Аналитические приложения сегодня строятся на стыке инженерных практик (Software/Data Engineering), понимании специфики продуктов и бизнеса (Data/Business Analysis), быстрой и качественной поставки сервисов (DevOps).

Курс ставит своей целью научить слушателей собирать полноценные end-to-end аналитические решения с использованием самых актуальных и востребованных инструментов.

Материал будет изучаться как вглубь (например, принципы функционирования аналитических СУБД), так и вширь (сравнение инструментов, анализ сильных и слабых сторон решений).

Что нового я смогу узнать?

Для ролей Data Scientist, Data Analyst, Product Analyst:

– Принципы работы аналитических СУБД и построение ELT-pipelines
– Использование лучших практик моделирования хранилищ данных и витрин
– Применение правильных архитектурных паттернов при построении решений

Для ролей Data Engineer, Backend Developer, DBA, System Administrator:

– Практики построения end-to-end аналитических решений
– Прикладные навыки визуализации, дашбординга, BI
– Фокус на создании ценности для бизнеса

В рамках курса будут рассмотрены:

– Навыки построения ELT-pipelines: Airflow, Nifi, Stitch
– Принципы работы аналитических СУБД: Redshift, Greenplum, Clickhouse
– Лучшие практики моделирования данных: dbt, Data Vault
– Визуализация и BI: Metabase, Superset, DataLens
– Продвинутая аналитика: KPI, Funnels, Marketing Attribution, Cohort, RFM
– DevOps-практики: Continuous Integration, Github Actions

Ссылка на подробную программу курса

Карта курсов направления Data Science в OTUS

Почему БД прилегла отдохнуть или вопросы оптимизации производительности, 8 декабря в 18:00

Вы узнаете:
- О том, какие-такие проблемы с производительностью будоражат хранителей DWH (да прибудет с ними сила)
- Изучите существующие подходы, ключевые принципы и практики оптимизации
- Поймете, как легко положить базу данных (конечно же для того, чтобы так не делать)

Кому подходит этот урок:
- Начинающим и продолжающим специалистам в области Аналитики данных, Data Engineering
- Тем, кого пугают планы запросов или радуют циклические вставки пары строк в БД
- Желающим узнать best practices и как же на самом деле расшифровывается “KISS”

Результат урока:
- Поймете как НЕ надо делать, если вы не хотите смерти от мышки вашего DevOps-а
- Узнаете о best practices в вопросах оптимизации производительности DWH
- Посмотрите иначе на существующие в вашей команде структуры и сущности хранилища данных

Ведет

Алексей
Железной

Предыдущий открытый вебинар

Преподаватели

Артемий Козырь

Analytics Engineer, Wheely

Никита Баканчев

Senior Data Engineer, iGaming

Анатолий Борзилов

Ведущий разработчих корпоративного хранилища данных компании ООО "ДЕЛОТЕХ"

Максим Мигутин

Алексей Железной

Data Engineer, Wildberries

7+ лет опыта в области Хранилищ Данных, ELT pipelines, Анализа данных и визуализации.
Опыт работы над сервисами в компаниях Wheely, Sber, Moscow Exchange, PwC.
Сферы интересов: Data Modeling, Advanced analytics, Marketing Attribution, Data Quality, DevOps.

Верю в то, что данные – это ключевой элемент в принятии обоснованных и разумных бизнес-решений. Люблю находить простые решения для сложных задач. Не люблю повторять одни и те же ошибки, но с удовольствием приветствую новый опыт.

Blogging: Technology Enthusiast and Habr
2+ года веду занятия в ОТУС: Data Engineer, Hadoop Ecosystem, DWH Analyst

Руководитель программы

Более 7 лет опыта разработки и проектирования хранилищ данных в российских и одном европейском топ-банках. Работал на позициях как разработчика и аналитика, так и тимлида команды DWH, архитектора DWH.

Академический опыт: 6 лет преподавания годичного курса “Базы данных” в МИРЭА для бакалавров. Также готовил студентов для получения как степени бакалавра, так и магистра.

На данный момент Senior Data Engineer в эстонском iGaming стартапе.
Интересы: все что связано с обработкой данных, в особенности, Modern Data Stack

Преподаватель

Более 6 лет опыта в области разработки хранилищ данных, ELT pipelines, анализа данных и визуализации.

