Аналитик с финансовым образованием и опытом работы в HoReCa: управляла финансовыми и маркетинговыми стратегиями, оптимизировала расходы благодаря аналитическому подходу.
Для работы с данными применяю языки программирования SQL и Python (pandas, numpy, seaborn, matplotlib, plotly, scipy, pandahouse, requests, urlencode), что помогает мне эффективно извлекать и анализировать большие объемы информации. Визуализирую данные в Tableau, применяю в работе Git, Airflow, провожу AB-тестирование для проверки гипотез.
Умею налаживать позитивную коммуникацию в команде, ответственна, организована. Быстро обучаюсь и творчески подхожу к решению проблем. Знаю как применить аналитические навыки для выполнения целей бизнеса. Развиваюсь в сфере аналитики, которая постоянно меняется и требует постоянного обучения.
Аналитик данных - KARPOV.COURSES
Симулятор SQL - KARPOV.COURSES
Интерактивный тренажер по SQL - Stepik, Озерова Г.П.
Основы Python - KARPOV.COURSES
Поколение Python - Stepik, Тимур Гуев
Markdown - Stepik, Сергей Романенко
Excel - Stepik, преподаватели Университета им. Г.В. Плеханова
| название | стек | описание проекта |
|---|---|---|
| Анализ сайта продажи курсов | python, pandas, pandahouse, numpy, seaborn, matplotlib, scipy, bootstrap, requests, urlencode, SQL, ClickHouse, Jupyter Notebook | 1. Провела анализ новой механики оплаты услуг на сайте: провела расчеты метрик: CR, ARPU, ARPPU; проверила группы на нормальность и равенство дисперсий, провела АВ-тестирование метрик и проверила гипотезы (Хи-квадрат Пирсона, Bootstrap). По результатам анализа я выявила, что в группе с новой механикой оплат значительно выше ARPPU и конверсия статистически значимо не отличается от контрольной группы. Новую механику оплат необходимо выкатить для всех пользователей, она увеличит доход компании и комфортные условия для пользователей сайта. 2. Оптимизация воронки. Сделала SQL-запрос создания сводной таблицы с расчетом основных метрик: ARPU, ARPAU, CR, CR_active, CR_math. 3. Написала функцию для доп. файла, которая вычисляет основные метрики для анализа в одну сводную таблицу, и функцию для визуализации полученных результатов в виде графиков. |
| Финансовый обзор бронирования отелей, дашборд в Tableau | фактоиды, спарклайны, тепловая карта, параметр, line chart, bar chart, pie chart, Tableau | Собрала дашборд в Tableau: фактоиды расчета метрик относительно WoW и MoM для анализа по понедельникам, спарклайны расчета метрик за весь период по неделям, бар чарт выручки по отелям и каналам бронирования для анализа продаж, тепловая карта выручек по дням недели и месяцам, круговые графики спроса номеров по выручке и кол-ву бронирований, бар чарт спроса по отелям относительно взрослые/дети. |
| Анализ приложения доставки | python, pandas, numpy, seaborn, matplotlib, scipy, pingouin, statsmodels, Jupyter Notebook | Провела анализ новой системы рекомендаций в приложении доставки: проанализировала данные, определила нужные метрики для анализа, провела АВ-тестирование метрик с помощью метода Т-теста Стьюдента и проверила гипотезы на отличия, визуализировала полученные данные. Результат анализа: однозначно стоит включать новую систему рекомендаций для всех пользователей сайта, она поможет пользователям эффективнее работать с приложением и быстрее находить необходимые товары, а бизнесу увеличит оборот товаров и колоссальное увеличение выручки. |
| Анализ мобильного приложения для игр | python, pandas, numpy, seaborn, matplotlib, scipy, bootstrap, requests, urlencode, Jupyter Notebook | 1. Написала функцию, которая рассчитывает и визуализирует Retention игроков по дням (неделе, месяцу) от даты регистрации игрока. 2. Провела анализ проведения различных акций в приложении для игр: провела расчеты метрик: CR, ARPU, ARPPU; проверила группы на нормальность и равенство дисперсий, провела АВ-тестирование метрик и проверила гипотезы (Хи-квадрат Пирсона, Bootstrap). Результат анализа: изменения в тестовой группе привели к статистически значимому снижению конверсии, без статистически значимых улучшений в ARPU и ARPPU. Контрольная группа с более высокой конверсией выглядит предпочтительнее. 3. Провела оценку тематических событий с упрощенной и усложненной механиками. При анализе результатов событий в игре важно учитывать как стандартные метрики, так и специфические показатели, зависящие от изменений в механике игры. |
| Создание DAG в AirFlow | python, pandas, numpy, requests, datetime, timedelta, airflow.decorators, Jupyter Notebook | Написала код для 7 тасков: 1. Функция считывания таблицы и подтягивание года для анализа. 2. Функция расчета самой продаваемой игры в этом году во всем мире. 3. Функция расчета самых продаваемых жанров игр в Европе. 4. Функция расчета на какой платформе было больше всего игр, которые продались более чем миллионным тиражом в Северной Америке. 5. Функция расчета всех издателей, у которых самые высокие средние продажи в Японии. 6. Функция расчета сколько игр продались лучше в Европе, чем в Японии. 7. Функция печати ответов на все 5 вопросов. Результат в Readme. |
| Анализ покупателей коммерческой организации | python, pandas, numpy, seaborn, matplotlib, plotly, Jupyter Notebook | Провела анализ данных, произвела расчеты кол-ва покупок по дням недели, проверила кол-во заказов, которые не доставляются и выявила их основные причины; выполнила когортный анализ и выявила когорту с самым высоким retention на 3-й месяц, визуализировала полученные данные на тепловой карте; провела RFM-анализ и описала клиентов по сегментам. Результат исследования: достаточно большое кол-во клиентов не возвращаются, необходимо разработать программу лояльности для клиентов и push-рассылки с акциями, внедрить мотивационные программы для отдела продаж и логистики. |
| Анализ рынка вакансий Аналитики и BI, дашборд в Tableau | фактоиды, таблицы, параметр, line chart, bar chart, map chart, Tableau | Собрала дашборд в Tableau. Фактоиды - произвела расчет активных вакансий и средней зарплаты; линейный график - динамика вакансий за весь период; аналитические таблицы - спрос вакансий по городам и ключевому направлению; график карта - активные вакансии и сред. зарплата по городам. |
| Анализ приложения знакомств | python, pandas, numpy, seaborn, matplotlib, scipy, pingouin, statsmodels, Jupyter Notebook | Провела анализ нового алгоритма онлайн-знакомства в приложении. Проанализировала данные, определила метрики, рассчитала доверительный интервал для каждой группы, проверила данные на нормальность, провела АВ-тестирование с помощью метода Хи-квадрат Пирсона на отличия конверсий между группами. Результат анализа показал, что группа с новым алгоритмом онлайн-знакомства дает большую вероятность знакомства в сети и возврат пользователя в приложение, ее нужно выкатить. |