Неделя 4 Tech PM: Технические навыки для Продакт Менеджера
4.1. Архитектура, API, Postman
4.2. Базовое понимание разработки, БД и хранения данных
Неделя 5 ТЗ и документация
5.1. Product Requirement Document (PRD) и Паспорт Продукта
5.2. Функциональные и нефункциональные требования
Неделя 6 Команда: Sprint-review, Retro-games, 121
6.1. Как работать с командой и ставить OKR/PDP/IDP?
6.2. Burndown chart/HC resources/Taskforce
Неделя 7 Public Review, Post-mortem, Рупор продукта
7.1. Системные встречи и stakeholder communication
7.2. Как готовить анонс и PR продукта (inhouse, marketing)
Неделя 8 Release-candidate, Regress, Циклы релиза
8.1. Как строить релизные конвейер?
8.2. Технические и продуктовые ритуалы для пре-релиза и пост-релиза
Неделя 9 Пост релиз, маркетинг: ASO/SEO, данные для аналитики
9.1. Жизнь после релиза: hotfix, мониторинг и аналитика
9.2. Особенности попадания в топ чарты App Store, Google Play, Web Indexing
Неделя 10 Решение кейса: Technical Ecommerce
10.1. 4 критерии для групповой работы: приоритизация бэклога и сплит тестирование, MRR, sensitivity analysis
10.2. Презентация и питчинг решении на Public Review DEMO
CEO & Founder Beneteria
Нурсултан Оразалы
8+ лет опыта работы в ПМ
ex-Senior Product Manager в Buhta
ex-Senior Product Manager в Alfa-Bank
ex-Senior Product Manager в BTS Digital
ex-PM в Rocket Firm
AI/ML Product Manager
Неделя 1 Введение в ML Продакт Менеджмент Занятие 1: Обзор AI/ML в современных продуктах
Что такое ML-продукты и где они применяются
Разбор хайпа вокруг AI/ML: возможности и ограничения
Когда ML приносит ценность, а когда его применение не оправдано
Краткий обзор LLM и современных трендов в AI
Роли в ML-продуктах: от Data Scientist до ML Engineer и продакт-менеджера
Результат: Студенты получат общее понимание экосистемы AI/ML и увидят, как именно технологии влияют на продуктовые решения.
Неделя 2 Техническое погружение и команды ML Занятие 2: Роли, задачи и базовые технологии
Обзор профессии Data Scientist и других ключевых специалистов
Типы ML-задач: классификация, регрессия, кластеризация и др.
Основные алгоритмы и модели (решающие деревья, коллаборативная фильтрация и др.)
Организация команд: как выстраивать взаимодействие между бизнесом и техническими специалистами
Результат: Понимание технической базы и структуры команд, задействованных в разработке ML-продуктов. Воркшоп 1: Кейс “Делаем поиск”
Определение ключевых метрик для поисковых систем
Этапы реализации поиска
Анализ ранжирования
Неделя 3 Планирование ML проекта: Стратегия и постановка целей Занятие 3: Идея, гипотеза и метрики
Обзор этапов ML-проекта (DS Lean)
Постановка гипотез, поиск аплифтов, определение целей и ключевых метрик
Оценка бизнес-ценности: когда нужен ML и как его оправдать
Составление технического задания для фичи: качество, скорость, допустимые погрешности
Этика и управления рисками в AI/ML
Результат: Умение формировать гипотезы и определять показатели успеха для будущего ML-продукта.
Неделя 4 Работа с данными и подготовка инфраструктуры Занятие 4: Данные – основа ML проекта
Качество данных: разметка событий, сбор, очистка, анализ и подготовка датасетов
Вопросы разметки данных: когда нужна ручная аннотация (ассессоры, Яндекс.Толока)
Настройка автоматизированного контроля качества (автотесты, мониторинг, алерты)
Практический мини-воркшоп: анализ примеров, очистка и подготовка небольшого датасета
Результат: Студенты узнают, как правильно работать с данными для обучения моделей и обеспечить качество входных данных. Воркшоп 2: Кейс “Делаем персонализированные рекомендации”
Особенности разработки рекомендательных систем
Метрики, оценка качества рекомендаций
Неделя 5 Обучение модели и валидация Занятие 5: Процесс разработки модели
Выбор метрики для оптимизации (оффлайн метрика, оффлайн валидация)
Процедуры обучения модели, особенности разметки в оффлайне
Организация code review, управление версиями с помощью Git
Результат: Понимание жизненного цикла обучения модели и методик ее оценки до запуска в продакшн.
Неделя 6 Запуск ML продукта и оценка эффективности Занятие 6: Стратегия запуска и тестирование
Планирование запуска продукта: от пилотного запуска до масштабирования, грамотный UX/UI в продуктах на базе ML.
Проведение A/B тестов: цели, методология, анализ результатов
Коммуникация ценности ML для пользователей и внутренних стейкхолдеров
Развертывание нескольких алгоритмов с последующим отбором лучшего решения
Анализ ROI, оценка альтернативных издержек и мониторинг пост-запуска
Результат: Навыки планирования и оценки эффективности запуска ML-продукта с акцентом на измерение бизнес-результатов.
Неделя 7 Занятие 7: Как адаптировать AI под свой продукт?
Embedding & attention: как LLM "запоминают" и "понимают" данные
Fine-tuning LLM: когда нужно, а когда можно обойтись промптами
4.1. Архитектура, API, Postman 4.2. Базовое понимание разработки, БД и хранения данных
5.1. Product Requirement Document (PRD) и Паспорт Продукта 5.2. Функциональные и нефункциональные требования
6.1. Как работать с командой и ставить OKR/PDP/IDP? 6.2. Burndown chart/HC resources/Taskforce
7.1. Системные встречи и stakeholder communication 7.2. Как готовить анонс и PR продукта (inhouse, marketing)
8.1. Как строить релизные конвейер? 8.2. Технические и продуктовые ритуалы для пре-релиза и пост-релиза
9.1. Жизнь после релиза: hotfix, мониторинг и аналитика 9.2. Особенности попадания в топ чарты App Store, Google Play, Web Indexing
10.1. 4 критерии для групповой работы: приоритизация бэклога и сплит тестирование, MRR, sensitivity analysis 10.2. Презентация и питчинг решении на Public Review DEMO
Занятие 1: Обзор AI/ML в современных продуктах
Что такое ML-продукты и где они применяются
Разбор хайпа вокруг AI/ML: возможности и ограничения
Когда ML приносит ценность, а когда его применение не оправдано
Краткий обзор LLM и современных трендов в AI
Роли в ML-продуктах: от Data Scientist до ML Engineer и продакт-менеджера
Результат: Студенты получат общее понимание экосистемы AI/ML и увидят, как именно технологии влияют на продуктовые решения.
Занятие 2: Роли, задачи и базовые технологии
Обзор профессии Data Scientist и других ключевых специалистов
Типы ML-задач: классификация, регрессия, кластеризация и др.
Основные алгоритмы и модели (решающие деревья, коллаборативная фильтрация и др.)
Организация команд: как выстраивать взаимодействие между бизнесом и техническими специалистами
Результат: Понимание технической базы и структуры команд, задействованных в разработке ML-продуктов. Воркшоп 1: Кейс “Делаем поиск”
Определение ключевых метрик для поисковых систем
Этапы реализации поиска
Анализ ранжирования
Занятие 3: Идея, гипотеза и метрики
Обзор этапов ML-проекта (DS Lean)
Постановка гипотез, поиск аплифтов, определение целей и ключевых метрик
Оценка бизнес-ценности: когда нужен ML и как его оправдать
Составление технического задания для фичи: качество, скорость, допустимые погрешности
Этика и управления рисками в AI/ML
Результат: Умение формировать гипотезы и определять показатели успеха для будущего ML-продукта.
Занятие 4: Данные – основа ML проекта
Качество данных: разметка событий, сбор, очистка, анализ и подготовка датасетов
Вопросы разметки данных: когда нужна ручная аннотация (ассессоры, Яндекс.Толока)
Настройка автоматизированного контроля качества (автотесты, мониторинг, алерты)
Практический мини-воркшоп: анализ примеров, очистка и подготовка небольшого датасета
Результат: Студенты узнают, как правильно работать с данными для обучения моделей и обеспечить качество входных данных. Воркшоп 2: Кейс “Делаем персонализированные рекомендации”
Особенности разработки рекомендательных систем
Метрики, оценка качества рекомендаций
Занятие 5: Процесс разработки модели
Выбор метрики для оптимизации (оффлайн метрика, оффлайн валидация)
Процедуры обучения модели, особенности разметки в оффлайне
Организация code review, управление версиями с помощью Git
Результат: Понимание жизненного цикла обучения модели и методик ее оценки до запуска в продакшн.
Занятие 6: Стратегия запуска и тестирование
Планирование запуска продукта: от пилотного запуска до масштабирования, грамотный UX/UI в продуктах на базе ML.
Проведение A/B тестов: цели, методология, анализ результатов
Коммуникация ценности ML для пользователей и внутренних стейкхолдеров
Развертывание нескольких алгоритмов с последующим отбором лучшего решения
Анализ ROI, оценка альтернативных издержек и мониторинг пост-запуска
Результат: Навыки планирования и оценки эффективности запуска ML-продукта с акцентом на измерение бизнес-результатов.
Занятие 7: Как адаптировать AI под свой продукт?
Embedding & attention: как LLM "запоминают" и "понимают" данные
Fine-tuning LLM: когда нужно, а когда можно обойтись промптами