feat: Consolidate to 5 competency tracks and update numbering

Author: Andrey Kulagin

data_analytics/3. Experimentation & Causal Inference.md

@@ -0,0 +1,28 @@
+# 3. Experimentation & Data Science
+
+Этот трек охватывает научный подход к работе с данными, объединяя две ключевые дисциплины: установление причинно-следственных связей (через A/B-тесты и другие методы) и предиктивное моделирование (с помощью машинного обучения). Цель — не только измерять влияние изменений, но и предсказывать будущее поведение, создавая более умные продукты и решения.
+
+## DA1 (Junior)
+- Корректно проектирует и анализирует простые A/B-тесты, используя инструменты и шаблоны компании.
+
+## DA2 (Middle)
+- Проектирует более сложные эксперименты (например, многовариантные).
+- Может отлаживать результаты экспериментов и объяснять нюансы (например, последовательное тестирование) заинтересованным сторонам.
+- Ревьювит дизайны коллег.
+
+## DA3 (Middle+)
+- Применяет продвинутые методы, когда A/B-тесты невозможны (switchbacks, квази-эксперименты, такие как DiD/Causal Impact).
+- Строит и оценивает оффлайн ML-модели (например, прогнозирование оттока, сегментация) для генерации гипотез или решения бизнес-задач.
+- Интерпретирует модели (SHAP, feature importance) и объясняет их бизнес-ценность.
+
+## DA4 (Senior)
+- Проектирует и владеет фреймворком экспериментов для большого домена.
+- Анализирует весь флот экспериментов для выявления системных проблем (например, p-hacking).
+- Строит end-to-end ML-прототипы: от создания признаков до скрипта для инференса.
+- Проектирует систему метрик (оффлайн/онлайн) для оценки успеха ML-моделей в продакшене.
+- Менторит организацию по культуре экспериментов и data science.
+
+## DA5 (Staff)
+- Определяет общекорпоративную стратегию для разработки продуктов на основе данных (evidence-based development) и внедрения data science.
+- Утверждает и стандартизирует методологии как для причинно-следственного анализа, так и для ML-приложений.
+- Курирует стратегию применения ML для решения бизнес-проблем в аналитике, выступая связующим звеном с командой ML-инженеров. 

data_analytics/3. Experimentation & Data Science.md

@@ -1,4 +1,4 @@
-# 6. Analytics Engineering
+# 5. Analytics Engineering
 
 Этот трек фокусируется на создании масштабируемых и переиспользуемых «продуктов данных» для всей компании. Это компетенция по проектированию, созданию и поддержке надежных, быстрых и хорошо задокументированных витрин данных. Цель — построение прочного и надежного фундамента, который повышает продуктивность всех аналитиков и обеспечивает единый «источник правды» для BI-инструментов и отчётности.
 
@@ -18,6 +18,7 @@
 - Проектирует и владеет физической архитектурой слоя данных (Data Marts Layer) для основного бизнес-домена, обеспечивая скорость, надежность и простоту использования для всех аналитиков.
 - Внедряет инструменты управления данными, качества и обнаружения (например, каталоги данных).
 - Работает с Data Engineering для определения контрактов данных.
+- Проектирует и реализует надежные пайплайны данных (feature stores) для поддержки ML-моделей, разработанных аналитиками.
 
 ## DA5 (Staff)
 - Определяет стратегию и стандарты для всего моделирования данных и хранилищ в компании.