Аналитик данных

- Анализ данных в Redshift и MariaDB; - Подготовка отчетов в Jupyter Notebook на языке Python; - Ведение рабочих задач в JIRA.

- помог укрепить сотрудничество с бизнес-заказчиками, предоставляя своевременные и качественные регулярные и ad-hoc отчеты в Google Sheets на основе данных из GoogleBigQuery и Яндекс.Метрики; - предложил ряд улучшений в реализации продукта для одного из ключевых клиентов с целью повышения конверсии. Большинство предложений были одобрены клиентом и в итоге реализованы; - помог выявить ряд проблем в системе аналитики продукта и предложил варианты улучшений, некоторые из которых пошли в прод; - написал парсер сайтов клиентов на Python в рамках задачи по улучшению аналитики в продукте.

- анализировал и визуализировал данные на Python при помощи Pandas и вспомогательных библиотек (таких как: matplotlib, plotly, seaborn, scipy и других); - писал запросы на языке SQL (СУБД PostgreSQL); - создавал информативные дашборды в Tableau и Power BI; - проводил А/В-тесты и проверял гипотезы. В ходе работы над проектом по анализу рынка заведений общественного питания Москвы я: - использовал python, pandas, plotly, seaborn, визуализацию данных; - проанализировал и визуализировал распределения заведений по типам и причастности к сетевому формату; - на основе адресов заведений, подключив данные из открытых источников, определил принадлежность улиц к определенным районам Москвы; - на основе анализа определил в каком районе города целесообразно открыть новое заведение; - подготовил презентацию для инвесторов. (ссылка на проект на GitHub:https://bit.ly/3hf1MsA) Работая над проектом по изучению воронки продаж в мобильном приложении, я: - использовал python, pandas, plotly, matplotlib, seaborn, A/B-тестирование, визуализацию данных, проверку статистических гипотез, продуктовые метрики, событийную аналитику; - исследовал исходные данные и скорректировал временные рамки событий для дальнейшего анализа; - построил и проанализировал воронку продаж; - изучил результаты А/А/В-теста и пришел к выводу, что между группами нет статистически значимых различий, а значит, изменения в приложении, для оценки влияния которых проводился эксперимент, не влияют на пользовательское поведение. (ссылка на проект на GitHub:https://bit.ly/3kyx7c0) Оценивая затраты на маркетинг в проекте для Яндекс.Афиши, я: - использовал python, pandas, matplotlib, когортный анализ, продуктовые метрики, юнит-экономику; - оценил пользовательские метрики (DAU, WAU, MAU, ASL, Retension rate); - провел когортный анализ отчетов по продажам (время до первой покупки, N покупок в месяц, средний чек, LTV); - изучил маркетинговые метрики (расходы по рекламным источникам, САС, ROMI; - выделил список наиболее прибыльных рекламных источников и приоритетных устройств для маркетинговых активностей. (ссылка на проект на GitHub:https://bit.ly/3kA2fIe) Анализируя пользовательсике события в агрегаторе новостей Яндекс.Дзен, я: - использовал python, postgresql, sqlalchemy, tableau, построение дашбордов, пользовательские метрики; - написал пайплайн для выгрузки данных из БД; - построил динамический дашборд в Tableau, дающий представление о истории взаимодействия пользователей по темам карточек, а также разбивке событий по темам источников; - произвел анализ данных за отчетный период и дал рекомендации по улучшению работы сервиса; - создал презентацию в PowerPoint с результатами и визуализацией анализа для менеджеров. (ссылка на проект на GitHub:https://bit.ly/35SFVWa) (ссылка на дашборд на TableauPublic: https://tabsoft.co/2GugmzM)