Чем занимается аналитик данных

Аналитик данных извлекает смыслы из цифр и значений: он видит тенденции, прогнозирует события и помогает компании понимать клиентов, оптимизировать процессы и расти.

Специалисты, которые умеют полезно использовать данные, нужны рынку. Исследование кадровой компания Ancor за сентябрь 2022 года показало, что 45% российских компаний ищут себе в команду аналитиков.

Навыки, которые вы освоите на курсе

Должность

Аналитик, Дата-аналитик, Аналитик данных
Возможности развития: Продуктовый аналитик, Маркетинговый аналитик, BI-аналитик, Специалист по Data Science

А вот технологии и инструменты, которые будете использовать:

Python
Jupyter Notebook
SQL
PostgreSQL
Tableau
А/В-тесты

Начните зарабатывать, анализируя

Вы начнёте с junior-позиции, а дальше только вперёд. Будете шагать по карьерной лестнице и расти в цене. И однажды цены вам не будет.

Источник данных: Хабр Карьера
60 000–95 000 ₽
Junior аналитик данных с опытом до года
120 000–180 000 ₽
Middle аналитик данных с опытом от 1 года до 3 лет
180 000–250 000+ ₽
Senior аналитик данных с опытом 3+ лет

Как мы учим

Здесь трудно, но интересно. Учёба на онлайн-курсе по анализу данных занимает 7 месяцев. Много теории, ещё больше практики, люди и методология — всё направлено на то, чтобы вы освоили профессию Data Analyst с нуля.

YandexGPT помогает учиться

Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.

Посмотрите истории выпускников Практикума

Решиться на смену профессии — вызов, но сможет каждый, если приложить усилия. Это истории тех, кто уже занимается любимым делом.
4,7
TutorTop
4,5
IRecommend
4,3
Отзовик

10 000+ выпускников Практикума уже нашли новую работу

Это подтверждено исследованием, которое мы провели вместе с Высшей школой экономики. Вот в каких компаниях работают выпускники.

