Професія Аналітик Даних: SQL, Python та Big Data з нуля

Що ви зможете після курсу

• Перевіряти дані статистикою: розподіли, довірчі інтервали, Z- і t-тести, ANOVA — і пояснювати керівництву, що стоїть за цифрами
• Доставати дані з баз самостійно: SELECT, JOIN, агрегатні та віконні функції, подання і повнотекстовий пошук у PostgreSQL
• Писати аналітичний код на Python: pandas, NumPy, групування, зведені таблиці та графіки в matplotlib, seaborn і plotly
• Коректно перевіряти гіпотези: дизайн A/B-тесту, розмір вибірки, p-value і типові пастки висновків
• Говорити з бізнесом мовою метрик: AARRR, юніт-економіка, LTV, піраміда метрик і вимоги до звітності
• Збирати дашборди в Google Data Studio й розуміти, як улаштовані Hadoop, Spark і робота з великими масивами даних

Кому підійде курс

Курс — не про глибокий Data Science: машинне навчання подано оглядово, нейромереж у програмі немає. Практики в платних BI-системах теж немає — дашборди збираються в безкоштовному Google Data Studio.

Як проходить навчання

• Відеоуроки та домашні завдання до кожного уроку — Теми закріплюються практикою; домашні роботи перевіряються — залік або доопрацювання
• Практика на реальних датасетах — Працюєте з даними про вантажоперевезення, фільми, пасажирів «Титаніка», банківські транзакції та датасетами Kaggle — як у справжніх завданнях
• Інструменти встановлюються на ваш комп’ютер — Установлення Python, Anaconda, Git і Docker розібрано покроково для Windows — оточення аналітика налаштовуєте самі
• Розбори лабораторних і датасетів слухачів — Бачите, що в одного завдання буває кілька рівноцінних рішень, а власний набір даних готуєте за правилами машинної обробки
• Підсумкова робота — готовий дашборд — Наприкінці курсу у вас робота для портфоліо: управлінський дашборд у Google Data Studio з фільтрами та доступом за посиланням

Що знадобиться для навчання

• Комп’ютер з Windows: установлення Python, Git та Anaconda розібрано в окремих уроках
• Безкоштовні інструменти: Python, Anaconda та Jupyter Notebook, DBeaver, Docker, Google Colab і Google Data Studio
• Google-акаунт для Google Таблиць, Colab і Data Studio

Чому з одиночних відео зазвичай не виходить

Аналітику даних потрібно водночас тримати в голові статистику, SQL, Python і мову бізнесу. Збирати це з окремих статей і відео можна роками: знання лишаються шматками й на справжньому завданні — від брудного CSV до висновку для керівництва — самі не складаються.

З даних легко зробити хибний висновок: курс починається з розбору відомих провалів інтерпретації показників, пасток A/B-тестів і помилок першого та другого роду. Програма веде повним циклом роботи аналітика — вимога замовника, дані, перевірка гіпотез, звіт і дашборд — і на кожному кроці відпрацьовується на датасетах та домашніх завданнях із перевіркою.

Що зміниться після курсу

Як улаштований шлях

1. База: статистика і мислення Розбираєте інструменти професії та математичну статистику — розподіли, гіпотези, тести — на кейсах реальних бізнесів і власних датасетах
2. Дані: SQL і бази Встановлюєте Docker з PostgreSQL, підключаєтеся через DBeaver і доходите від першого SELECT до віконних функцій, подань і MongoDB
3. Код: Python і математика Від перших програм до pandas, NumPy, візуалізації та статистичних тестів; домашні роботи з перевіркою та розбори лабораторних
4. Результат: метрики, дашборд, великі дані Перекладаєте цілі бізнесу в метрики, проєктуєте A/B-тести і збираєте підсумковий дашборд у Google Data Studio; фінальний блок — основи великих даних: Hadoop, Spark, PySpark

Програма курсу

62 уроки · 5 модулів · 97 годин 45 хвилин відео · Шлях іде від статистики та SQL до Python, роботи в команді і великих даних; кожен блок — практика, домашні завдання та розбори

• Статистична база: як дані доводять бізнес-рішення 4 уроки

  Професія аналітика з нуля: компетенції та ринок інструментів, розподіли й перевірка гіпотез, A/B-тести й розбори кейсів реальних бізнесів — плюс заняття за датасетами самих слухачів.

  • Професія аналітика: роль, компетенції, інструменти 1 урок

    Що таке аналіз даних і чим він відрізняється від статистики, Data Science та бізнес-аналітики; категорії інструментів від Excel до Python і R. Практика — перші статистики за набором даних про вантажоперевезення.

    • Професія аналітика даних1:44:56

      Вступне заняття про професію аналітика даних: як аналіз пов’язаний зі статистикою, Data Science та бізнес-аналітикою, чим відрізняються підходи data-driven і data-informed та з яких навичок і категорій інструментів складається робота аналітика. У практичній частині — набір даних про вантажні перевезення: дискретні та неперервні змінні, гранулярність і агрегація, розрахунок базових статистик, квартилів, перцентилів і гістограми за вагою вантажів.

  • Чому з даних роблять хибні висновки 1 урок

    Розподіли ймовірностей, помилки першого та другого роду, центральна гранична теорема — і розбір відомих кейсів, де хибна інтерпретація показників обійшлася бізнесу дорого.

    • Розподіли, гіпотези та помилки висновків2:13:07

      Заняття знайомить із математичною статистикою, на якій ґрунтується аналітика: розподіли ймовірностей, перевірку гіпотез з помилками першого та другого роду, рівні значущості й довіри, центральну граничну теорему. Розбір відомих кейсів показує, звідки беруться хибні висновки з даних, а задача про термінове перевезення доводиться до розрахунку z-критерію та ймовірності за Z-таблицею.

  • Перші тести та A/B-тестування на кейсах 1 урок

    Z-тест у спорі про частку вчасних доставок, довірчі інтервали конверсій і пастка підглядання в A/B-тестах; практика в Gretl на даних про ціни на квартири.

    • Статистичні тести та АБ-тестування1:42:13

      Практика поєднує статистику із задачами аналітика: Z-тест для спору про частку вчасних доставок, довірчі інтервали, механіку АБ-тестування з проблемою підглядання та розрахунком розміру вибірки. Далі — кореляція та коефіцієнт Пірсона, а в Gretl — дослідження датасету цін на квартири: зведені статистики, гістограма, бокс-плоти за факторами та кореляційна матриця.

