Учебный курс: аналитик данных

Общая информация

Дата проведения: 25.09.2025 - 11.12.2025 Завершение регистрации: 25.09.2025 Продолжитель­ность: 50 академических часов Расположение: Онлайн обучение Цена: 1668 € + НСО Цена одного учебного дня: 139 € + НСО
Льготная цена для клиентов Эстонского центра обучений до 10 августа Льготная цена программы: 1188 € + НСО Льготная цена одного дня: 99 € + НСО
Подпишись и получи скидку -30%

Самая востребованная профессия ближайших лет — аналитик данных.

Эстонский центр обучения — партнёр Кассы по безработице. Спросите у своего консультанта, как компенсировать затраты на обучение.

Спрос на специалистов в сфере сбора, обработки и анализа данных растёт с каждым годом. Тем не менее пока лишь 1% данных, хранящихся на предприятиях, используется по назначению. Понимаете, какой потенциал у этой профессии? Исследования показали, что 77% компаний, имеющих в штате аналитика данных, значительно улучшили свои финансовые показатели и обошли конкурентов. Почему? Потому, что когда знаешь, кому, что, когда и по какой цене продавать, стабильные денежные потоки фирме обеспечены.

Аналитик данных — человек, который при помощи структурного подхода к отбору и управлению данными, может многократно повысить  эффективность любых бизнес-процессов.

Для кого:

  • Для менеджеров и руководителей отделов продаж.
  • Для владельцев бизнеса, которые непосредственно отвечают за продажи.
  • Для директоров по развитию продукции и предприятия.
  • Для специалистов различных сфер, которым важно понимать кто их целевой клиент, находить этих клиентов, максимально использовать информацию об этих клиентах на пользу бизнеса.

Цель обучения: научить участников при помощи структурного подхода собирать, обрабатывать и анализировать данные именно для своей сферы бизнеса. Пояснить, по каким критериям анализировать данные, чтобы этот анализ приносил реальную пользу предприятию.

Прошедший обучение научится:

  • Разбираться в индустрии данных и понимать, кто и чем занимается в этой сфере.
  • Работать с данными с нуля.
  • Работать с разными источниками данных и собирать данные, которые находятся в открытом доступе.
  • Анализировать данные и извлекать из них полезную именно для своей компании информацию.
  • Находить закономерности и тенденции, которые помогут принимать взвешенные решения в компании.
  • Автоматизировать процесс сбора данных и экономить массу времени на более важные процессы.
  • Овладеет Python на уровне, достаточном для анализа данных.
  • Сможет работать с различными форматами представления, хранения и передачи данных CSV, XML и XLS.
  • Создавать, изменять и управлять базами данных при помощи SQL.

Организационная информация:

 

Прошедший обучение сможет:
1. Определять задачи и понимать, для каких целей его предприятию нужны данные.
2. Определять, какие именно данные нужны и составлять пошаговый план по их сбору.
3. Собирать данные.
4. Обрабатывать их под нужды своего бизнеса, используя различные методы, о которых узнает на курсе.
5. Анализировать данные.
Оценка учебных результатов в соответствии со стандартом дополнительного обучения: учебные дни имеют интерактивную структуру, включающую диалог между лектором и участниками, а также практические упражнения на каждом занятии. Участники получают персональные ответы на свои вопросы.
Учебный курс завершается электронным письменным тестом. Сертификат о прохождении учебной программы получат все, кто сдаст тест на позитивную оценку.
 
Advertisement banner

Программа

25.09.2025

1 модуль. Введение в специальность аналитик данных. Основы анализа данных.


14:00 – 17:00

  • Роль аналитика данных в современной компании
    ▸ Что делает аналитик данных на практике: от сбора до визуализации.
    ▸ Как изменились задачи с появлением ИИ и автоматизации.

  • Основные навыки и инструменты аналитика (2025)
    ▸ Классические навыки: работа с данными, статистика, SQL, визуализация.
    ▸ Новые компетенции: использование ИИ, автоматизация процессов, работа с AutoML.

