководителей отделов продаж.
• Для владельцев бизнеса, которые непосредственно отвечают за продажи.
• Для директоров по развитию продукции и предприятия.
• Для специалистов различных сфер, которым важно понимать кто их целевой клиент, находить этих клиентов, максимально использовать информацию об этих клиентах на пользу бизнеса.

Цель обучения : научить участников при помощи структурного подхода собирать, обрабатывать и анализировать данные именно для своей сферы бизнеса. Пояснить, по каким критериям анализировать данные, чтобы этот анализ приносил реальную пользу предприятию.

Прошедший обучение научится:

• Разбираться в индустрии данных и понимать, кто и чем занимается в этой сфере.
• Работать с данными с нуля.
• Работать с разными источниками данных и собирать данные, которые находятся в открытом доступе.
• Анализировать данные и извлекать из них полезную именно для своей компании информацию.
• Находить закономерности и тенденции, которые помогут принимать взвешенные решения в компании.
• Автоматизировать процесс сбора данных и экономить массу времени на более важные процессы.
• Овладеет Python на уровне, достаточном для анализа данных.
• Сможет работать с различными форматами представления, хранения и передачи данных CSV, XML и XLS.
• Создавать, изменять и управлять базами данных при помощи SQL.

Программа:

1. модуль. Введение в специальность аналитик данных. Основы анализа данных.
   • Любовь Кяэс Дата-инженер, руководитель отдела управления данными в Milrem Robotics.
     Руководитель отдела управления данными в Milrem Robotics. 10 лет опыта работы с данными, дата-инженер.
     • Чем занимается аналитик данных?
     • Основные навыки, которыми должен обладать аналитик данных.
     • Различные направления в data-индустрии: (Data Analyst, Data Scientist, Business Intelligence, администратор и инженер Big Data, DevOps-инженер, DataOps, Chief Data Officer, специалист по безопасности и др).
     • Что такое датасеты?
     • Анализ состояния предприятия на предмет необходимости иметь в штате аналитика данных.
     • Какие источники данных больше всего подходят для вашего бизнеса?
     • Инструменты и техники пассивного сбора информации.
2. модуль. Фундаментальные основы для анализа данных. Источники данных и работа с ними.
   • Вячеслав Антипенко Глава IoT в Telia Eesti AS.
     • Что такое наука о данных(data science)?
     • Что входит в процесс анализа данных?
     • Данные и их применение в бизнесе;
     • Категории бизнес-аналитики;
     • Различные применения анализа данных;
     • С чего начать внедрение анализа данных в компании?
     • Практические примеры сбора, анализа данных и эффективных результатов;
3. модуль. Excel - основной инструмент для анализа данных.
   • Екатерина Трунин Присяжный аудитор, член Палаты аудиторов, специалист по корпоративным финансам и хозяйственному учёту
     • Сводные таблицы - базовый инструмент для работы с большим количеством неструктурированных данных.
     • Использование полей и элементов в сводной таблице, в том числе создание новых полей и элементов.
     • Группировка полей.
     • Систематизация и настройка данных в таблице Excel.
     • 4 техники анализа данных в Excel.
     • Анализ данных через сводные таблицы Excel.
     • Автоматизация анализа данных в Excel.
     • Дисперсионный анализ.
     • Корреляционный анализ.
     • Ковариация.
     • Вычисление скользящего среднего. Очень популярный метод в статистике и в трейдинге.
     • Случайные числа.
     • Операции с выборкой.
     • Быстрый анализ баз данных в Excel.
     • Лист прогнозов.
4. модуль. Создание клиентской базы с нуля, исходя из запросов конкретного бизнеса
   • Любовь Кяэс Дата-инженер, руководитель отдела управления данными в Milrem Robotics.
     • Как собирать и структурировать элементарные базы данных с нуля?
     • Список сайтов, на которых можно собирать данные по запросу.
     • Поиск и хранение данных.
     • Перевод базы из СSV в Excel.
     • Парсинг (web scraping) — это автоматизированный сбор открытой информации в интернете по заданным условиям.
     • Примеры парсеров-программ.
     • От Excel к CRM. Что такое CRM-система и какие задачи бизнеса решает?
5. модуль. Python для анализа данных.
   • Анна Альянаки Tartu Ülikool, Институт компьютерных наук, преподаватель информатики.
