Длительность3 мес.

ФорматОнлайн

УровеньСредний

ДокументСертификат школы

A/B-тестирование Анализ бизнес-данных Анализ данных Аналитическое мышление Jupyter Notebook Pandas Python

Мнение редакции

8.7/10

Тема курса узкая, и в этом его главная ценность. A/B-тесты обычно занимают две лекции в общем курсе аналитики, после чего человек уходит в работу и через полгода выкатывает фичу по выросшему CTR, не понимая, что тест ничего не доказал. Здесь на эту тему выделено три месяца и полтора десятка блоков, от расчёта мощности до квазиэкспериментов.

Устройство курса удачное: вы работаете с одним продуктом от начала до конца. Каждый раз появляются новые данные, меняется контекст, вы принимаете решение и видите последствия. Это принципиально ближе к работе, чем набор разрозненных задач: в реальности аналитик тоже живёт внутри одного продукта и накапливает знание о нём.

Практика идёт в Jupyter Notebook на Python со стандартным стеком: pandas, numpy, matplotlib, seaborn, scipy.stats, statsmodels. Обратная связь на задания приходит сразу после отправки, финальный проект оценивает GPT-грейдер. Плюс к этому закрытый чат в «Пачке», где отвечают команда курса и преподаватель, и виртуальный помощник по платформе.

Порог входа реальный, хотя школа его смягчает формулировкой «всё необходимое для старта у вас есть». Разделы про дельта-метод, линеаризацию ratio-метрик, CUPED и sequential-анализ не берутся с нуля: нужен рабочий Python и понимание базовой статистики. Новичку курс не по адресу, а вот аналитику, который уже запускает тесты по инструкции и не понимает их устройство, он закрывает самый дорогой пробел.

Вердикт: самый предметный курс по A/B-тестам на русском: три месяца на одном сквозном продукте, от размера выборки до CUPED и квазиэкспериментов, но статистику и Python нужно знать заранее.

Плюсы

весь курс идёт на одном сквозном продукте: решения накапливаются и дают последствия
разобраны дорогие ошибки: peeking, неверный размер выборки, конфликт целевых и защитных метрик
продвинутые темы редко встречаются в общих курсах: CUPED, стратификация, дельта-метод, линеаризация
отдельный блок про квазиэксперименты Diff-in-Diff и Causal Impact, когда A/B неприменим
обратная связь на задание приходит сразу после отправки
нагрузка 6-8 часов в неделю и последовательное открытие уроков без жёсткого расписания

Минусы

нужен рабочий Python и база по статистике: с нуля курс не берётся
финальный проект оценивает GPT-грейдер, а не живой ревьюер
документ это сертификат школы, без государственного статуса
тема узкая: как единственный курс по аналитике не годится

Кому подходит

Продуктовым и продуктово-ориентированным аналитикам

Тем, кто уже запускает эксперименты, но делает это по инструкции и не может защитить результат перед продактом.

Аналитикам данных с рабочим Python

Практика идёт в Jupyter Notebook с pandas, numpy, scipy.stats и statsmodels: код нужно писать, а не смотреть.

Продакт-менеджерам, которые читают результаты тестов

Курс объясняет, почему рост общего CTR не всегда повод выкатывать фичу, и что спрашивать у аналитика.

Тем, кто упирается в статистику на собеседовании

Мощность, MDE, peeking, ratio-метрики и CUPED это стандартный набор вопросов на позиции продуктового аналитика.

Кому курс не подойдёт

новичкам без Python и базовой статистики: курс сразу идёт на прикладном уровне
тем, кому нужен широкий курс по аналитике: тема здесь одна
тем, кто ждёт живого ревью финальной работы: её оценивает GPT-грейдер

Чем отличается от других курсов направления

В подборке направления рядом стоят длинные профессии: «Инженер данных» у TeachMeSkills за 100 000 рублей, «Инженер данных с нуля» и «ML-инженер» у Яндекс Практикума за 169 500 и 192 000 рублей. Все они ведут в специальность целиком и дают A/B-тесты одним разделом на пару недель. Симулятор A/B-тестов за 55 000 рублей делает ровно наоборот: берёт этот раздел и разворачивает его на три месяца до дельта-метода, CUPED и квазиэкспериментов. Как первый курс он не годится, зато закрывает тему на уровне, до которого профессиональные программы не доходят.

