Некоммерческие проекты по профессии Аналитик Данных в Skillfactory - школа онлайн программирования.
(Специализация: Продуктовая Аналитика)
Проект | Сфера | Навыки и инструменты | Задачи |
---|---|---|---|
1. Маркетинговая аналитика в e-commerce компании Heaven’s Door, продажа дверей через веб-сайт. Курс: «Аналитик Данных» |
• Аналитика данных • Маркетинговая аналитика • Воронка продаж • Электронная коммерция • Бизнес-модель eCommerce |
• Microsoft Excel • Google Таблицы • Сводные таблицы |
1. Улучшить эффективность контекстной рекламы в сети Яндекс.Директ: 1) Определить самые неэффективные рекламные кампании и группы объявлений (метрики: CTR, CPC). 2) Выявить посадочные страницы с самой низкой конверсией из визита в создание заказа. 3) Определить рекламные кампании с самой высокой и низкой стоимостью привлечения лида (CPL). |
2. Продуктовая аналитика в e-commerce компании Heaven’s Door, продажа дверей через веб-сайт. Курс: «Аналитик Данных» |
• Аналитика данных • Продуктовая аналитика • Определение выручки • Когортный анализ • Юнит-экономика |
• Microsoft Excel • Google Таблицы • Сводные таблицы |
1. Разобраться, как и почему изменилась выручка по продукту компании: 1) Проанализировать данные по выручке, ARPU и возвращаемости – определить динамику этих показателей по месяцам. 2) Провести когортный анализ выручки и ARPU – определить вклад новых и старых пользователей в это изменение. 3) Построить таблицу возвращаемости клиентов по когортам. |
3. Юнит-экономика магазина онлайн-продажи дверей Heaven’s Door. Курс: «Аналитик Данных» |
• Аналитика данных • Юнит-экономика • Прибыль с одного клиента • Электронная коммерция •Масштабирование бизнеса • Стратегическое решение |
• Google Таблицы • Сводные таблицы |
1) Подсчитать основные метрики юнит-экономики: абсолютные и приведённые (на 1 пользователя: CR, Frequency, AOV, CPO, CPL, в рассматриваемый период.) 2) Определить рентабельность масштабирования бизнеса и открытия магазина в новом регионе. |
4. Анализ бизнес-модели компании, специализирующейся на онлайн-продаже экотоваров для дома Курс: «Аналитик Данных» |
• Аналитика данных • Маркетинговая аналитика • Продуктовая аналитика • Когортный анализ пользователей • Юнит-экономика |
• Google Таблицы • Сводные таблицы |
1) Определить маркетинговые (CR, CTR, CPO, CPL) и продуктовые метрики, показатели юнит-экономики (Частотность, Средний чек, Прибыль на пользователя, др.). 2) Определить, рентабельно ли масштабировать бизнес и открывать магазин в новом регионе. |
5. Сквозная маркетинговая аналитика – исследование эффективности привлечения новых пользователей в десктопной игре Splash of Plans. Курс: «Аналитик Данных» |
• ГеймДев (GameDev) • Аналитика бизнес-модели в gamedev-студии • Маркетинговая аналитика • Сквозной маркетинговый анализ • Платное продвижение в вебе |
• Google Таблицы • SQL-запросы • BI-визуализация • MS Power BI |
1. Определить эффективность (неэффективность) каналов привлечения, в метрике LTV; отследить динамику метрики: 1) Определить модель расчёта LTV. 2) Оценить затраты, доходы, LTV по дате, utm-меткам (date/source/medium/campaign). 3) Построить отчёт в PBI с результатами исследования LTV, в разбивке по utm-меткам и дате привлечения пользователя для отслеживания динамики изменений. |
6. Сегментация клиентов в игре Backscapes – ответить на вопрос, почему продажи новой игры оставляют желать лучшего. Курс: «Аналитик Данных» |
• ГеймДев (GameDev) • Аналитика бизнес-модели в gamedev-студии • Сегментация и измерения • Бизнес-модели: продажа подписки, free-to-play |
• Google Таблицы • SQL-запросы (условные операторы, оконные функции) • BI-визуализация • MS Power BI |
1) Определить динамику продаж по сегментам «Россия»/«Не Россия». 2) Разобраться, отличается ли месячный retention пользователей России от пользователей из других стран. 3) Выделить core-игроков, сравнить их ежемесячный доход с доходом обычных игроков – понять причины низких продаж новой игры. |
7. Исследование поведения пользователей мобильной игры Quiz Freeze. Курсы: «Аналитик Данных»; «Тренажёр по Python» |