     • В какой степени необходимо владеть Python data-специалисту?
     • Устанавливаем Python.
     • Рабочая среда аналитика: jupyter и colab.
     • Язык разметки Markdown.
     • Основной синтаксис языка Python. Синтаксис при сборе данных.
     • Методы работы со списками и словарями.
     • Методы работы с разными типами данных.
     • Работа с файлами.
     • Работа со строковыми величинам.
     • Работа со временем и датами.
     • Распознаем даты в Python.
     • Учимся складывать и вычитать даты.
     • Объединение данных из разных источников.
6. модуль. Pandas - библиотека на языке Python для обработки и анализа данных.
   • Анна Альянаки Tartu Ülikool, Институт компьютерных наук, преподаватель информатики.
     • Библиотека Pandas: как с ней работать?
     • Учимся группировать данные по колонкам средствами Pandas.
     • Распределяем датасет поисковых запросов по количеству слов.
     • Знакомимся с Pivot и сложной агрегацией средствами Pandas.
     • Учимся работать со сводными таблицами.
     • Объект DataFrame для манипулирования индексированными массивами двумерных данных.
     • Инструменты для обмена данными между структурами в памяти и файлами различных форматов.
     • Встроенные средства совмещения данных и способы обработки отсутствующей информации.
     • Переформатирование наборов данных, в том числе создание сводных таблиц.
     • Срез данных по значениям индекса, расширенные возможности индексирования, выборка из больших наборов данных
     • Вставка и удаление столбцов данных.
     • Возможности группировки позволяют выполнять трёхэтапные операции типа «разделение, изменение, объединение» (англ. split-apply-combine).
     • Слияние и объединение наборов данных.
     • Иерархическое индексирование позволяет работать с данными высокой размерности в структурах меньшей размерности.
     • Работа с временными рядами: формирование временных периодов и изменение интервалов и т.д.
7. модуль. Лайфкодинг: анализ реальных данных (EDA - exploratory data analysis).
   • Глеб Михайлов Эксперт международного уровня по анализу данных. Автор и ведущий обучений по анализу данных на Яндекс.Практикум и udemy.com. Создатель системы обучения Python и SQL для начинающих.
     Специалист по анализу данных. Имеет опыт работы в сфере сбора, обработки и анализа данных с 2011 года. Глеб работал аналитиком и дата саентистом в Альфабанке, Сбербанке, Ростелекоме. Более 2 лет работает наставником и преподавателем в Яндекс.Практикуме. Автор и ведущий обучений по анализу данных и дата саенс. Глеб пришёл в профессию самоучкой и прекрасно знает, каково это самостоятельно осваивать новую профессию. Ведёт канал по дата-аналитике на youtube и лекции на udemy. Максимально просто, без заумствований делится своими практическими наработками и лайфхаками.
     • Загрузка данных на Google Drive.
     • Чтение данных в Google Colab.
     • Подготовка данных к анализу: переименование столбцов, замена форматов данных, проверка на дубликаты, анализ пропущенных значений.
     • Первичный анализ: распределение, поиск выбросов.
     • Анализ с помощью сводных таблиц.
     • Анализ непрерывных переменных с помощью разбиения на диапазоны.
     • Анализ с помощью графиков и диаграмм: line plot, bar plot, histogram, scatter plot.
     • Принципы проверки своих вычислений и преобразований.
     • Принципы написания аналитических выводов.
     • Принципы профессионального оформления Jupyter Notebook.
     • Практическая часть.
8. модуль. SQL - незаменимый инструмент при сборе и анализе данных.
   • Любовь Кяэс Дата-инженер, руководитель отдела управления данными в Milrem Robotics.
     • SQL как основной инструмент для создания, модификации и управления данными.
     • Какие бывают базы данных?
     • Как подключиться к базе данных: SQL + python + jupyter?
     • Как при помощи SQL:
       • создать в базе данных новую таблицу;
       • добавить в таблицу новые записи;
       • изменить записи;
       • удалить записи;
       • сделать выборку записей из одной или нескольких таблиц (в соответствии с заданным условием);
     • Можно ли научиться писать простые SQL-запросы без образования программиста?
     • Как при помощи SQL-запроса получать данные из баз данных?
     • Аналитические функции SQL.