  • Различные направления в data-индустрии
    ▸ Data Analyst, Business Intelligence, Data Scientist, Data Engineer, DataOps, Chief Data Officer.
    ▸ Как ИИ меняет эти роли и создаёт новые (Augmented Analyst).

  • Что такое датасеты и где их брать
    ▸ Определение датасета, открытые источники данных.
    ▸ Практика: поиск бесплатного датасета для первого анализа.
    ▸ Как ИИ может помогать находить и генерировать датасеты.

  • Источники данных для бизнеса
    ▸ Внутренние (CRM, ERP, сайты, приложения) и внешние источники.
    ▸ Инструменты пассивного сбора данных.
    ▸ Как ИИ помогает агрегировать и очищать источники данных.

  • Как понять, нужен ли бизнесу аналитик данных
    ▸ Примеры задач компаний.
    ▸ Диагностика: “есть ли в компании место для аналитики?”.
    ▸ Практика: разбор реального кейса малого бизнеса.

  • ИИ и аналитик: конкуренты или союзники?
    ▸ Как ИИ меняет рынок аналитики: автоматизация vs новые возможности.
    ▸ Какие задачи ИИ уже делает лучше, а какие остаются за человеком.
    ▸ Демонстрация: ChatGPT и Copilot как помощники аналитика.

  • Этика и работа с данными
    ▸ GDPR, конфиденциальность, анонимизация.
    ▸ Как ИИ инструменты обрабатывают данные и что важно знать.

  • Поиск работы аналитиком данных с нуля
    ▸ Требования работодателей к junior-аналитикам (2025).
    ▸ Что можно показать в портфолио без опыта: пет-проекты, визуализации, отчёты.
    ▸ Как использовать ИИ для составления резюме, подготовки к собеседованию и тестовым заданиям.

  • Практическое задание модуля
    ▸ Найти 3 вакансии Data Analyst (junior) и выписать повторяющиеся требования.
    ▸ Составить список навыков, которые нужно освоить для соответствия.
    ▸ С помощью ChatGPT/Copilot подготовить первый драфт резюме.

02.10.2025

2 модуль. Типы данных и основы аналитического мышления. Необходимые для анализа данных программы.


14:00 – 17:00

  • Максим Пушкин

    Максим Пушкин

    DWH Engineer&Analyst в Bi&Dwh Consult OÜ (BerryBI.ee). Аналитик данных с 10-летним опытом.

  • Что такое данные: от цифр к информации
    ▸ Разница между “данные”, “информация” и “знания”.
    ▸ Как ИИ превращает сырые данные в инсайты.

  • Структура данных и табличное мышление
    ▸ Строки, столбцы, поля, первичный ключ.
    ▸ Практика: разбор простого датасета.

  • Типы данных: количественные, качественные, категориальные
    ▸ Различие между числовыми, текстовыми и категориальными данными.
    ▸ Зачем это важно для анализа и визуализации.

  • Форматы данных и где они встречаются
    ▸ CSV, Excel, SQL-таблицы, JSON, API.
    ▸ Практика: открыть разные форматы и сравнить.

  • Чистые и “грязные” данные
    ▸ Что такое дубликаты, пропуски, некорректные значения.
    ▸ Как ИИ помогает находить и исправлять ошибки.

  • Как задавать правильные аналитические вопросы
    ▸ “От вопроса к данным”: формулировка задачи для анализа.
    ▸ Практика: перевод бизнес-проблемы в запрос данных.

  • Основы аналитического мышления
    ▸ Логика, причинно-следственные связи, проверка гипотез.
    ▸ Как ИИ может помогать в построении гипотез.

  • Работа с большими и малыми наборами данных
    ▸ Отличия подходов к анализу 100 строк и миллиона записей.
    ▸ Как облачные сервисы и ИИ упрощают обработку больших данных.