Опыт работы в сфере госбезопасности, создание и внедрение КХД ООО "Группа компаний «СБСВ-Ключавто», в настоящий момент разработка КХД для группы компаний "Дело"

Уверен в том , что данные — это вторая нефть, своего рода имущество, которым надо уметь управлять и распоряжаться. Наличие упорядоченных данных, их правильное хранение, использование, продажа, обезличивание говорят о высоком уровне цифровой зрелости.

Преподаватель

Более 5-ти лет опыта в индустрии Данных & Аналитики в роли внешнего консультанта (IBM) и in-house лидера Data Engineering и Data Science-проектов (Альфа-Банк, Yum! Brands).

Сферы интересов: построение end-to-end аналитических систем, внедрение инструментов Машинного обучения в промышленную эксплуатацию, Рекомендательные системы, MPP-базы данных.

Образование: МГУ им. Ломоносова, математическая кафедра Экономического факультета

Преподаватель

Более 3 лет коммерческого опыта в качестве Data Engineer, Data Analyst в банковской и sales&marketing сферах, более 7 лет вовлечен в IT-сферу. Работаю с задачами в области Data Ingestion, ELT/ETL pipelines, анализа и визуализации данных, а также написания различных сервисов и скриптов на ЯП Python.

На данный момент - Middle+ Data Engineer в компании Wildberries, преподаватель в ОТУС на курсах DWH Analyst и Data Engineer.

Образование: магистратура - ВШЭ направления "Системная и программная инженерия" факультета Компьютерных Наук; бакалавриат - ВГУ, кафедра обработки информации и машинного обучения факультета Компьютерных Наук

Преподаватель

Артемий
Козырь

Никита
Баканчев

Анатолий
Борзилов

Максим
Мигутин

Алексей
Железной

Преподаватели

Артемий Козырь

Analytics Engineer, Wheely

Никита Баканчев

Senior Data Engineer, iGaming

Анатолий Борзилов

Ведущий разработчих корпоративного хранилища данных компании ООО "ДЕЛОТЕХ"

Максим Мигутин

Алексей Железной

Data Engineer, Wildberries

Отзывы

Юрий

Курс понравился. Преподносится обширная база практических и теоретических навыков. Занятия на курсе подняли многие знания с нуля на достаточный для дальнейшего самостоятельного закрепления и применения на практике уровень. Остальные знания были поданы под новым углом, расширены и закреплены. До начала обучения работал в несколько ином направлении, но давно планировал перейти в сферу работы с данными. В том числе благодаря первым лекциям успешно прошел собеседование и и устроился на работу дата-инженером. На новом рабочем месте благодаря параллельно получаемым навыкам адаптировался легко.
По занятиям все понравилось, по ДЗ немного не доработанными показались №6 и №7. В них большой набор объектов(таблиц), предназначение которых можно пытаться понять только по их наименованиям. Имеющееся описание устарело, описывает то, чего уже нет. Схема данных уже поменялась. В некоторых ключевых таблицах 4-5 строк данных, какие то таблицы вообще пустые. В результате непонятно что делать, непонятно как связывать таблицы в витрины.
Так же по теории, считаю, что маловато жизненных кейсов по встречающимся сложностям в работе и практикам по их решению.

Читать целиком

Юрий

Читать целиком

Необходимые знания

SQL: аналитические функции, CTE;
Знакомство с принципами работы СУБД;
Базовые навыки программирования на Python, виртуальные окружения;
Базовые знания Docker.

Корпоративное обучение для ваших сотрудников

Подробнее

Получить план обучения для сотрудников

Нажимая кнопку, я принимаю условия Политики конфидециальности

Мы обещаем не присылать вам спам

Спасибо!

Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.

Программа обучения

В процессе обучения вы получите комплексные знания и навыки.

Модуль 1 ELT: Структура и типы источников данных

C 26 декабря

Тема 1. Источники данных: классификация и особенности

Тема 2. Инструменты для выгрузки данных

Тема 3. Инструменты для выгрузки данных

Модуль 2 DWH Basics

C 16 января

Тема 4. Принципы построения DWH

Тема 5. Аналитические движки (СУБД) для работы с данными

Тема 6. Знакомство с Data Build Tool

Тема 7. DBT: Analytics Engineering

Тема 8. Разбор ДЗ – Выгрузка данных веб-счетчика

Модуль 3 DWH Intermediate

C 1 февраля

Тема 9. Оркестрация скриптов и задач – 1

Тема 10. Оркестрация скриптов и задач – 2

Тема 11. Data Quality

Тема 12. Вопросы оптимизации производительности

Тема 13. Разбор ДЗ – Конфигурирование и запуск проекта dbt

Тема 14. Data Vault – 1

Тема 15. Разбор ДЗ – Подготовка и установка на расписание DAG выгрузки данных из источников

