Яндекс.Практикум
Аналитик данных (обучение)
В процессе обучения работал на Python и PostgreSQL. Научился использовать библиотеки Pandas, Numpy, Seaborn, Plotly, Scipy, Stats, Sklearn и др. Овладел навыками проверки статистических гипотез, проведения A/B тестирования и построения дашбордов в Tableau. Выполнил 14 самостоятельных проектов с использованием различного инструментария: от предобработки данных до построения модели машинного обучения.
Ниже приведены некоторые из проектов:
1. Анализ предпочтений и спроса пользователей авиакомпании.
Задача: выявить предпочтения пользователей, приобретающих авиабилеты на рейсы в города, где проходят крупные фестивали.
Использованные библиотеки: Pandas, PyMystem3, Datetime, Matplotlib, Seaborn, Numpy, Stats.
Процесс работы: написал несколько SQL-запросов для получения доступа к базам данных; произвел предобработку данных; построил графики распределения топ-10 городов по количеству рейсов в день и общее распределение по рейсам.
Выводы: наиболее популярными моделями самолетов: Bombardier CRJ-200, Cessna 208 Caravan и Sukhoi SuperJet-100; города-лидеры по количеству рейсов в день являются: Москва и Санкт-Петербург.
Ссылка на проект: https://goo.su/2e9G
2. Приоритизация гипотез и анализ результатов A/B-теста.
Задача: приоритизировать гипотезы и провести анализ результатов A/B теста.
Использованные библиотеки: Pandas, Random, Datetime, Matplotlib, Seaborn, Numpy, Stats.
Процесс работы: произвел предобработку данных; выполнил приоритизацию гипотез через ICE и RICE; построил графики кумулятивной конверсии и распределения заказов по группам; посчитал статистическую значимость различий между группой A и B по различным признакам.
Выводы: подходящая гипотезы для внедрения по ICE - "Запустить акцию, дающую скидку на товар в день рождения"; подходящая гипотеза по RICE - "Добавить форму подписки на все основные страницы, чтобы собрать базу клиентов для email-рассылок"; неподходящая гипотеза - "Изменить цвет фона главной страницы, чтобы увеличить вовлеченность пользователей"; по результатам статистической проверки гипотез принято решение остановить тест и зафиксировать победу группы B.
группы B.
Ссылка на проект: https://goo.su/2e9g
3. Создание модели предсказания оттока пользователей для фитнес-центра.
Задача: построить модель прогнозирования оттока клиентов фитнес-центра и произвести кластеризацию.
Использованные библиотеки: Pandas, Math, Numpy, Stats, Matplotlib, Seaborn, Plotly, sklearn.linear_model, sklearn.ensemble, sklearn.model_selection, warnings, sklearn.metrics, sklearn.preprocessing, scipy.cluster.hierarchy, sklearn.cluster.
Процесс работы: произвел EDA; составил портрет среднестатистического клиента фитнес-центра; построил модель прогнозирования оттока клиентов; произвел кластеризацию клиентов и определил в каждом кластере долю оттока; составил рекомендации по работе.
Выводы: средний возраст клиентов - 29 лет; 85% проживают или работают рядом с фитнес-центром; лучший кластер - 4; худший кластер - 5.
Рекомендации: открывать новые фитнес-центры; развивать групповые занятия; ввести систему акций в сфере дополнительных услуг; стимулировать клиентов приобретать абонементы на более длительный срок.
Ссылка на проект: https://goo.su/2e9h