  • Розбір ваших датасетів і правила підготовки даних 1 урок

    Приносите власні набори даних: розбираємо їх придатність для методів курсу та формулюємо правила підготовки — формати дат, єдина структура, відсікання викидів.

    • Розбір датасетів слухачів1:46:35

      Додаткове заняття розбирає датасети слухачів у Gretl та оцінює придатність наборів для вивчених методів. Попутно формулюються правила підготовки даних: єдина структура, розкладання дат на компоненти, відмова від сторонніх відомостей і попередніх розрахунків; на наборах про продажі, прокат велосипедів та інших відпрацьовуються гістограми, бокс-плоти, відсікання викидів і кластеризація методом k-середніх.

• SQL з нуля до віконних функцій на навчальній базі PostgreSQL 6 уроків

  Встановлюєте Docker і DBeaver, підключаєтеся до навчальної бази DVD Rental і доходите від першого SELECT до з’єднань, агрегатних і віконних функцій, подань, повнотекстового пошуку та MongoDB.

  • Перше підключення до бази даних 1 урок

    Знайомство з базами даних і СУБД, установлення Docker з Kitematic і DBeaver, підключення до навчальної бази PostgreSQL і виконання першого запиту SELECT.

    • Введення в SQL і налаштування середовища1:11:44

      Знайомство з базами даних, реляційною моделлю та завданнями СУБД: цілісність, транзакції, відновлення після збоїв, розмежування доступу. Середовище збирається на Docker із графічним інтерфейсом Kitematic: розгортається навчальний контейнер PostgreSQL, у DBeaver налаштовується підключення до бази DVD Rental і вивчається ER-діаграма. У редакторі SQL виконуються перші запити SELECT, а в домашній роботі те саме повторюється на другому датасеті зі скріншотами ER-діаграми та результату запиту.

  • Як улаштована реляційна база 1 урок

    Властивості таблиць, первинні та зовнішні ключі, нормальні форми й типи даних PostgreSQL; отримання даних запитами SELECT із сортуванням та фільтрацією.

    • Будова реляційної бази даних і запити SELECT1:18:49

      Розглядається будова реляційної бази: властивості таблиць, первинні та зовнішні ключі, референційна цілісність, нормалізація до третьої нормальної форми й типи даних PostgreSQL. Відпрацьовуються запити SELECT з псевдонімами, обчислювальними виразами, сортуванням ORDER BY, відбором неповторюваних рядків DISTINCT і фільтрацією WHERE. Домашнє завдання — перелічити таблиці бази з первинними ключами, вивести неактивних покупців і порівняти OFFSET із LIMIT.

  • З’єднання, агрегати та віконні функції 1 урок

    Усі види JOIN на наочній моделі двох кошиків, агрегатні функції з групуванням та фільтрацією груп, підзапити трьох форм і віконні обчислення.

    • З’єднання таблиць, агрегатні та віконні функції2:12:25

      На навчальній моделі з двох кошиків із фруктами розглядаються всі види з’єднань таблиць: внутрішнє, CROSS JOIN, ліве, праве та повне зовнішнє з пошуком непарних записів через NULL. Далі — агрегатні функції COUNT, SUM, MAX, MIN і AVG із групуванням GROUP BY та фільтрацією HAVING, підзапити трьох форм і віконні функції з OVER, PARTITION BY і ROW_NUMBER. Зв’язки для практики підказує ER-діаграма навчальної бази.

  • Проєктуємо таблиці та подання 1 урок

    Створення та зміна таблиць, обмеження стовпців, вставка, оновлення й видалення даних, узагальнені табличні вирази та подання.

    • Таблиці та подання в SQL1:44:03

      Таблиці створюються через CREATE TABLE і змінюються через ALTER TABLE з обмеженнями PRIMARY KEY, UNIQUE, NOT NULL, DEFAULT і CHECK; дані вставляються, оновлюються та видаляються командами INSERT, UPDATE і DELETE з RETURNING. Розглядаються узагальнені табличні вирази WITH, зокрема рекурсивні для даних у вигляді дерев, і подання CREATE VIEW, що зберігаються в базі як збережені запити. Домашнє завдання — спроєктувати невелику базу з трьох сутностей, створити й заповнити таблиці, надіслати скрипти; додатково видаються два завдання на рекурсивні вирази.

  • Повнотекстовий пошук і збережені функції 1 урок

    Типи tsvector і tsquery, ранжування та GIN-індекси; пишемо збережені функції на SQL і PL/pgSQL із використанням курсорів.

    • Повнотекстовий пошук і збережені функції в PostgreSQL2:04:53

      Розглядається повнотекстовий пошук у PostgreSQL: типи tsvector і tsquery, конфігурація для російської мови зі стоп-словами та лексемами, оператор зіставлення @@, ранжування за релевантністю, виділення знайдених фрагментів ts_headline і GIN-індекс. Далі — збережені функції на SQL і PL/pgSQL з вхідними та вихідними параметрами, returns setof і returns table, а також курсори для построкової обробки вибірок. Домашнє завдання — таблиця анотацій до фільмів із зовнішнім ключем і функція повнотекстового пошуку по них.

  • NoSQL і перші кроки в MongoDB 1 урок

    Теорема CAP і п’ять типів нереляційних баз; документи та колекції, вставка, пошук з операторами, оновлення й зв’язування документів.

    • NoSQL-підхід і основи MongoDB2:37:31

      NoSQL-підхід вводиться через теорему CAP і п’ять типів нереляційних баз: сховища ключ-значення, документні, графові, у пам’яті та пошукові. Основна частина — MongoDB: документи та колекції замість таблиць зі схемами, автоматично генерований ідентифікатор _id, вставка insertOne і insertMany, вибірка find з логічними операторами й операторами порівняння, проєкцією та пошуком по масивах, оновлення через set і unset, зв’язування документів посиланнями і DBRef. Практика проходить в оболонці MongoDB, а наприкінці порівнюються критерії вибору між реляційною СУБД і NoSQL.

• Python для аналізу даних: від першої програми до статистичних моделей 30 уроків

  Найбільший блок курсу: базовий синтаксис і оточення аналітика, pandas і NumPy, візуалізація, описова статистика, центральна гранична теорема, тести гіпотез і кейс-стаді на датасетах Kaggle.

  • Старт: перші програми та робоче оточення 4 уроки

    Знайомство з Python в онлайн-інтерпретаторі Replit, налаштування Jupyter Notebook через Anaconda та покрокове встановлення Git і Python на Windows.