  • Подготовка инструментов для курса
    ▸ Установка и настройка:
    Microsoft Excel (обзор интерфейса, базовые функции);
    Google Sheets (аккаунт, совместная работа);
    SQL (онлайн-решения и SQLite);
    Python + Jupyter Notebook (Anaconda, Pandas, NumPy);
    Power BI (Desktop, импорт данных, базовые визуализации);
    Tableau Public (основы и простая визуализация).
    ▸ Практика: тестовое открытие данных и выполнение первых операций во всех программах.

  • Практическое задание модуля
    ▸ Найти открытый датасет и классифицировать типы данных.
    ▸ Загрузить этот датасет в Excel, Google Sheets и Jupyter Notebook.
    ▸ С помощью ChatGPT/Copilot описать, какие вопросы можно решить на основе данных.

10.10.2025

3 модуль. Фундаментальные основы для анализа данных. Data Analysis Project Lifecycle или жизненный цикл проекта анализа данных.


14:00 – 17:00

  • Что такое жизненный цикл анализа данных
    ▸ Основная концепция: от бизнес-вопроса к аналитическому решению.
    ▸ Почему этот цикл универсален для любого проекта.

  • Этап 1: Постановка задачи
    ▸ Как формулировать бизнес-проблему в аналитические термины.
    ▸ ChatGPT для уточнения и декомпозиции задач.

  • Этап 2: Сбор данных
    ▸ Определение, какие данные нужны для ответа на вопрос.
    ▸ ИИ-инструменты для поиска и агрегации датасетов.

  • Этап 3: Очистка и подготовка данных
    ▸ Зачем чистить данные: дубликаты, пропуски, ошибки.
    ▸ Copilot и Pandas AI для автоматической очистки.

  • Этап 4: Исследовательский анализ данных (EDA)
    ▸ Первичный обзор: распределения, тренды, аномалии.
    ▸ Как ИИ ускоряет EDA и предлагает гипотезы.

  • Этап 5: Глубокий анализ и поиск инсайтов
    ▸ Применение статистики и бизнес-логики.
    ▸ ИИ как помощник для проверки гипотез и нахождения корреляций.

  • Этап 6: Визуальное представление результатов
    ▸ Зачем визуализировать даже на ранних этапах.
    ▸ Автоматическая генерация графиков с помощью ИИ.

  • Этап 7: Формирование выводов и рекомендаций
    ▸ Как переводить цифры в понятные бизнесу инсайты.
    ▸ ChatGPT для адаптации отчётов под разные аудитории.

  • Этап 8: Итеративность цикла
    ▸ Почему процесс анализа всегда повторяется.
    ▸ Как ИИ помогает быстро тестировать новые гипотезы и улучшать модель.

  • Практическое задание модуля
    ▸ Взять небольшой датасет, пройти все этапы цикла с помощью ИИ (ChatGPT/Copilot), подготовить мини-отчёт.

16.10.2025

4 модуль. SQL: извлечение и фильтрация данных.


14:00 – 17:00

  • SQL как основной инструмент работы с данными аналитика
    ▸ Почему SQL нужен даже без образования программиста.
    ▸ Как ИИ помогает генерировать запросы на естественном языке.

  • Быстрый старт: простые SQL-запросы с нуля
    ▸ SELECT-FROM для получения данных.
    ▸ Практика: первый рабочий запрос.

  • Типы баз данных и где с ними сталкивается аналитик
    ▸ Реляционные БД (PostgreSQL, MySQL, SQLite).
    ▸ Работа через онлайн-эмуляторы и облачные сервисы.

  • Фильтрация и выборка (WHERE)
    ▸ Условия, логические операторы AND/OR.
    ▸ Генерация фильтров с помощью Copilot/ChatGPT.

  • Создание и модификация данных
    ▸ CREATE TABLE, INSERT, UPDATE, DELETE.
    ▸ Практика: добавить и изменить записи в тестовой базе.

  • Выборка с условиями и несколькими таблицами
    ▸ JOIN для объединения данных.
    ▸ Практика: объединить продажи и клиентов.

  • Агрегация и аналитические функции
    ▸ COUNT, SUM, AVG, MIN, MAX, GROUP BY.
    ▸ Пример: рассчитать средний чек и топ-10 клиентов.

