Программа повышения квалификации: «Data-driven менеджмент / принятие решений на основе данных»
102 академических часа • 100% дистанционно • 1 месяц — переводим управление из «кажется» в «проверено цифрами».
Актуальность программы
Бизнес всё меньше полагается на «чуйку» и всё больше — на реплицируемые модели принятия решений. Нужны менеджеры, которые умеют формулировать вопросы к данным, понимать качество источников, строить метрики и проверять гипотезы экспериментами, а не совещаниями. Курс переводит решения из режима «кажется» в режим «проверено» — быстро, прозрачно, с эффектом в деньгах.
Цели
- Сформировать целостный data-driven подход: от управленческого вопроса до эффекта.
- Научить проектировать метрики (North Star, AARRR), рассчитывать LTV/CAC/ROMI и unit-экономику.
- Освоить инструменты аналитики: SQL, Python (база), BI-панели, A/B-эксперименты.
- Встроить аналитику в операционные циклы: план → приоритет → ретро.
Задачи
- Формализовать гипотезы и критерии успеха (SMART/BRAG, SRM, MDE).
- Отработать сбор/подготовку данных, контроль качества и проверки.
- Настроить дашборды для ролей и регламенты обновления.
- Спроектировать эксперименты, интерпретировать результаты и принимать решения.
- Соблюдать правовые и этические аспекты работы с данными.
Целевая аудитория
Руководители направлений и проектов, продуктовые менеджеры, операционные менеджеры, маркетинг- и growth-менеджеры, аналитики-новички, HR и финменеджеры.
Ожидаемые результаты обучения
- Формулирует гипотезы и переводит их в измеримые метрики.
- Строит unit-экономику и AARRR-воронку своего направления.
- Проектирует и читает A/B-эксперименты (включая расчёт выборки).
- Собирает данные в SQL, обрабатывает в Python, визуализирует в BI.
- Оценивает экономический эффект и соблюдает требования качества/безопасности.
Приобретенные знания и навыки
Знания: типы данных и источники, модели метрик, принципы дизайна эксперимента, базовая статистика, правовые рамки и этика данных.
Навыки: постановка задач аналитикам, базовый SQL, Python-ноутбуки, BI-дашборды, расчёт LTV/CAC/ROMI, дизайн A/B-тестов, внедрение решений.
Материалы и стандарты
DAMA-DMBOK2, CRISP-DM (и сопоставление с SEMMA), ISO 8000 / 25012 (качество данных), руководства по A/B-тестированию (power/MDE, CUPED, sequential), практики BI (data storytelling), материалы по ПДн/ИБ, прикладные гайды по SQL/Python, отраслевые кейсы.
Содержание программы
Структура: 10 разделов × 5 подразделов — итого 102 часа. Распределение часов: Раздел 1 — 12 ч, Разделы 2–10 — по 10 ч.
1. Основы data-driven менеджмента и роль метрик — 12 ч
- 1.1. Управленческий цикл «вопрос → данные → решение → эффект».
- 1.2. Системы метрик: North Star, AARRR, HEART, OKR-метрики.
- 1.3. Unit-экономика: структура, драйверы, сценарный анализ.
- 1.4. Качество данных: источники, линейки проверок, дата-каталог.
- 1.5. Организация функции аналитики: роли, процессы, SLA, требования к дашбордам.
2. Данные и архитектура источников — 10 ч
- 2.1. Операционные системы, событийные логи, веб/продуктовая аналитика.
- 2.2. DWH и витрины: слои, модели данных (звезда/снежинка).
- 2.3. Интеграция и ETL/ELT-пайплайны, расписания, мониторинг.
- 2.4. Управление качеством: дубли, пропуски, дедупликация, версионирование.
- 2.5. Документация и дата-каталог: глоссарий, владельцы, lineage.
3. SQL для менеджеров: извлечение и проверка гипотез — 10 ч
- 3.1. SELECT/JOIN/GROUP BY: анализ воронок и когорт.
- 3.2. Окна и аналитические функции для ретеншн/ARPU/MAU.
- 3.3. Подготовка наборов для экспериментов и отчётности.
- 3.4. Валидация результатов и воспроизводимость запросов.
- 3.5. Оптимизация и безопасность доступа.
4. Python для управленческой аналитики — 10 ч
- 4.1. Ноутбуки, pandas, базовые визуализации.
- 4.2. Очистка, преобразования, фичи для управленческих метрик.
- 4.3. Базовая статистика: доверительные интервалы, p-value, power.
- 4.4. Прикладные модели: прогноз спроса/выручки (базовый уровень).
- 4.5. Экспорт результатов и контроль версий артефактов.
5. BI-дашборды и визуальная аналитика — 10 ч
- 5.1. Дизайн управленческих панелей: роли, вопросы, история.
- 5.2. Графики «без самообмана»: выбор типов, шкал, агрегаций.
- 5.3. Панели для: руководителя, продукта, маркетинга, финансов.
- 5.4. Регламенты обновления, алёрты и приоритизация.
- 5.5. Антипаттерны визуализации и как их избегать.
6. Эксперименты и причинно-следственные выводы — 10 ч
- 6.1. A/B/n-тесты: MDE, power, стратификация.
- 6.2. Риски (SRM, «хак статистики»), sequential testing.
- 6.3. До-/после анализ, CUPED/скашивание дисперсии.
- 6.4. Квазиэксперименты: дифф-ин-дифф, матчинги (обзорно).
- 6.5. Интерпретация и принятие решений в деньгах.
7. Маркетинг и growth через данные — 10 ч
- 7.1. AARRR-воронка: активация, удержание, монетизация.
- 7.2. LTV/CAC/ROMI: расчёты и управленческие пороги.
- 7.3. Атрибуция (обзорно): правила, искажения, cookieless-реальность.
- 7.4. Эксперименты в перформансе: креативы, аудитории, частоты.
- 7.5. Growth-петли и эффект масштаба.
8. Операционные решения и финмодель — 10 ч
- 8.1. KPI и SLA: сервисные функции, производственные циклы.
- 8.2. ABC/XYZ-анализ, запасы и логистика (intro).
- 8.3. Финметрики: маржа, cash-gap, sensitivity.
- 8.4. План-факт и сценарии: «что если?» для руководителя.
- 8.5. Приоритизация по ROI/ICE/RICE.
9. Право, безопасность и этика данных — 10 ч
- 9.1. Персональные данные: принципы, минимизация, согласия.
- 9.2. Доступы и журналирование: кто, что и когда.
- 9.3. Риск-ориентированный подход и комплаенс.
- 9.4. Этические вопросы автоматизации решений.
- 9.5. Регламенты хранения, архивирования, удаления.
10. Внедрение data-driven культуры — 10 ч
- 10.1. Роли и ответственность: владельцы метрик, стюарды данных.
- 10.2. Процессы: backlog гипотез, комитет метрик, ритм отчётности.
- 10.3. Обучение команды: глоссарий, гайды, менторинг.
- 10.4. Коммуникация результатов: нарратив + цифры.
- 10.5. Дорожная карта зрелости и первые 90 дней.