Обзор курса

Зачем нужен отдельный курс про тесты

Школа объясняет назначение прямо: A/B-тесты помогают оптимизировать продукт и маркетинг, но только если поставлены корректно. Программа построена вокруг ошибок, которые дороже всего стоят бизнесу: подглядывание в промежуточные результаты, неверный размер выборки, решение по одной метрике при просадке защитной, применение теста там, где он неприменим.

Как устроен сквозной продукт

На протяжении всего курса вы работаете с одним продуктом. Появляются новые данные, меняется контекст, вы принимаете решения и наблюдаете их последствия. Такой формат ближе к работе аналитика, чем набор независимых задач: контекст накапливается, и ошибка на четвёртой неделе аукается на восьмой.

Что внутри программы

Полный пайплайн проведения теста: постановка гипотезы, выбор метрик, расчёт мощности и размера выборки под заданный минимальный эффект (MDE), sequential-подход для легитимного промежуточного анализа. Дальше идут распределение трафика, Thompson sampling и UCB на графиках, анализ ratio-метрик вроде CTR через дельта-метод и линеаризацию, ускорение тестов через CUPED и стратификацию. Отдельный блок про то, когда A/B неприменим: квазиэксперименты Diff-in-Diff и Causal Impact.

Как устроена нагрузка

Курс идёт 3 месяца, рекомендуемая нагрузка 6-8 часов в неделю: изучение теории, квизы, практические задания в Jupyter Notebook и работа над финальным проектом. Формат самостоятельного прохождения по расписанию: уроки открываются последовательно, но внутри недели вы распоряжаетесь временем сами. Совмещение с работой заявлено прямо.

Кто отвечает на вопросы

Обратная связь на практику приходит сразу после отправки задания. В закрытом чате в «Пачке» отвечают команда курса и преподаватель, по вопросам платформы работает виртуальный помощник. Финальный проект оценивает GPT-грейдер, что даёт мгновенный результат, но не заменяет живого ревью архитектуры решения.

Деньги

55 000 рублей одним платежом вместо 77 200. В рассрочку от 3 217 рублей в месяц при сроке 24 месяца, рассрочка беспроцентная от партнёров. При единовременной оплате заявлена скидка до 16 %. Работает налоговый вычет до 13 %: у школы лицензия № Л035-01298-77/00179689. Возврат полной стоимости в первые две недели, дальше за вычетом пройденных уроков. Обучение может оплатить работодатель, для компаний есть оптовая покупка.

Итог

Узкий курс, который стоит своих денег для практикующего аналитика: после него тесты перестают быть ритуалом. Начинающему он бесполезен, потому что три месяца уйдут на то, чтобы разобрать инструмент, которым ещё нечего измерять.

Программа курса

1Зачем нужны A/B-тесты

Где эксперимент помогает бизнесу, а где создаёт видимость решения. Постановка гипотезы и выбор целевой метрики.

2Целевые и защитные метрики

Как разрешать конфликты между ними: что делать, если целевая метрика выросла, а защитная просела.

3Мощность теста, размер выборки и peeking

Расчёт необходимого размера выборки и длительности теста под заданный минимальный эффект (MDE). Sequential-подход для легитимного промежуточного анализа и защита от подглядывания.

4Распределение трафика

Thompson sampling и UCB на графиках распределения трафика: как делить пользователей между вариантами.

5Ratio-метрики: дельта-метод и линеаризация

Анализ сложных метрик вроде CTR, где обычные формулы дают неверный доверительный интервал.

6Ускорение тестов: CUPED и стратификация

Приёмы, которые снижают дисперсию и позволяют получить значимый результат на меньшей выборке.

7Когда A/B недостаточно: квазиэксперименты

Diff-in-Diff и Causal Impact для ситуаций, где случайное разделение пользователей невозможно.

8Финальный проект

Сквозной кейс по всему пайплайну теста на данных продукта курса. Оценивается GPT-грейдером с мгновенной обратной связью.

