Магистратура
2026/2027
Программирование на Python для бизнес-аналитики
Статус:
Курс обязательный (Бизнес-аналитика и цифровые решения в финансах)
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
Программа дисциплины
Аннотация
Дисциплина «Программирование на Python для бизнес-аналитики» формирует у магистрантов способность использовать Python как основной рабочий инструмент бизнес-аналитика – от разовой аналитической задачи до эксплуатируемого аналитического решения. В первом модуле рассматриваются рабочая среда и воспроизводимость расчёта, система контроля версий, модель данных библиотеки pandas, соединение и агрегирование таблиц, работа со временем и часовыми поясами, расчёт продуктовых и финансовых метрик подписочного бизнеса, факторная декомпозиция изменения показателя и визуальное представление результата заказчику. Второй модуль открывается блоком о пилотах и A/B-тестах: постановка и анализ контролируемого эксперимента, дизайн, выбор экспериментальной единицы и метрик, оценка эффекта и интерпретация результата, а также квазиэкспериментальные оценки при отсутствии рандомизации. Далее дисциплина переходит от разведочного ноутбука к аналитическому продукту: организация кода в пакет, конфигурация и работа с секретами, автоматический запуск расчёта по расписанию, получение данных из внешних источников по HTTP и API и из реляционного и колоночного хранилищ, контроль качества данных, обнаружение аномалий и доставка отчёта и алертов заказчику. Обучение построено вокруг одного сквозного кейса: на протяжении двух модулей студент последовательно собирает систему мониторинга экосистемной подписки. Отдельное внимание уделяется профессиональному использованию ИИ-ассистентов разработки и ответственности аналитика за проверяемость собственных выводов.
Цель освоения дисциплины
- Цель дисциплины — сформировать у магистрантов способность самостоятельно решать прикладные аналитические задачи средствами Python и доводить решение до состояния, пригодного для регулярной эксплуатации. По завершении дисциплины студент должен уметь получить данные из базы данных и внешних источников, корректно подготовить и соединить их, рассчитать и объяснить бизнес-метрику, декомпозировать её изменение на факторы, спроектировать и проанализировать пилот или A/B-тест, представить результат заказчику, а также организовать расчёт в виде воспроизводимого, проверяемого и автоматически запускаемого решения.
Планируемые результаты обучения
- Знать структуру современного аналитического стека Python, модель данных и систему типов библиотеки pandas, принципы организации кода и репозитория, форматы хранения данных и протоколы доступа к источникам (HTTP/API, DB-API), а также требования к воспроизводимости расчёта.
- Понимать, как выбор типов данных, уровня детализации, ключей соединения, временных границ и часовых поясов влияет на корректность бизнес-метрики; объяснять разницу между разведочным ноутбуком и эксплуатируемым аналитическим решением; понимать принципы постановки пилота — выбор экспериментальной единицы, основной и вспомогательных метрик эксперимента, формирование контрольной и тестовой групп.
- Применять Python и pandas для загрузки, очистки, соединения, агрегирования и временных расчётов; реализовывать расчёт продуктовых и финансовых метрик подписочного бизнеса, их факторную декомпозицию и визуальное представление для заказчика; рассчитывать эффект между экспериментальной и контрольной группами и интерпретировать его.
- Анализировать корректность и надёжность аналитического решения: выявлять двойной счёт, ошибки типов и часовых поясов, скрытые допущения и хрупкие места пайплайна; диагностировать аномалии в данных и оценивать производительность обработки при разных хранилищах; выявлять нарушения проведения эксперимента, оценивать статистическую и практическую значимость результата.
- Создавать воспроизводимое аналитическое решение полного цикла - от репозитория, конфигурации и загрузки данных из базы данных и внешних API до расчёта витрины метрик, проверок качества, автоматического запуска по расписанию и доставки отчёта и алертов заказчику.
- Оценивать пригодность и качество аналитического решения - собственного, подготовленного коллегой или сгенерированного ИИ-ассистентом; обосновывать выбор инструмента и хранилища под задачу, интерпретировать результат для бизнес-заказчика и отвечать за проверяемость выводов; обосновывать решение о запуске, продолжении или прекращении эксперимента.