  • Подзапросы и вложенные выборки
    ▸ Когда нужны и как писать.
    ▸ Практика: найти клиентов выше среднего по сумме покупок.

  • ИИ и SQL: автоматизация работы
    ▸ Генерация и оптимизация запросов.
    ▸ Объяснение сложных JOIN и аналитических функций через ИИ.

  • Практическое задание модуля
    ▸ Сделать выборку, агрегацию и JOIN самостоятельно.
    ▸ Сравнить свой код с предложенным ИИ и оптимизировать.

23.10.2025

5 модуль. Python для анализа данных (Google Colab).


14:00 – 17:00

  • Почему Python – ключевой инструмент аналитика
    ▸ Отличие Python от Excel и SQL.
    ▸ Где и зачем он используется в реальной аналитике.

  • Запуск среды для работы
    ▸ Google Colab как удобный старт без установки.
    ▸ Обзор интерфейса Jupyter Notebook.

  • Основы Python для анализа данных
    ▸ Переменные, списки, простые операции.
    ▸ Мини-практика: обработка чисел и текстов.

  • Первая работа с данными в Python
    ▸ Загрузка CSV/Excel.
    ▸ Чтение и отображение первых строк таблицы.

  • pandas: основная библиотека для аналитиков
    ▸ DataFrame и Series – работа с табличными данными.
    ▸ Практика: фильтрация и выборка столбцов.

  • Очистка и подготовка данных
    ▸ Удаление дубликатов и пропусков.
    ▸ Преобразование типов.
    ▸ Сравнение: как те же задачи решаются в Excel и SQL.

  • Группировка и агрегирование данных
    ▸ groupby, count, sum, mean.
    ▸ Практика: рассчитать средний чек, топ-10 клиентов.

  • Базовая визуализация данных
    ▸ Построение простых графиков через pandas и matplotlib.
    ▸ Сравнение: Python vs BI-инструменты.

  • ИИ для Python и pandas
    ▸ Генерация кода по описанию задачи (ChatGPT/Copilot).
    ▸ Объяснение ошибок и оптимизация кода.

  • Практическое задание модуля
    ▸ Взять датасет, загрузить в Colab, очистить, провести фильтрацию и группировку.
    ▸ С помощью ИИ сделать визуализацию и текстовый отчёт.

30.10.2025

6 модуль. Основы исследовательского анализа данных. Инструменты и методы EDA (Exploratory Data Analysis).


15:00 – 18:00

  • Зачем нужен исследовательский анализ данных (EDA)
    ▸ Роль EDA в жизненном цикле анализа.
    ▸ Как ИИ ускоряет первичный обзор данных.

  • Инструменты и методы EDA
    ▸ Google Sheets, Power BI/Tableau для быстрого анализа.
    ▸ Python (pandas, matplotlib, seaborn) через Google Colab.
    ▸ Автоматизация анализа с помощью ChatGPT/Copilot.

  • Подготовка данных к исследованию
    ▸ Загрузка и чтение данных, преобразование форматов.
    ▸ Проверка на дубликаты и пропуски.
    ▸ ИИ для автоматической очистки и подготовки.

  • Первичный анализ
    ▸ Обзор распределений, поиск выбросов и аномалий.
    ▸ Автоматическая генерация отчёта по EDA с ИИ.

  • Непрерывные переменные и диапазоны
    ▸ Как разбиение на интервалы помогает понять данные.
    ▸ Практика: построение распределения в Colab и через ИИ.

  • Графики и диаграммы в EDA
    ▸ Минимальный набор визуализаций: гистограммы, боксплоты.
    ▸ Автоматическое построение графиков через ИИ.

  • Объяснительный анализ и отчётность
    ▸ Как превращать данные в понятные выводы.
    ▸ Генерация отчётов и объяснений на естественном языке с помощью ИИ.

  • Что можно автоматизировать в EDA
    ▸ Автоматический поиск аномалий, построение графиков, текстовые инсайты.
    ▸ Инструменты для no-code EDA с поддержкой ИИ.

