Математика для анализа данных:
- теория вероятностей. Наш мир состоит из случайных процессов и событий, поэтому аналитику важно хорошо владеть теорвером. У меня был неплохой курс в университете, но еще до его начала я немного изучал материалы на курсэре от Вышки. Курсэры у нас, увы, больше нет, но тем не менее на степике есть неплохой по отзывам курс. Можно также посмотреть лекции из крутых универов по теорверу на ютубе. Способов изучать теорвер много, но главное пройти следующие темы: комбинаторика, дискретная вероятность, условные вероятности, формула полной вероятности, теорема Байеса, понятие случайной величины, мат.ожидание и дисперсия, основные распределения случайных величин, ЗБЧ, ЦПТ, точечное и интервальное оценивание, доверительные интервалы.

- математическая статистика. Она сильно связана с теорвером и благодаря ней можно научиться делать достаточно точные выводы о данных по их выборке. Тут я очень рекомендую пройти курс на Степике, который ведёт Анатолий Карпов (очень известный аналитик и основатель курсов, рекомендую его вебинары также глянуть на ютубе)

- продуктовое мышление. Тут важно научиться правильно думать о продукте: измерять метрики и придумывать новые, понимать, что такое AB-тесты и правильно их проводить. Для этого нужно регулярно читать в интернете статьи и новости о различных продуктах и приложениях известных компаний, а также смотреть, как они решают те или иные проблемы. Также можно глянуть курс Тинькофф по продуктовой аналитике и файл с метриками (взял из канала поступашек). Также про метрики можно почитать вот тут в моём канале (в планах имеются новые посты по продуктовой аналитике)

Этого должно быть вполне достаточно, чтобы начать проходить собеседования по чистой продуктовой аналитике. Как мне кажется, весь этот список можно при должном усилии пройти за месяца 3-4 активного изучения, что позволит тебе уже в ближайшее время начать искать работу аналитиком 🤑

Также в этом посте я не упоминал машинное обучение. Его тоже будет полезно изучить, но в целом знать его продуктовому аналитику необязательно (но ML точно будет плюсом). Об ML скоро начнётся отдельная серия постов, где я напишу аналогичный список ресурсов для его изучения.

Я действительно долго трудился над этим текстом, поэтому не забывай ставить реакцию и делись постом с друзьями 🥰