Статистика и A/B-тесты для решений на данных
Научитесь проверять продуктовые гипотезы экспериментами: от доверительных интервалов и p-value до дизайна теста, анализа в Python и решения «раскатываем или нет».
Полный цикл: статистический фундамент, планирование эксперимента (метрики, MDE, мощность), анализ результатов, ловушки тестов и отчёт, по которому команда принимает решение.
Формат курса
Не интуиция, а эксперимент. A/B-тест отвечает, работает ли изменение, - без споров о вкусах
Статистика без зубрёжки. CI, p-value и мощность - через интуицию и примеры из продукта
Полный цикл в портфолио. Проектная работа: дизайн → анализ → отчёт по реальному эксперименту
// главная мысль курса
A/B-тест - единственный честный способ узнать, работает ли изменение продукта. Но неправильно спланированный тест хуже, чем его отсутствие: он даёт уверенность в случайном результате. Этот курс учит и статистике, и дисциплине эксперимента.
Курс для тех, кто принимает решения на данных
Аналитикам данных
SQL и Python уже есть, но эксперименты - слепая зона. Курс закрывает её: от статистики до отчёта по тесту.
Продуктовым менеджерам
Вы заказываете и читаете A/B-тесты. Курс учит понимать, когда результатам можно верить, а когда - нет.
Маркетологам и growth-командам
Вы постоянно тестируете гипотезы - креативы, лендинги, цены. Курс даёт корректную методологию вместо «где больше цифра».
3 модуля: статистика → дизайн теста → анализ и решения
Первый модуль - статистический фундамент: распределения, ЦПТ, доверительные интервалы, ошибки I/II рода. Второй - дизайн эксперимента: метрики, юнит рандомизации, p-value, MDE и размер выборки. Третий - практика: анализ в Python, ловушки тестов, A/A-тесты и принятие решений.
1
Статистика
5 уроков · распределения, CI, ошибки и мощность
›
Фундамент, без которого нельзя читать тесты: описательная статистика и распределения, вероятность и выборки, ЦПТ и стандартная ошибка, доверительные интервалы, ошибки I/II рода и мощность.
Описательная статистика, метрики и распределения
Вероятность и выборки
Распределения, ЦПТ и стандартная ошибка
Доверительные интервалы (CI)
Ошибки I и II рода и мощность
2
A/B-тесты: основы
4 урока · гипотезы, метрики, дизайн эксперимента
›
Как правильно спланировать тест: что такое A/B-тест и жизненный цикл эксперимента, выбор метрик и юнита рандомизации, проверка гипотез и p-value, дизайн теста - MDE, мощность, размер выборки, SRM.
Что такое A/B-тест и зачем он нужен
Метрики эксперимента и юнит рандомизации
Проверка гипотез для A/B (p-value, тесты)
Дизайн A/B-теста и принятие решений
3
A/B-тесты: практика
ядро курса
4 урока + проектная работа · Python, ловушки, решения
›
Что происходит после запуска: анализ результатов в Python (t-test, Манна-Уитни, бутстрэп), ловушки тестов - подглядывание, множественные сравнения, ratio-метрики, A/A-тесты и валидация сплит-системы, решение и отчёт.
Анализ результатов в Python: t-test, Манна-Уитни, бутстрэп
Проблемы тестов: подглядывание, множественные сравнения, ratio-метрики
A/A-тесты и валидация сплит-системы
Принятие решений и отчёт по эксперименту
Проектная работа
Хотите полную программу с описанием каждого урока и стоимостью?
Получить программу и ценуПо итогам курса
Статистический фундамент: распределения, ЦПТ, доверительные интервалы, ошибки I/II рода
Умение спланировать A/B-тест: метрики, юнит рандомизации, MDE, мощность, размер выборки
Навык анализа результатов в Python: t-test, Манна-Уитни, бутстрэп, проверка SRM
Понимание ловушек экспериментов: подглядывание, множественные сравнения, ratio-метрики
Умение валидировать сплит-систему A/A-тестами
Проектная работа в портфолио: полный цикл эксперимента с отчётом и решением
Чего этот курс не обещает
- это не математический факультет - формулы даём по необходимости; фокус - на интуиции и корректных выводах
- это не курс про платформы экспериментов - мы учим методологии; она одинакова в любой инфраструктуре - от Excel до внутренней платформы
- это не гарантия «зелёных» тестов - большинство гипотез не подтверждается - курс учит честно это видеть и извлекать пользу
Статистика экспериментов не устаревает: t-test и доверительным интервалам десятки лет, и они всё ещё стандарт индустрии - от стартапов до бигтеха.
Алексей Воронко
Lead Data Analyst
Более 8 лет в аналитике данных: VK, Яндекс, 2ГИС. Более 4 лет преподаёт аналитику и помогает специалистам применять новые инструменты в реальной работе - в этом курсе учит планировать и анализировать A/B-тесты без самообмана.
Частые вопросы
Нужна ли математическая подготовка?
Школьной математики достаточно. Статистику объясняем через интуицию и примеры из продукта, формулы - только необходимые.
Какой уровень Python нужен?
Базовый: переменные, функции, немного pandas. Весь код курса даём в готовых ноутбуках Google Colab.
Сколько времени займёт курс?
3 модуля, 17+ уроков и проектная работа. В комфортном темпе - 5-7 недель по несколько часов в неделю.
Чем курс отличается от бесплатных материалов по A/B-тестам?
Системностью и практикой: от статистического фундамента до полного цикла эксперимента с разбором типичных ловушек - подглядывания, множественных сравнений, ratio-метрик.
Что будет в портфолио?
Проектная работа: дизайн эксперимента, анализ результатов в Python и отчёт с решением - полный цикл A/B-теста.
Сколько стоит и когда старт?
Стоимость и даты ближайшего потока уточняйте у куратора. Оставьте заявку - куратор пришлёт актуальные цифры в течение рабочего дня, без обязательств с вашей стороны.
Статистика и A/B-тесты
Оставьте контакт - куратор пришлёт полную программу, стоимость и даты ближайшего потока. Это просто вопрос, ни к чему не обязывает.
✓ Ответ куратора в течение рабочего дня
✓ Без спама и автообзвонов
✓ Достаточно имени и одного контакта