  • Практика в Google Colab (Jupyter Notebook)
    ▸ Провести полный цикл EDA на тестовом датасете.
    ▸ Использовать ИИ для генерации кода и интерпретации.

  • Практическое задание модуля
    ▸ Взять датасет, провести EDA в Colab с ИИ.
    ▸ Сделать короткий отчёт с визуализациями и текстовыми выводами.

06.11.2025

7 модуль. BI-аналитика и построение интерактивных отчётов.


14:00 – 17:00

  • Что такое BI-аналитика и её роль в бизнесе
    ▸ Отличие BI от Data Analytics и Business Analysis.
    ▸ Как BI помогает принимать решения на уровне компании.

  • Как работает Business Intelligence
    ▸ Архитектура: источники данных → ETL → модели → отчёты.
    ▸ Примеры BI-систем (Power BI, Tableau, Looker Studio).

  • Методы BI и их применение
    ▸ Основные подходы: OLAP, KPI-дашборды, Drill-down.
    ▸ Как выбирать метод под задачу.

  • Совместная работа BI, дата-аналитики и бизнес-анализа
    ▸ Как аналитики разных направлений взаимодействуют в проекте.
    ▸ Роль ИИ в объединении данных и автоматизации BI.

  • Что такое дашборд и для чего он нужен
    ▸ Виды дашбордов: операционные, стратегические, аналитические.
    ▸ Как правильно выбирать тип визуализации.

  • Основные элементы интерфейса Power BI и Tableau
    ▸ Типы визуализаций, фильтры, интерактивность.
    ▸ Как ИИ помогает подбирать визуализации.

  • Этапы разработки дашборда
    ▸ От постановки задачи до публикации.
    ▸ Практика: планирование структуры дашборда для кейса.

  • Воркшоп в Power BI (пошаговая практика)
    ▸ Импорт данных: Import vs Direct Query.
    ▸ Создание модели данных с fact и dimension-таблицами.
    ▸ Построение отчёта и calculated measures с DAX.
    ▸ Добавление закладок и фильтров.

  • Публикация и защита данных
    ▸ Методы разграничения доступа.
    ▸ Как ИИ помогает проверять безопасность и оптимизировать отчёты.

  • Практическое задание модуля
    ▸ Создать интерактивный дашборд в Power BI или Tableau на тестовом датасете.
    ▸ С помощью Copilot/ChatGPT сгенерировать описание отчёта и автоматические инсайты.

13.11.2025

8 модуль. Аналитика для бизнеса: метрики и KPI.


14:00 – 17:00

  • Что такое бизнес-метрики и KPI простыми словами
    ▸ Как цифры помогают принимать решения.
    ▸ Мини-примеры из маркетинга и продаж.

  • От вопроса к метрике
    ▸ Как формулировать: “Что нам важно измерить?”
    ▸ Практика: сформулировать 3 бизнес-вопроса и подобрать под них метрики.

  • Базовые показатели для старта
    ▸ Выручка, количество клиентов, средний чек, конверсия.
    ▸ Практика: расчёт этих показателей на простом датасете.

  • Как читать метрики правильно
    ▸ Почему “рост” не всегда хорошо и “падение” не всегда плохо.
    ▸ ChatGPT для проверки и объяснения выводов.

  • Простая юнит-экономика
    ▸ Что такое “прибыль на одного клиента” без сложных формул.
    ▸ Практика: посчитать юнит-экономику на маленьком примере.

  • Воронки продаж и конверсии
    ▸ Как шаги клиента превращаются в цифры.
    ▸ Построение простой воронки в Google Sheets или Power BI.

  • Сегментация данных
    ▸ Как разбить клиентов на группы для лучшего понимания.
    ▸ ИИ для автоматического поиска сегментов.

  • ИИ и бизнес-метрики
    ▸ ChatGPT/Copilot для расчётов и генерации KPI.
    ▸ Автоматические отчёты с пояснениями на естественном языке.

  • Мини-кейс: от данных к решению
    ▸ Датасет “продажи магазина”.
    ▸ Практика: найти метрики, построить воронку, сделать 3 вывода с помощью ИИ.

