IAMPM
65000
+38 (091) 481 01 38+7 (495) 128 58 05info@iampm.club

Ok, Data! Ok, Data!

Робота с даними для PM, BA та Product

Робота з даними — вже поза справами гігантів, це необхідність будь-якого успішного бізнесу. Орієнтуватися, як отримати з даних найцінніше, повинен кожен менеджер. Після курсу ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту, а потім потрапити у велику команду.

7
грудня

початок курсу

10
практичних

вебінарів

3
прикладних

домашніх завдання

4
спікера

та персональне менторство

7
грудня
початок курсу
10
практичних
вебінарів
3
прикладних
домашніх завдання
4
спікера
та персональне менторство

Чого ви навчитеся?

  • уміння працювати з даними та SQL запитами;
  • навички використання data-driven підходу для поліпшення бізнесу;
  • навички візуалізації даних за допомогою Power BI;
  • базова експертиза в обробці природної мови, застосунках машинного навчання тощо;
  • навички використання популярних DS-фреймворків;
  • вміння аналізувати метрики й оцінку після роботи Machine Learning проєкту;
  • вміння зібрати команду для Data Science проєкту;
  • розуміння, як скласти workflow для команди Data Science проєкту.

Кому потрібен «Ok, Data»?

Робота з даними — вже поза справами гігантів, це необхідність будь-якого успішного бізнесу. Орієнтуватися, як отримати з даних найцінніше, повинен кожен менеджер. Після курсу ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту, а потім потрапити у велику команду.

Project Manager

Project Managers

Product Manager

Product Managers

Business Analyst

Business Analysts

owner

Business Owners

Додайте навички до резюме:

Додайте навички до резюме:

  • уміння працювати з даними та SQL запитами;

  • навички використання data-driven підходу для поліпшення бізнесу;

  • навички візуалізації даних за допомогою Power BI;

  • базова експертиза в обробці природної мови, застосунках машинного навчання тощо;

  • навички використання популярних DS-фреймворків;

  • вміння аналізувати метрики й оцінку після роботи Machine Learning проєкту;

  • вміння зібрати команду для Data Science проєкту;

  • розуміння, як скласти workflow для команди Data Science проєкту.

Чого ви навчитеся?

Програма

ВСТУПНА ЛЕКЦІЯ. РОБОТА З ДАНИМИ

Розберемося, які існують типи даних і чому вони важливі для проєкту. Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами (які джерела даних існують) Розглянемо, які види Data Science існують. Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також — де закінчується їх зона відповідальності і починається робота менеджера. Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce.

Написання SQL запитів

Вивчимо основні артефакти даних: бази даних, таблиці, атрибути. Поговоримо про Big Data і яку користь від цього можна мати. Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL. Попрактикуємось в написанні базових запитів:
✓ Вчимося створювати вибірки даних (SELECT)
✓ З'єднуємо таблиці (JOIN)
✓ Збираємо дані (AGGREGATIONS)

ВИБІР ПРАВИЛЬНОГО ПІДХОДУ В DS

Розглянемо, які типи навчання існують, і оберемо серед них правильний під конкретну задачу. Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:
✓ як визначити проблему для вирішення;
✓ як сформувати гіпотезу зростання;
✓ як оцінити вплив гіпотези на продукт;
✓ які бізнес ресурси потрібні для початку роботи над гіпотезою.

Побудова моделі

Розглянемо типову архітектуру DS\ML проєкту. Побудуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту. Навчимося оцінювати результат роботи моделі. Розберемося, які критерії якості моделі існують і куди повинен дивитися менеджер, щоб перевірити підсумки роботи Machine Learning команди. Проведемо воркшоп із визначення ML моделі для чотирьох типів завдань:
✓ ціноутворення;
✓ класифікація відгуків;
✓ розпізнавання зображення;
✓ побудова чат-бота
Використаємо ігрові практики і доведемо, що практично будь-яке завдання можна поліпшити, використовуючи ML модель.

Побудова Machine Learning команди всередині компанії

Дізнаємося, як побудувати Machine Learning команду і кого треба наймати для створення MVP вашого проєкту. Розберемося із зонами відповідальності на етапі MVP і за повного циклу розробки. Покроково визначимо, як впроваджувати Data Science в вашому проєкті або продукті. Розглянемо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки.