• ГеймДев (GameDev) • Продуктовая аналитика в gamedev-студии • Поведение пользователей |
• Python (Структуры данных, Анализ временных промежутков) • Pandas |
1) Определить: самые распространённые пути прохождения этапов в приложении; возможности по улучшению взаимодействия пользователей с продуктом. 2) Продумать возможности улучшения среднего времени между различными этапами. 3) Проанализировать зависимость оплат от прохождения обучения. |
8. Анализ воронки продаж мобильной игры Quiz Freeze. Курсы: «Аналитик Данных»; «Тренажёр по Python» |
• ГеймДев (GameDev) • Продуктовая аналитика • Поведение пользователей |
• Python (Форматы, Методы визуализации данных: Matplotlib, , Plotly, Seaborn, Cufflinks) • Pandas • Numpy |
1) Проверить отличие во времени прохождения разных этапов пользователями, прошедшими и не начинавшими обучение; влияние обучения на сокращение времени. 2) Исследовать зависимость между вероятностью оплаты вопросов и количеством обучений, начатых или завершённых пользователем. 3) Определить, как часто пользователи начинают обучение после выбора уровня сложности. |
9. Исследование каналов привлечения: определение количества ботов на сайте клининговой компании Qlean. Курс: «Аналитик Данных» |
• Анализ данных • Модель «По требованию» • Маркетинговая аналитика • Электронная коммерция • Привлечение клиентов • Услуги клининга |
• Python • Pandas • Requests • Json • API |
1. Формализовать бизнес задачу, составить план анализа: 1) Посчитать коэффициент конверсии (найм клинеров) по каналам. 2) Оценить количество ботов, которые заходят на сайт и их долю от всего трафика. 3) Определить источники и наиболее частое время посещения сайта роботами. |
10. Оценка продуктовой фичи в клининговой компании Qlean. Курс: «Аналитик Данных» |
• Анализ данных • Модель «По требованию» • Маркетинговая аналитика • Электронная коммерция • Привлечение клиентов • Услуги клининга |
• Python (Методы визуализации данных: Matplotlib, Pyplot, Seaborn) • Pandas • Numpy |
1. Оценить эффективность новой фичи: 1) Посчитать показатели Коэффициент удержания (Retention Rate) седьмого дня и среднюю выручку от активного пользователя (ARPPU), до и после внедрения фичи. 2) Сформировать выводы по анализу. |
11. Принятие решения по результатам А/Б-теста в клининговой компании Qlean. Курс: «Аналитик Данных» |
• Анализ данных • Модель «По требованию» • А/Б-тестирование • Статистика (Доверительные интервалы, Статистическая значимость) |
• Python (Методы визуализации данных: Matplotlib, Pyplot) • Pandas • Numpy • Scipy (stats) • Statsmodels |
1. Рассчитать статистическую значимость: 1) Рассчитать разницу по конверсии, среднему чеку, среднюю выручку от пользователя (ARPU), в группах А и Б. 2) Сформировать отчёт и выводы по анализу. |
12. Решение комплексной бизнес-задачи для онлайн-школы программирования Skillfactory: увеличение среднего чека. Курс: «Аналитик Данных» |
• Анализ данных • Сфера Образования (EdTech) • Рекомендательная система • А/Б-тесты |
• SQL-запросы • Python • Pandas • Numpy • Scipy (stats) • Itertools • Math • Collections |
1) Построить рекомендательную систему курсов, интересных клиентам компании: подготовить и проанализировать данные. 2) Составить итоговую таблицу с рекомендациями и комментариями, и представить продакт-менеджеру. 3) Проанализировать результаты А/Б-теста, проведённого после внедрения фичи, сделать вывод. |
13. Сегментация аудитории с помощью RFM-анализа, на основе данных Tableau SuperStore. Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • Поведенческая аналитика • Сегментация рынка • RFM-анализ • Adhoc-исследование |
• Python • Pandas |
1. Определить наиболее привлекательную группу клиентов компании: 1) Создать таблицу RFM: проанализировать и сгруппировать данные по частоте покупок, давности совершения последней покупки и полученному доходу. 2) Сформировать таблицы сегментации истории покупок клиентов. |
14. Сегментация аудитории с помощью Когортного анализа, на основе данных магазина профессиональной косметики. Курс: «Продуктовая Аналитика» |
