Анализ данных с AI

Спрос на специалистов в сфере сбора, обработки и анализа данных растёт с каждым годом. А на тех, кто умеет использовать AI в этой работе — вдвойне. Тем не менее пока лишь 1% данных, хранящихся на предприятиях, используется по назначению. Понимаете, какой потенциал у этой профессии?

Компании, которые умеют работать с данными, лучше понимают своих клиентов, точнее планируют продажи, эффективнее управляют ресурсами и быстрее реагируют на изменения рынка. Потому что когда бизнес знает, кому, что, когда и по какой цене предлагать, он получает более стабильные денежные потоки и конкурентное преимущество.

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.

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.

• Всего  50 академических часов.

• Спросите КОМПЕНСАЦИЮ затрат на обучение персонала от Кассы по безработице.

• По окончанию обучения — сертификат о прохождении программы. 

Прошедший обучение сможет:

1. Определять задачи и понимать, для каких целей его предприятию нужны данные.

2. Определять, какие именно данные нужны и составлять пошаговый план по их сбору.

3. Собирать данные.

4. Обрабатывать их под нужды своего бизнеса, используя различные методы, о которых узнает на курсе.

5. Анализировать данные.
   
   
   
   

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

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.

1. модуль. Введение в специальность аналитик данных. Основы анализа данных.
   Александра Кяэс-Самма Data Architect в Omniva Eesti.

   • Роль аналитика данных в современной компании

     • Что делает аналитик данных на практике: от сбора до визуализации.

     • Как изменились задачи с появлением ИИ и автоматизации.

   • Основные навыки и инструменты аналитика (2025)

     • Классические навыки: работа с данными, статистика, SQL, визуализация.

     • Новые компетенции: использование ИИ, автоматизация процессов, работа с AutoML.

   • Различные направления в data-индустрии

     • Data Analyst, Business Intelligence, Data Scientist, Data Engineer, DataOps, Chief Data Officer.

     • Как ИИ меняет эти роли и создаёт новые (Augmented Analyst).

   • Что такое датасеты и где их брать

     • Определение датасета, открытые источники данных.

     • Практика: поиск бесплатного датасета для первого анализа.

     • Как ИИ может помогать находить и генерировать датасеты.

   • Источники данных для бизнеса

     • Внутренние (CRM, ERP, сайты, приложения) и внешние источники.

     • Инструменты пассивного сбора данных.

     • Как ИИ помогает агрегировать и очищать источники данных.

   • Как понять, нужен ли бизнесу аналитик данных

     • Примеры задач компаний.

     • Диагностика: “есть ли в компании место для аналитики?”.

     • Практика: разбор реального кейса малого бизнеса.

   • ИИ и аналитик: конкуренты или союзники?

     • Как ИИ меняет рынок аналитики: автоматизация vs новые возможности.

     • Какие задачи ИИ уже делает лучше, а какие остаются за человеком.

     • Демонстрация: ChatGPT и Copilot как помощники аналитика.

   • Этика и работа с данными

     • GDPR, конфиденциальность, анонимизация.

     • Как ИИ инструменты обрабатывают данные и что важно знать.

   • Поиск работы аналитиком данных с нуля

     • Требования работодателей к junior-аналитикам (2025).

     • Что можно показать в портфолио без опыта: пет-проекты, визуализации, отчёты.

     • Как использовать ИИ для составления резюме, подготовки к собеседованию и тестовым заданиям.

   • Практическое задание модуля

     • Найти 3 вакансии Data Analyst (junior) и выписать повторяющиеся требования.

     • Составить список навыков, которые нужно освоить для соответствия.

     • С помощью ChatGPT/Copilot подготовить первый драфт резюме.

2. модуль. Типы данных и основы аналитического мышления. Необходимые для анализа данных программы.
   Кирилл Смирнов Ведущий специалист по моделированию кредитных рисков в Bigbank.

   • Что такое данные: от цифр к информации

     • Разница между “данные”, “информация” и “знания”.

     • Как ИИ превращает сырые данные в инсайты.

   • Структура данных и табличное мышление

     • Строки, столбцы, поля, первичный ключ.

     • Практика: разбор простого датасета.

   • Типы данных: количественные, качественные, категориальные

     • Различие между числовыми, текстовыми и категориальными данными.

