Имеется более 10 проектов на языке Python в рамках прохождения курса "Аналитик данных". В Python в основном приходилось работать с библиотеками Pandas, Matplotlib, Seaborn, Numpy, Sklearn, SciPy. Есть опыт написания запросов в SQL различной сложности. Проект 1: «Оптимизация маркетинговых затрат в Яндекс.Афише» (https://clck.ru/UmPRf) Задачи проекта: На основе данных о посещениях сайта Яндекс.Афиши изучить, как люди пользуются продуктом, когда они начинают покупать, сколько денег приносит каждый клиент, когда он окупается. Результаты проекта: Проведен анализ данных от Яндекс.Афиши целью оптимизации маркетинговых затрат. Рассчитаны метрики LTV, CAC, Retention rate, DAU, WAU, MAU, ROMI. Даны рекомендации для бизнеса по результатам когортного анализа. Навыки и инструменты: Python, Pandas, Matplotlib, когортный анализ, юнит-экономика, продуктовые метрики. Проект 2. «Анализ пользовательского поведения в мобильном приложении» (https://clck.ru/UmPbM) Задачи проекта: На основе данных использования мобильного приложения для продажи продуктов питания проанализировать воронку продаж, а также оценить результаты A/A/B-тестирования. Результаты проекта: В данном проекте мной были изучены принципы событийной аналитики. Я построил воронку продаж, исследовал путь пользователей до покупки. Проанализировал результаты A/B-теста введения новых шрифтов. Сравнил 2 контрольных группы между собой, убедился в правильном разделении трафика, а затем сравнил с тестовой группой Выявлено, что новый шрифт значительно не повлияет на поведение пользователей. Навыки и инструменты: A/B-тестирование, Python, Pandas, Matplotlib, Seaborn, событийная аналитика, продуктовые метрики, Plotly, проверка статистических гипотез, визуализация данных. Проект 3. «Изучение закономерностей, определяющих успешность игр» (https://clck.ru/UmPcC) Задачи проекта: Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявить закономерности, определяющие успешность игры. Результаты проекта: 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: средние пользовательские рейтинги платформ Xbox One и PC одинаковые; средние пользовательские рейтинги жанров Action и Sports разные. При анализе использовал критерий Стьюдента для независимых выборок. Навыки и инструменты: Python, Pandas, NumPy, Matplotlib, предобработка данных, исследовательский анализ данных, описательная статистика, проверка статистических гипотез. Ссылка на Github с этими и другими проектами: https://github.com/sashamoun/Projects.git