← К портфолио TaskFlow — PostHog Product Analytics Pipeline preview
Стек
PythonPostHogFastAPIStreamlitpandas / matplotlibpytest / ruffDocker
Эффект
  • Typed event catalog (single source of truth) + PostHog capture/identify/group with PII scrubbing
  • Feature flag → onboarding A/B variant; A/B analysis with chi-square, uplift, Wilson CI + SRM check
  • Day-N cohort retention, time-to-convert, revenue/LTV, first-feature → upgrade conversion
  • The same metrics as SQL (BI / interview reference) + interactive Streamlit dashboard
  • CI (pytest + ruff) + Docker + render.yaml for one-click deploy
Исходники Смотреть на GitHub → Репозиторий приватный — доступ по запросу

TaskFlow — PostHog Product Analytics Pipeline

Business Context

Большинство аналитических портфолио начинаются с готового CSV. Этот проект начинается раньше — с инструментирования приложения — и проходит весь цикл: генерация трафика, захват событий, анализ, дашборд и деплой.

Pipeline

app/                Demo SaaS (FastAPI + Jinja2): routes + server-side capture
  analytics/        typed event catalog · PostHog wrapper (PII scrub) · feature flag
scripts/            simulate_events.py — 30 days of realistic funnel traffic
analysis/           funnel · cohort · A/B · revenue/LTV · time-to-convert · feature-usage · SQL
dashboard/          interactive Streamlit dashboard

What it demonstrates

  • Инструментирование: типизированный каталог событий как единый источник правды; server-side capture; скрабинг PII.
  • A/B: feature-flag → вариант онбординга; chi-square, uplift, Wilson CI, проверка SRM.
  • Метрики: funnel, Day-N cohort retention, time-to-convert, revenue/LTV, first-feature → upgrade.
  • SQL-зеркало: те же метрики как SQL — референс для BI и собеседований.
  • Инженерка: pytest + ruff в CI, Dockerfile, render.yaml для one-click deploy.

Insight

Ценность — в полноте цикла. Типизированный каталог событий и скрабинг PII — это та дисциплина, которая отличает production-инструментацию от демо: события определены в одном месте, PII не утекает, а метрики воспроизводимы и в Python, и в SQL.

Impact

  • Полный lifecycle — instrument → generate → analyze → dashboard → deploy в одном репо.
  • 7 анализов — funnel, cohort, A/B, revenue/LTV, time-to-convert, feature-usage, SQL-зеркало.
  • A/B с SRM-check — chi-square + uplift + Wilson CI.
  • Production-готовность — CI, Docker, render.yaml.

Documentation

Разбор кейса

Проблема

Product-аналитику обычно показывают на очищенном CSV. Трудная часть — инструментировать реальное приложение, ловить правильные события без утечек PII, попадать в аналитический инструмент и превращать сырые события в решения — остаётся невидимой.

Подход

Собрал демо-SaaS (FastAPI + Jinja2) с server-side PostHog-capture поверх типизированного каталога событий (единственный источник правды), обёртки PostHog, скрабящей PII, и feature-flag, управляющего A/B-вариантом онбординга. Симулятор генерирует 30 дней реалистичного funnel-трафика; скрипты анализа превращают события в funnel, cohort retention, A/B (chi-square + uplift + Wilson CI + SRM check), revenue/LTV, time-to-convert и feature-usage → upgrade. Те же метрики записаны как SQL для BI/interview, плюс интерактивный Streamlit-дашборд.

Результат

Один репозиторий покрывает весь lifecycle аналитики — instrument, generate, analyze, dashboard, deploy — с CI (pytest + ruff), Docker и render.yaml для one-click deploy. Типизированный каталог событий и скрабинг PII показывают дисциплину, отличающую демо от production-инструментации.

7 Анализов
да A/B SRM-check
pytest + ruff CI
Docker + Render Deploy

Смотрите также