Профессия Product Manager

Неделя 0
Подготовка к курсу

• Linkedin Profile
• Таблица оценки навыков
• Гайд по карьере роста ПМ
• Книги и материалы для изучения
• База интервью вопросов для 50+ ИТ компании

Неделя 1
Введение в продукт менеджмент

• Кто такой продакт?
• Процессы в продуктовой команде
• Этапы работы над продуктом
• Процессы Discovery & Delivery
• Грейды и зарплаты на рынке

Неделя 2
Начало разработки продукта: CustDev

• Что такое CustDev?
• Виды исследовании
• Инструменты Jobs To Be Done
• Работа с Customer Journey Map
• Шаблоны и фреймуорки для глубинных интервью
• Портрет потребителя/User Persona
• Value Proposition Canvas

Неделя 3
Unit-экономика продукта

• Unit экономика
• Cреднесрочное планирование
• OKR подход
• Регулярный менеджмент и KPI
• Проектирование путей клиента через BPMN на Draw.io
• Введение в Amplitude

Неделя 4
Прототипирование для продакт-менеджеров

• Мокапы - как продумывать UI
• Use case подход/User flows
• Эвристика UX
• Фазы дизайна (Low fidelity vs High Fidelity)
• Usability тестирования
• Создание Wireframes
• Прототипирование UX/UI

Неделя 5
Data-driven подход в управлении продуктом

• Роль аналитика в команде
• Роль и место аналитика в команде
• Управление продуктом на основе модели Lean Canvas
• HADI циклы
• Дизайн эксперимента
• Статистическая значимость и Доверительный интервал

Неделя 6
Продуктовые метрики и аналитика

• Метрики на различных стадиях развития продукта
• Growth Hacking
• North Start Metric/Riskiest Assumption Test
• Основные типы бизнес метрик и Lean Analytics
• Декомпозиция метрик: иерархия метрик и пирамида метрик
• Retention case на Amplitude
• Метрики роста и продукта

Неделя 7
Релиз продукта: подготовка и выполнение

• Циклы разработки
• Бэклог - формирование
• Jira: Initiative, Epic, Story, Task
• Приоритизация бэклога
• Product Requirement Document
• Стратегия развития продукта

Неделя 8
Scrum для разработки продуктов

• Роли в agile-команде
• Пайплайн работы в спринтах
• Sprint Planning & Review
• Принципы Agile
• Артефакты в Scrum
• Принципы работы в Kanban

Неделя 9
Техническое собеседование

• Таблица оценки навыков
• База интервью вопросов для 50+ ИТ компании
• 60 минутное техническое собеседование
• Полноценный отчет по 6 критериям и скоринг интервью

Неделя 10
Бонус: Основы работы с данными и Проект PostgreSQL

• Введение в SQL
• Relational & Non-relational DB
• Запросы SELECT & JOINS
• Управление и Проектирование Базами Данных
• Index и Массивы
• Проект с PostgreSQL

Неделя 1
Переход с Junior на Middle и Senior

• 1.1. Портрет Middle & Senior Product Manager
• 1.2. Процессы в продуктовой команде для опытных продактов

Неделя 2
Построение Discovery этапа

• 2.1. Источники и формирование гипотез в Discovery
• 2.2. Симуляция работы в команде: Три Амиго

Неделя 3
Backlog Prioritization для multiple cross-products

• 3.1. Планирование спринта
• 3.2. Приоритизация бэклога продукта: initiative, epic, story, task, sub-task

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

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
• Retrieval-Augmented Generation (RAG): альтернатива fine-tuning
• Применение AI/LLM в продуктах: чат-боты, контент, помощь классическим МЛ-моделям и др.

Результат: Навыки планирования и оценки эффективности запуска ML-продукта с акцентом на измерение бизнес-результатов.

• Воркшоп 3: LLM как помощник менеджера продукта

Неделя 8
Занятие 8: Резюме, кейсы и аналитика

• Итоговый обзор пройденного материала
• Чек-лист проверки ML проекта, оценка NPS и обратной связи
• Обсуждение этических вопросов, рисков и управления ожиданиями
• Рекомендации для пет-проектов и профессионального развития
• Ответы на вопросы, анализ рынка и советы от экспертов
• Бонус: Анализ вакансий ML PM
• Результат: Закрепление знаний, понимание текущих трендов и готовность к дальнейшему развитию в области ML-продукт менеджмента.