Projects by Practicum Yandex
Certificate of completion the course Russian version, English version
| Название проекта | Описание проекта | Библиотеки |
|---|---|---|
| «Исследование надёжности заёмщиков — анализ банковских данных» | На основе данных кредитного отдела банка исследовала влияние семейного положения и количества детей на факт погашения кредита в срок. Была проведена предобработка данных и анализ. Выделены леммы в значениях столбца и категоризированны данные. | pandas, pymystem3, collections |
| «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. Проведена предобработка данных, анализ. Выбран актуальный период для анализа. Составлены портреты пользователей каждого региона. Проверены гипотезы. | pandas, numpy, seaborn, matplotlib.pyplot, datetime, scipy |
| «Оптимизация маркетинговых затрат в Яндекс.Афише» | Проведен анализ данных от Яндекс.Афиши целью оптимизации маркетинговых затрат. Рассчитаны метрики LTV, CAC, Retention rate, DAU, WAU, MAU, ROMI. | pandas, numpy, seaborn, matplotlib.pyplot, datetime, scipy |
| «Проверка гипотез по увеличению выручки в интернет-магазине — оценить результаты A/B теста» | Проведена приоритизация гипотез по фреймворкам ICE и RICE. Затем провела анализ результатов A/B-теста, построила графики кумулятивной выручки, среднего чека, конверсии по группам, а затем посчитала статистическую значимость различий конверсий и средних чеков по сырым и очищенным данным. На основании анализа мной было принято решение о нецелесообразности дальнейшего проведения теста. | pandas, datetime, matplotlib, numpy, scipy, seaborn |
| «Анализ пользовательского поведения в мобильном приложении» | В данном проекте мной были изучены принципы событийной аналитики. Я построила воронку продаж, исследовала путь пользователей до покупки. Проанализировала результаты A/B-теста введения новых шрифтов. Сравнила 2 контрольных группы между собой, убедилась в правильном разделении трафика, а затем сравнила с тестовой группой. Выявлено, что новый шрифт значительно не повлияет на поведение пользователей. | pandas, datetime, matplotlib, numpy, scipy, math, seaborn, plotly, statsmodels, proportions_ztest |
| «Прогнозирование вероятности оттока пользователей для фитнес-центров» | В данном проекте использовано машинное обучение. Спрогнозирована вероятность оттока для каждого клиента; сформированы типичные портреты пользователей: выделены наиболее яркие группы, охарактеризованы их основные свойства; проанализированы основные признаки, наиболее сильно влияющие на отток. | pandas, matplotlib, numpy, scipy, seaborn, plotly, sklearn, kmeans, dendrogram, linkage, statsmodels, proportions_ztest |
| «Выпускной проект. E-commerce — Анализ товарного ассортимента» | Для интернет-магазина товаров для дома «Пока все ещё тут», выявила профили покупателей, сделала полноценный анализ товарного ассортимента. Были категоризированны данные, проанализированы продажи по категориям по временам года. Была проведена сегментация покупателей на основе истории их покупок. Проверка статистических гипотез. Tableau. | pandas, numpy, scipy, sklearn, standardscaler, kmeans, dendrogram, linkage, matplotlib, seaborn , plotly, pymystem3, collections |
| «Выпускной проект. Проект по АB-тестированию» | Используя данные с действиями пользователей, с техническим заданием и несколько вспомогательных датасетами, оценила корректность проведения теста и проанализировала результаты теста. | pandas, datetime, matplotlib, numpy, scipy, seaborn, plotly, statsmodels, proportions_ztest |
| «Выпускной проект. SQL – Анализ базы данных сервиса для чтения книг по подписке» | Создала коннекцию к базе данных для получения данных. Выполнила запрос и сохранила результат в DataFrame. Провела исследовательский анализ данных. Эти данные помогут сформулировать ценностное предложение для нового продукта. | Инструменты: SQL, пайплайн |