Проектирование цифровых продуктов, BI и работа с данными

1. Цифровой продукт: понятие и жизненный цикл
2. Продуктовый подход: гипотезы, MVP, метрики, эксперименты
3. Юнит-экономика и продуктовые метрики
4. Работа с данными: SQL, BI, дашборды
5. Открытые данные и источники для анализа
6. ИИ как инструмент аналитика и продакт-менеджера
7. Организация и роли в цифровой компании
8. Карьера и навыки до 2030 года

После лекции студент сможет:

Не проект с датой сдачи, а живая система с метриками

1. Исследование — Проблема, сегменты, конкуренты, интервью, данные
2. Гипотеза и MVP — Минимальный продукт для проверки ключевого предположения
3. Запуск и рост — Привлечение, активация, удержание; поиск product-market fit
4. Масштабирование — Монетизация, новые сегменты, платформа
5. Зрелость и обновление — Оптимизация, перезапуск или вывод с рынка

Большинство продуктов «умирает» на этапе поиска соответствия рынку — поэтому дёшевые быстрые проверки важнее полной разработки.

1. Проблемные интервью (CustDev) — Разговор с пользователем о его задачах и боли — без продажи продукта; 10–15 интервью на сегмент
2. Ценностное предложение — Для кого, какую задачу, чем лучше альтернатив; шаблон Value Proposition Canvas
3. Бизнес-модель — Business Model Canvas: сегменты, каналы, доходы, ключевые ресурсы и затраты
4. Путь пользователя (CJM) — Этапы, точки контакта, барьеры, эмоции — где терять и где удерживать
5. Бэклог и приоритизация — RICE, ICE, MoSCoW: что делать первым при ограниченных ресурсах
6. Дорожная карта — Цели по кварталам, а не список функций; связь с OKR компании

Как принимать решения на данных, а не на мнениях

1. Метрика и гипотеза — Целевая метрика, ожидаемый эффект, контрольные метрики (guardrails)
2. Размер выборки — Расчёт по мощности: сколько пользователей и дней нужно
3. Рандомизация — Случайное разделение на группы A и B; проверка сопоставимости
4. Проведение — Не «подглядывать» и не останавливать досрочно; фиксированный срок
5. Анализ и решение — Статистическая значимость, доверительный интервал, влияние на guardrails

Типичные ошибки: остановка при первом «значимом» результате, множественные сравнения, тестирование на слишком малой выборке, игнорирование сезонности.

• Небольшая аудитория (B2B, внутренние системы): используйте до/после с контролем сезонности, метод разности разностей, квазиэксперименты
• Нельзя разделить пользователей (изменение цены для всех, регуляторные изменения): сравнение с похожими рынками или регионами (synthetic control)
• Долгосрочные эффекты (удержание через год): прокси-метрики, когортный анализ
• Этические ограничения: нельзя тестировать вред; тесты на цене требуют осторожности (закон о защите прав потребителей)
• Качественные методы: интервью, юзабилити-тесты, анализ обращений в поддержку — дополняют, а не заменяют данные
• Правило: любое решение должно иметь заранее заданный критерий успеха и дату проверки

Конверсия в покупку, % (условные данные, 2 недели, по 50 000 пользователей в группе)

% конверсии

Полпроцентного пункта конверсии — это +16 % заказов.

Источник исходной лекции: Учебный пример

• Прирост +0,5 п. п. (+16 % относительно) — статистически значим при p < 0,01
• Guardrails: средний чек не снизился, доля возвратов не выросла
• Экономика: +16 % заказов при неизменных затратах на трафик — окупает разработку за недели
• Решение: раскатить на 100 % и запланировать тест для повторных покупателей

Дерево метрик: от выручки к действиям команды

1. Северная звезда — Число успешно выполненных заказов в месяц
2. Драйверы — Активные заказчики × заказов на заказчика × доля выполненных
3. Воронка — Посетители → регистрация → заказ → подбор исполнителя → выполнение → оплата
4. Метрики команд — Конверсия шага, время подбора, доля отмен, NPS, оборот
5. Действия — Гипотезы, эксперименты, приоритеты бэклога

Хорошая «северная звезда» отражает ценность для пользователя и связана с выручкой: не «регистрации», а «выполненные заказы».

