Анализ данных для управления продуктом

Магистратура 2025/2026

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

Преподаватели: Зараменских Евгений Петрович, Комаров Михаил Михайлович, Мурзаева Евгения Александровна

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 навыков работы с данными в контексте управления продуктом. В рамках курса рассматриваются ключевые принципы анализа метрик, построения деревьев метрик, интерпретации данных и принятия решений на основе фактов. Особое внимание уделяется практическому применению методов анализа: от сбора и обработки данных до визуализации результатов и проведения A/B-тестов. Студенты научатся учитывать статистическую значимость, а также недельные и сезонные колебания при анализе показателей, строить деревья метрик, работать с инструментами вроде SQL, Excel и систем визуализации данных. Курс включает занятия, где студенты развивают навыки аналитического мышления, принятия обоснованных решений и эффективного взаимодействия с аналитиками и техническими командами. По окончании курса студенты будут готовы использовать данные как основу для планирования этапов развития продукта, проверки гипотез и оценки эффективности принимаемых решений.

Цель освоения дисциплины

Сформировать у студентов навыки аналитического мышления и умение использовать данные как основу для принятия продуктовых решений. В рамках дисциплины студенты научатся систематически анализировать метрики, строить деревья метрик, проводить A/B-тестирование, интерпретировать результаты экспериментов с учетом статистической значимости, а также эффективно взаимодействовать с аналитиками и техническими специалистами.

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

Список литературы

Авторы

Комаров Михаил Михайлович

Программа дисциплины