Data Science для розрахунку LTV

Обговоримо поняття статистичної значущості і зробимо прогноз LTV за допомогою статистичних методів. Розберемо, коли цього недостатньо і варто застосувати Data Science:
✓ зробимо аналогічний прогноз LTV за допомогою DS методів;
✓ проаналізуємо нюанси передбачення відтоку клієнтів (churn);
✓ навчимося приймати рішення на основі прогнозів за допомогою churn моделей;
✓ на прикладах пояснимо, як сегментування клієнтів разом із передбаченням LTV і відтоку клієнтів може допомогти в оптимізації бізнесу.

NLP для оптимізації Support команди

Обговоримо, як за допомогою методів обробки природної мови та active learning оптимізувати роботу відділу підтримки клієнтів. Розберемося, як впровадити їх у себе в проєкті. Застосуємо кілька алгоритмів, які допоможуть з визначенням тем і обробкою коментарів. Розглянемо, коли краще використовувати алгоритми навчання без вчителя.

Візуалізація даних

Поговоримо про те, коли вам може знадобитися візуалізація даних. Розглянемо основні інструменти для візуалізації:
✓ Excel
✓ Tableau
✓ PowerBI
✓ QlikView
✓ Pentaho
✓ Birst
Розберемо кращі практики і патерни аналізу і візуалізації даних. Застосуємо обговорені знання на практичному кейсі.

Workshop "Візуалізація даних за допомогою Power BI"

Розглянемо застосування інструменту Power BI на практичному кейсі:
✓ З'єднуємо джерела
✓ Створюємо діаграми
✓ Використовуємо фільтри і агрегацію
✓ Налаштовуємо dashboards
✓ Розбираємося з delivery і експортом

Впровадження NLP в компанію (запис)

Розглянемо стандартний NLP pipeline, потім поставлене бізнес завдання і процес впровадження конкретного рішення, включно з вибором компонентів, розмітки даних для тренінгу, тренінг DNN, використані метрики, інтеграцію технічного рішення з інфраструктурою бізнесу. Розглянемо кейс на конкретному прикладі.

Спікери:

Алексей Косенко О

Олексій Косенко | Спікер

Data Solution Architecture в SoftServe

Понад 16 років досвіду у проектах, пов'язаних із зберіганням, обробкою, інтеграцією і аналізом даних.

Понад 16 років досвіду у проектах, пов'язаних із зберіганням, обробкою, інтеграцією і аналізом даних. Великі і маленькі проекти (США, Європа, Китай, Україна) в різних бізнес-доменах (Retail, Healthcare, Gas and Oil) та зі застосуванням різних технології (on-premise і cloud solutions), від самого початку збору вимог до успішного релізу клієнту. Любить дані і знає, як їх готувати: Google Professional Cloud Architect certified і Azure Solution Architect certified

Сергей Брандис С

Сергій Брандіс | Спікер

Co-founder AI startup Aidrome. СTO в hardware компанії RDM-Symvol.

Більше 8 років досвіду. Любить відстежувати сучасні тренди і розповідати про них простою мовою.

Більше 8 років досвіду. За цей час займався розробкою продуктів з контролю якості виробництва та Artificial Intelligence, побудованого на принципах роботи людського мозку. Сергій працював з канадськими стартапами з впровадженням AI-розробок. Полюбляє відстежувати сучасні тренди й розповідати про них простою мовою.

Кирилл Юрченко К

Кирило Юрченко | Спікер

Data Science Architect в GlobalLogic.

За 12 років досвіду розробки data-driven рішень побував на посадах кількісного аналітика, ризик менеджера і data scientist.

За 12 років розробки data-driven рішень займав посади кількісного аналітика, ризик-менеджера та data scientist. Отримав сертифікацію Global Association of Risk Professional як менеджер з фінансових ризиків. Раніше працював у компаніях Playtika, JustAnswer, Zoral, Alfa Bank. Регулярно бере участь у конференціях і проводить воркшопи для Kyiv School of Economics. Йому подобається гратися з даними — так він всебічно їх вивчає та готує ефективні рішення для окремих завдань і для бізнесу в цілому.

Сергей Пинигин С

Сергій Пінігін | Спікер

Director of Product in Adwiser, Toronto

ML / Data Science Consultant in Research & Innovation Lambton College, Toronto

Має понад 15 років досвіду у створенні та розвитку діджитал-продуктів у різноманітних галузях. Останні п'ять років фокусується на AI/Data проєктах. Раніше працював на позиціях Agile Couch та Product Owner.