• Выберите «юнит»: пользователь, заказ, подписка, товар — тот, ценность которого масштабируется
• Соберите доходы на юнит: цена, частота, средний чек, доп. продажи
• Соберите переменные затраты: себестоимость, комиссии, логистика, поддержка, платежи, возвраты
• Рассчитайте вклад на покрытие (маржинальную прибыль) и сравните с CAC: правило LTV/CAC > 3, payback < 12 месяцев
• Постройте чувствительность: что даст +1 п. п. конверсии, −1 п. п. оттока, +5 % чека — это и есть приоритеты продукта
• Отделяйте постоянные затраты (команда, инфраструктура): они не входят в юнит, но определяют точку безубыточности по объёму

SQL, хранилище, дашборды

1. Источники — Приложение, CRM, платежи, реклама, поддержка, внешние API
2. Сбор (ETL/ELT) — Загрузка в хранилище: Airflow, коннекторы; события через трекеры
3. Хранилище — DWH / lakehouse: ClickHouse, Greenplum, Postgres, облачные
4. Модель данных — Витрины: факты и измерения; единые определения метрик
5. BI и потребление — Дашборды, отчёты, ad hoc SQL, ML, ИИ-ассистенты

Самое дорогое — не инструменты, а единые определения: «активный пользователь» должен считаться одинаково в отделах маркетинга, финансов и продукта.

Четыре запроса, покрывающие 80 % аналитических задач

• SELECT … FROM … WHERE — выборка с фильтром: заказы за месяц по региону
• GROUP BY + агрегаты (COUNT, SUM, AVG) — метрики по сегментам: выручка по категориям и каналам
• JOIN — соединение таблиц: заказы + пользователи + маркетинговые источники → CAC по каналам
• Оконные функции и когорты: удержание по месяцу регистрации, накопленный LTV
• Практика: ClickHouse и Postgres — открытые, российские команды разработки; в вузе — тренажёры и открытые датасеты
• Норма 2026 года: ИИ пишет SQL по запросу на естественном языке, аналитик проверяет логику и определения

1. Одна цель — один экран — Дашборд отвечает на конкретный вопрос конкретной роли: руководитель, продакт, маркетолог
2. Иерархия — Сверху — 3–5 ключевых метрик с динамикой; ниже — разрезы; детали — по клику
3. Сравнение — Метрика без сравнения (план, прошлый период, сегмент) бессмысленна
4. Правильный тип графика — Динамика — линия; структура — столбцы или доли (не более 5); связь — точки; таблица — для точных чисел
5. Честность — Оси от нуля, единые периоды, пометки об изменениях методики
6. Актуальность и владелец — Дата обновления, ответственный, документация определений метрик

• Росстат и ЕМИСС: макро- и отраслевая статистика; ФНС: реестры организаций, налоговая статистика; Банк России: финансовые рынки и платежи data.gov.ru и региональные порталы открытых данных; ГИС ЖКХ, ЕИС закупок (миллионы контрактов), ЕГРН (ограниченно)
• Компании: отчёты и презентации для инвесторов (Мосбиржа), API маркетплейсов для продавцов, Яндекс Wordstat и Радар
• Международные: World Bank, ОЭСР, ITU, ООН — сопоставление стран
• Данные для обучения: Kaggle, HuggingFace, открытые датасеты российских компаний (Яндекс, Сбер, VK) для соревнований
• Правила: проверяйте лицензию, методику, дату; документируйте источники; не используйте персональные данные без основания

История, современность, прорывы

1979–1985

VisiCalc, Lotus 1-2-3, Excel: электронные таблицы

1990-е

SQL и хранилища данных, OLAP-кубы

2000-е

Веб-аналитика (Google Analytics, Яндекс Метрика), A/B-тесты

2010-е

Python/R, Jupyter, self-service BI (Tableau, Power BI)

2020–2022

Продуктовая аналитика (Amplitude, Mixpanel), Modern Data Stack

2023–2026

ИИ-ассистенты пишут SQL и код, объясняют данные, строят дашборды по запросу

Каждое поколение инструментов снижало порог входа в аналитику: от электронных таблиц до диалога с данными на естественном языке.

1. Генерация SQL и кода — Запрос на естественном языке → SQL/Python; аналитик проверяет логику и определения
2. Объяснение данных — «Почему упала конверсия на прошлой неделе?» — модель проверяет разрезы и предлагает гипотезы
3. Отчёты и презентации — Черновики выводов, структура презентации, перевод цифр в текст
4. Исследования — Обзор рынка, конкурентов, отзывов, нормативной базы с источниками
5. Анализ интервью и обращений — Классификация тысяч отзывов и обращений в поддержку по темам и тональности
6. Агенты-аналитики — Автономный мониторинг метрик, обнаружение аномалий, подготовка еженедельных обзоров

• ИИ ускоряет, но не отвечает: за корректность метрик, определений и выводов отвечает аналитик
• Проверяйте SQL на тестовых данных; ИИ ошибается в JOIN, фильтрах дат, определениях активности
• Не загружайте персональные и коммерческие данные в публичные сервисы; используйте корпоративные контуры (GigaChat, YandexGPT for business, локальные модели)
• Фиксируйте промпты и версии моделей — воспроизводимость анализа
• Используйте ИИ для гипотез, а данные — для проверки: модель может «объяснить» и несуществующий эффект
• Навык 2026 года: постановка задачи ИИ так же важна, как постановка задачи junior-аналитику

ИИ в контексте темы: история, современность, горизонт 2030

Кто и как делает цифровые продукты

• Кросс-функциональные продуктовые команды: продакт, аналитик, дизайнер, разработчики, тестировщик — отвечают за метрику, а не за функцию
• Agile и Scrum: короткие итерации (спринты), регулярная поставка, обратная связь; масштабирование — трайбы и платформы
• OKR: цели и ключевые результаты на квартал связывают стратегию с командами
• Платформенные команды: данные, инфраструктура, ИИ — как внутренние продукты для остальных
• Культура: решения на данных, эксперименты, право на ошибку, прозрачность метрик
• Российская практика: Яндекс, Т-Банк, Ozon, Авито, Сбер — открытые материалы о процессах; конференции (Highload, Матемаркетинг, Aha!)

Кейс

КЕЙС

1. Данные — SQL, статистика, эксперименты, BI — обязательный минимум
2. Экономика продукта — Юнит-экономика, финансовые модели, оценка эффектов
3. ИИ-грамотность — Постановка задач ИИ, проверка результатов, понимание ограничений
4. Работа с людьми — Интервью, презентация выводов, влияние без полномочий
5. Предметная область — Отрасль, регулирование, процессы — то, что ИИ не заменит
6. Суждение — Отличать значимое от шума, риск от возможности; этика данных

Доля вакансий с упоминанием навыка (hh.ru, оценки 2025, %)

% вакансий

Три четверти вакансий аналитиков требуют SQL.

Источник исходной лекции: hh.ru, аналитика рынка труда; условные оценки

• SQL — самый востребованный навык аналитика
• Упоминание ИИ-инструментов растёт быстрее всего
• Экономические навыки (юнит-экономика, финмодели) выделяют кандидата
• Оценки по открытым данным вакансий; округлено

1. Цифровой продукт — живая система с метриками и командой; продуктовый подход заменяет фиксированное ТЗ проверкой гипотез и экспериментами
2. Гипотеза формулируется измеримо; A/B-тест — стандарт доказательства, при его невозможности — квазиэксперименты и когортный анализ
3. Дерево метрик связывает «северную звезду» с действиями команд; юнит-экономика показывает, какие метрики двигать в первую очередь
4. Путь данных: источники → хранилище → витрины → BI; ключевой навык экономиста — SQL и единые определения метрик; в России доступны DataLens, Visiology, ClickHouse
5. ИИ пишет SQL, объясняет данные и готовит отчёты, но ответственность за выводы остаётся на аналитике; к 2030 году ценность — в постановке вопросов, предметных знаниях и суждении

1. Чем продуктовый подход отличается от проектного? Когда каждый уместен?
2. Сформулируйте продуктовую гипотезу для сервиса доставки по шаблону
3. Опишите этапы A/B-теста и типичные ошибки
4. Постройте дерево метрик для подписочного сервиса; что будет «северной звездой»?
5. Рассчитайте юнит-экономику для продукта из вашего проекта
6. Опишите путь данных в компании и роль единых определений метрик
7. Какие принципы хорошего дашборда вы знаете? Приведите пример плохого графика
8. Как ИИ меняет работу аналитика и какие правила его использования обязательны?

• Ries E. The Lean Startup. 2011 (рус. пер. «Бизнес с нуля»)
• Cagan M. Inspired: How to Create Tech Products Customers Love. 2017 (рус. пер. «Вдохновлённые»)
• Croll A., Yoskovitz B. Lean Analytics. 2013
• Kohavi R., Tang D., Xu Y. Trustworthy Online Controlled Experiments. 2020 (рус. пер. «Доверительные A/B-тесты»)
• Osterwalder A., Pigneur Y. Business Model Generation. 2010 (рус. пер. «Построение бизнес-моделей»)
• Few S. Information Dashboard Design. 2013; Knaflic C. Storytelling with Data. 2015
• Документация Yandex DataLens, ClickHouse, Apache Superset
• Открытые данные: data.gov.ru, ЕМИСС (fedstat.ru), Банк России, ЕИС закупок
• Материалы конференций Aha!, Матемаркетинг, ProductSense (2023–2025)
• Онлайн-курсы по SQL и продуктовой аналитике: Яндекс Практикум, Stepik, Karpov.Courses

Без данных вы просто ещё один человек с мнением.

Мини-проект на 2 недели, группы по 3 человека

• Возьмите открытый датасет (Kaggle, данные ЕИС закупок, отчёты компании или данные из практики)
• Сформулируйте бизнес-вопрос и 2–3 проверяемые гипотезы
• Загрузите данные в DataLens (или Superset), напишите 3–4 SQL-запроса, постройте дашборд из 5–6 графиков по принципам лекции
• Используйте ИИ-ассистент для генерации SQL и черновика выводов — и задокументируйте, что пришлось исправить
• Подготовьте 5-минутную презентацию: вопрос → данные → метод → выводы → ограничения
• Критерии: корректность определений, честность визуализации, обоснованность выводов

Лучшие работы — на итоговом занятии; результат можно включить в портфолио для стажировок.

• Следующая лекция:
• Итоговый прогноз развития цифровых бизнес-решений до 2030 года

Вопросы — на семинаре и в чате курса

• MVP — минимально жизнеспособный продукт
• CustDev — исследование клиентов и их потребностей
• CJM — карта пути клиента
• RICE — охват, влияние, уверенность, усилия
• ICE — влияние, уверенность, простота
• MoSCoW — обязательно / желательно / можно / не сейчас
• OKR — цели и ключевые результаты
• A/B — сравнительный эксперимент с вариантами A и B
• B2B / B2C — бизнес для бизнеса / бизнес для потребителя
• DAU / MAU — активные пользователи за день / месяц
• D1 / D7 / D30 — первый / седьмой / тридцатый день

• ARPU / ARPPU — выручка на пользователя / платящего пользователя
• LTV — ценность клиента за срок взаимодействия
• CAC — стоимость привлечения клиента
• NPS — индекс готовности рекомендовать
• CSAT — оценка удовлетворённости клиента
• CRM — управление взаимоотношениями с клиентами
• ETL / ELT — извлечение, преобразование, загрузка / извлечение, загрузка, преобразование
• DWH — хранилище данных
• BI — бизнес-аналитика
• SQL — язык структурированных запросов
• OLAP — оперативная аналитическая обработка

• ML — машинное обучение
• API — программный интерфейс приложения
• AVG / SUM / COUNT — среднее / сумма / количество в SQL
• ИИ / AI — искусственный интеллект
• ИТ — информационные технологии
• ТЗ — техническое задание
• СМБ — средний и малый бизнес
• СБП — Система быстрых платежей
• ЕМИСС — Единая межведомственная информационно-статистическая система
• ФНС — Федеральная налоговая служба
• ГИС — государственная информационная система

• ЖКХ — жилищно-коммунальное хозяйство
• ЕИС — единая информационная система
• ЕГРН — Единый государственный реестр недвижимости
• VK — «ВКонтакте»; бренд компании
• ITU — Международный союз электросвязи
• ОЭСР / OECD — Организация экономического сотрудничества и развития
• ООН / UN — Организация Объединённых Наций
• РФ — Российская Федерация

Текст и единицы: тыс. — тысяча; млн — миллион; млрд — миллиард; трлн — триллион; руб. — рубль; долл. — доллар; г./гг. — год/годы; п. п. — процентный пункт; уч. год — учебный год. Полные английские формы — в заметках.