Учебные проекты, которые были выполнены в рамках прохождения курса Аналитик данных от Яндекс.Практикума
| Название проекта | Описание | Навыки и инструменты |
|---|---|---|
| Музыка больших городов (1) | Сравнение предпочтений пользователей Яндекс.Музыки из Москвы и Санкт-Петербурга в зависимости от времени суток и дня недели | pandas |
| Исследование надёжности заёмщиков — анализ банковских данных (2) | На основе статистики о платёжеспособности клиентов исследовали влияние семейного положения и количества детей клиента на факт возврата кредита в срок | pandas, pymorphy2, collections, seaborn, matplotlib, data preprocessing |
| Продажа квартир в Санкт-Петербурге — анализ рынка недвижимости (3) | Используя данные сервиса Яндекс.Недвижимость определили рыночную стоимость объектов недвижимости и типичные параметры квартир | pandas, matplotlib, EDA, data visualization, data preprocessing |
| Исследование тарифных планов федерального оператора сотовой связи (4) | Клиентам сотовой связи предлагается два тарифных плана: «Смарт» и «Ультра». По представленным данным провести предварительный анализ тарифов на небольшой выборке клиентов и выяснить, какой тариф приносит больше денег | pandas, scipy, numpy, matplotlib, проверка статистических гипотез |
| Изучение закономерностей, определяющих успешность игр (5 сборный проект 1) | Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявили закономерности, определяющие успешность игры | pandas, scipy, numpy, seaborn, matplotlib |
| Исследование данных об инвестиции венчурных фондов в компании-стартапы (6) | Произвести различные выгрузки данных венчурных фондов с помощью SQL | SQL, PostgreSQL |
| Анализ убытков приложения ProcrastinatePRO+ (7) | Задача для маркетингового аналитика развлекательного приложения Procrastinate Pro+. Несмотря на огромные вложения в рекламу, последние несколько месяцев компания терпит убытки. Задача — разобраться в причинах и помочь компании выйти в плюс. | pandas, datetime, numpy, seaborn, matplotlib, cohort analysis, unit-economy, product metrics |
| Анализ сервиса вопросов и ответов по программированию (8) | С помощью SQL посчитаете и визуализируете ключевые метрики сервис-системы вопросов и ответов о программировании. | SQL, PostgreSQL |
| Проверка гипотез по увеличению выручки в интернет-магазине (9) | Используя данные интернет-магазина приоритезировали гипотезы, произвели оценку результатов A/B-тестирования различными методами | pandas, datetime, numpy, scipy, math, matplotlib, A/B-testing, testing statistical hypotheses |
| Анализ пользовательского поведения в мобильном приложении (10 сборный проект 2) | На основе данных использования мобильного приложения для продажи продуктов питания проанализировали воронку продаж, а также оценили результаты A/A/B-тестирования | pandas, datetime, numpy, plotly, scipy, math, seaborn, matplotlib, itertools, data visualization, testing statistical hypotheses, product metrics, event analytics |
| Исследования рынка общепита в Москве для принятия решения об открытии нового заведения (11) | Исследование рынка общественного питания на основе открытых данных, подготовка презентации для инвесторов | pandas, plotly, seaborn, matplotlib, data visualization |
| Создание дашборда по пользовательским событиям для агрегатора новостей (12) | Используя данные Яндекс.Дзена построили дашборд с метриками взаимодействия пользователей с карточками статей | pandas, sqlalchemy, Tableau, product metrics |
| Анализ оттока клиентов банка (выпускной проект 1) | Проанализировали клиентов регионального банка и выделили портрет клиентов, которые склонны уходить из банка «Метанпром». | pandas, numpy, seaborn, scipy, matplotlib, classification, data visualization, testing statistical hypotheses |
| Оценка результатов A/B-теста (выпускной проект 2) | Проверили корректность проведения A/B-теста и проанализировали полученные результаты | pandas, numpy, datetime, seaborn, scipy, matplotlib, plotly, math, EDA, A/B-testing |