Що ви отримаєте

Инструменты и опыт

Прикладні навички

Після курсу ви зможете самостійно писати прості SQL запити, складати звіти в Power BI, зробити прототип DS-проєкту або увійти в команду, яка використовує Data Science.

Простота изложения

Простота подачі

Викладачі розкривають теми, використовуючи яскраві образи, приклади зі своєї роботи та практичну демонстрацію.

Управление ожиданиями

Поради 24/7

Спікери продовжують спілкуватися зі студентами після завершення курсу та відповідають на питання в закритому Telegram-чаті й особисто.

Планирование

Практика

Домашні завдання дозволять «помацати руками» основні інструменти та проаналізувати результати моделей.

Разбор кейсов

Розуміння процесів

Після курсу ви зможете самостійно сформулювати і перевірити data-driven гіпотезу для вашого бізнесу або «перевести» запит клієнта в роботу з моделлю.

Навыки работы с требованиями

Перевага на ринку праці

Data-driven — це новий та універсальний підхід до розвитку бізнесу, який допоможе робити зважені рішення, засновані на даних.

Вартість і оплата:

  • Ви реєструєтеся на курс.
  • Менеджер IAMPM зв’язується з вами та відповідає на всі питання.
  • Ви вносите передплату в розмірі 50% від вартості і ми закріплюємо за вами місце на курсі.
  • Навіть після підвищення вартості, ціна для вас не змінюється.
  • За кілька днів до початку занять ви вносите залишок оплати й отримуєте вітальний лист з доступами.
uah rub usd
  • Ви реєструєтеся на курс.
  • Менеджер IAMPM зв’язується з вами та відповідає на всі питання.
  • Ви вносите передплату в розмірі 50% від вартості і ми закріплюємо за вами місце на курсі.
  • Навіть після підвищення вартості, ціна для вас не змінюється.
  • За кілька днів до початку занять ви вносите залишок оплати й отримуєте вітальний лист з доступами.
Передоплата онлайн
payment
ВСТИГНИ КУПИТИ ЗІ ЗНИЖКОЮ 30%
4830
02 д : 02 г : 37 х : 17 с
Повна вартість курсу
6900

Часті питання

Що я зможу записати в резюме після проходження курсу?

Загальні знання:

  • використання data-driven підходу для поліпшення бізнесу;
  • досвід застосування фреймворків (TensorFlow, scikit-learn, Pandas);
  • створення MVP Data Science проєкту;
  • оцінка моделей (F-score, Accuracy);
  • підбір команди для DS-проєкту;
  • досвід роботи з AI-driven проєктом;
  • розуміння роботи workflow;
  • вміння скласти правильний timeline для DS-проєкту.

Супер-навички для Project Manager:

  • робота з DS-командою — підбір, цілі, завдання, контроль;
  • вибір методів та фреймворка під запропоновану задачу з наявними ресурсами;
  • вміння скласти workflow роботи для всієї команди.

Супер-навички для Product Manager:

  • розуміння особливостей Roadmap в DS-проєктах;
  • оптимізація розрахунку LTV;
  • оптимізація роботи Support-команди продукту;
  • створення MVP власного DS-проєкту.

Супер-навички для Business Analyst:

  • вміння транслювати вимоги від замовника до команди;
  • написання простих SQL запитів;
  • навички візуалізації даних;
  • використання Power BI для створення звітності.

Як відбуваються заняття?

  • Заняття проходять 1,5 години у форматі онлайн майстер-класів, де спікери діляться досвідом, показують інструменти та відповідають на питання.
  • Ми даємо теоретичні знання, які в першу чергу потрібні нетехнічному фахівцю в управлінні Data Science-проєктом або для перевірки власних гіпотез.
  • Опрацювання основних навичок відбувається на практичних заняттях. Так ми впевнені, що всі студенти завершать курс із затребуваними вміннями.

Як влаштована практика у межах курсу?

Щоб вам не доводилося занурюватися в суху теорію, на вебінарі ми розбираємо кейси і демонстрації. Також на курсі є домашні завдання й окрема Q&A-сесія.

  • Ви готуватимете дані для моделі, щоб зрозуміти, які з них краще підходять і чому.
  • Після вивчення теми на практиці спробуєте створити «модель» для конкретного кейса.
  • Навчитеся будувати візуалізацію оцінки моделі та визначатимете якість її роботи.
  • Спробуєте писати прості SQL запити для отримання даних.