Тема 16. Data Vault – 2

Тема 17. Data Vault – 3

Модуль 4 Business Intelligence

C 15 марта

Тема 18. BI: Обзор

Тема 19. BI: Deployment

Тема 20. BI: Modeling & Delivering

Тема 21. Разбор ДЗ – Организация детального слоя DWH по методологии Data Vault

Тема 22. Analytics: Базовые аналитические витрины

Тема 23. Analytics: Сквозная аналитика

Тема 24. Разбор ДЗ – Конфигурация и развертывание BI-решения

Тема 25. Analytics: Продвинутые аналитические витрины

Тема 26. Airflow 3

Модуль 5 DWH Advanced topics

C 24 апреля

Тема 27. DWH: Advanced topics

Тема 28. DWH: External + Semi-structured data

Тема 29. DWH: Monitoring + Workload management

Тема 30. DBT: Extending with modules

Тема 31. DWH: Reverse-ETL

Тема 32. DWH: Machine Learning capabilities

Тема 33. Разбор ДЗ – Визуализация и дашбординг для аналитических витрин

Модуль 6 Recap

C 24 мая

Тема 34. Разбор кейса: end-to-end solution

Тема 35. Разбор ДЗ – Advanced DWH: Configuring CI, dbt modules, External tables

Тема 36. Дальнейшее развитие навыков

Модуль 7 Проектная работа

C 5 июня

Тема 37. Выбор темы и организация проектной работы

Тема 38. Защита проектных работ

Скачать подробную программу

Получить подробную программу обучения

Нажимая кнопку, я принимаю условия Политики конфидециальности

Мы обещаем не присылать вам спам

Получить подробную программу обучения

Скачать подробную программу

Выпускной проект

Выпускной проект будет состоять из следующих этапов:

– Сформулировать цель аналитического приложения, business value
– Представить архитектуру ресурсов и компонентов системы
– Классифицировать источники данных, регулярность загрузки, форматы данных и структуру
– Смоделировать Хранилища Данных
– Развернуть BI-инструмент
– Визуализировать данные в наглядном и понятном виде на дашбордах
– Сделать несколько интересных выводов
– * Опубликовать результаты работы на Хабр/…, выложить код на Github

Темы на выбор (+ есть возможность заявить собственную):

– Social media / Telegram channels / Twitter analysis
– Open Data: Covid, Taxi trips, Kaggle, ...
– Web analysis: crawling, parsing, analysing websites
– Marketing analytics: performance + attribution

Процесс обучения

Все обучение проходит онлайн: вебинары, общение с преподавателями и вашей группой в слаке курса, сдача домашних работ и получение обратной связи от преподавателя. Вебинары проходят 2 раза в неделю по 2 академических ч. (то есть астрономических 1,5 ч.). Записи вебинаров доступны в вашем личном кабинете. Домашнее задание выдается в среднем раз в 2 недели, а его выполнение занимает 3-5 часов. Вопросы по материалам лекций, домашним заданиям и выпускному проекту можно обсудить с преподавателем в слаке или на вебинаре. Во время работы над проектом студенты получают консультации от преподавателей в слаке группы и на проектных занятиях.

Получить консультацию

Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.

Я принимаю условия Политики конфиденциальности и Пользовательского соглашения

Спасибо!

Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.

После обучения вы

Заберете с собой:

основные и дополнительные материалы, и видеозаписи занятий;

образцы кода;

собственный проект, который можно будет показывать при трудоустройстве;

сертификат о прохождении обучения.

получите приглашение пройти собеседование в компаниях-партнерах (эту возможность получают самые успешные студенты).

Дата выдачи сертификата: 30 июня 2023 года

Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Data Warehouse Analyst»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Data Warehouse Analyst»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

Прошедшие открытые вебинары

Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

Аналитика продуктивности команд разработки на основе данных Github

Артемий Козырь

День открытых дверей

22 ноября 2021 года в 20:00

Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование

Возможность пройти вступительное тестирование повторно появится только через 2 недели

Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.

Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!