Программа курса

Составили программу по образовательной модели 4C/ID: будете учить только то, что нужно для решения настоящих задач аналитика данных
8 тем・1 неделя
Бесплатно
Основы Python и анализа данных
1 спринт — бесплатно, чтобы вы попробовали себя в аналитике и поняли, хотите ли развиваться в этом направлении
  • Python
  • Pandas
  • Seaborn
  • Переменные
  • Типы данных
  • Гипотезы
  • Ошибки
  • Тепловые карты
  • Конверсия
Moscow Catnamycs
Вывод данных на экран. CSV-файлы. Работа с таблицами. Тепловые карты. Умножение столбца на целое число.
Ошибки в коде
Синтаксические ошибки. Ошибки наименования. Ошибки при делении на ноль. Ошибки при импорте модуля.
Переменные и типы данных
Переменные. Типы данных. Арифметические операции с числами и строками.
Как выдвигать гипотезы
Гипотезы. HADI-циклы. Аналитическое мышление. Чтение графиков.
Что делают специалисты в области данных
Задачи аналитика. Уточнение задач. Декомпозиция. Стадии проекта.
Проверка конверсии
Конверсия. Изучение данных. Формирование выводов.
Окупаемость рекламных кампаний
Столбчатая диаграмма. Разность элементов. Индексация в столбцах.
Machine Learning и Data Science
Обучение в Machine Learning. Поиск уникальных значений в столбцах. Логическая индексация. Группировка значений в таблице. Ошибки предсказания.
Узнаете основные концепции анализа данных и поймёте, чем занимаются аналитики данных и специалисты по Data Science
1
12 тем・1 проект・3 недели
Базовый Python
  • Python
  • Pandas
  • Переменные
  • Типы данных
  • Строки
  • Списки
  • Циклы
  • Условный оператор
  • Функции
  • Словари
Переменные и типы данных
Язык Python. Переменные. Вывод объектов и данных на экран. Обработка ошибок, оператор try-except. Типы данных. Преобразования типов данных.
Строки
Индексы в строках. Срезы строк. Операции над строками. Методы строк. Форматирование строк, метод format(), f-строки.
Списки
Индексы в списках. Срезы списков. Добавление и удаление элементов из списка. Сложение и умножение, сортировка списков. Поиск элементов в списке. Разделение строки в список строк, соединение списка строк.
Цикл for
Перебор элементов. Перебор индексов элементов. Обработка элементов списков с помощью циклов: нахождение суммы и произведения элементов.
Вложенные списки
Циклы по вложенным спискам с подсчётом значений. Добавление элементов во вложенные списки. Сортировка вложенных списков.
Условный оператор, цикл while
Логический тип данных. Булевы значения. Логические и составные логические выражения. Условный оператор if, elif, else. Ветвления. Фильтрация списков с использованием условного оператора. Цикл while.
Функции
Назначение функций. Параметры и аргументы. Параметры со значениями по умолчанию. Позиционные и именованные аргументы. Возвращение результата из функции.
Словари
Ключи и значения. Поиск значения по ключу. Добавление элементов в словарь. Список словарей. Красивый вывод словарей.
Pandas для анализа данных
Чтение CSV-файлов. Датафрейм. Конструктор датафрейма. Вывод первых и последних строк датафрейма. Индексация в датафреймах. Индексация в столбцах Series.
Предобработка данных
Принцип GIGO. Переименование столбцов датафрейма. Обработка пропущенных значений. Обработка явных и неявных дубликатов.
Анализ данных и оформление результатов
Группировка данных. Сортировка данных. Основы описательной статистики.
Jupyter Notebook — тетрадь в ячейку
Интерфейс и шорткаты Jupyter Notebook.
Погрузитесь в язык программирования Python и работу с библиотекой Pandas
2
5 тем・1 проект・2 недели
Предобработка данных
  • Python
  • Pandas
  • Предобработка данных
  • Обработка пропусков
  • Обработка дубликатов
  • Категоризация данных
Работа с пропусками
Конверсия. Куки. Категориальные и количественные переменные, обработка пропусков в них. Обработка пропусков в количественных переменных по категориям.
Изменение типов данных
Преобразование Series к числовому типу. Модуль числа, метод abs(). Работа с датой и временем. Обработка ошибок, оператор try-except. Объединение датафреймов, метод merge(). Сводные таблицы.
Поиск дубликатов
Поиск дубликатов. Поиск дубликатов с учётом регистра.
Категоризация данных
Декомпозиция таблиц. Категоризация по числовым диапазонам. Категоризация на основе нескольких значений в строке.
Системное и критическое мышление в работе аналитика
Системное мышление. Причины ошибок в данных. Критическое мышление.
Научитесь очищать данные от выбросов, пропусков и дубликатов и преобразовывать разные форматы данных
3
5 тем・1 проект・2 недели
Исследовательский анализ данных
  • Python
  • Pandas
  • Matplotlib
  • Анализ данных
  • Срезы данных
  • Описательная статистика
  • Гистограммы
  • Диаграмма размаха
  • Диаграмма рассеяния
  • Визуализация данных
Первые графики и выводы
Применение сводных таблиц. Гистограмма. Распределения. Диаграмма размаха.
Изучение срезов данных
Метод query(). Работа с датой и временем. Построение графиков методом plot(). Бритва Оккама.
Работа с несколькими источниками данных
Срез данных на основе внешних объектов. Добавление новых столбцов в датафрейм. Добавление данных из других датафреймов. Переименование столбцов. Объединение таблиц.
Взаимосвязь данных
Диаграмма рассеяния. Корреляция переменных. Матрица диаграмм рассеяния.
Валидация результатов