    • Гостьова лекція — Знайомство з Python57:08

      Знайомство з Python: чому мова популярна і де застосовується, чим інтерпретована мова з динамічною типізацією відрізняється від компільованих і чому для навчання обирають третю версію. Перші кроки — в онлайн-інтерпретаторі Replit: виведення на екран функцією print, арифметичні операції, змінні, введення даних, перетворення типів і коментарі.

    • Додаткова лекція — Python1:50:27

      Практичне заняття аналітика: налаштування Jupyter Notebook через Anaconda, де код виконується у комірках, а поруч із ним живуть візуалізації та звіти. Базовий синтаксис Python повторюється на вправах — зрізи, булевий тип, бібліотека math, форматоване виведення, — плюс обробка великих файлів з командного рядка та основи спільної роботи в git.

    • Встановлення Git на Windows4:25

      Встановлення системи контролю версій Git на Windows: завантаження інсталятора з офіційного сайту та встановлення за допомогою майстра. Після встановлення репозиторій із файлами домашніх завдань клонується командою git clone, а для повсякденної роботи рекомендується командний рядок Git Bash.

    • Встановлення Python на Windows5:14

      Встановлення Python на Windows: завантаження інсталятора з офіційного сайту з обов’язковою позначкою Add Python to Path. Встановлення перевіряється у командному рядку: команда python виводить версію мови, а перше виведення Hello World підтверджує працездатність інтерпретатора.

  • Гостьові лекції практиків: Git, Python і ООП 8 уроків

    Практики розбирають контроль версій і Git Flow, синтаксис Python, колекції та умовні конструкції, об’єктно-орієнтоване програмування з класами та наслідуванням.

    • Організація робочого процесу1:29:33

      Урок поєднує гілкування та злиття в єдиний робочий процес: переходи по історії проєкту командою checkout, гілки як вказівники на коміти та розбір конфліктів злиття. Показується схема Git Flow з ролями гілок master, develop, feature, release і hotfix для паралельної командної роботи.

    • Контроль версій коду на прикладі системи Git2:32:38

      Вступний урок про контроль версій: навіщо проєкту система контролю версій, встановлення та налаштування Git, створення репозиторію командою init. Розбираються зв’язок локального та віддаленого репозиторію на хостингу, стани файлів і базові команди — add, commit, push, pull, log, diff.

    • Знайомство з Python57:08

      Вступне заняття з мови: сфери застосування Python, інтерпретованість і динамічна типізація, несумісність другої та третьої версій. Перші програми пишуться в онлайн-інтерпретаторі Replit: виведення на екран, арифметичні операції, змінні, введення даних, перетворення типів і коментарі.

    • Умовні конструкції. Операції порівняння51:53

      Лекція пояснює операції порівняння з булевим результатом і керування виконанням програми: розгалуження if, elif та else з урахуванням відступів Python. Розбираються логічні операції, приведення виразів до булевого типу та запис умов ланцюжком.

    • Вступ до типів даних і циклів1:34:37

      Урок систематизує типи даних Python — числа, рядки, логічний тип, списки та кортежі — з індексацією, зрізами та перетвореннями. Вводяться цикли while і for, оператор break та вкладені конструкції, розібрані на прикладі розрахунку середньої температури.

    • Цикли. Типи даних. Колекції даних1:29:41

      Заняття присвячене словникам і множинам: доступ за ключем, методи get, keys, values та items, неповторюваність елементів і операції теорії множин — об’єднання, перетин, різниця. Практичний кейс — підбір квартири з CSV-вивантаження: читання файлу, фільтр за бюджетом, збір неповторюваних станцій метро та словник зі списками квартир.

    • Класи та їх застосування в Python-11:49:08

      Лекція вводить об’єктно-орієнтоване програмування: клас як креслення, об’єкт зі станом, атрибути, методи та інтерфейс. Розглядаються абстрагування, інкапсуляція, успадкування та поліморфізм, після чого поняття переносяться у код на Python: оголошення класу, параметр self та ініціалізатор.

    • Класи та їх застосування в Python-21:23:43

      Лекція повторює поняття ООП і переносить їх у код: механізм self, ініціалізатор, словники атрибутів, успадкування та порядок розв’язання методів MRO. Показуються магічні методи, що роблять об’єкти порівнюваними та такими, які можна додавати, і пастка спільного змінюваного значення за замовчуванням.

  • Перші програми в Jupyter Notebook 1 урок

    Установлення Anaconda, комірки та автодоповнення Jupyter, змінні, числа, рядки, булеві перевірки, зрізи та форматований вивід.

    • Вступ до Python і Jupyter Notebook1:55:43

      Перше заняття: встановлення дистрибутива Anaconda та запуск Jupyter Notebook, домовленості про роботу курсу й перші кроки у Python — змінні, числа, рядки, булеві перевірки, зрізи, бібліотека math і форматоване виведення. Домашнє завдання викладається на GitHub, питання вирішуються в Slack.

  • Колекції Python у роботі аналітика 1 урок

    Списки, зрізи та цикл for, функція range та ітератори, розпакування й копіювання об’єктів, кортежі та множини — і прискорення пошуку перетинів множиною.

    • Списки, кортежі, множини та цикли у Python1:45:38

      Практика роботи з колекціями: списки, зрізи та цикл for, функція range й ітератори, розпакування та справжнє копіювання об’єктів через бібліотеку copy, кортежі й множини. Розбирається прискорення пошуку перетинів множиною на порівнянні мільйонів ідентифікаторів, а результати записуються у Excel бібліотекою OpenPyXL.

  • Власні функції та перші тести 1 урок

    Устрій словників і підрахунок частот, читання файлів, власні функції з аргументами із зірочками, рекурсія, тести та перші класи.

    • Словники та функції у Python1:58:12

      Заняття завершує тему словників і переходить до власних функцій: устрій словників і підрахунок частот як аналог SQL-групування, читання файлів рядок за рядком, оголошення функцій через def та перевірка їх тестами. Додатково — сортування з лямбдами, аргументи із зірочками, рекурсія, тести pytest і перші класи.

  • Дати й час без помилок 1 урок

    Переведення рядків у дати через strptime і назад через strftime, інтервали timedelta, прохід за періодом циклом та обробка помилок try/except.

    • Дати й час у Python1:57:06

      Урок вчить перетворювати рядки на дати методом strptime і назад через strftime, зміщувати дати інтервалами timedelta та проходити періоди циклом. Окрема увага — часовим поясам, формату Unix time і захисту скриптів від падінь конструкцією try/except; у вправах обчислюються метрики за логом покупок.

  • NumPy: вектори, матриці та рекомендації 1 урок

    Масиви та їхні форми, скалярний добуток і косинусна близькість — на них збирається міні-рекомендаційна система; множення матриць і лінійні рівняння.

    • NumPy: масиви, вектори та матриці2:02:04

      Заняття з NumPy: масиви та їхні форми, генератори таблиць, поелементні операції, множення матриць і розв’язання систем лінійних рівнянь. Користувачі та товари зводяться до векторів, близькість оцінюється косинусною відстанню — на цій ідеї будується мінісистема рекомендацій; наприкінці — огляд можливостей pandas.

  • pandas: функції, групування, об’єднання таблиць 1 урок

    apply і лямбда-функції, розбір UTM-міток рекламних посилань, групування зі зведеними таблицями та коректний merge датафреймів без дублікатів.

    • Функції, групування та об’єднання таблиць у pandas2:01:15

      Друге заняття з pandas: застосування власних і лямбда-функцій через apply та розбір UTM-міток рекламних посилань бібліотекою urllib. Розбираються групування groupby зі зведеними таблицями та об’єднання датафреймів методом merge з перевіркою кількості рядків на дублікати ключів.

  • Прикладні прийоми: JSON, логування, доступ до баз 1 урок

    Покроковий розбір вкладених структур і JSON з API, бібліотека logging, доступ до баз даних ззовні та хешування персональних даних.

    • Вкладені структури, логування та бази даних1:46:06

      Прикладне заняття: покроковий розбір вкладених списків, словників і JSON з API, економні алгоритми на відсортованих даних та бібліотека logging замість print. Показуються кроки отримання доступу до бази даних ззовні, виконання запитів через курсор і хешування персональних даних із сіллю.

  • Графіки, які не спотворюють дані 2 уроки

    Як обирати тип діаграми під завдання і практика побудови графіків у Matplotlib і Pandas; гостьова лекція додає seaborn та plotly.

    • Гостьова лекція — Візуалізація даних у Python2:16:02

      Лекція про візуалізацію: як обирати типи графіків під задачу, якими засобами кодуються дані на діаграмах і чому кругові та тривимірні графіки спотворюють сприйняття. У практичній частині графіки будуються в matplotlib, pandas, seaborn і plotly — від лінійних і стовпчикових до боксплотів та теплових карт.

    • Візуалізація даних у Matplotlib і Pandas1:53:42

      Лекція пояснює, навіщо потрібна візуалізація та як обирати тип діаграми, щоб не спотворювати сприйняття; квартет Анскомба показує, як однакові статистики приховують різні дані. У практичній частині будуються перші графіки в Matplotlib і Pandas: лінійні, стовпчикові з накопиченням, гістограми та боксплоти, зокрема читання ящика з вусами.

  • Розбір лабораторної: кілька рішень одного завдання 1 урок

    Покроковий розбір завдань: сума за умовою, робота з рядками, випадкові числа, матриці в NumPy і словники студентів.

    • Розбір лабораторної роботи з Python1:01:19

      Покроковий розбір лабораторної роботи з Python: сума за умовою, робота з рядками, генерація випадкових чисел, матриці в NumPy і словники студентів. Показується, що одне завдання може мати кілька рівноправних розв’язків, а пошук готових відповідей і застосування модулів — нормальна робоча практика.

  • Seaborn та інтерактивний Plotly 1 урок

    Статистичні графіки pairplot, jointplot, boxplot, heatmap та інтерактивні трейси й layout Plotly; наприкінці — добірка книжок з аналізу даних.

    • Візуалізація у Seaborn і Plotly1:17:04

      Додаткова лекція завершує тему візуалізації: статистичні графіки Seaborn — pairplot, displot, jointplot, boxplot, heatmap — та інтерактивна Plotly з трейсами, layout, bubble chart і випадними меню. У фіналі — добірка книжок про Python, аналіз даних і подачу графіків.

  • Відповіді на запитання про Python і pandas 1 урок

    Сесія запитань слухачів: області видимості, змінюваність типів, вибірки loc та iloc, ресемплінг за датами, мультиіндекс і основи класів.

    • Розбір запитань про Python і Pandas2:12:38

      Сесія відповідей на запитання слухачів про Python і Pandas: області видимості, змінюваність типів даних, вибірки loc та iloc, ресемплінг за датами, apply-методи, мультиіндекс і основи класів. Кожне запитання розбирається на живих прикладах коду.

  • Описова статистика та розподіли в коді 1 урок

    Рахуємо базові статистики на таблиці фільмів, розбираємо нормальний і рівномірний розподіли, коефіцієнт кореляції Пірсона та нормалізацію даних.

    • Описова статистика та види розподілів1:55:01

      Урок вводить базові поняття описової статистики — математичне сподівання, медіану, моду, стандартне відхилення — і обчислює їх у Python на таблиці фільмів. Розбираються нормальний та рівномірний розподіли, коефіцієнт кореляції Пірсона, хибні кореляції й нормалізація даних перед порівнянням вибірок.

  • Центральна гранична теорема на практиці 1 урок

    Показуємо теорему на коді: суми вибірок із будь-яких розподілів збігаються до нормального; матриці коваріації та кореляції й дискретні розподіли.

    • Центральна гранична теорема та види розподілів2:27:51

      Заняття показує на коді центральну граничну теорему: суми вибірок із будь-яких розподілів зі зростанням обсягу збігаються до нормального. Попутно розбираються матриці коваріації та кореляції, власні вектори й дискретні розподіли — Бернуллі, біноміальний, геометричний, розподіл Стьюдента.

  • Перевірка гіпотез: t-критерій, ANOVA і регресія 1 урок

    Будуємо передбачувальні моделі на даних про серцеві хвороби та перевіряємо відмінності вибірок t-критеріями, ANOVA і непараметричними методами за p-value.

    • Перевірка гіпотез: t-критерій, ANOVA та регресія2:01:41

      Заняття поєднує лінійну регресію зі статистичними тестами: на даних про хвороби серця будуються прогнозні моделі, а відмінності вибірок перевіряються t-критерієм Стьюдента, ANOVA та непараметричними методами за p-value. Розбираються нульова та альтернативна гіпотези, помилки першого й другого роду та застосування тестів в A/B-експериментах.

  • Повний цикл аналізу на даних про автомобілі 1 урок

    Описові показники, кореляції та профілювання таблиці завершуються розбором видів t-тесту, його передумов і читанням p-value.

    • Розбір лабораторної роботи зі статистики36:24

      Розбір лабораторної роботи зі статистики на даних про автомобілі: описові показники, кореляції та профілювання таблиці бібліотекою Pandas Profiling. Докладно пояснюються три види t-тесту, його передумови та читання p-value під час перевірки нульової гіпотези.

  • Кейс-стаді: підготовка даних до моделювання 1 урок

    Датасети Kaggle: розподіли та кореляції переходять у підготовку даних — нормалізація, видалення дублювальних ознак, пропуски та кодування категорій.

    • Кейс-стаді: датасети Kaggle та підготовка даних2:11:27

      Кейс-стаді на датасетах Kaggle: аналіз розподілів і кореляцій переходить у підготовку даних до моделювання — нормалізація, видалення дублюваних ознак, заповнення пропусків, вилучення ознак і кодування категорій. Прийоми відпрацьовуються на датасетах сталевих пластин, Titanic і бостонських будинків, після чого навчаються регресійні моделі.

  • Кейс-стаді: регресії та метрики якості моделей 1 урок

    Лінійна та логістична регресії на даних про успішність, ірисах і банківських транзакціях; precision і recall і боротьба з незбалансованими класами.

    • Кейс-стаді: лінійна та логістична регресії2:04:59

      Завершальний кейс зі статистики: лінійна та логістична регресії навчаються на даних про успішність студентів, іриси та транзакції за кредитними картками. Розбираються метрики якості моделей precision і recall та боротьба з незбалансованими класами, у фіналі — візуальний аналіз датасету топ-100 пісень.

• Аналітик у команді: метрики, тести та звітність для бізнесу 12 уроків

  Перекладаємо цілі бізнесу в систему метрик, збираємо вимоги за методологією BABOK, проєктуємо A/B-тести і будуємо підсумковий управлінський дашборд у Google Data Studio.

  • Цілі бізнесу перетворюються на метрики 1 урок

    Культура роботи з даними, класифікація метрик, дашборди верхнього рівня та воронка AARRR на прикладі інтернет-магазину.

    • Цілі бізнесу та метрики компанії2:16:46

      Урок показує, як цілі бізнесу — зростання доходів, зниження витрат, підвищення капіталізації — розкладаються на вимірювані показники підрозділів і каскадуються в KPI за SMART. Розглядаються культура роботи з даними, єдине джерело правди та корпоративний глосарій, класифікація метрик і фреймворк AARRR. У завданні потрібно підібрати та обґрунтувати метрики всіх п’яти етапів воронки AARRR для обраного інтернет-магазину.

  • Мова фінансів для аналітика 1 урок

    Бюджетування та облік, що показують БДР, БДДС і баланс, формула Дюпона та зв’язок фінансових показників з нефінансовими.

    • Фінансові метрики та бюджетування2:04:00

      Урок знайомить із мовою фінансів: управлінський цикл планування та план-фактного аналізу, бюджетування і центри фінансової відповідальності, майстер-форми БДР, БДДС і прогнозний баланс. Розглядаються види обліку та фінансові метрики — формула Дюпона, EBITDA, ліквідність, чисті активи — а також зв’язок фінансових показників із нефінансовими через збалансовану систему показників. У завданні потрібно зібрати міні-баланс, порахувати чисті активи та коефіцієнт ліквідності і зробити висновок про платоспроможність організації.

  • Маркетинг і продукт у цифрах 1 урок

    Життєвий цикл клієнта, вартості етапів воронки та ROMI, юніт-економіка, метрики зростання і продукту, фреймворки HEART і Product Metric Canvas.

    • Маркетингові та продуктові метрики1:58:20

      Урок пов’язує маркетингову аналітику з життєвим циклом клієнта: метрики охоплення, залученості, монетизації та утримання, вартість етапів воронки CPC, CPA, CPO і CAC, розрахунок ROMI. Розглядаються юніт-економіка, відмінність метрик зростання і метрик продукту, життєвий цикл продукту, фреймворк HEART і Product Metric Canvas. Домашнього завдання до уроку немає: він дає матеріал, який далі збирається в піраміду метрик.

  • Юніт-економіка, LTV та піраміда метрик 1 урок

    Декомпозиція юніт-економіки та LTV на чинники, користь ієрархії метрик для дашбордів, North Star Metric, алерти та побудова піраміди.

    • Юніт-економіка, LTV та піраміда метрик2:05:56

      Урок поглиблює юніт-економіку: формула доходу декомпозується на чинники аж до семифакторної формули валового прибутку, у таблиці збирається калькулятор чутливості, а LTV розраховується за когортами — через конверсію в оплату, ARPPU і тривалість життя платника. Розглядаються North Star Metric, алерти та ієрархія метрик, що задає сценарій drill-down для дашборду. У завданні потрібно побудувати ієрархію метрик для одного зі стартапів глибиною три-чотири рівні.

  • Від вимоги замовника до звіту 1 урок

    Як збирати та класифікувати вимоги й домовлятися зі стейкхолдерами за методологією BABOK — і перетворювати узгоджені вимоги на спроєктовану звітність.

    • Вимоги до звітності та data-driven підхід2:18:46

      Урок пов’язує data-driven підхід із роботою аналітика: межі застосування даних, наведення порядку в нормативно-довідковій інформації, цикли перевірки ідей HADI та PDCA. Розглядаються збирання і класифікація функціональних та нефункціональних вимог, робота зі стейкхолдерами за звідом знань BABOK і проєктування звіту за ланцюжком «мета — питання — задача — ієрархія метрик — інструмент». У завданні потрібно скласти план підготовки звіту для HR-кейсу про ризики звільнень: питання замовнику, джерела даних, формат подання та розділи звіту.

  • Гіпотези, канваси та команди зростання 1 урок

    Типи гіпотез за воронкою та критерії SMART, збір бізнес-моделі на канвасах, зв’язок канваса з циклом HADI і устрій команд зростання.

    • Продуктові гіпотези, канваси та команди зростання2:12:53

      Урок вчить перетворювати ідеї на перевірювані продуктові гіпотези: типи гіпотез за етапами воронки — залучення, активація, утримання, монетизація — і критерії SMART. Розглядаються Business Model Canvas і Lean Startup Canvas, проблемне інтерв’ю, карта впливу, зв’язка канваса з циклом HADI та будова команд зростання. У завданні потрібно побудувати Lean Startup Canvas власної бізнес-ідеї та записати HADI за ключовими гіпотезами.