     • Оконные функции SQL.
     • Где тренировать SQL?
9. модуль. Автоматизация информации и программы по управлению данными.
   • Любовь Кяэс Дата-инженер, руководитель отдела управления данными в Milrem Robotics.
     • От процесса к технологии. Из чего состоит автоматизация информации? Понимание автоматизации данных.
     • Формирование Data Driven в компании и жизненный цикл данных.
     • Программы по управлению данными. Разработка решений платформы данных.
     • Выбор внешней или разработка собственной платформы для работы с данными.
     • Когда нужны облака?
     • Коммерческие и открытые платформы управления данными.
     • Интеграция. Извлечение данных из различных источников для создания единой среды аналитики.
     • Процессы предобработки и автоматизации данных (ETL/ELT, data pre-processing).
     • Как реализовать озеро данных (Data Lake) и не утонуть в болоте?
     • Использование интерфейса API.
10. модуль. BI-аналитика, построение интерактивных отчетов.
    • Ирина Николаева Дата-инженер в Microsoft Development Center Estonia, отдел Media Call Quality Dashboard.
      • Введение в BI аналитику.
      • Что такое BI системы?
      • Обзор продуктов Qlik, Tableau, Power BI.
      • Что такое дашборд, их виды и предназначение.
      • Story telling (презентация данных).
      • Основные элементы интерфейса и типы визуализаций.
      • Работа в Power BI:
        • Получение и моделирование данных в Power BI. Import и Direct Query.
        • Создание модели данных. Таблица фактов и таблицы мер (dimensions).
        • Создание отчета
        • Основы языка DAX. Создание calculated measures.
        • Управление закладками и фильтрами.
        • Публикация отчета.
        • Основные методы защиты данных и разграничения доступа.
11. модуль. Что нужно знать аналитикам и data-специалистам о защите личных данных?
    • Кристина Визнович Адвокат адвокатского бюро Pallo&Partnerid, специалист по защите данных. Тартуский университет право информационных технологий.
      • Обеспечение конфиденциальности и защиты при сборе и хранении личных данных.
      • Какие данные можно собирать и для чего?
      • Когда обработка персональных данных является незаконной?
      • Сбор, обработка и хранение персональных данных в маркетинговых целях.
      • Какие данные нельзя обрабатывать?
      • Права лиц, персональные данные которых подвергаются обработке.
      • Что такое нарушение личных данных?
      • Как должна происходить защита данных?
      • Что делать, если права всё же нарушены?
      • Кто следит за исполнением регламента? Куда обращаться в случае выявленного нарушения?
      • Наказание за нарушение использования личных данных.
      • Дигитальное архивирование данных клиентов и партнёров.
12. модуль. Data-сторителлинг и визуализация данных.
    • Анастасия Валеева Data-журналист. Преподаватель дата-журналистики в Американском Университете в Центральной Азии.
      Дата-журналист и медиа-тренер по журналистике данных. Соосновательница общественного фонда "Школа Данных Кыргызстан" Преподаватель дата-журналистики в Американском Университете в Центральной Азии.
      • Создание креативных текстов на основе данных и результатов анализа.
      • Интерпретация данных и приемы сторителлинга.
      • Форматы использования данных для достижения аудитории.
      • Интерактивные инструменты для презентации данных.
      • Визуализация данных: принципы создания и основы работы с инструментами.

Прошедший обучение сможет:

• Определять задачи и понимать, для каких целей его предприятию нужны данные.
• Определять, какие именно данные нужны и составлять пошаговый план по их сбору.
• Собирать данные.
• Обрабатывать их под нужды своего бизнеса, используя различные методы, о которых узнает на курсе.
• Анализировать.

Организационная информация:

• В группе 15 мест!
• Возможно покупать учебные дни отдельно.
• Возможна оплата по частям.
• Возможна оплата в рассрочку от Liisi! Начни учиться сразу, плати — потом.
• Один учебный день – 4 академических часа.
• Обучение 1 раз в неделю, в режиме онлайн.
• Доступ к записям всех учебных дней в течение 14 дней.
• Всего  50 академических часов.
• Спросите КОМПЕНСАЦИЮ затрат на обучение персонала от Кассы по безработице.
• По окончанию обучения — сертификат о прохождении программы.