Data Analyst - δωρεάν μάθημα από την Otus, εκπαίδευση, Ημερομηνία: 5 Δεκεμβρίου 2023.

Η Αλεξάνδρα εργάζεται στον τομέα της ανάλυσης και του BI από το 2019. Μέχρι εκείνη τη στιγμή, έλαβε πτυχίο στη Μηχανική Λογισμικού από το Κρατικό Πανεπιστήμιο Αεροπορικής Διοίκησης της Αγίας Πετρούπολης και στη συνέχεια μεταπτυχιακό. Τα πρώτα βήματα στην καριέρα του έγιναν στην αμερικανική εταιρεία Intermedia Cloud Communications ως junior data analyst και μέχρι το 2021 κατάφερε να γίνει επικεφαλής της ομάδας ανάλυσης. Όλο αυτό το έτος αφιερώθηκε σε ένα νέο έργο μεταξύ ομάδων για διεθνή οικονομική διαχείριση στη στοίβα της Microsoft (MS SQL Server, SSRS, SSIS, Power BI). Από τον Μάρτιο του 2022 εργάζεται στον όμιλο εταιρειών Tinkoff Bank ως αναλυτής αποθήκης δεδομένα. Παρέχει υποστήριξη στην ανώτατη διοίκηση του οικονομικού τμήματος για τη δημιουργία πρωτοτύπων διαδικασιών ETL χρησιμοποιώντας Greenplum, ad-hoc analytics στην Python, αναφορές και οπτικοποίηση στο Tableau. Το 2020 έλαβε πρόσθετη εκπαίδευση στην κατεύθυνση της Project Management Manager στον τομέα της πληροφορικής. Είναι ένθερμος υποστηρικτής των ευέλικτων μεθοδολογιών ανάπτυξης. Πιστεύει ότι οι πιο κερδοφόρες επενδύσεις είναι οι επενδύσεις στη δική του ανάπτυξη. Στοίβα: SQL, SAS DIS, SSIS, Tableau, Power BI, Python

Για 5 χρόνια στην Πληροφορική, εργάστηκε ως αναλύτρια ανθρώπινου δυναμικού και ειδικός Business Intelligence στη Luxoft, και τώρα είναι ειδική στην ανάλυση και την οπτικοποίηση αναφορών στην Exness. Οικονομολόγος με εκπαίδευση. Στοίβα: Tableau Desktop & Server, Data Analysis & Visualization, SQL Στη δουλειά μου, αναζητώ μια υγιή ισορροπία μεταξύ της σύνταξης μιας καλής πηγής δεδομένων και της δημιουργίας μιας όμορφης εικόνας.

8 χρόνια εταιρικής εμπειρίας στην ανάλυση. SQL, Tableau, c++, python. Δημιούργησε αναλυτικές λύσεις και λύσεις προϊόντων σε μεγάλες εταιρείες όπως MTS, Ozon, ivi.ru Εργάστηκε σε ομάδες προϊόντων στη Ρωσία, τη Γερμανία, την Πολωνία. Δάσκαλος

Εισαγωγή στην Ανάλυση Δεδομένων και στη Βασική Στατιστική

-Θέμα 1. Γενικός πληθυσμός και δείγμα, επίπεδα μέτρησης
-Θέμα 2. Κανονική κατανομή, επίπεδο στατιστικής σημαντικότητας, τυπική απόκλιση. Κεντρικό οριακό θεώρημα. Διαστήματα εμπιστοσύνης και τυπικό σφάλμα
-Θέμα 3. Περιγραφική στατιστική. Μέτρο κεντρικής τάσης
-Θέμα 4. Κανονική κατανομή, επίπεδο στατιστικής σημαντικότητας, τυπική απόκλιση. Κεντρικό οριακό θεώρημα
-Θέμα 5. Διαστήματα εμπιστοσύνης και τυπικό σφάλμα
-Θέμα 6. Επίπεδο σημαντικότητας, στατιστικές υποθέσεις
-Θέμα 7. Συντελεστής συσχέτισης
-Θέμα 8.Μέθοδοι σύγκρισης δεδομένων. Σύγκριση ονομαστικών στοιχείων.
-Θέμα 9. Μέθοδοι σύγκρισης μέσων

DBMS και SQL

-Θέμα 10.Εισαγωγή στις σχεσιακές βάσεις δεδομένων. Βάσεις δεδομένων γραμμών και στηλών
-Θέμα 11.Δημιουργία και επεξεργασία πινάκων. DDL. DML, DCL
-Θέμα 12. Επιλογή δεδομένων, συνθήκες, φέτες δεδομένων σε SQL
-Θέμα 13. Αθροιστικές συναρτήσεις. Ομαδοποίηση και ταξινόμηση δεδομένων
-Θέμα 14. Ένθετα ερωτήματα και προσωρινοί πίνακες
-Θέμα 15.Είδη ενώσεων τραπεζιών
-Θέμα 16. Εκφράσεις σε SQL
-Θέμα 17.Ενσωματωμένες συναρτήσεις σε SQL
-Θέμα 18.Αντικείμενα βάσης δεδομένων. Πίνακες και όψεις. Ευρετήρια και κατατμήσεις
-Θέμα 19. Σχέδιο ερωτημάτων και βελτιστοποίηση απόδοσης

