Аналитик данных

Место работы: Яндекс.Практикум ------- ВЫПОЛНЕННЫЕ ПРОЕКТЫ. «Изучение закономерностей, определяющих успешность игр»: Технологический стек. Python (библиотеки Pandas, Matplotlib, Seaborn, NumPy, SciPy). Проект выполнен в Jupyter Notebook. Навыки: предобработка данных, исследовательский анализ данных, описательная статистика, проверка статистических гипотез, визуализация данных. Описание проекта. Проведена предобработка и исследовательский анализ данных. На этапе исследовательского анализа данных выявлены закономерности, связанные с историческими событиями в игровой индустрии (выход первого iphone, конкуренция PlayStation, Nintendo и Xbox). Выбран актуальный период для анализа. Оценены самые прибыльные платформы за последние 10 лет. Проведен корреляционный анализ продаж и оценок пользователей по разным платформам. Составлены портреты пользователей каждого региона. Проведена проверка гипотез о равенстве средних рейтингах пользователей платформ Xbox One и PC одинаковые и о равенстве средних рейтингах пользователей жанров Action и Sports (данные проверены на нормальность критерием Шапиро-Уилка, использован t-критерий Стьюдента). «Анализ пользовательского поведения в мобильном приложении»: Технологический стек. Python (библиотеки Pandas, Matplotlib, NumPy, SciPy, модуль re, math). Проект выполнен в Jupyter Notebook. Навыки: предобработка данных, исследовательский анализ данных, описательная статистика, проверка статистических гипотез, А/А- тестирование, А/В-тестирование, визуализация данных. Описание проекта. В данном я построила простую продуктовую воронку и продуктовую воронку с учетом последовательности событий. Проверены критерии успешности А/А-теста: рассчитала % различия в 2ч группах теста, проверила одинаково ли фиксируется и отправляется в систему аналитики данные в двух группах, посчитала степень различия ключевых метрик по группам А/А-теста. Далее был проведен А/В-тест, был использован z-тест для проверки гипотезы о равенстве долей и проведена коррекция уровня статистический значимости методом Шидака. Даны рекомендации по улучшению работы сервиса и «слабые» места продукта. «Формирование модели монетизации в игровом приложении»: Технологический стек. Python (библиотеки Pandas, Matplotlib, NumPy, SciPy, Seaborn, Plotly). Проект выполнен в Jupyter Notebook. Навыки: декомпозиция, предобработка данных, исследовательский анализ данных, описательная статистика, проверка статистических гипотез, визуализация данных. Описание проекта. Сначала была проведена декомпозиция. Далее проведена предобработка и исследовательский анализ данных. На этапе исследовательского анализа данных был выявлен промежуток времени, когда произошло резкое уменьшение количество пользователей, что совпало с остановкой выбора определенного типа игровых действий, сделано предположении о наличии бага в игровом приложении. Изучена пользовательская активность: рассчитаны метрики DAU, MAU и Sticky factor. Рассчитано количество времени и количество игровых действий, необходимое пользователю на прохождение игры. Сформулированы гипотезы о разном времени прохождения игры в зависимости от выбора стиля прохождения игры и количестве игровых действий в зависимости от выбора стиля прохождения игры, для проверки статистической значимости различий был использован критерием Манна-Уитни (данные проверены на нормальность критерием Шапиро-Уилка). Далее сделаны выводы и предложены модели монетизации для каждого типа прохождения игры, а также даны советы по внедрению новых технологий для увеличения монетизации. «Исследование данных авиакомпании - проверить гипотезу о повышении спроса во время фестиваля»: Технологический стек. Python (библиотеки Pandas, Matplotlib, SciPy), SQL. Навыки: исследовательский анализ данных, описательная статистика. Описание проекта. Произвела выгрузку и подготовку данных с помощью SQL: формировала запросы, подзапросы, использовала агрегирующие функции, анализировала срезы данных, сортировала и группировала данные, обрабатывала и группировала данные. Портфолио: https://github.com/koluchkai

В 2017 году поступила в аспирантуру, где я впервые столкнулась с анализом данных - написание кандидатской диссертации. В 2019 написала диссертационную работу на тему ``Генетические детерминанты развития мембранозной нефропатии''. Проводила самостоятельно статистический анализ данных, тип исследования «случай-контроль». У меня есть 4 публикации в научных журналах. Так же участвовала в международной конференции ERA-EDTA 2019 года (Будапешт, Венгрия). Защита диссертационный работы планируется в первой половине 2021 года. Врачебный опыт

Должность: врач терапевт, врач-ординатор нефролог, врач-интерн терапевт ------- В процессе работы в 3 ЦВКГ имени А.А. Вишневского Минобороны РФ создала базу данных по военнослужащим и прикрепленному контингенту в Excel. Создала электронные шаблоны для приема пациентов, справок для оптимизации приема пациентов. Отвечала за ежемесячные, ежеквартальные и годовые отчеты по заболеваемости и результатам диспансеризации.