Содержание учебной дисциплины
- Профессия аналитика, экономика подписочного бизнеса и инструментальный ландшафт
- Рабочая среда, система контроля версий и Python-идиоматика для аналитика
- Библиотека pandas: модель данных, загрузка и подготовка
- Соединение, агрегирование и изменение формы табличных данных
- Время, часовые пояса и метрики подписочного бизнеса
- Факторный анализ и визуальное представление результата
- Пилоты и контролируемые эксперименты как инструмент проверки продуктовых и бизнес-гипотез
- Анализ результатов пилота: эксперимент и квазиэксперимент
- От разведочного ноутбука к аналитическому решению: пакет, конфигурация, запуск по расписанию
- Качество данных и мониторинг: что считать аномалией
- Внешние источники данных: HTTP, API и аутентификация
- Доставка результата: оповещения, дашборд, расписание
- ИИ-инструменты в работе аналитика
Элементы контроля
- ПосещаемостьУчитывается посещение всех 24 аудиторных занятий (12 лекций и 12 семинаров).
- Аудиторные контрольные работыЧетыре краткие проверочные работы по 10 минут (по 2,5 % каждая) и итоговый тест на 30 минут (5 %). Проверочные работы проводятся в начале лекции без предварительного объявления даты и охватывают материал предшествующих тем: — КР-1 (в начале темы 4) — рабочая среда и система контроля версий, модель данных и система типов pandas, загрузка и подготовка данных; — КР-2 (в начале темы 6) — виды соединений и кратность связи, двойной счёт, группировка и агрегирование, работа со временем и часовыми поясами, определение метрик подписочного бизнеса; — КР-3 (в начале темы 9) — постановка пилота, выбор экспериментальной единицы и метрик, интерпретация результата эксперимента, типовые ошибки анализа; — КР-4 (в начале темы 11) — организация кода в пакет, конфигурация и секреты, способы получения данных из API и хранилищ; — итоговый тест (на занятии темы 12) — сквозной по всем темам дисциплины.
- Практические заданияЧетыре индивидуальных задания по 6,25 % каждое, выдаются по итогам соответствующего семинара и сдаются через pull request в учебный репозиторий: — ПЗ-1 (тема 2) — организация рабочего окружения, репозитория и воспроизводимого запуска расчёта; — ПЗ-2 (тема 4) — подготовка и соединение данных сквозного кейса без двойного счёта, сборка витрины клиента с обоснованием ключей и кратности связи; — ПЗ-3 (тема 8) — дизайн и анализ пилота: формулировка гипотезы и выбор метрики, оценка эффекта с доверительным интервалом, снижение дисперсии по предпериоду, повторная оценка того же пилота мэтчингом средствами HypEx, вывод о запуске или отказе от запуска; — ПЗ-4 (тема 10) — получение данных из внешнего API и из реляционного и колоночного хранилищ, сравнение времени выполнения и потребления памяти с объяснением различий.
- Проект «Аналитическая записка»Индивидуальная работа. Студент формулирует бизнес-вопрос на данных сквозного кейса, рассчитывает набор метрик, выполняет факторную декомпозицию изменения ключевого показателя, готовит визуализацию и вывод для заказчика.
- Экзамен: защита итогового проектаЭкзамен проводится в форме публичной защиты итогового проекта. Группа из 2–3 человек создаёт работающее аналитическое решение: пакет с конфигурацией и журналированием, загрузка данных из базы данных и внешнего API, расчёт витрины метрик, проверки качества данных и правила оповещения, доставка отчёта и алертов в мессенджер, дашборд, запуск по расписанию, README и декларация использования ИИ. Решение сдаётся в учебный репозиторий не позднее чем за 3 календарных дня до защиты.
Промежуточная аттестация
- 2026/2027 2nd module0.1 * Посещаемость + 0.15 * Аудиторные контрольные работы + 0.3 * Экзамен: защита итогового проекта + 0.25 * Практические задания + 0.2 * Проект «Аналитическая записка»