  • Практическое задание модуля
    ▸ Выбрать одну бизнес-задачу и рассчитать базовые KPI.
    ▸ Использовать ИИ для проверки и подготовки короткого отчёта.

20.11.2025

9 модуль. Подготовка и очистка данных.


14:00 – 17:00

  • Почему качество данных решает всё
    ▸ Влияние “грязных” данных на результаты анализа.

  • Очистка в Excel и Google Sheets
    ▸ Удаление дубликатов, пропуски, форматы.

  • Очистка в SQL
    ▸ WHERE, фильтры, нормализация данных.

  • Очистка в Python (pandas)
    ▸ Заполнение пропусков, преобразование типов.

  • Знакомство с R как инструментом анализа данных
    ▸ Чем отличается от Python, где используется.
    ▸ Демонстрация: загрузка датасета и удаление дубликатов в R.
    ▸ Автоматическая генерация кода очистки через ИИ.

  • Сравнение подходов: Excel vs SQL vs Python vs R
    ▸ Где какой инструмент эффективнее для подготовки данных.

  • Практика: очистить “грязный” датасет в двух средах
    ▸ Например: Excel и Python или SQL и R.

  • Автоматизация очистки с помощью ИИ
    ▸ Copilot/ChatGPT для генерации скриптов и проверки результатов.

  • Проверка качества после очистки
    ▸ Как убедиться, что данные готовы к анализу.

  • Практическое задание модуля
    ▸ Очистить датасет в Excel и Python, а также попробовать базовую команду очистки в R.

27.11.2025

10 модуль. Создание клиентской базы с нуля, исходя из запросов конкретного бизнеса


14:00 – 17:00

  • Как собирать и структурировать элементарные базы данных с нуля?
  • Список сайтов, на которых можно собирать данные по запросу.
  • Поиск и хранение данных.
  • Перевод базы из СSV в Excel.
  • Парсинг (web scraping) — это автоматизированный сбор открытой информации в интернете по заданным условиям.
  • Примеры парсеров-программ.
  • От Excel к CRM. Что такое CRM-система и какие задачи бизнеса решает?

04.12.2025

11 модуль. Визуализация данных и подготовка отчётов.


14:00 – 17:00

  • От анализа данных к отчёту: зачем визуализировать результаты
    ▸ Разница между рабочей таблицей аналитика и бизнес-отчётом.
    ▸ Как сделать данные понятными для людей без аналитического фона.

  • Принципы хорошего отчёта с данными
    ▸ Простота, краткость, читаемость.
    ▸ Как отбирать только ключевые показатели из массива данных.

  • Разные аудитории = разные отчёты с данными
    ▸ Что показывать руководителю, маркетологу, менеджеру по продажам.
    ▸ Практика: один набор данных → три разных отчёта.

  • Типы визуализаций данных для бизнес-отчётов
    ▸ Гистограммы, линейные графики, круговые диаграммы.
    ▸ Какие графики помогают быстро понять суть данных.

  • Текстовые выводы по данным
    ▸ Как писать короткие и точные инсайты к цифрам.
    ▸ Практика: сформулировать 3 ключевых вывода по набору данных.

  • Инструменты для визуализации данных и отчётов
    ▸ Google Data Studio для PDF-отчётов.
    ▸ Google Slides / PowerPoint для презентаций данных.
    ▸ Как вставлять графики и таблицы так, чтобы отчёт был понятен без пояснений.

  • Мини-отчёт с визуализацией данных без BI
    ▸ Сделать одностраничный отчёт в Google Sheets или PowerPoint.
    ▸ Добавить 2–3 графика и текстовые выводы по данным.

  • Чек-лист качественного отчёта с данными
    ▸ 5 пунктов для самопроверки: понятно ли, кратко ли, есть ли инсайты по данным.

  • Автоматическая генерация текстовых выводов из данных с ИИ
    ▸ Как ИИ помогает формулировать выводы на естественном языке.
    ▸ Практика: сравнить свои инсайты с версией ИИ.

