Аналитик данных

Самая востребованная профессия ближайших лет — 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.

Программа:

1. Mодуль. Введение в специальность аналитик данных. Основы анализа данных.
   Любовь Самма Data Architect в Luminor Group.
   15 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. Mодуль. Основные инструменты и программы, необходимые для анализа данных. Устанавливаем необходимое ПО.
   Максим Пушкин DWH Engineer&Analyst в Bi&Dwh Consult OÜ (BerryBI.ee). Аналитик данных с 10-летним опытом.
   
   • Microsoft Excel:Обзор интерфейса.
     • Основные функции и формулы.
     • Практическое задание: создание простой таблицы, использование формул для суммирования и среднего значения.
   • Google Sheets:Создание аккаунта и обзор интерфейса.
     • Основы совместного редактирования.
     • Практическое задание: импорт данных в Google Sheets, использование функций и совместная работа.
   • SQL:Обзор SQL-сервера или использование онлайн-решений (например, SQLite).
     • Основы синтаксиса SQL.
     • Практическое задание: выполнение простых SQL-запросов для выборки данных.
   • Python и Jupyter Notebook:Установка Anaconda Distribution.
     • Обзор интерфейса Jupyter Notebook.
     • Основы работы с библиотеками Pandas и NumPy.
     • Практическое задание: загрузка данных, простейший анализ и визуализация.
   • Визуализация и базы данных Power BI:Установка Power BI Desktop.
     • Импорт данных и создание базовых визуализаций.
     • Практическое задание: создание простого дашборда с визуализациями.
   • Tableau:Установка Tableau Public.
     • Обзор интерфейса и основные возможности.
     • Практическое задание: создание базовой визуализации.
     • Mодуль. Excel – основной инструмент для анализа данных.
3. Mодуль. Фундаментальные основы для анализа данных. Data Analysis Project Lifecycle или жизненный цикл проекта анализа данных
   Диана Габриельян Доктор экономических наук. Руководитель отдела по анализу данных в Stockmann. Лектор в Tartu Ülikool.
   Диана начинала как программист, а затем стала углублённо заниматься темой анализа данных. Помимо своей основной работы, она преподает в Тартуском университете, обучая студентов основам анализа данных, SQL и основам программирования на R. Ее цель – дать учащимся максимум практических знаний и навыков, которые могут быть применены в бизнесе.
   • Базовые термины и инструменты, используемые международными аналитиками данных.
   • Жизненный цикл анализа данных.
   • Типы анализа данных — Ключевые соображения по анализу данных.
   • Типы данных и какие из них использовать для ваших нужд.
   • Откуда брать данные? Источники данных.
   • Наиболее популярные типы диаграмм.
   • Практические примеры того, как реально использовать в компании эти инструменты.
   • Обсуждение методов сбора данных и источников данных.
   • Демонстрация процесса сбора и очистки данных по конкретному типу.
4. Mодуль. Mодуль. 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.
5. Mодуль. 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.
6. Mодуль. Основы исследовательского анализа данных. Инструменты и методы EDA (Exploratory Data Analysis).
   Любовь Самма Data Architect в Luminor Group.
   • Зачем нужен исследовательский анализ (EDA)?
   • Инструменты и методы EDA.
   • Подготовка данных к анализу: загрузка и чтение данных, преобразование данных в нужный формат, проверка на дубликаты, анализ пропущенных значений, и т.п.
   • Первичный анализ: распределение, поиск выбросов.
   • Анализ данных непрерывных переменных с помощью разбиения на диапазоны.
   • Анализ с помощью графиков и диаграмм
   • Объяснительный анализ, принципы оформление отчета, блокнота Jupyter Notebook и аналитических выводов.
   • Что можно автоматизировать?
   • Практическая часть анализа выполняется в облачном сервисе Google Colab на основе блокнота Jupyter Notebook с кодом на языке Python.
7. Mодуль. SQL – незаменимый инструмент при сборе и анализе данных.
   Диана Габриельян Доктор экономических наук. Руководитель отдела по анализу данных в Stockmann. Лектор в Tartu Ülikool.
   
   • 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);
   • Аналитические функции SQL.
8. Mодуль. R — мощный инструмент для работы с данными.
   Диана Габриельян Доктор экономических наук. Руководитель отдела по анализу данных в Stockmann. Лектор в Tartu Ülikool.
   • Введение в интерфейс RStudio.
   • Настройка библиотек. Активация и использование библиотек.
   • Базовые команды R.
   • Импорт данных.
   • Обзор данных и первоначальный анализ.
   • Визуализация данных с помощью пакета ggplot2. Создание графиков.
   • Обработка данных с помощью пакета dplyr.
   • Генерация документов в различных форматах (HTML, Word, PDF).
9. Mодуль BI-аналитика, построение интерактивных отчетов.
   Анатолий Прикладовский LHV, Lead Data Analyst.
   Специалист по трансформации сложных наборов данных в стратегические идеи, которые способствуют росту эффективности бизнеса.
   • Что такое BI аналитика?
   • Как работает Business Intelligence.
   • Методы BI.
   • Как BI, дата аналитика и бизнесс аналитика работают вместе?
   • Что такое дашборд, их виды и предназначение.
   • Основные элементы интерфейса и типы визуализаций.
   • Этапы разработки дашборда.
   • Воркшоп в Power BI:
     • Импорт данных в Power BI. Import и Direct Query.
     • Создание модели данныхи использую fact и dimention таблицы.
     • Создание отчета.
     • Создание calculated measures испольщуя DAX.
     • Закладки и фильтры.
     • Публикация отчета.
     • Основные методы защиты данных и разграничения доступа.
10. Mодуль. Создание клиентской базы с нуля, исходя из запросов конкретного бизнеса
    Любовь Самма Data Architect в Luminor Group.
    15 лет опыта работы с данными, дата-инженер.
    • 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?
11. Mодуль. Что нужно знать аналитикам и data-специалистам о защите личных данных?
    Алисса Хмельницкая Юрист в Инспекции по защите данных (Andmekaitse Inspektsioon).
    Магистра права (Tallinna Ülikool).
    2020–2022гг.: юрист-консультант в Трудовой Инспекции;
    2022 г.: юрист в Инспекции по защите данных.
    
    • 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. Mодуль. Применение ИИ для сбора, обработки и анализа данных.
    Дмитрий Фишман Tartu Ülikool, лектор по тематике искусственного интеллекта. Инструктор в Data Carpentry и Software Carpentry.
    Младший лектор по теме искусственного интеллекта в Тартуском Университете, сертифицированный инструктор в организациях Data Carpentry и Software Carpentry, приглашенный лектор Украинского Католического Университета и сооснователь компании Better Medicine.
    • Источники данных для ИИ.
    • Алгоритмы машинного обучения.
    • Классификация и регрессия.
    • Кластеризация данных.
    • Примеры работы разных методов машинного обучения.
    • Примеры использования ИИ в анализе данных.
    • Этические аспекты использования ИИ.

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

Организационная информация:

• В группе 15 мест!
• Возможно покупать учебные дни отдельно.
• Возможна оплата по частям и без %. 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.
• По окончанию обучения — сертификат о прохождении программы.