Репозиторий объединяет учебные проекты по продуктовой аналитике, A/B-тестам, SQL, BI и прогнозированию метрик. В каждом оформленном проекте сохранены постановка задачи, данные, воспроизводимые расчёты, ограничения и бизнес-вывод.
Отдельная подборка Airflow- и Telegram-отчётов, A/A- и A/B-тестов, анализа флешмоба, прогнозирования и SQL-аналитики доставки собрана в каталоге simulator-projects. С него удобнее начинать, если нужны именно задания и код из симулятора Karpov.Courses.
Уроки 2, 7, 8 и 9 симулятора — не четыре отдельных задания, а один сквозной конвейер мониторинга ленты и мессенджера: дашборд даёт посмотреть по запросу, ETL готовит агрегаты заранее, Telegram-отчёты сами приходят раз в сутки, а алерты по аномалиям сокращают это до 15 минут через IQR-коридор по тому же слоту суток за 14 предыдущих дней. Как устроена каждая ступень и почему именно в таком порядке — в методичке финального проекта.
Открыть методичку · Дашборд · ETL · Отчётность · Алерты
Когортное удержание, A/B-тест акционных предложений и система метрик тематического события. Набор B не рекомендован к запуску: рост ARPU не подтверждён, а конверсия снизилась статистически значимо.
Открыть проект · Ноутбук · Отчёт
Оценка новой механики оплаты, статистические тесты, проверка аномального пика платежей и SQL-сегментация клиентов. Одного роста ARPPU недостаточно для продуктового запуска.
Открыть проект · Полный ноутбук · SQL
Проверка качества транзакций, A/A-контроль и оценка влияния новой цены. Конверсия снизилась, а рост ARPU не получил статистического подтверждения.
Открыть проект · Ноутбук · Разбор по шагам
| № | Проект | Главный результат | Инструменты |
|---|---|---|---|
| 1 | Продуктовая аналитика мобильной игры | Набор предложений B не следует раскатывать: рост ARPU не подтверждён, а конверсия снизилась | Python, Pandas, SciPy, Pingouin, когортный анализ |
| 2 | A/B-тест оплаты и сегментация клиентов | Новая механика оплаты не улучшила ARPU и конверсию; одного роста ARPPU недостаточно для запуска | Python, Statsmodels, PostgreSQL, SQL |
| 3 | A/B-тест цены премиум-подписки | Более высокая цена снизила конверсию и не дала доказанного роста ARPU | Python, SciPy, Statsmodels, A/A- и A/B-тесты |
| 4 | Продуктовый дашборд ленты и мессенджера | Собран мониторинг DAU, пересечения сервисов и структуры отправителей сообщений | Apache Superset, ClickHouse, SQL, BI |
| 5 | Оценка эффекта флэшмоба | Флэшмоб краткосрочно усилил потребление контента, но не дал убедительного роста DAU | CausalImpact, TensorFlow Probability, ClickHouse |
| ★ | От дашборда до алерта — финальный проект симулятора | Один конвейер: дашборд → ETL → отчётность → алерты за 15 минут вместо суток | Apache Superset, Airflow, ClickHouse, Telegram, IQR |
Все проекты приведены к общей логике:
- формулировка бизнес-вопроса и основной метрики;
- описание источника и единицы анализа;
- проверка качества данных до расчётов;
- отделение описательных результатов от статистических выводов;
- решение, основанное на основной метрике, размере эффекта и неопределённости;
- явные ограничения и следующий практический шаг.
Подробные формулы и правила интерпретации собраны в методической заметке.
p-value ≥ 0,05не доказывает отсутствие эффекта — данных может быть недостаточно.- Значимый рост вспомогательной метрики не заменяет результат по заранее выбранной основной метрике.
- Данные наблюдений и квазиэксперименты не дают такой же силы причинного вывода, как рандомизированный A/B-тест.
- Денежные метрики считаются на уровне пользователя; пользователи без оплаты остаются в знаменателе ARPU и конверсии.
- Для продуктового решения статистическая значимость дополняется размером эффекта, рисками и защитными метриками.
git clone https://github.com/yzinchenko-data/karpov-courses-projects.git
cd karpov-courses-projects
python -m venv .venv
source .venv/bin/activate
pip install -r project-2-payment-ab-segmentation/requirements.txt
jupyter labОткройте нужный ноутбук и выполните все ячейки сверху вниз. Учебные исходные CSV для проектов 1–3 не публикуются в GitHub; порядок их размещения описан внутри соответствующих проектов. Ноутбуки содержат сохранённые результаты расчётов. Для просмотра проекта 4 может потребоваться авторизация в учебном Superset.
Каждое решение построено в одной последовательности: бизнес-вопрос → качество данных → метрики → статистическая проверка → решение → ограничения. Preview-изображения генерируются воспроизводимым скриптом scripts/build_project_previews.py из зафиксированных итоговых метрик.
Ярослав Зинченко