Анализ данных для управления продуктом

Магистратура 2025/2026

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс обязательный (Управление продуктом в ИТ-бизнесе)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Анализ данных для управления продуктом» направлена на формирование у студентов понимания роли данных в принятии продуктовых решений. В рамках дисциплины рассматриваются продуктовые метрики, дерево метрик, A/B-тестирование, базовая статистика для интерпретации экспериментов, SQL для решения продуктовых задач, визуализация данных, построение аналитических панелей, прогнозное моделирование и применение машинного обучения в работе продуктового менеджера. Курс имеет прикладной характер. Теоретические материалы сопровождаются разбором продуктовых кейсов, практическими заданиями, работой с учебными и сгенерированными данными, построением аналитических панелей и моделированием продуктового эффекта. Дисциплина не ставит целью подготовку профессиональных аналитиков или специалистов по данным; основной фокус курса — развитие способности продуктового менеджера понимать данные, формулировать аналитические вопросы, оценивать качество выводов и принимать продуктовые решения с учетом ограничений данных. В первом модуле дисциплина связана с дисциплинами «Продуктовый менеджмент» и «Пользовательский опыт и управление клиентскими метриками». Студенты используют выбранный продукт Авито как общий контекст для формулирования гипотез, выбора метрик, построения дерева метрик и проектирования эксперимента. Во втором модуле допускается работа с отдельными учебными кейсами и наборами данных.

Цель освоения дисциплины

Сформировать у студентов способность использовать данные для принятия продуктовых решений: выбирать и обосновывать метрики, проектировать и интерпретировать A/B-тесты, понимать физический смысл данных, формулировать задачи для аналитической проверки, строить аналитические панели, оценивать прогнозный эффект продуктовых инициатив и формулировать продуктовые рекомендации с учетом ограничений данных.

Планируемые результаты обучения

применяет основные типы метрик и знает их роль в управлении продуктами
применяет принципы систематизации метрик с помощью фреймворков
использует методы анализа метрик с учетом сезонности и недельных трендов
использует базовые понятия статистики, необходимые для интерпретации результатов A/B-тестов
применяет техники построения и интерпретации A/B-тестов
проектирует, проводит и анализирует A/B-тесты
использует возможности и ограничения SQL при анализе продуктовых данных
использует навыки работы с инструментами анализа данных (SQL, Excel, системы визуализации)
использует принципы работы оконных функций в SQL и их применение
владеет целями и правилами эффективной визуализации данных
использует подходы к построению дашбордов для мониторинга состояния продукта
использует методы прогнозирования траектории развития продукта
использует аналитическое мышление для принятия решений на основе данных
использует осноыв применения машинного обучения для анализа данных и проверки гипотез
примененяет машинное обучение для анализа данных и проверки гипотез
формулирует и аргументируеь продуктовые гипотезы на основе анализа метрик
взаимодействует между менеджером продукта, аналитиком и технической командой
использует коммуникативные навыки для эффективного взаимодействия с аналитиками, разработчиками и стейкхолдерами

Содержание учебной дисциплины

Метрики: типы и особенности
Фреймворки: способы систематизации метрик
Анализ метрик
A/B-тесты: основа принятия решений в компаниях
Базовая статистика
A/B-тесты: дизайн экспериментов
A/B-тесты: проведение и интерпретация результата
SQL: База
SQL: оконные функции
SQL: применение
Визуализация данных: зачем нужна
Визуализация данных: как построить хороший дашборд
Визуализация данных: подготовка дашборда
Traction: учимся заглядывать в будущее продукта
Traction: построение
ML для аналитика: поиск и валидация гипотез
ML для аналитика: генерация и проверка решений
Продуктовый менеджер и аналитик

Элементы контроля

Посещение занятий
Элемент является частью текущего контроля и имеет вес 10% от общей оценки за дисциплину. За каждое посещенное занятие начисляется 1 балл. Всего 12 занятий в рамках одного модуля (24 занятия за 2 модуля). Максимальный балл за посещение: 12 баллов за модуль.
Активность на занятиях
За каждое занятие студент может получить от 0 до 1 балла за активное участие в занятии, ответы на вопросы, взаимодействие с преподавателем и сокурсниками.
Домашние задания
текстовые работы, презентации или аналитические отчёты, в зависимости от содержания задания. Объём и структура указываются в условиях каждого задания.
Итоговая работа за модуль 1
Студенты получают задание провести анализ продуктовой гипотезы с использованием методов анализа данных и спланировать её проверку через А/Б-тест. Работа включает формулировку проблемы, выбор метрик, построение дерева метрик, проектирование эксперимента, анализ сгенерированных данных и формулировку выводов с рекомендациями по дальнейшим действиям. Итоговая работа по модулю №1 является блокирующей формой оценки: без успешной сдачи практической письменной работы студент не может получить положительную оценку. Если студент не сдал письменную часть (например, получил 0–4 балла), то не может получить положительную оценку по дисциплине, даже если другие элементы хорошие.
Итоговая работа по модулю 2
Студенты получают задание визуализировать данные продукта и оценивать потенциал от внедрения новой фичи или нового продукта. Работа включает исследование данных с помощью SQL, выбор метрик, построение дашборда и прогнозной модели. Структура итоговой работы: ● Выбор кейса (платное размещение / продвижение) ● Определить и обосновать метрик для дашборда: -Целевые -Прокси-метрики ● Описание структуры дашборда: -Структура, блоки, логика визуализации -Как дашборд помогает замечать аномалии и находить точки роста ● Построить дашборд в инструменте Redash -Описать логику SQL-кода для графиков ● Проектирование трекшн-модели (прогнозная модель): -определить целевую метрику фичи, на которую влияем -определяем прокси-метрики с помощью дерева метрик -построить документ с расчетами -собрать сводные таблицы с финальными выводами -описать логику работы трекшн-модели -как новая фича влияет на метрики продукта, которые отражены на дашборде ● Описать логику SQL-кода для данных для трекшн-модели ● Выводы -Дать бизнес-рекомендации по результатам данных трекшн модели -Оценить как метрики будут влиять на дашборд

Промежуточная аттестация

2025/2026 2nd module
0.14 * Итоговая работа за модуль 1 + 0.46 * Домашние задания + 0.15 * Итоговая работа по модулю 2 + 0.15 * Активность на занятиях + 0.1 * Посещение занятий

Список литературы

Авторы

Комаров Михаил Михайлович

Программа дисциплины