В этом видео Андрей Киров, продуктовый аналитик в ecom.tech (ex Samokat.tech), делится своим опытом работы в сферах аналитики данных и продуктовой аналитики. Мы поговорим о ключевых различиях между разными видами аналитики, а также роли аналитика данных в разработке и улучшении продуктов через эксперименты и анализ данных.

• ✅ Бесплатный курс для начинающих аналитиков данных
• 🔥 Получите профессию аналитика данных с нуля
• Подписывайтесь на канал Хекслета в Telegram
• Список подкаст-платформ (Apple Podcast, Google Podcast, Spotify, Яндекс.Музыка и другие)
• Смотреть на Youtube
  
   

Creators & Guests

• Александр Усков - Host


• Андрей Киров - Guest

Ещё в этом выпуске обсудим процесс проведения A/B-тестирования, использование SQL и систем BI для обработки и визуализации данных, а также то, какие данные необходимо анализировать для определения статистической значимости результатов и поделимся советами для начинающих аналитиков, включая необходимые навыки работы с данными и инструментами, такими как Jupyter и Google Collab, и рекомендациями по развитию продуктового подхода и софт-скиллов.

Это видео будет полезно для всех, кто интересуется аналитикой данных и хочет узнать больше о том, как аналитика влияет на развитие и оптимизацию продуктов в реальных условиях работы крупной компании.

Полезные ссылки:
– Комьюнити Хекслета: https://t.me/hexletcommunity
– Список тестовых заданий от ИТ-компаний: https://github.com/Hexlet/ru-test-assignments
– С чего начать учиться на аналитика данных: особенности, источники и идеи для первых проектов: https://ru.hexlet.io/link/ayp7yX
– Гид по профессии аналитик данных: кто это, чем занимается и сколько зарабатывает: https://ru.hexlet.io/link/MzvCFH

00:00 Различия между аналитикой данных и продуктовой аналитикой
03:11 Роль продуктового аналитика в разработке и улучшении продукта
07:43 Процесс проведения экспериментов и использование метрик
10:54 Инструменты для получения и обработки данных
18:25 Подготовка данных для каждого исследования
21:47 Определение статистической значимости данных
24:36 Использование дерева-метрики для локализации проблемы
26:05 Прогнозирование метрик и оценка эффекта от изменений
31:38 Разделение ответственности за аналитику в сложных продуктах
33:31 Ответственность продуктового аналитика
34:29 Метрики пользовательского опыта
35:24 Средняя выручка на пользователя
36:23 Влияние внешних факторов
39:05 Основные навыки продуктового аналитика
43:39 Развитие софт-скиллов
44:34 Понимание метрик и способы их сбора
45:57 Создание проекта на GitHub и построение дашбордов
47:23 Освоение инструментов для визуализации данных
49:40 Поиск источников данных и формирование данных
51:58 Изучение инструментов публичных сервисов