Здесь размещены учебные проекты, выполенные в процессе обучения на курсах "Аналитик данных" в сервисе Яндекс.Практикум и "Симулятор аналитика" в сервисе karpov.courses.
| Название проекта | Описание проекта | Стек |
|---|---|---|
| Исследование надёжности заёмщиков — анализ банковских данных | На основе статистики о платёжеспособности клиентов исследовать влияние различных факторов на возврат кредита в срок. | pandas, seaborn, matplotlib, numpy, scipy, pymystem3, Counter |
| Продажа квартир в Санкт-Петербурге — анализ рынка недвижимости | Используя данные сервиса Яндекс.Недвижимость, определить рыночную стоимость объектов недвижимости и типичные параметры квартир в Санкт-Петербурге | pandas, matplotlib, seaborn, numpy, scipy |
| Определение перспективного тарифа для телеком компании | На основе данных клиентов оператора сотовой связи проанализировать поведение клиентов и определить оптимальный тариф | pandas, matplotlib, seaborn, numpy, scipy, math |
| Изучение закономерностей, влияющих на успешность видеоигр | Используя исторические данные о продажах видеоигр, оценках пользователей и профессиональных критиков, игровых жанрах и платформах, определить закономерности, определяющие успешность видеоигры | pandas, matplotlib, seaborn, numpy, scipy, math |
| Исследование данных авиакомпании — проверка гипотезы о повышении спроса во время фестивалей | Произвести выгрузки и подготовку данных авиакомпании с помощью SQL и проверить гипотезу о различии среднего спроса на билеты во время проведния музыкальных фестивалей | pandas, numpy, scipy, matplotlib, seabron, requests, re, BeautifulSoup, postgreSQL |
| Оптимизация маркетинговых затрат в Яндекс.Афише | На основе данных о посещениях сайта Яндекс.Афиши изучить, как люди пользуются продуктом, когда они начинают покупать, сколько денег приносит каждый клиент и в течение какого времени он окупается | pandas, matplotlib, seaborn, numpy, scipy |
| Проверка гипотез по увеличению выручки в интернет-магазине — оценка результатов A/B теста | Используя данные интернет-магазина приоритизировать гипотезы и произвести оценку результатов A/B-тестирования | pandas, matplotlib, seaborn, numpy, datetime, scipy |
| Исследование рынка общепита в Москве для принятия решения об открытии нового заведения | Произвести исследование рынка общественного питания в Москве, определить оптимальные параметры для открытия нового заведения и подготовить презентацию для инвесторов | pandas, matplotlib, seaborn, numpy, requests, io, Yandex.Cloud |
| Анализ пользовательского поведения в мобильном приложении | На основе данных использования мобильного приложения для продажи продуктов питания проанализировать воронку продаж и оценить результаты A/A/B-тестирования | pandas, matplotlib, seaborn, numpy, math, scipy, plotly |
| Создание Tableau-дашборда по пользовательским событиям для агрегатора новостей | Используя данные сервиса Яндекс.Дзен, построить дашборд пользовательских метрик | pandas, sqlalchemy, Tableau |
| Прогнозирование вероятности оттока клиентов фитнес-центра | На основе данных о клиентах сети фитнес-центров спрогнозировать вероятность оттока клиента в следующем месяце, произвести кластеризацию клиентов и составить их портреты | pandas, seaborn, matplotlib, numpy, scipy, math, sklearn.model_selection, sklearn.linear_model, sklearn.preprocessing, sklearn.ensemble, sklearn.metrics |
| Анализ А/В теста для мобильного приложения | Провести оценку корректности А/В теста, выполненного предыдущим аналитиков | pandas, matplotlib, seaborn, numpy, datetime, scipy, math, plotly.express, plotly, warnings |
| SQL-запросы из базы данных приложения для чтения книг | Используя базу данных приложения для чтения книг, изучить поведение пользователей | pandas, sqlalchemy, postgreSQL |
| Кластеризация пользователей мобильного приложения | Используя дамп базы данных мобильного приложения по продаже ненужных вещей, произвести кластеризацию пользователей и составить Tableau-дашборд с пользовательскими метриками | pandas, datetime, numpy, math, scipy, matplotlib, seaborn, warnings, calendar, sklearn.model_selection, sklearn.linear_model, sklearn.ensemble, sklearn.metrics, sklearn.metrics, sklearn.preprocessing, scipy.cluster.hierarchy, sklearn.cluster |
| Автоматизация отчетности. Telegram | Написать скрипты для сборки и отправки ежедневных отчетов по новостной ленте и мессенджеру с показателями основных пользовательских метрик за предыдущий день | pandas, numpy, matplotlib.pyplot, matplotlib.ticker, seaborn, telegram, io, os, locale, datetime, read_db.CH, postgreSQL, Clickhouse, GitLab CI/CD, Superset, Redash |
| Детектирование аномалий. Telegram | Написать систему алертов для отcлеживания аномалий в значениях основных пользовательских метрик в мобильном приложении | pandas, numpy, telegram, statistics, scipy, matplotlib.pyplot, matplotlib.ticker, locale, io, os, seaborn, read_db.CH, postgreSQL, Clickhouse, GitLab CI/CD, Superset, Redash |
| Симуляция A/A теста | Произвести симуляцию множественных A/A тестов и определить корректность функционирования системы сплитования | pandas, numpy, seaborn, matplotlib, scipy,read_db.CH, tqdm.auto, postgreSQL, Clickhouse, bootstrap |
| Анализ результатов A/B тестов | Проанализировать результаты A/B теста и решить, можно ли выкатывать новый алгоритм рекомендаций на всех пользователей | pandas, numpy, seaborn, matplotlib, scipy, read_db.CH, tqdm.auto, postgreSQL, Clickhouse, bootstrap |
| Анализ мощности проведенного A/B теста | Проанализировать мощность проведенного A/B теста и определить, можно ли было использовать меньший размер выборки | pandas, numpy, scipy, statsmodels.stats.power, read_db.CH, TTestIndPower, postgreSQL, Clickhouse |