Проекты сделанные в рамках курсов и обучения анализу данных

Список проектов

Проект	Описание	Инструменты
Эффективность рекламных кампаний по LTV	Определение наиболее и наименее эффективных каналов привлечения пользователей по метрике LTV и выявление динамики LTV по времени с помощью Postgre SQL и визуализации в Power BI.	Postgre SQL (работа с типами данных, фильтрация, объединение таблиц JOIN, агрегация group by); Python (соединение с БД - библиотека psycopg2); LTV.
Исследование взаимодействия различных сегментов пользователей с мобильной игрой	В этом проекте проводится исследование, отличаются ли продажи и retention пользователей из России от всех остальных пользователей, а также выделяются core-игроки с помощью Postgress SQL	Postgre SQL (вложенные запросы CTE, фильтрация, условные операторы case, coalesce, объединение таблиц JOIN, работа со строками, агрегация group by, работа с датами, оконные функции, работа с типами данных); Python (соединение с БД - библиотека psycopg2); Сегментирование пользователей; Retention (возвращаемость); Анализ доходности core-игроков; Когортный анализ.
Исследование поведения пользователей мобильной игры и анализ функциональностей	Исследование поведения пользователей мобильной игры и проанализировать как текущая функциональность приложения влияет на конверсию, доход и время прохождения игры с помощью инструментов языка Python	Python (pandas, psycopg2, matplotlib и plotly); предобработка данных (дубликаты, пропуски, типы); категоризация данных; построение продуктовой воронки; срезы данных; конверсия; определение распространенных путей прохождения; анализ показателей описательной статистики; поиск зависимостей; определение и интерпретация взаимосвязи различных данных; автоматизация процесса построения графиков; постановка и проверка гипотез; визуализация (boxplot, гистограмма, круговая диаграмма).
Анализ деятельности ботов на сайте клининговой компании	С помощью данных Яндекс.Метрики провести анализ деятельности ботов на сайте компании, предоставляющей услуги клининга, оценив их количество и долю, а также выявив с каких источников и в какое время суток боты чаще всего заходят	python (pandas, requests, визуализация с помощью plotly); поставновка и проверка гипотез; загрузка данных по API Яндекс.Метрика; предобработка данных (дубликаты, пропуски, типы); выбор модели атрибуции; метрики: количество визитов, доля посетителей-ботов, источник траффика, время в часах; визуализация (круговая диаграмма, график); преобразования json в таблицу.
Оценка эффективности новой фичи на сайте клининговой компании	Проверить эффективность новой фичи на сайте клиринговой компании: проверить гипотезу о том, что новая функция заинтересует пользователей и будет мотивировать их чаще заходить на сайт, а также гипотезу о том, что после нововведения на сайте доход с платящих пользователей увеличится	Python (pandas, соединение с БД - библиотека psycopg2, Matplotlib, plotly, Seaborn); Postgre SQL (фильтрация, объединение JOIN); постановка и проверка гипотез; ARPPU; Stickiness factor; Retention rate; Частота; AOV (средний чек); DAU; MAU; Когортный анализ.
Анализ A/B тестирования результатов скидок для сервисов недвижимости	Расчет ARPU, Конверсии и среднего чека в контрольной и тестовой группах и сравнение этих метрик с помощьтю определения статистической значимости с помощью статистического теста.	Python (GoogleDriveDownloader, pandas, Matplotlib, scipy, statmodels); A/B тест; Статистический тест, Z-тест; T-критерий Стьюдента; U-критерий Манна-Уитни; Тест Шапиро Уилка (проверка на нормальность); доверительные интервалы; постановка и проверка статистических гипотез; Центральная предельная теорема; ARPU; Конверсия; Средний чек; визуализация данных(гистограмма); загрузка данных из гугл диска.
Построение рекомендательной системы курсов и анализ ее эффективности с помощью A/B тестирования для обучающей онлайн платформы	Задачей этого проекта является построение рекомендательной системы курсов, благодаря которой можно будет предлагать клиентам подходящие курсы и вывод таблицы с рекомендациями для каждого курса, а также проведение и анализ A/B тестирования после запуска новой функции	Python (pandas, psycopg2, matplotlib, scipy, collections, itertools); Postgre SQL (фильтрация, объединение JOIN); Предобработка данных (дубликаты, тип данных, пропуски); построение рекомендательной системы с помощью коллаборативной фильтрации; ранжирование; выбор минимальной границы на основе статистических данных; визуализация (boxplot, распределение вероятностей); A/B тест; статистический тест; Центральная предельная теорема; Z-тест; доверительные интервалы; определение минимального размера выборки; распределение разности выборочных конверсий; распределение конверсий в контрольной и тестовой группах; конверсия.