Репозиторий содержит аналитические проекты, решающие реальные прикладные задачи на основе публичных датасетов. Каждый проект включает этапы: подготовка данных, EDA, визуализация, сегментация и формулирование практических рекомендаций.
Продемонстрировать практическое использование Python:
- для анализа поведения пользователей и клиентов;
- поиска точек роста выручки и пользовательской активности;
- сегментации аудитории;
- поддержки продуктовых, маркетинговых и управленческих решений.
| № | Ссылка на проект | Отрасль бизнеса | Описание | Используемые библиотеки | Презентация проекта |
|---|---|---|---|---|---|
| 1 | Анализ клиентов банка | Банковская аналитика / Финтех | Исследование поведения клиентов банка на основе 1 млн транзакций: сегментация по активности, возрасту, полу и географии, расчет метрик по транзакциям, балансам и суммам операций. Даны рекомендации по повышению активности клиентов, программам лояльности и таргетингу. | pandas, numpy, matplotlib, seaborn, datetime, warnings | Презентация "Исследование банковских клиентов" |
| 2 | Анализ пользователей Netflix | Стриминг / Подписочные сервисы | Анализ базы подписчиков Netflix: подсчёт уникальных пользователей и периода, распределение по возрасту/полу/девайсам/стране, динамика привлечения, накопленная выручка по пользователям, сегментация по возрастным корзинам и связь типа подписки с возрастом и страной. Даны рекомендации по таргетингу и продукту. | pandas, numpy, matplotlib, seaborn, plotly | Презентация "Netflix Users Analysis" |
| 3 | Анализ данных Amazon Marketplace | E-commerce / Онлайн-ритейл | Аналитическое исследование данных о заказах на Amazon Marketplace (3 000 транзакций): анализ количества заказов, активности клиентов, динамики продаж по месяцам/регионам/штатам/городам, выявление лидирующих категорий и сезонности. Даны рекомендации по оптимизации ассортимента и маркетинговых стратегий. | pandas, numpy, matplotlib, seaborn, warnings, datetime, plotly.express | Презентация "Исследование продаж на маркетплейсе Amazon" |
- Глубокий EDA помогает выявлять продуктовые закономерности.
- Визуализация ускоряет восприятие аналитических инсайтов.
- Презентации структурируют результаты для деловой аудитории.
Jupyter Notebook, pandas, numpy, matplotlib, seaborn, plotly.
Данные используются в учебных целях и имитируют реальные бизнес-сценарии.
Репозиторий предназначен для демонстрации аналитических и продуктовых навыков.
Svetlana Nasonkova
Data Analyst | Product & BI Analytics
Telegram: https://t.me/SvetlNas