diff --git a/README.md b/README.md
index 3a3c0d9..c1e4533 100644
--- a/README.md
+++ b/README.md
@@ -217,12 +217,23 @@ Apache Airflow — инструмент для оркестрации ETL-про
 - можете объяснить, в чём практическая разница между MPP-хранилищем и одиночным Postgres на уровне типичных задач DE и собеседований.
 
 ## Курсовая работа
+К финалу роадмапа мы собираем небольшую end-to-end курсовую работу — свой первый «боеподобный» data-проект.
+
 ### Стенд в Docker Compose 
-- Apache Airflow
-    - Источник данных - TelecomX
-- GreenPlum
-- ETL
-- Исходные коды всего - в Git
+- Apache Airflow — оркестратор;
+    - источник данных — TelecomX (или аналогичный открытый датасет);
+- Greenplum — основное хранилище;
+- вспомогательный Postgres (по желанию);
+- ETL-скрипты и DAG'и;
+- исходные коды всего — в отдельном Git-репозитории.
+
+В качестве альтернативы файловому источнику можно использовать генератор данных для демо-базы `bookings` от Postgres Pro: https://github.com/postgrespro/demodb.  
+Его удобнее всего встроить в стенд DE Starter Kit (Airflow + Greenplum) как отдельный сервис Postgres с регулярно генерируемыми данными и уже оттуда забирать их в Greenplum (в том числе через PXF, если хочется усложнить архитектуру).
+
+**Когда блок курсовой работы считаем пройденным:**
+- у вас есть отдельный репозиторий с docker-compose, DAG'ами Airflow, SQL-скриптами и README по проекту;
+- стенд поднимается локально, DAG'и успешно прогоняются на тестовых данных от загрузки сырья до витрин;
+- вы можете на собеседовании за 5–10 минут рассказать архитектуру курсового проекта, его цели и показать ключевые части кода.
 
 ## Понятие сложности алгоритмов
 В Data Engineering редко требуется писать сложные алгоритмы, но важно понимать, как оценивать эффективность кода: