Яндекс.Практикум
Аналитик данных (обучение)
Стек технологий:
Python
SQL
Jupyter Notebook
BeautifulSoup
requests
pandas
numpy
scipy.stats
plotly
seaborn
matplotlib.pyplot
dash
sqlalchemy
scikit-learn
re
- Пред-обработка данных.
- Исследовательский анализ данных.
- Статистический анализ данных, описательная статистика, проверка гипотез.
- Аналитика бизнес показателей, когортный анализ,Retention Rate, Churn Rate, метрики электронной коммерции, метрики маркетингового анализа, воронки, юнит-экономика.
- АБ тест и анализ АБ тестов, приоритизация гипотез.
- Автоматизация загрузки данных по расписания, data pipelines.
- Базовые алгоритмы машинного обучения(с учителем, без учителя, с подкреплением).
Проекты:
1. Анализ исторических данных о продажах игр, оценки пользователей и экспертов, жанры и платформы (например, Xbox или PlayStation).
Ссылка на гитхаб -> https://github.com/da-eos/games_platform_analysis.git
Задача была выявить закономерности влияющие на успешность игры, чтобы спрогнозировать продажи на будущий год.
Стек: pandas, matplotlib.pyplot, numpy, scipy, plotly.express
Описание процесса:
Проведен исследовательский анализ, составлен портрет пользователя. выдвинуты гипотезы и осуществлена проверка средних пользовательских рейтингов Xbox One и PC, а также жанров Action и Sports.
Выводы удалось сделать в ходе исследования:
- За 8 лет может родится и угаснуть игровая платформа.
- Рейтинг критиков имеет большой вес на продажи, стоит им угодить.
- следует выделить 5 самых популярных PS4, Xone, WiiU, PC, 3DS рынок Япония - это WiiUи 3DS рынок Европа и США - это PS4, Xone.
Рекомендации:
Нужно отталкиваться от рынка на который пойдет продажа если это США то экшн и шутеры, с рейтингом 17+. Если это Европа то тоже подойдут шутеры и экшны с рейтингом 17+. А вот если японский рынок то экшн безусловно и РПГ принесут самые высокие продажи и ориентир в японии на детей от 3 лет.
2. Аналитика в авиакомпании
Ссылка на гитхаб -> https://github.com/da-eos/games_platform_analysis.git
Важно понять предпочтения пользователей, покупающих билеты на те или иные направления.
Проанализировать спрос пассажиров на рейсы в города, где проходят крупнейшие фестивали.
Стек: pandas, matplotlib.pyplot, numpy, scipy, plotly.express
Описание процесса:
Был написан парсер с веб страницы.
Далее была работа с базой данных, после чего проведен исследовательский анализ данных, и сделаны выводы.
Можно сказать что спрос на авиабилеты не сильно изменился на рейсы в города где проходят фестивали.
3. Анализ бизнес показателей Яндекс.Афиша (данные пользователей)
Ссылка на гитхаб -> https://github.com/da-eos/yandex_poster
Стек: pandas, matplotlib.pyplot, plotly, seabron
Задача помочь маркетологам снизить расходы — отказаться от невыгодных источников трафика и перераспределить бюджет.
Были рассчитаны продуктовые метрики (DAU, WAU,MAU, Retention Rate), применяя когортный анализ.
Далее метрики электронной коммерции (Средний чек, среднее количество покупок)
Маркетинговые метрики(CAC, LTV, ROMI)
4. Аналитика АБ тестирования, приоретизация гипотез.
Ссылка на гитхаб -> https://github.com/da-eos/analysis_ab_test
Стек: pandas, matplotlib.pyplot, scipy, numpy, math
Задача: выбрать гипотезу для увеличения выручки, используя RICE, ICE. Провести анализ АБ теста, рассчитать статистическую значимость по среднему чеку, выручке, конверсии.
5. Аналитика проведенного АБ теста, с конкурирующем тестом.
Ссылка на гитхаб -> https://github.com/da-eos/abtest_with_competitor_test
Стек: pandas, numpy, statsmodels.stats.proportion, datetime, plotly
Задача — провести оценку результатов A/B-теста.
Оценить корректность проведения теста
Проанализировать результаты теста
Чтобы оценить корректность проведения теста:
пересечение тестовой аудитории с конкурирующим тестом,
совпадение теста и маркетинговых событий, другие проблемы временных границ теста.
6. Прогнозирование оттока клиентов из фитнесс клуба, используя машинное обучение.
Ссылка на гитхаб -> https://github.com/da-eos/ML_prognose_churn
Стек: plotly, pandas, numpy, matplotlib.pyplot, seaborn, sklearn, os
Был выбор между LogisticRegression и RandomForestClassifier были построены обе модели и посчитаны метрики accuracy_score, precision_score, recall_score, f1_score, roc_auc_score - лучшим образом себя показала логистическая регрессия.
Выполнена кластеризация K-Means, и были выделены кластеры наиболее подверженные оттоку.
7. SQL проект
Ссылка на гитхаб -> https://github.com/da-eos/sql_books
Стек: pandas, sqlalchemy
Необходимо провести аналитику сервиса с книгами, ответить на ряд вопросов.
Для формирования ценностного предложения нового продукта я бы рекомендовал жанр, фентези. Издательство с которыми стоит работать это Penguin Books Роман подобный Сумеркам о вампирах и любви соберет кучу оценок от пользователей и большое количество продаж.