Данный репозиторий содержит проекты, реализованные в рамках курса "Аналитик данных" на платформе Яндекс.Практикума.
| № | Наименование проекта | Описание проекта | Стек |
|---|---|---|---|
| 1. | Исследования рынка общепита в Москве для принятия решения об открытии новой кофейни | Подготовлено исследование рынка на основе открытых данных о заведениях общественного питания Москвы, визуализированы полученные данные. На основе данных выбрано и обосновано место для открытия новой кофейни. В построении графиков использованы библиотеки seaborn и plotly. | Python, pandas, matplotlib, seaborn, plotly, folium |
| 2. | Исследование о рынке российского кинопроката | Заказчик этого исследования — Министерство культуры Российской Федерации. Нужно было изучить рынок российского кинопроката и выявить тренды. Отдельно рассмотреть фильмы, которые получили государственную поддержку. Данные получены с портала открытых данных Министерства культуры. Набор данных содержит информацию о прокатных удостоверениях, сборах и государственной поддержке фильмов, а также информацию с сайта КиноПоиск. | Python, pandas, matplotlib, seaborn |
| 3. | Исследование опроса клиентов телекомунникацонной компании | Перед компанией стоит задача определить текущий уровень потребительской лояльности (NPS) среди клиентов из России. Для этого клиентам задавали классический вопрос: «Оцените по шкале от 1 до 10 вероятность того, что вы порекомендуете компанию друзьям и знакомым». Компания провела опрос и попросила меня подготовить дашборд с его итогами. Большую базу данных для такой задачи разворачивать не стали и выгрузили данные в SQLite. | SQL, Python, pandas, Tableau |
| 4. | Анализ убытков приложения ProcrastinatePRO+ | 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. | Python, pandas, matplolib, когортный анализ, юнит-экономика, продуктовые метрики |
| 5. | Анализ сервиса аренды самокатов GoFast | Цель проекта: проанализировать данные сервиса аренды самокатов GoFast и проверить некоторые гипотезы, которые могут помочь бизнесу вырасти. Данные разбиты по трём таблицам. | Python, pandas, seaborn, scipy, math, статистические гипотезы, распределения |
| 6. | Принятие решений в бизнесе. Анализ A/B теста | Цель исследования: проверка гипотез и анализ выводов. В рамках проекта необходимо осуществить следующие основные задачи: приоритизация гипотез; запуск A/B-тестов; анализ результатов. | ICE, RICE, A/B tests, Python, pandas, seaborn, scipy |
| 7. | Исследование оттока клиентов сети фитнес-центров | Цель исследования: провести анализ и подготовить план действий по удержанию клиентов сети фитнес-центров «Культурист-датасаентист». Для фитнес-центра можно считать, что клиент попал в отток, если за последний месяц ни разу не посетил спортзал. | Python, sklearn, pandas , scipy, seaborn, matplotlib |
| 8. | Исследование закономерностей, определяющих успешность компьютерных игр | Цель проекта: выявить определяющие успешность игры закономерности. Это позволит сделать ставку на потенциально популярный продукт и спланировать рекламные кампании. | Python, pandas, numpy, seaborn, scipy, визуализации, портрет пользователя, статистические гипотезы |
| 9. | Анализ оттока клиентов Метанпромбанка | Цель проекта: проанализировать клиентов регионального банка и выделить сегменты клиентов, которые склонны уходить из банка. Заказчик — менеджер из отдела маркетинга. | Python, pandas, numpy, seaborn, scipy, intertools, сегментация пользователей, статистические гипотезы |
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent