Workplace аналитика by Alex Davydov

Операционная система аналитика: курсы, инструменты и практика для принятия решений на данных.

Монетизация, эксперименты, метрики, графики — от механизма к решению.

Курсы

Структурированные программы по аналитике, экспериментам и системному мышлению.

Курс
Аналитика продукта: как читать систему, а не цифры
Система продукта: сигналы, сегменты, решения.
Открыть курс →
Курс
Математика монетизации рекламы
Модели дохода и давление на метрики.
Открыть курс →
Курс
A/B-тестирование: принятие решений на практике
Как принимать решения по результатам тестов.
Открыть курс →
Курс
Статистика A/B-тестирования: операционная система аналитика
Метрики, критерии, CUPED и типовые ошибки.
Открыть курс →
Курс
Квазиэксперименты и причинная идентификация
DiD, RDD, Synthetic Control, Matching, IV — когда A/B невозможен.
Открыть курс →

Инструменты

Симуляторы, калькуляторы и чек-листы для принятия решений.

Инструмент
Симуляторы
Интерактивные модели монетизации и экспериментов: покрутить рычаги, увидеть нелинейности и trade-offs.
Открыть →
Инструмент
Калькуляторы
Интерактивные модели: покрутить рычаги, увидеть нелинейности и trade-offs.
Открыть →
Инструмент
Глоссарий
Термины и определения проекта: что именно считаем и как читаем.
Открыть →

База знаний

Отобранные материалы по аналитике и управлению.

База знаний
Аналитика и эксперименты
Статьи и материалы про A/B-тесты, статистику, метрики и аналитическую практику.
Открыть →
База знаний
Управление аналитикой
Практические заметки о роли лидера аналитики: грейды, команда, ответственность, процессы и рост.
Открыть →
База знаний
Карта компетенций
От Junior до Lead: уровни, ответственность, сигналы роста и управление аналитикой.
Открыть →
База знаний
Тестовые задания
Реальные тестовые из компаний: SQL, Python, A/B, кейсы.
Открыть →

Кейсы

Разборы реальных аналитических проектов: данные → механизмы → решения.

Case #1
Solvery Mentors Marketplace
Маркетплейс: диагностика спроса и концентрации.
Открыть кейс →
Case #2
NIKIFILINI
D2C fashion: pricing и promo-механики.
Открыть кейс →
Case #3
National Lottery — Portfolio & Probabilistic Economics
Портфель и вероятностная экономика 17 продуктов.
Открыть кейс →
Case #4
Рынок б/у MacBook в России (Avito)
5k+ объявлений, сегменты, медианы и проверка цены.
Открыть кейс →

Про меня

Я — лид аналитики данных с опытом работы в крупных продуктовых и рекламных системах. Работал в inDrive и Самокате, сейчас — в Дзене: на стыке аналитики, экспериментов и управленческих решений — там, где данные перестают быть отчётами и начинают влиять на систему.

За годы работы я видел, как одни и те же метрики приводят к разным решениям — в зависимости от контекста, времени, давления и целей продукта. Поэтому для меня аналитика — это не подсчёт показателей, а понимание механизма: почему система ведёт себя именно так и к чему приведёт следующее решение.

Курсы и инструменты на этом сайте — способ зафиксировать и передать этот опыт. Здесь собраны практики работы с экспериментами, монетизацией и графиками, которые помогают принимать решения в условиях неопределённости, конфликтов метрик и неполных данных — без "косметики KPI", а через логику системы.

Аналитика продукта • Математика монетизации рекламы • A/B-тестирование: принятие решений

Обо мне →

Карьера

Развитие аналитика: от IC до Executive.

Карьера
Карьерный разбор (аналитики)
Упаковываем опыт в чёткие аргументы: что вы сделали, почему это сработало, какие были ограничения и как вы принимали решения.
Перейти →
Карьера
Executive review (Lead / Head)
Позиционирование уровня системы: зона влияния, границы ответственности, решения про деньги, риски и эксперименты.
Перейти →
Факты
Результаты менторства
Факты, кейсы и карьерные переходы аналитиков.
Где работают студенты и каких результатов они достигают.
  • 18+ подтверждённых отзывов на Solvery
  • Рост до Senior / Lead за 3–6 месяцев
  • Продукт, монетизация, управление
Посмотреть →

Для компаний

Решение продуктовых и аналитических задач.

Диагностика конфликтов продуктовых и монетизационных метрик. Механизмы принятия решений вместо косметики KPI.

Обсудить задачу →