Укрупнение групп. Разбиение данных по группам.
Изучите основы теории вероятностей и статистики. Познакомитесь с Matplotlib. Будете рисовать диаграммы и анализировать графики
4
6 тем・1 проект・3 недели
Статистический анализ данных
  • Python
  • Pandas
  • SciPy
  • NumPy
  • Matplotlib
  • Комбинаторика
  • Теория вероятностей
  • Распределения
  • Проверка гипотез
Комбинаторика
Комбинации. Правило умножения. Перестановки. Количество перестановок. Размещения. Число размещений. Сочетания. Число сочетаний.
Теория вероятностей
Эксперимент. Вероятностное пространство. События. Вероятность. Пересекающиеся и взаимоисключающие события. Диаграмма Эйлера-Венна. Закон больших чисел.
Описательная статистика
Категориальные и количественные переменные. Мода и медиана. Среднее значение. Дисперсия. Стандартное отклонение. Квартили и процентили. Диаграмма размаха. Столбчатая диаграмма. Плотность частоты.
Случайные величины
Случайная и дискретная случайная величина. Распределение вероятностей для дискретной случайной величины. Кумулятивная функция, математическое ожидание и дисперсия дискретной случайной величины.
Распределения
Эксперимент Бернулли. Биномиальный эксперимент. Распределения: непрерывное равномерное, нормальное и стандартное нормальное. CDF, PPF для нормального распределения. Распределение Пуассона. Аппроксимация одного распределения другим.
Проверка гипотез
Генеральная совокупность. Выборка. Выборочное распределение. Центральная предельная теорема. Односторонние и двусторонние гипотезы. P-Value. Проверка гипотезы о равенстве средних двух генеральных совокупностей.
Научитесь анализировать взаимосвязи в данных методами статистики, узнаете, что такое статистическая значимость и гипотезы
Пример проекта
5
1 проект・1 неделя
Первый большой проект
Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы на примере данных о продаже игры.
6
5 тем・1 проект・2 недели
Базовый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Фильтрация данных
  • Группировка данных
  • Сортировка данных
  • Объединение таблиц
  • Подзапросы
  • Общие табличные выражения
Введение в базы данных
Системы управления базами данных (СУБД). Язык SQL. SQL-запросы. Форматирование SQL-запросов.
Срезы данных в SQL
Типы данных в PostgreSQL. Преобразование типов данных. Оператор WHERE. Логические операторы. Срезы данных. Операторы IN, LIKE, BETWEEN. Работа с датой и временем. Обработка пропущенных значений. Условная конструкция CASE.
Агрегирующие функции, группировка и сортировка данных
Математические операции. Агрегирующие функции. Группировка данных. Сортировка данных. Фильтрация по агрегированным данным, оператор HAVING.
Взаимоотношения между таблицами, типы объединения
ER-диаграммы. Переименование полей и таблиц. Алиасы. Объединение таблиц. Виды объединений: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN. Альтернативные виды объединения UNION и UNION ALL.
Подзапросы и общие табличные выражения
Подзапросы. Подзапросы во FROM. Подзапросы в WHERE. Сочетание объединений и подзапросов. Общие табличные выражения (CTE). Вариативность запросов.
Изучите основы SQL и реляционной алгебры для работы с базами данных. Познакомитесь с СУБД. Научитесь писать запросы разного уровня сложности и переводить бизнес-задачи на язык SQL. Поработаете с базой данных онлайн-магазина
7
4 темы・1 проект・3 недели
Анализ бизнес-показателей
  • Метрики
  • Продуктовые метрики
  • Маркетинговые метрики
  • Конверсия
  • Воронки
  • Когортный анализ
  • Юнит-экономика
Метрики и воронки
Конверсия. Воронки. Маркетинговая воронка. Показы. Клики. CTR. Продуктовая воронка.
Когортный анализ
Профиль пользователя. Retention Rate. Churn Rate. Горизонт анализа. Визуализация когортного анализа. Анализ удержания произвольных когорт. Конверсия в когортном анализе. Расчёт метрик в Python.
Юнит-экономика
Метрики LTV, CAC, ROI. ARPU, ARPPU. Расчёт метрик в Python. Продвинутая визуализация метрик. Параметр sharey. Скользящее среднее.
Пользовательские метрики
Оценка пользовательской активности. Пользовательская сессия. Расследование аномалий.
Узнаете, что такое метрики в бизнесе. Научитесь использовать инструменты для анализа данных в бизнесе: когортный анализ, воронка продаж и юнит-экономика
Пример проекта
8
6 тем・1 проект・2 недели
Продвинутый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Метрики
  • Когортный анализ
Расчёт бизнес-показателей
Схема данных. Конверсия. LTV. ARPU. ARPPU. ROI. Расчёт с помощью SQL.
Агрегирующие оконные функции
Выражение OVER. Параметр окна PARTITION BY. Агрегирующие оконные функции.
Оконные функции ранжирования
Функции ранжирования. Оператор окна ORDER BY ROW_NUMBER(). RANK(). DENSE_RANK(). NTILE(). Операторы окна вместе с функциями ранжирования.
Оконные функции смещения
Кумулятивные значения. Функции смещения. LEAD(). LAG(). Оконные функции и алиасы.
Когортный анализ
Когортный анализ. Retention Rate, Churn Rate. LTV.
Установка и настройка базы данных и клиента базы данных
Клиент базы данных. Установка PostgreSQL. Установка DBeaver. Интерфейс DBeaver. Создание базы данных. Разворачивание дампа базы данных. Выгрузка результатов запроса. Представление результатов запроса.
Поработаете с оконными функциями. Научитесь локально изменять содержимое баз данных
9
6 тем・1 проект・2 недели