Записаться на курс

Чему вы научитесь

рассчитывать размер выборки и длительность теста под заданный MDE
применять sequential-подход и не подглядывать в промежуточные результаты
разрешать конфликты между целевыми и защитными метриками
анализировать ratio-метрики через дельта-метод и линеаризацию
ускорять тесты с помощью CUPED и стратификации
распределять трафик через Thompson sampling и UCB
проводить квазиэксперименты Diff-in-Diff и Causal Impact
определять ситуации, когда A/B-тест неприменим

Как проходит обучение

Старт вместе с потоком

Поток стартовал 27 августа, длительность курса 3 месяца, присоединиться можно и после старта.

Уроки открываются последовательно

Формат самостоятельного прохождения по расписанию: внутри недели время распределяете сами.

Практика в Jupyter Notebook

Работа на Python с pandas, numpy, matplotlib, seaborn, scipy.stats и statsmodels.

Мгновенная обратная связь

Результат по заданию приходит сразу после отправки, теория закрепляется квизами.

Чат с командой курса

В закрытом чате в «Пачке» отвечают команда курса и преподаватель, по платформе помогает виртуальный помощник.

Финальный проект

Сквозная работа по всему пайплайну теста, оценку даёт GPT-грейдер.

Часто задаваемые вопросы

Что нужно знать до старта?

Практика идёт в Jupyter Notebook на Python с pandas, numpy, scipy.stats и statsmodels, а темы курса опираются на базовую статистику. Школа заявляет, что всего необходимого для старта достаточно, но с нуля программу проходить тяжело.

Сколько времени нужно на учёбу?

Курс длится 3 месяца, рекомендуемая нагрузка 6-8 часов в неделю. В это время входит теория, квизы, практика в Jupyter Notebook и работа над финальным проектом.

Можно ли совмещать с работой?

Да. Уроки открываются последовательно, но жёсткого расписания занятий нет: задания выполняются в удобное время в течение недели.

Какие инструменты используются?

Jupyter Notebook на Python. Библиотеки: pandas, numpy, matplotlib, seaborn, scipy.stats, statsmodels.

Кто проверяет работы?

Обратная связь на практические задания приходит сразу после отправки, финальный проект оценивает GPT-грейдер. В закрытом чате отвечают команда курса и преподаватель.

Какой документ выдают?

Сертификаты на русском и английском языках, опыт предлагается упаковать в портфолио.

Сколько стоит и есть ли рассрочка?

55 000 рублей одним платежом вместо 77 200, при единовременной оплате скидка до 16 %. Беспроцентная рассрочка от партнёров от 3 217 рублей в месяц при сроке 24 месяца.

Можно ли вернуть деньги и получить вычет?

Если за две недели курс не подойдёт, школа возвращает полную стоимость, позже за вычетом пройденных уроков. Налоговый вычет до 13 % доступен: у школы лицензия № Л035-01298-77/00179689.

Отзывы о курсе «Симулятор A/B-тестов»

4.5 2 отзыва

5★1

4★1

3★0

2★0

1★0

АннаПермь31.05.2026

Достоинства: чёткая программа и мгновенная проверка заданий

Недостатки: без Python делать нечего

Шла как продакт, чтобы перестать зависеть от аналитика при чтении результатов. Половину практики вытянула, вторую делала дольше срока: код пишется руками, готовых кнопок нет. Тем, кто не программирует совсем, я бы сначала посоветовала подтянуть pandas.

👍 0👎 0

КириллМосква10.02.2026

Достоинства: CUPED и линеаризация разобраны нормально, а не по верхам

Недостатки: GPT-грейдер вместо живого ревью финального проекта

Три года запускал тесты в продукте и был уверен, что понимаю их. Оказалось, понимал ровно до момента, когда встретил ratio-метрику и посчитал по ней доверительный интервал как по обычному среднему. Курс закрыл это и ещё несколько таких же дыр. Отдельно понравилось, что весь курс идёт на одном продукте: к финалу ты уже знаешь его метрики и споришь не с задачником, а с самим собой из четвёртой недели.