     • Зачем это важно для анализа и визуализации.

   • Форматы данных и где они встречаются

     • CSV, Excel, SQL-таблицы, JSON, API.

     • Практика: открыть разные форматы и сравнить.

   • Чистые и “грязные” данные

     • Что такое дубликаты, пропуски, некорректные значения.

     • Как ИИ помогает находить и исправлять ошибки.

   • Как задавать правильные аналитические вопросы

     • “От вопроса к данным”: формулировка задачи для анализа.

     • Практика: перевод бизнес-проблемы в запрос данных.

   • Основы аналитического мышления

     • Логика, причинно-следственные связи, проверка гипотез.

     • Как ИИ может помогать в построении гипотез.

   • Работа с большими и малыми наборами данных

     • Отличия подходов к анализу 100 строк и миллиона записей.

     • Как облачные сервисы и ИИ упрощают обработку больших данных.

   • Подготовка инструментов для курса

     • Установка и настройка:

       • Microsoft Excel (обзор интерфейса, базовые функции);

       • Google Sheets (аккаунт, совместная работа);

       • SQL (онлайн-решения и SQLite);

       • Python + Jupyter Notebook (Anaconda, Pandas, NumPy);

       • Power BI (Desktop, импорт данных, базовые визуализации);

       • Tableau Public (основы и простая визуализация).

     • Практика: тестовое открытие данных и выполнение первых операций во всех программах.

   • Практическое задание модуля

     • Найти открытый датасет и классифицировать типы данных.

     • Загрузить этот датасет в Excel, Google Sheets и Jupyter Notebook.

     • С помощью ChatGPT/Copilot описать, какие вопросы можно решить на основе данных.

3. модуль. Python для анализа данных (Google Colab).
   Евгений Томберг Swedbank Estonia, специалист по анализу данных, инженер-программист.

   • Почему Python – ключевой инструмент аналитика

     • Отличие Python от Excel и SQL.

     • Где и зачем он используется в реальной аналитике.

   • Запуск среды для работы

     • Google Colab как удобный старт без установки.

     • Обзор интерфейса Jupyter Notebook.

   • Основы Python для анализа данных

     • Переменные, списки, простые операции.

     • Мини-практика: обработка чисел и текстов.

   • Первая работа с данными в Python

     • Загрузка CSV/Excel.

     • Чтение и отображение первых строк таблицы.

   • pandas: основная библиотека для аналитиков

     • DataFrame и Series – работа с табличными данными.

     • Практика: фильтрация и выборка столбцов.

   • Очистка и подготовка данных

     • Удаление дубликатов и пропусков.

     • Преобразование типов.

     • Сравнение: как те же задачи решаются в Excel и SQL.

   • Группировка и агрегирование данных

     • groupby, count, sum, mean.

     • Практика: рассчитать средний чек, топ-10 клиентов.

   • Базовая визуализация данных

     • Построение простых графиков через pandas и matplotlib.

     • Сравнение: Python vs BI-инструменты.

   • ИИ для Python и pandas

     • Генерация кода по описанию задачи (ChatGPT/Copilot).

     • Объяснение ошибок и оптимизация кода.

   • Практическое задание модуля

     • Взять датасет, загрузить в Colab, очистить, провести фильтрацию и группировку.

     • С помощью ИИ сделать визуализацию и текстовый отчёт.

4. модуль. Фундаментальные основы для анализа данных. Data Analysis Project Lifecycle или жизненный цикл проекта анализа данных.
   Диана Габриельян Доктор экономических наук. Senior Product Analyst в Oura. Лектор в Tartu Ülikool.

   • Что такое жизненный цикл анализа данных

     • Основная концепция: от бизнес-вопроса к аналитическому решению.

     • Почему этот цикл универсален для любого проекта.

   • Этап 1: Постановка задачи

     • Как формулировать бизнес-проблему в аналитические термины.

     • ChatGPT для уточнения и декомпозиции задач.

   • Этап 2: Сбор данных

     • Определение, какие данные нужны для ответа на вопрос.

     • ИИ-инструменты для поиска и агрегации датасетов.

   • Этап 3: Очистка и подготовка данных

     • Зачем чистить данные: дубликаты, пропуски, ошибки.