Принятие решений в бизнесе
  • A/B-тестирование
  • Приоритизация гипотез
  • Подготовка к A/B-тестированию
  • Анализ результатов A/B-тестирования
  • Поведенческие алгоритмы
Основы проверки гипотез в бизнесе
Опережающие метрики. Базы экспериментов. Генерация гипотез. Приоритизация метрик.
Выбор метода проведения эксперимента
Качественные методы проверки гипотезы. Количественные методы проверки гипотезы. Преимущества и недостатки A/B-тестов.
Приоритизация гипотез
Приоритизация гипотез. Фреймворк RICE. Параметр Reach. Параметр Impact. Параметр Confidence. Параметр Efforts.
Подготовка к проведению A/B-теста
A/A-тест. Ошибки I и II рода. Мощность статистического теста. Значимость статистического теста. Множественные сравнения, методы снижения вероятности ошибки. Расчёт размера выборки и длительности A/B-теста. Графический анализ метрик.
Анализ результатов A/B-теста
Проверка гипотезы о равенстве долей. Критерий Шапиро-Уилка для проверки нормальности данных. Непараметрические статистические тесты. Критерий Манна-Уитни. Стабильность кумулятивных метрик. Анализ выбросов и всплесков.
Поведенческие алгоритмы
Факты, эмоции, оценки. Объяснение своей точки зрения.
Узнаете, что такое A/B-тестирование, и поймёте, в каких случаях его используют. Научитесь проводить A/B-тестирование и оценивать его результат
10
1 проект・1 неделя
Второй большой проект
Научитесь проверять статистические гипотезы в рамках A/B-тестирования и готовить выводы и рекомендации в формате аналитического отчёта.
11
5 тем・1 проект・2 недели
Как рассказать историю с помощью данных
  • Визуализация данных
  • Презентации
  • Геоаналитика
  • Matplotlib
  • Seaborn
  • Plotly
  • Folium
Кому, как, что и зачем рассказывать
Представление результата исследования. Целевая аудитория рассказчика. Что и зачем рассказывать аналитику данных.
Библиотека Seaborn
Библиотека Seaborn как расширение библиотеки Matplotlib. Метод jointplot(). Цветовые гаммы. Стили графиков. Визуализация распределений.
Библиотека Plotly
Интерактивные графики. Линейный график. Столбчатая диаграмма. Круговая диаграмма. График воронки.
Визуализация данных в геоаналитике
Геоаналитика. Библиотека Folium. Отображение карт. Установка маркеров с указанными координатами. Создание кластеров точек. Собственные иконки для маркеров. Хороплет.
Подготовка презентации
Выводы на основе исследования. Сезонность и внешние факторы. Абсолютные и относительные величины. Парадокс Симпсона. Принципы построения презентаций. Отчёты в Jupyter Notebook.
Узнаете, как правильно презентовать результаты своего исследования на графиках и цифрах. Познакомитесь с Seaborn и Plotly
Пример проекта
12
9 тем・1 проект・2 недели
Построение дашбордов в Tableau
  • BI-инструменты
  • BI-аналитика
  • Дашборды
  • Визуализация данных
  • Tableau
Основы работы с Tableau
BI-системы. Tableau. Создание документа. Сохранение документа. Публикация документа.
Работа с источниками данных
Источники данных. Объединение данных. Метод Relationship. Метод Join. Метод Blend. Метод Union. Изменение формата таблицы.
Типы данных
Основные типы данных. Измерения. Меры. Работа с датой и временем. Сеты. Группы. Параметры. Изменение формата переменных. Переменные Measure Names, Measure Values, Count.
Таблицы и вычисления
Интерфейс редактирования листа. Сводные таблицы. Вычисляемые поля. LOD-выражения.
Фильтры и сортировки
Сортировка мер. Сортировка измерений. Вложенные сортировки. Сортировка с помощью параметра. Фильтры.
Визуализации
Элементы управления визуализацией. Тепловые карты. Круговые и столбчатые диаграммы. Гистограммы. Диаграммы размаха и рассеяния. Линейные графики. Совмещённые графики. Диаграммы с областями.
Специальные визуализации и всплывающие подсказки
Карты. Символьная и древовидная карта. Пузырьковая и пулевая диаграммы. Сircle Views. Диаграммы Ганта. Measure Names, Measure Values в визуализациях. Reverse Engineering. Всплывающие подсказки. Аналитические инструменты в Custom.
Презентации
Дополнительные параметры. Изучение типовых параметров. Создание презентации.
Дашборды
Загрузка и подготовка данных. Подготовка визуализаций. Сборка дашборда. Actions. Демонстрация дашборда. Публикация дашборда.
Поработаете с BI-системой Tableau. Научитесь подключаться к данным и модифицировать их, строить графики разных видов, собирать дашборды и презентации
Пример проекта
13
Самостоятельно・В любое время
Дополнительный курс: теория вероятностей
Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д. На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения.
14
Самостоятельно・В любое время
Дополнительный курс: основы машинного обучения
Познакомитесь с основами машинного обучения и узнаете о главных задачах машинного обучения в бизнесе.
15
Самостоятельно・В любое время
Дополнительный курс: практика Python
Пройдёте несколько лабораторных занятий с дополнительными задачами на язык программирования Python. Узнаете, как извлекать данные из веб-ресурсов.
16
Самостоятельно・3 недели
Итоговый проект
Подтвердите, что освоили новую профессию: выберете одну из 5 сфер (банки, ретейл, игры, мобильные приложения, e-commerce), уточните задачу заказчика, пройдёте все стадии анализа данных — всё как на реальной работе. Привычного описания шагов в проекте не будет. Вы проработаете их самостоятельно.

