Кто читает:: Департамент больших данных и информационного поиска

Статус:: Курс обязательный

Когда читается:: 1-й курс, 3 модуль

Преподаватель

Паточенко Евгений Анатольевич

Дополнительные материалы в LMS Задать вопрос

Аннотация

Этот модуль развивает продуктовое мышление у студентов посредством теории и практических кейсов с продуктовыми метриками, включая North Star и unit-экономику. Студенты познакомятся с HADI-циклом, научатся генерировать гипотезы, разрабатывать и оценивать A/B-тесты, а также проводить RFM-анализ для сегментации пользователей. В результате, студенты смогут аргументировано принимать аналитические решения и понимать принципы продуктового роста.

Цель освоения дисциплины

Научиться аналитически подходить к проблемам продукта, генерировать идеи для его улучшения и оценивать их потенциальное влияние.
Освоить работу со сложными продуктовыми метриками (North Star, unit-экономика) и смогут использовать их для оценки эффективности продукта и принятия обоснованных решений.
Научиться применять HADI-цикл (гипотеза, эксперимент, данные, действия) для структурирования процесса разработки и улучшения продукта.
Использовать методы проектирования и оценки A/B-экспериментов для проверки продуктовых гипотез и измерения влияния изменений на ключевые метрики.
Научиться использовать RFM-анализ для сегментации пользователей и применения полученных данных для принятия решений по развитию продукта.
Работать над аргументацией аналитических решений до продуктовых команд, убедительно представляя свои выводы и рекомендации.

Планируемые результаты обучения

– Студент может отличить продукт от непродукта, опираясь на определение и примеры урока
– Студент понимает, как устроен фреймворк JTBD
– Студент понимает, как определить, какую задачу эффективности решает продукт
– Студент может определить, когда у продукта есть или нет product/market fit
– Студент знает, что представляет собой HADI-цикл и понимает роль аналитика на каждом из этапов цикла
– Студент умеет отличать метрику продукта от метрики роста бизнеса
– Студент знает свойства хорошей метрики и опираясь на них, может отличить хорошую метрику от плохой
- Студент знает этапы взаимодействия с продуктом по модели AAARR и может соотнести метрики с этапами, на которых они используются
– Студент понимает, что представляет собой CJM клиента и на его основе умеет подобрать метрики продукта
– Студент понимает назначение метрики retention и умеет рассчитывать retention разных видов
– Студент понимает как строить дерево метрик продукта
– Студент умеет работать с данными дерева метрик
– Студент знает принципы работы юнит-экономики
– Студент умеет рассчитывать юнит экономики в продукте
– Студент умеет рассчитывать на основе юнит-экономики важные финансовые метрики (contribution margin)
– Студент может опознавать North Star Metric среди другим метрик
– Студент понимает, как конструировать North Star Metric для простого продукта
– Студент познакомился с понятием product/channel fit в контексте юнит-экономики и может анализировать юнит-экономику на сходимость по каналам
– Студент знает, что такое продуктовые гипотезы
– Студент потренировался формулировать продуктовые гипотезы
– Студент умеет приоритизировать разные гипотезы, выбирая один из фреймворков Impact/Effort или ICE
– Студент умеет выбирать метрику для impact
– Студент знает, какие типы изменений в продукте необходимо отслеживать
– Студент умеет выбирать метод оценки изменений в продукте под конкретный кейс
– Студент понимает как использовать методику А/Б-тестирования для проверки эффективности изменений в продукте
– Студент может посчитать размер выборки для А/Б теста
– Студент понимает принципы правильного подхода к А/Б-тестированию и интерпретации результатов теста
- Понимает какие задачи можно решать с помощью когортного анализа и как его правильно применить
- Умеет делать выводы из данных когортного анализа
– Студент может выбрать правильную метрику для проведения А/Б теста
– Студент понимает, как составить дизайн эксперимента
– Сможет может интерпретировать результаты эксперимента
- Студент знает способы сегментации клиентов и их различия
- Умеет проводить RFM-анализ для сегментации пользователей
- Умеет рассчитывать продуктовые метрики, типа retention, на основе когортного анализа
– Студент умеет находить data fallacies в кейсах
– Применяет правила презентации результатов, когда представляет свой кейс

Содержание учебной дисциплины

Основы продуктовой работы
Метрики продукта
Масштабирование, юнит-экономика и метрика North Star
Работа с продуктовыми гипотезами
Введение в оценку изменений в продукте
Воркшоп "Метрики продукта: как считать, интерпретировать и не путать precision, recall и CTR"
АБ-тесты: практика
Сложные кейсы и особенности
Методы сегментации клиентов
Донесение аналитических решений до продуктовых команд
Подготовительный вебинар к финальному проекту
Итоговое задание модуля

Элементы контроля

Домашнее задание к разделам (урокам) 1-5, 7, 9, 10. Квиз на закрепление основных понятий урока.
121 тестовых задания: 1 урок - 17 заданий, 2 урок - 13 заданий, 3 урок - 16 заданий, 4 урок - 22 задания, 5 урок - 16 заданий, 7 урок - 14 заданий, 9 урок - 23 заданий, 10 урок - 10 заданий.
Домашнее задание к разделам (урокам) 3-5, 9.
Практические задачи-кейсы, направленные на проверку гипотез, расчет коэффициентов, работу с метриками. Студенты будут выстраивать дерево метрик, обрабатывать данные, проводить статистические тесты, принимать обоснованные решения подробно описывая каждый шаг анализа на основе реальных кейсов. 28 практических задач: 3 урок - 3 задания, 4 урок - 10 заданий, 5 урок - 6 заданий, 9 урок - 9 заданий.
Итоговое задание.
Необходимо провести комплексный анализ данных маркетплейса, чтобы выявить точки роста и предложить конкретные рекомендации для увеличения выручки, не ухудшая клиентский опыт. Используя когортный анализ, выявление product/market fit, выбор ключевых метрик и тестирование гипотез, нужно представить аналитический отчет с практическими выводами и приоритезированными задачами для продакт-менеджера. 6 контролей по каждому заданию проекта.

Промежуточная аттестация

2025/2026 3rd module
Итоговая оценка соответствует сумме баллов за выполненные задания на LMS karpov.courses, приведенные к 10-балльной шкале (см. таблицу). Для каждого задания на LMS-платформе karpov.courses определён дедлайн в 14 календарных дней, после наступления которого студенту начисляется 70% от итогового балла за задание. Оценка “10” и “9” за итоговую оценку выставляется только студентам, набравшим не менее 40 баллов за итоговое задание. Студенты, набравшие менее 40 баллов за итоговый проект, получают итоговую оценку, соответствующую сумме баллов за задания на LMS, но не превышающую “8”.

Список литературы

Авторы

Ахмедова Гюнай Интигам кызы
Паточенко Евгений Анатольевич

Магистерская программа «Аналитика больших данных»

Развитие продукта и продуктовая аналитика

Преподаватель

Программа дисциплины