Skip to content

Latest commit

 

History

History
32 lines (29 loc) · 5.1 KB

README.md

File metadata and controls

32 lines (29 loc) · 5.1 KB
Raw

Разведочный анализ данных

Для данных онлайн-магазина (источник) были найдены ответы на следующие вопросы и реализованы следующие процедуры:

  1. Сколько пользователей совершили покупку только один раз?
  2. Сколько заказов в среднем не доставляется за месяц?
  3. Для каждого товара определить, в какой день недели он покупается чаще всего.
  4. Для каждого пользователя определить среднее количество покупок в неделю с разбивкой по месяцам.
  5. Разделить пользователей, совершивших покупки в 2017 году, на когорты по месяцам. Найти когорту с самым высоким показателем retention на 3-й месяц.
  6. Выполнить RFM-сегментацию пользователей и провести качественную оценку аудитории.

Стек

Python: numpy, pandas, scipy, matplotlib, seaborn, requests, sys, datetime.

A/B–тестирование

В некоторый момент времени пользователи образовательной онлайн-платформы Х были случайным образом распределены либо в контрольную группу A, либо в целевую группу B. Затем в течение неназванного периода наблюдения при оформлении покупки на сайте пользователям из группы A предлагалось воспользоваться базовой механикой оплаты, а членам группы B — обновлённой. Все релевантные взаимодействия участников эксперимента с сайтом были записаны в .csv-таблицы. На базе этого набора данных (источник) была сделана оценка целесообразности развертывания новой механики оплаты на всех нынешних и будущих пользователей платформы.

Стек

Python: numpy, pandas, scipy, pingouin, matplotlib, seaborn, requests.

Реляционная база данных

Команда образовательной платформы Х собрала информацию для A/B-тестирования нового экрана оплаты услуг на сайте и на её основе создала реляционную базу данных, управляемую системой Clickhouse (источник). Было найдено количество усердных студентов $^{1}$, сохраненных в этой базе данных, а для контрольной группы A и пилотной группы B были рассчитаны следующие продуктовые метрики:

  • средний доход с пользователя (ARPU);
  • средний доход с платящего пользователя (ARPPU);
  • средний доход с активного пользователя $^{2}$ (ARPАU);
  • коэффициент конверсии пользователей в покупку (CR);
  • коэффициент конверсии активных пользователей в покупку (CR_active);
  • коэффициент конверсии пользователей, проявлявших активность в курсе математики $^{3}$, в покупку этого курса (CR_math_active).

$^{1}$Усердный студент – это такой пользователь платформы, что хотя бы один раз правильно решил 20 и более заданий за месяц.
$^{2}$Активным считается пользователь, за все время решивший правильно более 10 любых задач.
$^{3}$Активным по математике считается пользователь, который за все время правильно решил две или более задачи в курсе математики.

Стек

Clickhouse: группировка, агрегирование и фильтрация данных, подзапросы, объединение таблиц, логические выражения, задание алиасов.
Python: pandahouse, pandas, numpy.