Что вы получите в Практикуме

  • Диплом о профессиональной переподготовке
  • Портфолио из 13 учебных и реальных проектов, сделанных во время курса
  • Выпускники Практикума создают совместные проекты, нанимают студентов, проводят мастер-классы и помогают друг другу во время и после обучения
  • Навыки: python и основные библиотеки, SQL, Tableau, решение бизнес-кейсов, умение учиться и взаимодействовать с командой, задавать вопросы и работать с ошибками

Вопросы и ответы

Подойдёт ли мне эта профессия?
Для тех, кто ещё нетвёрдо уверен в своём намерении, мы спроектировали бесплатную часть курса, которая поможет получить ответ на этот вопрос. Если вы убедитесь, что аналитика не для вас, это тоже положительный результат.
Можно ли обучиться профессии за 7 месяцев?
Думаем, что да, если вы будете уделять занятиям не менее 15 часов в неделю, выполнять домашние задания и общаться с вашим наставником. Тогда за 7 месяцев вы сможете освоить навыки аналитика данных, соберёте портфолио проектов и начнёте свой путь в профессию.
Каким требованиям нужно соответствовать?
Вам не понадобятся специальные навыки или опыт — мы обучим всему с нуля. Главное — иметь компьютер и достаточно времени для занятий. Выше можно посмотреть программу, чтобы оценить количество учебного материала и свои возможности.
Подробнее о профессии аналитика данных вы можете узнать из нашей статьи.
Кто будет меня учить?
Все наставники — практикующие специалисты: сотрудники Яндекса и других крупных компаний. Программу составляют опытные преподаватели и методисты, а ещё действующие специалисты Яндекса, Школы анализа данных и других лидеров технологической и образовательной индустрий.
Как и когда я буду учиться?
Программа курса состоит из трёх больших частей: теории с закреплением в тренажёре, домашних заданий с самостоятельными проектами и вебинаров с наставниками и экспертами из индустрии.

