Репозитарий, содержащий проекты, выполненные в ходе прохождения курса "Аналитик данных" на Яндекс.Практикуме
| Название проекта | Описание | Инструменты и библиотеки |
|---|---|---|
| Проект №1 - Исследование данных сервиса “Яндекс.Музыка” — сравнение пользователей двух городов | На реальных данных Яндекс.Музыки c помощью библиотеки Pandas и её возможностей проверить данные и сравнить поведение и предпочтения пользователей двух столиц — Москвы и Санкт-Петербурга. | Python, Pandas |
| Проект №2 - Исследование надёжности заёмщиков — анализ банковских данных | На основе статистики о платёжеспособности клиентов исследовать влияет ли семейное положение и количество детей клиента на факт возврата кредита в срок | Python, Pandas |
| Проект №3 - Продажа квартир в Санкт-Петербурге — анализ рынка недвижимости | Используя данные сервиса Яндекс.Недвижимость, определить рыночную стоимость объектов недвижимости и типичные параметры квартир | Python, Pandas, Matplotlib, исследовательский анализ данных, визуализация данных, предобработка данных |
| Проект №4 - Определение выгодного тарифа для телеком компании | На основе данных клиентов оператора сотовой связи проанализировать поведение клиентов и поиск оптимального тарифа | Python, Pandas, Matplotlib, NumPy, SciPy, описательная статистика, проверка статистических гипотез |
| Проект №5 - Изучение закономерностей, определяющих успешность игр | Используя исторические данные о продажах компьютерных игр, оценки пользователей и экспертов, жанры и платформы, выявить закономерности, определяющие успешность игры | Python, Pandas, NumPy, Matplotlib, предобработка данных, исследовательский анализ данных, описательная статистика, проверка статистических гипотез |
| Проект №6 - Анализ убытков приложения ProcrastinatePRO+ | Задача для маркетингового аналитика развлекательного приложения Procrastinate Pro+. Несмотря на огромные вложения в рекламу, последние несколько месяцев компания терпит убытки. Ваша задача — разобраться в причинах и помочь компании выйти в плюс. | Python, Pandas, Matplotlib, Seaborn, когортный анализ, юнит-экономика, продуктовые метрики |
| Проект №7 - Проверка гипотез по увеличению выручки в интернет-магазине — оценить результаты A/B теста | Используя данные интернет-магазина приоритезировать гипотезы, произвести оценку результатов A/B-тестирования различными методами | Python, Pandas, Matplotlib, SciPy, A/B-тестирование, проверка статистических гипотез |
| Проект №8 - Исследования рынка общепита в Москве для принятия решения об открытии нового заведения | Исследование рынка общественного питания на основе открытых данных, подготовка презентации для инвесторов | Python, Pandas, Seaborn, Plotly, визуализация данных |
| Проект №9 - Анализ пользовательского поведения в мобильном приложении | На основе данных использования мобильного приложения для продажи продуктов питания проанализировать воронку продаж, а также оценить результаты A/A/B-тестирования | A/B-тестирование, Python, Pandas, Matplotlib, Seaborn, Plotly, событийная аналитика, продуктовые метрики, проверка статистических гипотез, визуализация данных |
| Проект №10 - Создание дашборда по пользовательским событиям для агрегатора новостей | Используя данные Яндекс.Дзена построить дашборд с метриками взаимодействия пользователей с карточками статей | Python, SQLAlchemy, PostgreSQL, dash, Tableau, продуктовые метрики, построение дашбордов |
| Проект №11 - Прогнозирование вероятности оттока пользователей для фитнес-центров | На основе данных о посетителях сети фитнес-центров спрогнозировать вероятность оттока для каждого клиента в следующем месяце, сформировать с помощью кластеризации портреты пользователей | Python, Pandas, Scikit-learn, Matplotlib, Seaborn, машинное обучениe |