А це я одразу код писатиму? А якою мовою? А якщо немає навичок?

Так, ви писатимете код на одній з найпоширеніших мов у Data Science — Python. Щодо цього не турбуйтеся. Ми надамо детальну інструкцію, що і де треба заповнити.

Це будуть найпростіші готові запити, які потрібно вписувати в зручний інтерфейс спеціальних інструментів (оточення). Наша мета — не навчити вас програмувати, а показати, як отримувати від моделі результат та аналізувати його. Це чудовий спосіб познайомитися з усіма етапами розробки DS-проєкту та зрозуміти, що вимагати від своєї команди.

Навіщо мені це знати? У мене ж будуть технічні фахівці, які з усім цим розберуться.

Так, але:

  • Не в кожній ML-команді у вас буде тімлід або інший фахівець, здатний все підказати, пояснити і допомогти прийняти рішення. Скоріш за все вам доведеться самостійно керувати Data Analyst, ML Engineer, Data Scientists, ставити їм завдання і контролювати результат.
  • Технічні фахівці не ходитимуть з вами на кожен мітинг і не будуть продумувати чергову гіпотезу.
  • У DS-фахівців купа завдань, тому у них не завжди знайдеться час пояснювати вам кожну дрібницю.
  • Чим більш технічно підковані ваші фахівці, тим менше у них знань у доменній сфері проєкту. У той же час ви матимете повне розуміння того, які дані важливі та який результат ви хочете отримати.
  • Якщо DS-фахівці — частина великої команди, то вам як РМ-у доведеться пов’язати їх напрацювання із загальною розробкою. Тому подальші питання щодо процесу ставитимуть саме вам.

У мене зараз немає конкретних проєктів або завдань у Data Science, навіщо мені йти на курс?

  • Data-driven — це універсальний підхід до розвитку бізнесу. Неважливо, велика у вас компанія або мала, за допомогою цього підходу ви можете робити висновки і діяти на основі накопичених даних від ваших користувачів як у щоденних завданнях, так і в довгостроковій перспективі.
  • Data Science — це тренд, до якого всі прагнуть. За версією McKinsey, загальний дохід від AI-проєктів складе $13–20 трлн. Тому в якій би галузі ви не працювали, автоматизація та обробка даних зроблять процеси ефективнішими і допоможуть отримати конкурентну перевагу.
  • Якщо хтось із ваших конкурентів почав використовувати Data Science, незабаром вашій компанії теж потрібно буде впровадити ці практики, щоб не відстати.
  • Враховуючи цей тренд, компанії активно наймають у команду DS-фахівців, однак ними має хтось керувати. Як правило, для таких завдань обирають РМ-а з технічним бекграундом або базовими знаннями роботи з даними.
  • Якщо ви не працюєте в DS-проєкті, то все одно зможете застосувати навички, отримані на курсі та скласти MVP власного рішення, перевірити гіпотезу, а потім підібрати команду для масштабування ідеї. До того ж можна просто дописати в резюме нову навичку для підвищення своєї цінності на ринку.

Чому я маю обрати саме цей курс?

  • Доступна ціна. Якщо ваша мета — не розробляти складні AI-рішення власними руками, а керувати командами в цій галузі, то буде цілком достатньо інтенсивної програми тривалістю місяць.
  • В інтернеті є багато відкритої інформації про DS, але часто це базові теоретичні знання або статті та відео для вузьких фахівців. Ми створили курс, який дає достатньо навичок для практичної роботи, пояснюємо все зрозумілою мовою. Ви не будете вчити те, що ніколи не зможете застосувати у своїй роботі.
  • Фідбек від спікерів. У межах курсу виконуєте домашні завдання з навчального кейсу або по своєму проєкту. Під час навчання ми власноруч побудуємо модель роботи з даними.
  • Є можливість поліпшити процеси у вашій компанії. Отримані на курсі знання ви зможете використати у самостійній роботі та в команді. Протягом 3–6 місяців, у процесі впровадження нових гіпотез, ви зможете звертатися за підказками від спікерів в чат курсу і навіть особисто.

БАЖАЄТЕ ПЕРЕВІРИТИ, ЧИ МОЖЕТЕ КЕРУВАТИ DATA SCIENCE ПРОЄКТОМ?

Заповніть заявку та протестуйте свої знання