| № | Описание проекта | Навыки и инструменты |
|---|---|---|
| 1 | Исследование рынка недвижимости Санкт Петербурга. Исследовал и установил параметры, которые в той или иной степени оказывают влияние на финальную стоимость квартиры. Данные необходимы для построения автоматизированной системы оценки квартир. Основные факторы влияющие на цену: месторасположение, близость к центру и метро. |
Python, Pandas, Matplotlib, исследовательский анализ данных, визуализация данных, предобработка данных. |
| 2 | Определение перспективного тарифа для телеком компании, Проанализировал тарифы мобильного оператора и поведение клиентов. Подготовил отчем для отдела маркетинга — как можно улучшить тарифы. Даны рекомендации: включать больше бесплатных минут и интернет трафика в тарифы компании. И усилить экспансию в регионы |
Python, Pandas, Matplotlib, NumPy, SciPy, описательная статистика, проверка статистических гипотез |
| 3 | Анализ продаж компьютерных игр в интернет магазине с 1992-2016 год Исследовал продажи интернет-магазин компьютерных игр и игр для консолей, для того чтобы сделать ставку на потенциально популярный продукт, спланировать рекламные кампании и закуп игр. Рекомендовано обратить внимание на мобильные игры и по возможности инвестировать в собственную разработку. |
Python, Pandas, NumPy, Matplotlib, предобработка данных, исследовательский анализ данных, описательная статистика проверка статистических гипотез |
| 4 | Оптимизация маркетинговых затрат в Яндекс.Афише Изучил как люди пользуются продуктом, когда они начинают покупать, сколько денег приносит каждый клиент, когда он окупается. Выяснил что нужно чтобы улучшить конверсию: переделать мобильное приложение и обратить внимание на проблемы отображения сайта на мобильных устройствах |
Python, Pandas, Matplotlib, когортный анализ, юнит-экономика, продуктовые метрики |
| 5 | Для отдела маркетинга интернет магазина. Подготовил и проанализировал список гипотез для увеличения выручки . Провел приоритизацию гипотез по фреймворкам ICE и RICE. Так же провел анализ результатов A/B-теста, построил графики кумулятивной выручки, среднего чека, конверсии по группам. Согласно анализа принято решение остановить АВ тестирование. Изменение не привело к статистически значимой разнице |
Python, Pandas, Matplotlib, SciPy, A/B-тестирование, проверка статистических гипотез |
| 6 | Исследование рынка общепита в Москве для принятия решения об открытии нового роботизированного кафе. Был исследован вопрос - будет ли успешным и популярным в Москве кафе, в котором гостей обслуживают роботы-официанты. Проанализирован рынок заведений общественного питания в Москве. Выяснили что формат заведения перспективный для представления инвесторам. Презентация кафе для инвесторов |
Pandas Plotly Python Seaborn визуализация данных. |
| 7 | Анализ пользовательского поведения в мобильном приложении. Проанализировал воронку продаж в стартапе продающем продукты питания, оценил результаты A/A/B тестирования. Выводы сделаны на основе данных из мобильного приложения Выяснили: конверсия в в оплату 47% , отличный результат. Изменение шрифта в приложении статистически значимого изменения в конверсии не принесло |
A/B тестирование Matplotlib Pandas Plotly Python Seaborn визуализация данных, проверка статистических гипотез, продуктовые метрики, событийная аналитика. |
| 8 | Дашборд по пользовательским событиям для для менеджеров Яндекс Дзена. Можем посмотреть: -Сколько взаимодействий пользователей с карточками статей происходит в системе с разбивкой по темам карточек. -Как много карточек генерируют источники с разными темами статей. -Как соотносятся темы карточек и темы источников. Все графики и таблицы можно отсортировать: - по времени - по темам карточек - по возрасту пользователей Тех. задание Презентация дашборда Дашборд |
Tableau PostgreSQL Python SQLAlchemy построение дашбордов продуктовые метрики |
| 9 | Используя машинное обучение разработана стратегию по борьбе с оттоком посетителей из сети фитнес клубов. На основе данных о посетителях сети фитнес-центров сделал прогноз вероятности оттока клиентов. Сформирмировал с помощью кластеризации портреты клиентов Выяснили: наиболее преданные клиенты старше 30 лет , живут рядом, ходят на групповые занятия. Чтобы избежать оттока необходимо повысить их количество и лояльность |
Matplotlib Pandas Python``Scikit-learn Seaborn классификация кластеризация машинное обучение. |
| 10 | Работа с SQL запросами Пример запросов на основе сервиса для чтения книг по подписке. Анализ базы данных. |