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