Εισαγωγή στην Python

-Θέμα 20.Εισαγωγή στη σύνταξη. Σημειωματάριο Jupyter
-Θέμα 21. Μεταβλητές και τύποι δεδομένων. Εξαγωγή δεδομένων και αριθμητικές πράξεις
-Θέμα 22.Βασικά Python. Χειριστές, βρόχοι
-Θέμα 23.Δομές δεδομένων Python. Συμβολοσειρές, Λίστες και Πλειάδες και Λεξικά
-Θέμα 24.Οι βρόχοι για και ενώ
-Θέμα 25. Λειτουργίες, ενότητες και βιβλιοθήκες
-Θέμα 26. Βιβλιοθήκες NumPy, pandas, SciPy
-Θέμα 27.Μέθοδοι οπτικοποίησης. Βασικά στοιχεία του matplotlib, seaborn, plotly

Προεπεξεργασία δεδομένων, διερευνητική και στατιστική ανάλυση δεδομένων

-Θέμα 28.Εργασία με παραλείψεις και διπλότυπα
-Θέμα 29. Κατηγοριοποίηση δεδομένων
-Θέμα 30. Μετατροπή τύπου δεδομένων
-Θέμα 31. Ομαλοποίηση δεδομένων
-Θέμα 32. Κατηγοριοποίηση δεδομένων
-Θέμα 33. Ανάλυση χρονοσειρών
-Θέμα 34. Μελέτη τμημάτων δεδομένων
-Θέμα 35.Σχέσεις δεδομένων
-Θέμα 36.Επικύρωση αποτελεσμάτων
-Θέμα 37. Δήλωση και έλεγχος υποθέσεων

Εισαγωγή στην Επιχειρηματική Ευφυΐα και στην Οπτική Ανάλυση Δεδομένων

-Θέμα 38.Εισαγωγή στην Επιχειρηματική Ευφυΐα
-Θέμα 39: Tableau Desktop/Δημόσια Επισκόπηση οικοσυστήματος
-Θέμα 40. Κύριοι τύποι πηγών δεδομένων στο Tableau, συνδέσεις
-Θέμα 41. Διεπαφή επιφάνειας εργασίας Tableau και βασικές έννοιες λειτουργίας
-Θέμα 42.Οπτικοποίηση: διαγράμματα, κύρια σενάρια χρήσης τους
-Θέμα 43. Προεγκατεστημένοι και προσαρμοσμένοι υπολογισμοί
-Θέμα 44.Οργάνωση δεδομένων σε Tableau
-Θέμα 45.Σειρά πράξεων σε Tableau
-Θέμα 46.Εισαγωγή στο σχεδιασμό πληροφοριών
-Θέμα 47. Πώς λειτουργεί η αντίληψη των χρηστών
-Θέμα 48. Βασικά λάθη κατά τη δημιουργία ταμπλό
-Θέμα 49.Σχεδίαση ταμπλό
-Θέμα 50. Διάταξη για διάφορες εργασίες και συσκευές
-Θέμα 51.Σχεδιασμός αλληλεπίδρασης χρήστη με το ταμπλό

Κύκλος ζωής έργου στην ανάλυση δεδομένων

-Θέμα 52. Λήψη αποφάσεων με γνώμονα τα δεδομένα στην επιχείρηση
-Θέμα 53. Απαιτήσεις συγκέντρωσης
-Θέμα 54. Αποκρυστάλλωση απαιτήσεων και δημιουργία πρωτοτύπου
-Θέμα 55. Επαναληπτική εργασία με τον πελάτη στο στάδιο ανάπτυξης
-Θέμα 56.Demo τελικής έκδοσης και στάδιο δοκιμής χρήστη
-Θέμα 57. Κυκλοφορία και μεταπαραγωγή
-Θέμα 58. Παρακολούθηση ζήτησης και λήψη ανατροφοδότησης

Ειδικές μέθοδοι και τομείς στην ανάλυση δεδομένων

-Θέμα 59.Ανάλυση επιχειρηματικών δεικτών
-Θέμα 60. Αναλύσεις προϊόντων, οικονομικές μονάδες, Α/Β τεστ
-Θέμα 61. Μετρικές και χοάνες, ιεραρχία μετρήσεων
-Θέμα 62. Ανάλυση κοόρτης
-Θέμα 63.BI analytics
-Θέμα 64.Δημοσιογραφία δεδομένων