  • Проєктуємо A/B-тести та бізнес-моделі 1 урок

    Нульова гіпотеза та розрахунок вибірки, формати AA, ABC і мультиваріант; коли спліт-тест незастосовний — альтернативна верифікація та огляд бізнес-моделей монетизації.

    • Дизайн A/B-тестів і бізнес-моделі2:00:29

      Урок про проєктування та читання експериментів: нульова й альтернативна гіпотези, рівень значущості та статистична потужність, розрахунок розміру вибірки, формати AA-, ABC- та мультиваріантного тестування. Розглядаються застосовність спліт-тестів, шаблон дизайну експерименту, тести операційних процесів і альтернативна верифікація на випадок, коли спліт-тест незастосовний, а також огляд бізнес-моделей монетизації. У завданні потрібно скласти дизайн експерименту за шаблоном та обґрунтувати вибір формату тесту.

  • Звітність під етап зростання компанії 1 урок

    Яка звітність та аналітика потрібні бізнесу на кожному етапі зростання — від стартапу до великої компанії; оптимізація звітів, читабельні дашборди та тестування цін.

    • Оптимізація звітності та дашборди2:14:41

      Урок пояснює, яка звітність та аналітика потрібні бізнесу на кожному етапі зростання — від стартапу до дуже великої компанії, і як оптимізувати наявні звіти: аудит, реєстр, скасування дублів і зайвих погоджень. Окремо розглядаються правила візуалізації для дашбордів і тестування цін спліт-тестами з побудовою кривої еластичності попиту. Завдання запускає підсумкову роботу: аналіз датасету інтернет-магазину, визначення ключових метрик і стейкхолдерів та побудову дашборду.

  • Підсумок роботи: управлінський дашборд у Google Data Studio 4 уроки

    Від теорії гарних дашбордів до готової роботи: підключення датасету, об’єднання таблиць за ключами, фільтри та діаграми, перевірка в дії та доступ отримувачам за посиланням.

    • Створення управлінського дашборду в Google Data Studio11:26

      Теоретична основа підсумкової роботи: мета бізнесу розкладається на ієрархію метрик, метрика розглядається як сигнал із шумом, розбираються її властивості — спрямованість, чутливість, інтерпретованість, надійність. Окремі теми — ознаки доброго дашборду та підготовка датасету до аналізу, наприкінці — знайомство з безкоштовним Google Data Studio.

    • Створення управлінського дашборду в Google Data Studio9:07

      Практика в Google Data Studio: датасет про фільми підключається через конектор Google-таблиць, розрізнені аркуші об’єднуються в подання за ключами користувача та фільму. Починається складання дашборду з фільтрами та першими візуалізаціями — для соціально-демографічного портрета аудиторії й рейтингу фільмів.

    • Створення управлінського дашборду в Google Data Studio-36:12

      Продовження складання дашборду: фільтр за статтю на об’єднаній таблиці користувачів і дві гістограми — розподіл аудиторії за родом занять і віком та середні рейтинги фільмів із сортуванням за кількістю неповторюваних голосів. Налаштовуються агрегація без повторів, стиль і оформлення діаграм.

    • Створення управлінського дашборду в Google Data Studio-41:45

      Зібраний дашборд перевіряється в роботі: спливні підказки при наведенні, перебудова діаграм під гендерним фільтром і підписи значень на діаграмі рейтингів. Доступ до дашборду відкривається за посиланням — за тим самим принципом, що й у Google Docs, — і розсилається отримувачам.

• Великі дані: архітектури, Hadoop і Spark на практиці 10 уроків

  Характеристики великих даних, Data Warehouse і Data Lake, NoSQL та MongoDB, Hadoop і MapReduce і практика PySpark — від базових операцій до рекомендаційної системи.

  • Від Excel і SQL до пайплайну даних 1 урок

    Як улаштована робота з даними в компанії — від бізнес-аналізу на Excel та SQL до пайплайну, що перетворює сирі дані на бізнес-цінність, і чому до великих даних приходять поступово.

    • Великі дані: традиційні аналітичні підходи1:22:54

      Вступна лекція блоку: як сирі дані з багатьох джерел через пайплайн перетворюються на бізнес-цінність — звіти, рекомендації, автоматизацію. Розглядаються традиційні підходи: бізнес-аналіз зведеними таблицями в Excel та Google Spreadsheets, реляційні бази даних із SQL, BI-системи Power BI й Tableau. Подано огляд програми блоку та формат роботи з практикою й домашніми завданнями.

  • Огляд машинного навчання з практикою 1 урок

    Дані як об’єкти з ознаками, класифікація, регресія та кластеризація; у Google Colab датасет Титаніка передобробляється в pandas і навчаються три моделі.

    • Машинне навчання з практикою на Python1:32:50

      Огляд машинного навчання: дані як об’єкти з ознаками та три типи задач — класифікація, регресія, кластеризація. У Google Colab датасет «Титаніка» передобробляється в pandas (пропуски, one-hot кодування, масштабування), далі навчаються логістична регресія, дерево рішень і метод опорних векторів, а якість вимірюється accuracy, precision, recall та F-мірою. Домашнє завдання — самостійно розв’язати задачу регресії та оцінити її метриками.

  • Шість V та архітектури великих даних 1 урок

    Масштабування шардуванням і реплікацією, доставка коду до даних, сховища Data Warehouse і Data Lake, види обробки та хмарні моделі послуг.

    • Великі дані: шість V, архітектури та хмари1:32:50

      Теоретичний огляд великих даних: характеристики шести-семи V, масштабування шардуванням та реплікацією, доставка коду до даних у масово-паралельній архітектурі Shared Nothing. Розглядаються розподілені файлові системи на кшталт HDFS та Amazon S3, сховища Data Warehouse і Data Lake, пакетна, потокова та мікропакетна обробка, хмарні моделі IaaS, PaaS і SaaS. Домашнє завдання — спроєктувати архітектуру Data Warehouse для власного кейсу.

  • CAP-теорема та MongoDB у дії 1 урок

    Компроміс між узгодженістю та доступністю, огляд типів нереляційних сховищ і практика MongoDB: документи, запити з операторами, масиви та агрегація.

    • NoSQL-підхід і MongoDB: документи, запити, агрегація1:22:36

      Знайомство з NoSQL-підходом: CAP-теорема та компроміс між узгодженістю і доступністю, підхід BASE та огляд чотирьох типів нереляційних сховищ — документних, графових, ключ-значення та колонкових. Основна частина присвячена MongoDB: документи та колекції без схеми, запити з операторами, робота з масивами, оновлення й агрегація трьома способами, зокрема конвеєром і MapReduce. Домашнє завдання — створити базу товарів і виконати розрахунки в онлайн-терміналі MongoDB.