     • Copilot и Pandas AI для автоматической очистки.

   • Этап 4: Исследовательский анализ данных (EDA)

     • Первичный обзор: распределения, тренды, аномалии.

     • Как ИИ ускоряет EDA и предлагает гипотезы.

   • Этап 5: Глубокий анализ и поиск инсайтов

     • Применение статистики и бизнес-логики.

     • ИИ как помощник для проверки гипотез и нахождения корреляций.

   • Этап 6: Визуальное представление результатов

     • Зачем визуализировать даже на ранних этапах.

     • Автоматическая генерация графиков с помощью ИИ.

   • Этап 7: Формирование выводов и рекомендаций

     • Как переводить цифры в понятные бизнесу инсайты.

     • ChatGPT для адаптации отчётов под разные аудитории.

   • Этап 8: Итеративность цикла

     • Почему процесс анализа всегда повторяется.

     • Как ИИ помогает быстро тестировать новые гипотезы и улучшать модель.

   • Практическое задание модуля

     • Взять небольшой датасет, пройти все этапы цикла с помощью ИИ (ChatGPT/Copilot), подготовить мини-отчёт.

5. модуль. SQL: извлечение и фильтрация данных.
   Диана Габриельян Доктор экономических наук. Senior Product Analyst в Oura. Лектор в Tartu Ülikool.

   • SQL как основной инструмент работы с данными аналитика

     • Почему SQL нужен даже без образования программиста.

     • Как ИИ помогает генерировать запросы на естественном языке.

   • Быстрый старт: простые SQL-запросы с нуля

     • SELECT-FROM для получения данных.

     • Практика: первый рабочий запрос.

   • Типы баз данных и где с ними сталкивается аналитик

     • Реляционные БД (PostgreSQL, MySQL, SQLite).

     • Работа через онлайн-эмуляторы и облачные сервисы.

   • Фильтрация и выборка (WHERE)

     • Условия, логические операторы AND/OR.

     • Генерация фильтров с помощью Copilot/ChatGPT.

   • Создание и модификация данных

     • CREATE TABLE, INSERT, UPDATE, DELETE.

     • Практика: добавить и изменить записи в тестовой базе.

   • Выборка с условиями и несколькими таблицами

     • JOIN для объединения данных.

     • Практика: объединить продажи и клиентов.

   • Агрегация и аналитические функции

     • COUNT, SUM, AVG, MIN, MAX, GROUP BY.

     • Пример: рассчитать средний чек и топ-10 клиентов.

   • Подзапросы и вложенные выборки

     • Когда нужны и как писать.

     • Практика: найти клиентов выше среднего по сумме покупок.

   • ИИ и SQL: автоматизация работы

     • Генерация и оптимизация запросов.

     • Объяснение сложных JOIN и аналитических функций через ИИ.

   • Практическое задание модуля

     • Сделать выборку, агрегацию и JOIN самостоятельно.

     • Сравнить свой код с предложенным ИИ и оптимизировать.

6. модуль. Основы исследовательского анализа данных. Инструменты и методы EDA (Exploratory Data Analysis).
   Александра Кяэс-Самма Data Architect в Omniva Eesti.

   • Зачем нужен исследовательский анализ данных (EDA)

     • Роль EDA в жизненном цикле анализа.

     • Как ИИ ускоряет первичный обзор данных.

   • Инструменты и методы EDA

     • Google Sheets, Power BI/Tableau для быстрого анализа.

     • Python (pandas, matplotlib, seaborn) через Google Colab.

     • Автоматизация анализа с помощью ChatGPT/Copilot.

   • Подготовка данных к исследованию

     • Загрузка и чтение данных, преобразование форматов.

     • Проверка на дубликаты и пропуски.

     • ИИ для автоматической очистки и подготовки.

   • Первичный анализ

     • Обзор распределений, поиск выбросов и аномалий.

     • Автоматическая генерация отчёта по EDA с ИИ.

   • Непрерывные переменные и диапазоны

     • Как разбиение на интервалы помогает понять данные.

     • Практика: построение распределения в Colab и через ИИ.

   • Графики и диаграммы в EDA

     • Минимальный набор визуализаций: гистограммы, боксплоты.

     • Автоматическое построение графиков через ИИ.

