Бесплатный путь от нуля до Junior Data Analyst. 55 уроков, 82 задач, 23 статей, 31 метрик. 116 часов чистой практики. Пройдёшь всё — получишь автоматический сертификат NAQTY DATA.
Excel, SQL, базовая статистика. После этого ты понимаешь язык данных.
Научись «двигать» таблицы — поиск, агрегации, условия. Это твой ежедневный инструмент.
Возьми superstore.xlsx — посчитай топ-10 клиентов, средний чек по категориям, доля каждой категории.
INDEX+MATCH и базовые статы. Без них ты не отличишь среднее от медианы и попадёшься на собеседовании.
На датасете: средняя, медиана, мода, стандартное отклонение по выручке. Когда правильно использовать каждое?
SQL — обязательный язык аналитика. SELECT/WHERE/JOIN/NULL — 70% работы junior.
CASE для бизнес-логики, даты, CTE. Плюс: какие KPI смотрит продакт?
Дашборды для бизнеса и Python для тяжёлых задач. На выходе — 2 кейса в портфолио.
Power Query для очистки данных. Звёздная схема и базовый DAX — фундамент любого дашборда.
Скачай superstore.xlsx — построй звёздную схему (fact + 3 dim) + календарь. 5 базовых мер: Revenue, Profit, Margin %, Orders, AOV.
Time Intelligence (YoY, YTD) + UI/UX + публикация. На выходе — портфолио-кейс.
Финальный Power BI дашборд: KPI наверху, line chart по месяцам, top-10 продуктов, карта по регионам. Опубликуй в Power BI Service.
Чистый Python (синтаксис, структуры) + первые шаги в Pandas. Открываешь любой CSV.
GroupBy, pivot_table, временные ряды. Стат-анализ выбросов. Полный EDA-цикл.
Полный EDA-ноутбук по Superstore: загрузка → очистка → univariate → bivariate → segments → бизнес-выводы. 5+ insight в конце.
Window functions, A/B-тесты, портфолио и собеседование.
Window functions — отличительный признак middle от junior. Без них не сделаешь топ-N в группе или running total.
Статистические зависимости. Когда корреляция врёт. Какие бывают распределения и почему важно.
На своих pet-данных: построй correlation matrix через seaborn.heatmap. Найди ложную корреляцию.
A/B-тесты — must-have для product/marketing аналитика. Гипотезы, p-value, ошибки I/II рода.
Симуляция: 2 группы по 1000 юзеров с разной конверсией. Посчитай p-value через scipy.stats.proportions_ztest.
MDE, sample size, интерпретация результатов. Резюме и собес — финал пути.
Финальный pet-project: A/B-кейс end-to-end. Гипотеза → MDE → sample size → симуляция → результаты → бизнес-вывод. Загрузи в GitHub + добавь в резюме.
Курс NAQTY DATA — те же темы, но: Zoom 2 раза в неделю, проверка домашек куратором, 4 пет-проекта в портфолио, помощь с резюме, AI-разбор резюме и mock-интервью.