  • Hadoop і MapReduce: як улаштований стек 1 урок

    Як Hadoop зберігає файли в розподіленій файловій системі, як MapReduce обробляє їх стадіями map, shuffle і reduce і навіщо Spark переносить обчислення в оперативну пам’ять.

    • Hadoop і MapReduce: основи великих даних1:21:44

      Як влаштований стек великих даних: Hadoop зберігає файли в розподіленій файловій системі HDFS із нейм-нодами, дата-нодами, блоками та реплікацією, а MapReduce обробляє їх стадіями map, shuffle і reduce — на прикладі підрахунку частоти слів. Окремо розглядається, навіщо Spark переносить проміжні дані в оперативну пам’ять і що таке RDD. Домашнє завдання — питання про оператори Spark і схема підрахунку неповторюваних слів.

  • Рекомендаційна система на PySpark 1 урок

    Від топу популярних фільмів через колаборативну фільтрацію та алгоритм ALS до персональної рекомендації конкретному глядачу, із заміром середнього відхилення передбачень.

    • Практика PySpark: рекомендаційна система1:22:35

      Практика на Spark у Google Colab навколо одного наскрізного завдання — рекомендаційної системи на датасеті MovieLens. Від топу популярних фільмів через колаборативну фільтрацію та алгоритм ALS слухачі доходять до персональних рекомендацій конкретному глядачу, вимірюючи якість середнім модулем відхилення передбачених оцінок. Домашнє завдання — класифікація на PySpark: квітки ірису чи пасажири «Титаніка» без Pandas.

  • Збір даних, що окупається 1 урок

    Великі дані — це методи, а не розмір; сховище обирається за CAP та критичністю помилок, а збір даних має окупатися й мати конкретного споживача.

    • Окупність та якість даних, що збираються1:02:26

      Урок про культуру даних: великі дані визначаються не обсягом, а сукупністю методів, перехід до них виправданий, коли дані вже не обробляються класичними інструментами. Вибір сховища робиться за CAP-теоремою, швидкістю відповіді та критичністю помилок, а перед збиранням даних розраховується окупність: у кожного набору має бути конкретний споживач і вимірювана вигода. Окремо — вимоги до збирання (майстер-джерело, ETL, валідація), data-driven підхід і вертикаль якості на чолі з CDO; домашнє завдання — придумати перевірки якості для свого сховища.

  • Впровадження великих даних за галузями 1 урок

    Ринок великих даних — агрегатори, біржі, аналіз-як-сервіс — та реальні впровадження в телекомі, HR, рітейлі та медицині; домашній кейс — придумати впровадження для мережі магазинів.

    • Кейси застосування великих даних45:42

      Урок про ринок великих даних — агрегатори, біржі даних, аналіз-як-сервіс — та про реальні впровадження: телеком із темними даними трафіку та керуванням відтоком, HR-прескоринг кандидатів, рітейл із плануванням магазинів і прогнозом попиту, а також медицина, фінанси, сільське господарство та інші галузі. Домашнє завдання — придумати для великої мережі будівельних магазинів п’ять-шість кейсів застосування великих даних і розписати метрики оцінювання кожного.

  • PySpark: базові операції 1 урок

    Піднімаємо PySpark у Google Colab і опановуємо розподілені датафрейми: читання CSV, вибірки, агрегації, з’єднання, зведені таблиці та вивантаження.

    • Практика PySpark: базові операції1:26:56

      Практичне заняття: PySpark розгортається в Google Colab, і на розподілених датафреймах відпрацьовуються базові операції — читання CSV, вибірки та describe, агрегації, join, зведені таблиці, фільтри й вивантаження. Розглядаються відкладені обчислення з трансформаціями та екшенами, а візуалізація робиться через toPandas і matplotlib. Домашнє завдання — статистики, точкові графіки та відокремлення одного виду квітки бізнес-правилом на датасеті ірису.

  • Методологія CRISP-DM та ролі в команді 1 урок

    Шість етапів методології CRISP-DM — від бізнес-аналізу до впровадження, огляд ролей команди роботи з даними, вимог до фахівців і способів зібрати команду.

    • Методологія CRISP-DM та ролі в команді1:08:33

      Теоретичний урок про методологію CRISP-DM та її шість етапів — від бізнес-аналізу й дослідження даних через підготовку та моделювання до оцінювання й впровадження, з узгодженням очікувань замовника і документуванням кроків. Далі — огляд ролей команди: сайєнтист, аналітик, ETL-спеціаліст, дата-інженер, архітектор сховища та BI-спеціаліст, а також способи зібрати команду й організаційні моделі. Домашнє завдання — описати ролі команди для свого кейсу та розкласти одну задачу за етапами CRISP-DM.

Часті запитання

Про цей курс

• Чи потрібно вміти програмувати до старту?

  Ні. Python починається з перших програм в онлайн-інтерпретаторі Replit, а встановлення Python, Anaconda та Git на Windows розібрано в окремих уроках покроково.

• На яких базах даних та інструментах іде практика?

  Навчальна база PostgreSQL (DVD Rental) у Docker із підключенням через DBeaver; окремі заняття присвячені MongoDB. Практика Python — у Jupyter Notebook, Anaconda та Google Colab, підсумковий дашборд — у Google Data Studio.

• Чи є домашні завдання та перевірка робіт?

  Так, після уроків — домашні завдання на реальних датасетах; роботи перевіряються, результат — залік або доопрацювання. Окремі заняття — розбори лабораторних робіт і сесії відповідей на запитання слухачів.

• Що буде підсумковою роботою курсу?

  Управлінський дашборд у Google Data Studio на реальному датасеті: підключення та об’єднання таблиць, фільтри й діаграми, перевірка в роботі та відкриття доступу отримувачам за посиланням. Це готова робота в портфоліо.

• Це курс із Data Science та машинного навчання?

  Машинне навчання подано оглядово: класифікація, регресія та кластеризація на кількох моделях scikit-learn і рекомендаційна система на PySpark. Глибокого Data Science та нейромереж у програмі немає.

• Що знадобиться з техніки та програм?

  Комп’ютер з Windows — встановлення Python, Git та Anaconda розібрано саме під неї. Сам софт безкоштовний: Python, Jupyter Notebook, DBeaver, Docker, Google Colab та Google Data Studio; для Google-інструментів потрібен Google-акаунт.