   • Объяснительный анализ и отчётность

     • Как превращать данные в понятные выводы.

     • Генерация отчётов и объяснений на естественном языке с помощью ИИ.

   • Что можно автоматизировать в EDA

     • Автоматический поиск аномалий, построение графиков, текстовые инсайты.

     • Инструменты для no-code EDA с поддержкой ИИ.

   • Практика в Google Colab (Jupyter Notebook)

     • Провести полный цикл EDA на тестовом датасете.

     • Использовать ИИ для генерации кода и интерпретации.

   • Практическое задание модуля

     • Взять датасет, провести EDA в Colab с ИИ.

     • Сделать короткий отчёт с визуализациями и текстовыми выводами.

7. модуль. BI-аналитика и построение интерактивных отчётов.
   Анатолий Прикладовский LHV, Lead Data Analyst.

   • Что такое BI-аналитика и её роль в бизнесе

     • Отличие BI от Data Analytics и Business Analysis.

     • Как BI помогает принимать решения на уровне компании.

   • Как работает Business Intelligence

     • Архитектура: источники данных → ETL → модели → отчёты.

     • Примеры BI-систем (Power BI, Tableau, Looker Studio).

   • Методы BI и их применение

     • Основные подходы: OLAP, KPI-дашборды, Drill-down.

     • Как выбирать метод под задачу.

   • Совместная работа BI, дата-аналитики и бизнес-анализа

     • Как аналитики разных направлений взаимодействуют в проекте.

     • Роль ИИ в объединении данных и автоматизации BI.

   • Что такое дашборд и для чего он нужен

     • Виды дашбордов: операционные, стратегические, аналитические.

     • Как правильно выбирать тип визуализации.

   • Основные элементы интерфейса Power BI и Tableau

     • Типы визуализаций, фильтры, интерактивность.

     • Как ИИ помогает подбирать визуализации.

   • Этапы разработки дашборда

     • От постановки задачи до публикации.

     • Практика: планирование структуры дашборда для кейса.

   • Воркшоп в Power BI (пошаговая практика)

     • Импорт данных: Import vs Direct Query.

     • Создание модели данных с fact и dimension-таблицами.

     • Построение отчёта и calculated measures с DAX.

     • Добавление закладок и фильтров.

   • Публикация и защита данных

     • Методы разграничения доступа.

     • Как ИИ помогает проверять безопасность и оптимизировать отчёты.

   • Практическое задание модуля

     • Создать интерактивный дашборд в Power BI или Tableau на тестовом датасете.

     • С помощью Copilot/ChatGPT сгенерировать описание отчёта и автоматические инсайты.

8. модуль. Аналитика для бизнеса: метрики и KPI.
   Диана Бродская Присяжный финансовый аудитор, CFO, ACCA.

   • Что такое бизнес-метрики и KPI простыми словами

     • Как цифры помогают принимать решения.

     • Мини-примеры из маркетинга и продаж.

   • От вопроса к метрике

     • Как формулировать: “Что нам важно измерить?”

     • Практика: сформулировать 3 бизнес-вопроса и подобрать под них метрики.

   • Базовые показатели для старта

     • Выручка, количество клиентов, средний чек, конверсия.

     • Практика: расчёт этих показателей на простом датасете.

   • Как читать метрики правильно

     • Почему “рост” не всегда хорошо и “падение” не всегда плохо.

     • ChatGPT для проверки и объяснения выводов.

   • Простая юнит-экономика

     • Что такое “прибыль на одного клиента” без сложных формул.

     • Практика: посчитать юнит-экономику на маленьком примере.

   • Воронки продаж и конверсии

     • Как шаги клиента превращаются в цифры.

     • Построение простой воронки в Google Sheets или Power BI.

   • Сегментация данных

     • Как разбить клиентов на группы для лучшего понимания.

     • ИИ для автоматического поиска сегментов.

   • ИИ и бизнес-метрики

     • ChatGPT/Copilot для расчётов и генерации KPI.

     • Автоматические отчёты с пояснениями на естественном языке.

   • Мини-кейс: от данных к решению

     • Датасет “продажи магазина”.

     • Практика: найти метрики, построить воронку, сделать 3 вывода с помощью ИИ.

