Yandex-Practicum
Здесь собраны некоторые реализованные мной учебные проекты
| # | Наименование проекта | Описание | Стек |
|---|---|---|---|
| 1. | Исследование данных сервиса “Яндекс.Музыка” — сравнение пользователей двух городов | На реальных данных Яндекс.Музыки проверил данные и сравнил поведение пользователей двух столиц | Pandas,Python |
| 2. | Исследование надёжности заёмщиков | На основе данных кредитного отдела банка исследовал влияние семейного положения и количества детей на факт погашения кредита в срок. | Pandas,Python,предобработка данных |
| 3. | Продажа квартир в Санкт-Петербурге | На основе данных сервиса Яндекс.Недвижимость определена рыночная стоимость объектов недвижимости разного типа, типичные параметры квартир, в зависимости от удаленности от центра. | Matplotlib,Pandas,Python,визуализация данных, исследовательский анализ данных, предобработка данных |
| 4. | Определение выгодного тарифа для телеком компании | Проведен предварительный анализ использования тарифов на выборке клиентов, проанализировано поведение клиентов при использовании услуг оператора и рекомендованы оптимальные наборы услуг для пользователей. | Matplotlib,NumPy,Pandas,Python,SciPy, описательная статистика, проверка статистических гипотез |
| 5. | Изучение закономерностей, определяющих успешность игр | Выявлены параметры, определяющие успешность игры в разных регионах мира. На основании этого подготовлен отчет для магазина компьютерных игр для планирования рекламных кампаний. | Matplotlib,NumPy,Pandas,Python, исследовательский анализ данных, описательная статистика, предобработка данных, проверка статистических гипотез |
| 6. | Анализ убытков приложения ProcrastinatePRO+ | Проведен анализ данных от ProcrastinatePRO+. Рассчитаны различные метрики, использован когортный анализ: LTV, CAC, Retention rate, DAU, WAU, MAU и т.д. Использованы уже написанные ранее функции расчёта метрик. Сделаны правильные выводы по полученным данным. | Matplotlib,Pandas,Python,Seaborn, когортный анализ,продуктовые метрики, юнит-экономика |
| 7. | Проверка гипотез по увеличению выручки в интернет-магазине | Проведена приоритизация гипотез по фреймворкам ICE и RICE. Затем провел анализ результатов A/B-теста, построил графики кумулятивной выручки, среднего чека, конверсии по группам, а затем посчитал статистическую значимость различий конверсий и средних чеков по сырым и очищенным данным. На основании анализа мной было принято решение о нецелесообразности дальнейшего проведения теста. | A/B-тестирование,Matplotlib, Pandas,Python,SciPy, проверка статистических гипотез |
| 8. | Анализ пользовательского поведения в мобильном приложении | В данном проекте мной были изучены принципы событийной аналитики. Я построил воронку продаж, исследовал путь пользователей до покупки. Проанализировал результаты A/B-теста введения новых шрифтов. Сравнил 2 контрольных группы между собой, убедился в правильном разделении трафика, а затем сравнил с тестовой группой Выявлено, что новый шрифт значительно не повлияет на поведение пользователей. | A/B-тестирование,Matplotlib, Pandas,Plotly,Python, Seaborn,визуализация данных, проверка статистических гипотез, продуктовые метрики, событийная аналитика |
| 9. | Исследования рынка общепита в Москве | Мною был исследован вопрос - будет ли успешной и популярной новая кофейня. По результатам анализа подготовлена презентация для инвесторов с рекомендациями. В построении графиков я использовали библиотеки seaborn и plotly. | Python Pandas Seaborn Plotly визуализация данных |
| 10. | SQL advanced | C помощью SQL запросов мной был проведен анализ базы данных stackoverflow. | PostgreSQL, SQL |
| 11. | Final Анализ мобильного приложения | Исходные данные содержат информацию о событиях, совершенных в мобильном приложении "Ненужные вещи"(Доска объявлений). Для каждого клиента: сформированы типичные портреты пользователей: выделены наиболее яркие группы на основе событий, охарактеризованы их основные свойства; проанализированы основные метрики(retention rate, время в приложении, частота совершения событий, конверсия с целевое действие contacts_show).По результатам анализа подготовлена презентация и дашборд. | Python,Pandas,Seaborn,Plotly,визуализация данных,Tableau |
| 12. | Final AB тесты | Мной была проведена оценка результатов A/B-теста. | Pandas, Numpy, Matplotlib, Scipy, Plotly, Seaborn |
| 13. | Final SQL | C помощью SQL запросов мной был проведен анализ базы данных о проджае книг. | Pandas, Sqlalchemy, PostgreSQL, SQL |
Личные проекты (PET-проекты)
| # | Наименование проекта | Описание | Стек |
|---|---|---|---|
| 1. | Анализ авторынка Казахстана за январь-сентябрь 2019 года | В ходе работы была произведена очистка данных и заполнение пробелов в датасете, затем был проведен анализ авто рынка Казахстана, в т.ч. BCG анализ | Pandas,numpy,matplotlib, seaborn,Python |
| 2. | Анализ вакансий LinkedIn для джуниоров | В ходе работы была предвариательная подготовка и очистка данных, затем был построен интерактивный дашборд в Tableau | Pandas, Numpy ,Python, Tableau |
| 3. | Аналитика рынка вакансий для HR-агентства | В ходе работы были выделены доп. признаки вакансий и проведен анализ, какие признаки вызывают повышенный интерес у пользователей | Pandas, Numpy ,Python |
| 4. | НКО Благотворительная больница | В ходе работы был проведен анализ данных и даны рекомендации по улучшению эффективности рекламы. | Pandas, Numpy, Matplotlib, Python |
| 5. | Аналитика данных компании Gectaro | В ходе работы был проведен анализ данных и даны рекомендации по удержанию клиентов и расширения доп. услуг. | Pandas, Numpy, Matplotlib, Python |
| 6. | Анализ клиентов для фонда АиФ Доброе сердце | В ходе работы был проведен анализ данных и даны рекомендации по работе с клиентами на основе RFM сегментации и когортного анализа. Получено благодарственное письмо от заказчика. | Pandas, Numpy, Matplotlib, Python |
| 7. | Анализ клиентов Федерального медицинского центра ФГБОУ ВО СПбГПМУ | Был проведен анализ с помощью SQL запросов и визуализация данных в Datalens | Portege SQL, Datalens |