Доступ і матеріали

• Коли і як я отримаю доступ до курсу?

  Одразу після оплати, тієї ж секунди й автоматично. Чекати на підтвердження не потрібно. Доступ надходить двома шляхами водночас. Перший: на пошту, вказану при оформленні замовлення, приходить лист із посиланням на матеріали. Другий: те саме посилання з’являється у вашому акаунті на сайті, у розділі «Завантаження», і залишається там назавжди.

• Де зберігаються матеріали курсу?

  Усі відео та додаткові файли лежать у хмарному сховищі. Посилання на нього — у вашому акаунті на сайті, розділ «Завантаження», і в листі, який надійшов після оплати. Акаунт тут не формальність, а спосіб доставки: курс залишається в ньому назавжди. Навіть якщо лист загубився або ви згадали про купівлю через рік, посилання буде на місці.

• Чи можна завантажити матеріали, чи тільки дивитися онлайн?

  Завантажувати можна і варто. Радимо зберегти відео на комп’ютер і дивитися звідти. Причина проста: хмарне сховище не розраховане на перегляд відео. Іноді воно дозволяє увімкнути ролик просто у браузері, але якість при цьому помітно гірша за вихідну. На своєму комп’ютері ви побачите курс таким, яким його записували.

• Як довго діє доступ?

  Безстроково. Курс залишається вашим назавжди, повертатися до нього можна скільки завгодно разів. Якщо через рік чи два посилання раптом перестане відкриватися з технічних причин — напишіть на info@siluette.com.ua, ми його відновимо.

• Лист із доступом не надійшов — що робити?

  Насамперед: доступ у вас є в будь-якому разі. Увійдіть на сайт і відкрийте розділ «Завантаження» — посилання на курс уже там, незалежно від того, дійшов лист чи ні. Найчастіше лист губиться через одруківку в адресі під час оформлення замовлення. Ще варто заглянути до теки «Спам». Не виходить розібратися — не витрачайте час: напишіть на info@siluette.com.ua або в чат у правому нижньому куті сайту, ми допоможемо.

• На яких пристроях дивитися курс?

  Найкраще на комп’ютері або ноутбуці: завантажте відео й відкрийте будь-яким звичним плеєром. Знадобляться встановлені відеокодеки — на більшості комп’ютерів вони вже є. Завантажити курс можна на скільки завгодно пристроїв. А от телефон ми не радимо, і з двох причин. На маленькому екрані погано видно деталі, особливо якщо в уроці показують інтерфейс програми. І на телефонах часто немає кодеків для форматів, у яких записані відео.

Оплата та повернення

• Якими способами можна оплатити?

  Банківською карткою Visa, MasterCard або «Простір», через Google Pay, Apple Pay, Masterpass, Visa Checkout, платіжний QR-код, Botpay у Telegram чи Privat24. Є й оплата частинами: Монобанк (3 або 4 платежі), А-Банк (2, 3 або 4 платежі та розстрочка), Банк Глобус (8 платежів), «Скибочка» від OTP Bank (3 платежі), миттєва розстрочка та оплата частинами від ПриватБанку.

• Чи приймається картка, випущена не в Україні?

  Так. Платіжна система приймає картки з Євросоюзу та будь-яких інших країн. Одна деталь, про яку часто забувають: банк може попросити підтвердити платіж — у мобільному застосунку або кодом із СМС. Якщо оплата не проходить, перевірте застосунок банку та повідомлення.

• Як працює знижка 20% при купівлі кількох курсів?

  Додайте до кошика два курси або більше — знижка застосується автоматично до всіх товарів у кошику. Два курси: мінус 20% на обидва. П’ять курсів: мінус 20% на всі п’ять. Знижка поєднується з будь-якими акційними цінами й діє на весь каталог без винятків.

• Чи можна повернути курс або гроші?

  Цифрові товари поверненню та обміну не підлягають. Це загальне правило для всіх електронних товарів в Україні — постанова Кабінету Міністрів № 172 від 19 березня 1994 року. При цьому ми завжди на зв’язку. Якщо доступ не відкривається, посилання перестало працювати або файли пошкоджені — напишіть на info@siluette.com.ua, вкажіть дату та номер замовлення. Відновимо. Якщо щось незрозуміло в самому курсі, теж пишіть — підкажемо.

• Чи можна оплатити від організації за рахунком?

  Поки що ні. Ми працюємо лише з приватними покупцями — безготівкової оплати за рахунком від юридичних осіб зараз немає.

Як проходить навчання

• Чи є зворотний зв’язок із викладачем і перевірка завдань?

  Ні. Усі курси — це записи уроків для самостійного вивчення: викладач не відповідає на запитання і не перевіряє домашні завдання. Саме тому курси коштують значно дешевше за навчання з куратором. Ви отримуєте той самий матеріал, але займаєтеся самі та у своєму темпі.

• Чи видається сертифікат?

  Так, цифровий сертифікат — на запит і безкоштовно. Напишіть на info@siluette.com.ua, вкажіть ім’я та прізвище саме в тому вигляді, в якому хочете бачити їх у сертифікаті, і ми надішлемо його протягом доби.

• Чи потрібен досвід, щоб почати?

  Для більшості курсів — ні. Вони розраховані на початковий рівень і пояснюють з азів. Якщо курс потребує підготовки, це сказано в його описі.

• Чи є терміни проходження курсу?

  Ні. Ані дедлайнів, ані розкладу, ані доступу, що згорає. Завантажили — дивіться коли зручно, з будь-якими перервами.

• Чи можна поділитися курсом з іншою людиною?

  Курс купується для особистого використання, і ми просимо ставитися до цього по-людськи: за кожним уроком стоїть робота, а ціна й так суттєво знижена.

Підтримка

• Куди писати, якщо щось не працює?

  Найкраще на info@siluette.com.ua. Є й чат у правому нижньому куті сайту, але пошта надійніша: там можна все описати докладно та додати знімки екрана. Прохання: опишіть, що саме ви робили і що пішло не так, та додайте знімок екрана з помилкою. Так ми вирішимо питання одразу, а не з’ясовуватимемо півдня, що сталося.

• Як швидко відповідає підтримка?

  У робочий час, з 9:00 до 19:00, на пошту зазвичай відповідаємо протягом години, у чаті — за кілька хвилин. Після 19:00 теж буває, але час відповіді не обіцяємо.