   • Практическое задание модуля

     • Выбрать одну бизнес-задачу и рассчитать базовые KPI.

     • Использовать ИИ для проверки и подготовки короткого отчёта.

9. модуль. Подготовка и очистка данных.
   Александра Кяэс-Самма Data Architect в Omniva Eesti.

   • Почему качество данных решает всё

     • Влияние “грязных” данных на результаты анализа.

   • Очистка в Excel и Google Sheets

     • Удаление дубликатов, пропуски, форматы.

   • Очистка в SQL

     • WHERE, фильтры, нормализация данных.

   • Очистка в Python (pandas)

     • Заполнение пропусков, преобразование типов.

   • Знакомство с R как инструментом анализа данных

     • Чем отличается от Python, где используется.

     • Демонстрация: загрузка датасета и удаление дубликатов в R.

     • Автоматическая генерация кода очистки через ИИ.

   • Сравнение подходов: Excel vs SQL vs Python vs R

     • Где какой инструмент эффективнее для подготовки данных.

   • Практика: очистить “грязный” датасет в двух средах

     • Например: Excel и Python или SQL и R.

   • Автоматизация очистки с помощью ИИ

     • Copilot/ChatGPT для генерации скриптов и проверки результатов.

   • Проверка качества после очистки

     • Как убедиться, что данные готовы к анализу.

   • Практическое задание модуля

     • Очистить датасет в Excel и Python, а также попробовать базовую команду очистки в R.

10. модуль. Создание клиентской базы с нуля, исходя из запросов конкретного бизнеса
    Александра Кяэс-Самма Data Architect в Omniva Eesti.

    • 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. модуль. Визуализация данных и подготовка отчётов.
    Анатолий Прикладовский LHV, Lead Data Analyst.

    • От анализа данных к отчёту: зачем визуализировать результаты

      • Разница между рабочей таблицей аналитика и бизнес-отчётом.

      • Как сделать данные понятными для людей без аналитического фона.

    • Принципы хорошего отчёта с данными

      • Простота, краткость, читаемость.

      • Как отбирать только ключевые показатели из массива данных.

    • Разные аудитории = разные отчёты с данными

      • Что показывать руководителю, маркетологу, менеджеру по продажам.

      • Практика: один набор данных → три разных отчёта.

    • Типы визуализаций данных для бизнес-отчётов

      • Гистограммы, линейные графики, круговые диаграммы.

      • Какие графики помогают быстро понять суть данных.

    • Текстовые выводы по данным

      • Как писать короткие и точные инсайты к цифрам.

      • Практика: сформулировать 3 ключевых вывода по набору данных.

    • Инструменты для визуализации данных и отчётов

      • Google Data Studio для PDF-отчётов.

      • Google Slides / PowerPoint для презентаций данных.

      • Как вставлять графики и таблицы так, чтобы отчёт был понятен без пояснений.

    • Мини-отчёт с визуализацией данных без BI

      • Сделать одностраничный отчёт в Google Sheets или PowerPoint.

      • Добавить 2–3 графика и текстовые выводы по данным.

    • Чек-лист качественного отчёта с данными

      • 5 пунктов для самопроверки: понятно ли, кратко ли, есть ли инсайты по данным.

    • Автоматическая генерация текстовых выводов из данных с ИИ

      • Как ИИ помогает формулировать выводы на естественном языке.

      • Практика: сравнить свои инсайты с версией ИИ.

    • Практическое задание модуля

      • Взять тестовый набор данных → сделать отчёт с 2–3 графиками и текстовыми выводами.

      • Подготовить две версии отчёта: для руководителя и для маркетинга.

12. 12 модуль. Применение AI для сбора, обработки и анализа данных.
    Дмитрий Фишман Tartu Ülikool, лектор по тематике искусственного интеллекта. Инструктор в Data Carpentry и Software Carpentry.

    • 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.

Оценка учебных результатов в соответствии со стандартом дополнительного обучения: учебные дни имеют интерактивную структуру, включающую диалог между лектором и участниками, а также практические упражнения на каждом занятии. Участники получают персональные ответы на свои вопросы.

Учебный курс завершается электронным письменным тестом. Сертификат о прохождении учебной программы получат все, кто сдаст тест на позитивную оценку.