•Анализ данных • Продуктовая аналитика • Поведенческая аналитика • Сегментация рынка • Когортный анализ • Adhoc-исследование |
• Microsoft Excel | 1. Определить эффективность действий магазина: 1) Проанализировать данные с помощью когортного анализа. 2) Определить эффективность (неэффективность) внедрения нового способа рекламы продукта – карты лояльности. |
15. Защита проекта по поведенческой аналитике, на основе данных компании-сервиса по доставке продуктов на дом. Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • Поведенческая аналитика • Пользовательская аналитика • Когортный анализ |
• Python (Методы визуализации данных: Matplotlib, Pyplot, Seaborn) • Pandas • Numpy |
1. Проанализировать поведение пользователей: 1) Оценить эффективность каналов привлечения и воронку продаж. 2) Провести пользовательскую аналитику с помощью когортного анализа. 3) Подготовить аналитический отчёт. |
16. Проведение А/Б-теста: поэтапный разбор на основе данных компании HeadSpace Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • А/Б-тестирование • Приложение для медитаций |
• Python • Pandas • Statsmodels (z-test) • Numpy |
1. Протестировать разное позиционирование на лендингах сайта, на всю аудиторию: 1) Проранжировать гипотезы по ключевой метрике – DAU. 2) Реализовать эксперимент. 3) Сравнить результаты конверсии старой и новой версии сайта, с помощью базовых статистик. 2. Применить метод понижения дисперсии – CUPED, на малых выборках. |
17. Проблемы при А/Б-тестировании и их решения: Множественная проверка гипотез по данным игроков NBA. Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • А/Б-тестирование • Проблемы А/Б-тестирования • Оценка длительности экспериментов |
• Python • Pandas • Statsmodels (z-test, multipletests) • Numpy |
1. Проанализировать результативность штрафных бросков игроков NBA: 1) Проверить гипотезу о влиянии этапа сезона на результативность бросков. 2) Проверить гипотезу об отсутствии разницы в результативности относительно того, в какой половине матча совершаются броски. |
18. Дизайн эксперимента А/Б-тестирования, на основе данных с главной страницы интернет-магазина спортивных товаров. Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • А/Б-тестирование • Инструменты для проверки гипотез |
• Python • Pandas |
1. Провести «проверку» необходимости проведения А/Б-тестирования: 1) Выявить особенности данных. 2) Собрать необходимые метрики. 3) Оценить возможное влияние предполагаемого решения на ключевую метрику. 4) Принять или отвергнуть гипотезу. |
19. Тестирование внедрения динамического ценообразования в онлайн-магазине. Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • А/Б-тестирование • Анализ результатов А/Б-теста |
• Python (Методы визуализации данных: Matplotlib, Pyplot) • Pandas • Numpy • Scipy (stats) |
1. Защитить результаты эксперимента перед заказчиком (ментором): 1) Изучить ключевую метрику. 2) Протестировать подходы с логарифмированием, преобразованием Бокса-Кокса, Бутстреп-сэмплированием. 3) Составить письмо-отчёт о результатах эксперимента. |
20. А/Б-тестирование для некоммерческой организации "Если Быть Точным". Курс: «Продуктовая Аналитика» |
• Анализ данных • Продуктовая аналитика • А/Б-тестирование • Анализ результатов А/Б-теста • Разработка гипотез • Защита проекта перед заказчиком |
• Python (Методы визуализации данных: Matplotlib, Pyplot, tqdm) • Pandas • Numpy |
1. Объяснить, какие шаги были предприняты во время подведения итогов и почему 2. Аппелировать объяснения к бизнесу 3. Обосновать основные придуманные гипотезы, их причины и выбор той гипотезы, которая будет проверяться 4. Объяснить дизайн эксперимента и причины тех или иных характеристик (размер выборки, время теста и др.) 5. Сделать ясный вывод об успешности или неуспешности гипотезы, привести рекомендации по масштабированию 6. Визуализировать результаты и данные, на основе которых принимались решения 7. Провести оценку эффекта функционала и её объяснение при масштабировании эксперимента на всю аудиторию, если тест успешен. |