  • Практическое задание модуля
    ▸ Взять тестовый набор данных → сделать отчёт с 2–3 графиками и текстовыми выводами.
    ▸ Подготовить две версии отчёта: для руководителя и для маркетинга.

11.12.2025

12 модуль. Применение ИИ для сбора, обработки и анализа данных.


14:00 – 17:00

  • Дмитрий Фишман

    Дмитрий Фишман

    Tartu Ülikool, лектор по тематике искусственного интеллекта. Инструктор в Data Carpentry и Software Carpentry.

  • Источники данных для ИИ.
  • Алгоритмы машинного обучения.
  • Классификация и регрессия.
  • Кластеризация данных.
  • Примеры работы разных методов машинного обучения.
  • Примеры использования ИИ в анализе данных.
  • Этические аспекты использования ИИ.

Основы организации обучения

Тип мероприятия:

Учебный курс

Количество лекторов:

7

Целевая группа:

Руководители предприятий, менеджеры, специалисты по продажам, все лица, заинтересованные в эффективном использовании хранящихся в фирме данных для повышения производительности предприятия. А также лица, заинтересованные в получении новой профессии.

Методы обучения:

Практическое онлайн-обучение. Один учебный день — 4 академических часов. Весь курс — 50 академических часов.

Прошедший обучение получит свидетельство о прохождении курса.

Пожалуйста, ознакомьтесь с основами обеспечения качества обучения.

Условия отказа:

100% от оплаченной суммы возвращаем в случае, если вы откажетесь от участия в мероприятии минимум за 30 дней до его начала, 50% от оплаченной суммы возвращаем в случае, если вы откажетесь от участия в мероприятии за 20 дней до его начала. Если вы откажетесь от участия в мероприятии менее, чем за 15 дней до его начала, то уплаченную сумму мы не возвращаем и счёт подлежит оплате.

Порядок решения споров: все проблемные ситуации стороны спора решают между собой в письменной форме. На претензии клиентов Eesti Koolitus-ja Konverentsikeskus отвечает в течение 7 дней. Если договорённости не удаётся достичь, то спор решается в судебном порядке в соответствии с законами Эстонской республики.

Руководитель проекта:

Oksana Kabrits

Кейтеринг:

Нет

*Авторское право на учебную программу принадлежит Eesti Koolitus- ja Konverentsikeskus. Любое копирование и использование программы для коммерческих целей ЗАПРЕЩЕНО! Организатор имеет право вносить изменения в программу.

Просмотреть похожие

Учебный курс: специалист KYC/AML

Регистрация
Учебный курс 21.08

Учебный курс: Специалист по работе с ИИ

Регистрация
Учебный курс 21.08

AI с нуля до уверенного пользователя

Регистрация
Учебный курс 21.08

Работа нерезидентов в Эстонии: регуляции и налогообложение

Регистрация
Вебинар 26.08

Интеграция ИИ в работу бухгалтера

Регистрация
Вебинар 28.08

Налоги при онлайн-торговле

Регистрация
Вебинар 29.08

ИИ для создания визуальных материалов и видео

Регистрация
Вебинар 04.09

ИИ для обработки таблиц Excel, PDF и анализа данных

Регистрация
Вебинар 10.09

Санкции: обязанности и риски предпринимателя

Регистрация
Вебинар 10.09

Cоздание ИИ-ассистентов и аватаров

Регистрация
Вебинар 25.09

Создание онлайн-проекта при помощи ИИ

Регистрация
Учебный курс 02.10

Финансовый анализ с ИИ: инструменты и практика

Регистрация
Учебный курс 07.10

UI/UX дизайн с нуля. Практический учебный курс для начинающих.

Регистрация
Учебный курс 07.10

Agile: современное управление проектами

Регистрация
Учебный курс 15.10

Учебный курс: специалист по налогам Эстонии

Регистрация
Учебный курс 15.10

Управление рисками в современной организации

Регистрация
Учебный курс 21.01

Учебный курс: финансовый аналитик

Регистрация
Учебный курс 22.01