Теория в тренажёре и домашние задания не привязаны к расписанию — можно учиться когда угодно. Главное — уложиться в дедлайн, обычно это спринт из двух недель. Вебинары проходят в определённое время, о котором вам заранее скажет куратор.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если вам понадобится сделать паузу в учёбе или уделить больше времени закреплению материала, напишите своему куратору.
Смогу ли я найти работу после курса?
Гарантий нет, но мы верим, что сможете. Работодателям важно, чтобы вы умели делать проекты, а не просто обладали набором знаний. Мы учим применять знания на практике, а также предлагаем помощь HR-специалистов из нашего карьерного центра. Но вам точно придётся приложить усилия, чтобы найти работу: активно откликаться на вакансии, проходить собеседования, показывать свои проекты и делать тестовые задания.

По данным исследования «Высшей школы экономики», 69% наших выпускников среди тех, кто хотел сменить профессию, начинают новую карьеру после обучения. Больше половины из них — во время учёбы и в первые 2 месяца после выпуска. Эти цифры подкреплены публичным отчётом о трудоустройстве студентов Практикума.
А если я хочу работать в Яндексе?
Некоторые наши студенты работают в сервисах Яндекса, в том числе и в Практикуме. Но с нашей стороны было бы нечестно что-либо гарантировать и завышать ваши ожидания.

Без опыта попасть в крупную IT-компанию возможно, хотя и сложно. Программа составлена так, чтобы вы могли начать карьеру после выпуска и набраться первого опыта. С ним вам будет значительно проще претендовать на позицию в крупных компаниях.
Хорошо, а вы можете помочь с поиском работы?
Да. По желанию студенты могут попасть на программу трудоустройства, которая длится от 2 недель. С поддержкой карьерного центра Практикума студенты оформляют портфолио, проходят тренировочные собеседования с их последующим разбором и учатся писать сопроводительные письма.

Мы сотрудничаем с разными компаниями и регулярно предлагаем студентам партнёрские вакансии. Но важно помнить, что мы не ищем работу за вас, а помогаем её найти.
Если не понравится, я могу вернуть деньги?
Да, причём в любой момент. Если обучение в потоке уже началось, придётся оплатить прошедшие дни — но мы вернём деньги за оставшееся время обучения. Более подробно рассказываем об этом в седьмом пункте оферты.
Вы используете реальные данные в проектах?
Мы используем реальные анонимизированные данные, которые обработаны специальным алгоритмом так, что по ним нельзя делать какие-либо выводы о работе конкретного сервиса и действиях определённого пользователя.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию: юридические лица — резиденты РФ также могут оплатить обучение в Практикуме. Оставить заявку на оплату от юрлица можно на странице для корпоративных клиентов.
Можно ли оплатить курс за счёт работодателя?
Да, работодатель может оплатить учёбу полностью или разделить оплату с вами: например, поделить сумму 50/50 или 75/25.

Такая оплата пройдёт по счёту или двустороннему договору, а ИП могут оплатить с бизнес-счёта. Если работодатель купит обучение сразу 10 и больше сотрудникам, сделаем скидку 10%.

Чтобы получить счёт на оплату через компанию, оставьте заявку или напишите нам в чат поддержки.
Получу ли я какой-то документ после курса?
Если у вас есть среднее профессиональное или высшее образование, после курса вы получите диплом о профессиональной переподготовке.

Если нет, выдадим сертификат о прохождении курса и справку об обучении в электронном виде.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет может оформить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.

Для этого нужно подать заявление на налоговый вычет через личный кабинет на сайте nalog.ru (в него можно войти через аккаунт на Госуслугах).

К заявлению нужно приложить:
•‎ Справку 2-НДФЛ от работодателя.
•‎ Договор на обучение, в вашем случае это оферта Практикума.
•‎ Лицензию на образовательную деятельность. Вот наша.
•‎ Чек об оплате обучения. Мы отправляем его на электронную почту. Если не найдёте чек у себя в почте, напишите в чат службы поддержки — вышлем копию.
•‎ Справку о получении образовательных услуг — её тоже нужно запросить в чате поддержки.

Подробнее о налоговом вычете — на сайте Федеральной налоговой службы.

Давайте поможем

Мы перезваниваем в течение 30 минут каждый день с 10:00 до 19:00. Если оставите заявку сейчас, то перезвоним уже в рабочее время.