Продуктовый аналитик

Эксперименты

A/B Testing Methodology Toolkit

Ситуация: Метод A/B-теста хорош настолько, насколько верны его Type I error под нулём и мощность под эффектом
Задача: Сделать свойства методов проверяемыми: контроль ошибки подкреплён прогоном, а не ссылкой на литературу
Действия: Реализация методов из первичной литературы — SRM, CUPED, delta-method, mSPRT, HTE, BH — и калибровка каждого симуляцией
Результат: Type I error ≈ α у каждого метода; покрытие CI ≈ 95% для bootstrap; 15 модулей калибруются симуляцией

PythonNumPy / SciPy +2

Эксперименты

Browser Mini-Games — Analytics Arcade

Ситуация: Аналитические концепции абстрактны: рекрутер или студент не прочувствует их из текста
Задача: Сделать смысл метрики очевидным из самого действия, а не из объяснения
Действия: Игры в self-contained SVG: A/B-тест, funnel drop, cohort catch, retention day, SQL и metric match
Результат: 10 игр: 7 аналитических и 3 аркадных, один файл без сервера; smoke-тесты Playwright ловят поломки

SVGJavaScript +2

Эксперименты

Causal / Uplift — CUPED and Individual Treatment Effects

Ситуация: Двухвыборочный t-тест не использует пред-период: эксперименты просят лишний трафик, а retention-акции уходят всем
Задача: Реализовать CUPED и uplift-моделирование и доказать отсутствие смещения там, где верный ответ известен заранее
Действия: CUPED на ковариате пред-периода и T-/S-лернеры на LightGBM; сверка с ground truth по AUUC и QINI
Результат: Стандартная ошибка меньше на ~26%; 5,6k пользователей на руку вместо 10k; новые реагируют ~10× сильнее возвращающихся

PythonLightGBM +5

Аналитика

Sales Calls Analytics Dashboard

Ситуация: ИИ-обзвон — 4-шаговая воронка на 16 891 синтетическом звонке; выгрузка не говорит, где бот теряет клиента
Задача: Снять разбор звонков с ручного просмотра и показать шаг воронки с наибольшей потерей
Действия: Разметка шага по маркерам шаблонного скрипта, утечка по типам, взвешенная потеря контактов, вовлечённость по часам
Результат: Ответ за минуту: где бот теряет клиента и что чинить; на выходе — взвешенная потеря контактов и первый A/B-сценарий

PythonStreamlit +1

Аналитика

SQL Analytics Case Study

Ситуация: Нет продакшен-данных, а учебные задачи не показывают системное мышление: 25 кейсов на синтетическом датасете
Задача: Собрать кейсы, где каждый запрос отвечает на продуктовый вопрос и воспроизводится одной командой
Действия: Самодостаточный .sql на кейс, генератор данных на DuckDB, dbt-слой staging → marts, regression-тесты, живой отчёт на Pages
Результат: Воронка теряет 54% на add-to-cart → checkout; retention с ~21% (D1) до ~5% (D30); повторных покупок 3.5%; на real data возвращаются 72.4%

SQLdbt +4

Аналитика

RFM Analysis of Bank Clients

Ситуация: Банк накапливает транзакции клиентов, а маркетинг шлёт всем одинаковые предложения
Задача: Заменить единое предложение адресным: для каждого сегмента — своя стратегия удержания
Действия: Очистка транзакций, расчёт Recency, Frequency и Monetary, RFM-скоринг, сегментация и визуализация в Tableau
Результат: Четыре RFM-группы: малая доля high-value даёт непропорционально большую часть дохода; маркетинг перешёл к сегментированным сценариям

PythonSQL +1

Аналитика

Cohort Analysis Dashboard

Ситуация: Когортный анализ удержания и LTV на синтетических данных: средний retention прячет динамику
Задача: Показать поведение каждой когорты отдельно, а не сглаженную среднюю по всей базе
Действия: Матрица удержания, ARPU и LTV по когортам, поправка на возраст наблюдения, выгрузка в Tableau (CSV + Hyper)
Результат: Когортная матрица вместо среднего retention: видно скорость оттока и расхождение монетизации с удержанием

Pythonpandas +3

Аналитика

Churn Prediction — Leakage-Free Retention Model

Ситуация: Модель оттока для подписочного продукта: случайный сплит подкладывает будущую активность в обучение
Задача: Оценить модель так, чтобы качество на тесте не было следствием утечки будущего
Действия: Признаки as-of, метка — будущее окно неактивности, хронологический сплит, решение по recall@top-decile и lift
Результат: В топ-10% самых рискующих модель ловит 53% реальных отточников при lift 3,07×

PythonLightGBM +5

Аналитика

Python Analytics Playground

Ситуация: Продуктовый анализ обычно начинается одинаково: загрузка выгрузки, чистка, распределения, графики — каждый раз с нуля
Задача: Вынести общую часть в модули, которые можно передать коллеге и не бояться сломать
Действия: Модули load / clean / EDA / viz / pipeline под требования PRD; тесты в tests/ проверяют эти требования; тулинг uv + ruff
Результат: Покрытие pytest ≥80%; модули маленькие и одноцелевые, требования в PRD, инструмент можно дорабатывать, не ломая существующее

Pythonpandas / NumPy +3

Продукт

Product Analytics + A/B on Supabase

Ситуация: Аналитическое портфолио показывает метрики на чистом CSV, а невидимой остаётся аналитика внутри multi-tenant продукта
Задача: Собрать слой целиком: авторизация, изоляция по организациям, приём событий и результат эксперимента, считаемый в базе
Действия: SQL-вьюхи считают funnel, cohort, MRR и DAU; v_results считает A/B в базе; RLS изолирует строки по организациям
Результат: Итог A/B: control 32.1% против treatment 37.2%, +5,1 пп при p = 0.0034 (χ²); метрики считаются в базе для любого клиента

PythonStreamlit +3

Репозиторий приватный — доступ по запросу

Продукт

TaskFlow — PostHog Product Analytics Pipeline

Ситуация: Аналитическое портфолио обычно начинается с готового CSV; здесь работа стартует раньше — с инструментирования приложения
Задача: Определить события без утечек PII, довести их до аналитического инструмента и превратить в решения
Действия: Каталог событий и скрабинг PII; A/B с chi-square, uplift, Wilson CI и SRM; SQL-зеркало метрик, Streamlit-дашборд, CI и Docker
Результат: Полный цикл аналитики: 7 анализов, типизированный каталог событий без утечек PII, метрики воспроизводимы и в Python, и в SQL

PythonPostHog +5

Репозиторий приватный — доступ по запросу

Продукт

Product Analytics Dashboard (Streamlit)

Ситуация: Портфолио показывает весь AARRR-цикл на одном датасете из 8 000 синтетических пользователей, а не одну метрику
Задача: Собрать метрики так, чтобы они читались как один связный сюжет, а не набор отдельных графиков
Действия: Детерминированный seed и общий кэш: одна база для Funnel, Retention, Revenue и Segments; 5 страниц на Streamlit
Результат: Funnel, Retention, Revenue и Segments читаются на одной базе; тот же UI стал слоем презентации Supabase-проекта

PythonStreamlit +1

Репозиторий приватный — доступ по запросу

Инженерия

Reporting Automation Telegram Bot

Ситуация: Каждую неделю аналитик вручную собирал метрики из нескольких источников, обновлял дашборд и рассылал скриншоты в чат
Задача: Убрать зависимость от одного человека: отчёт приходит вовремя и без ручных действий
Действия: SQL к витрине, агрегация KPI, шаблон с таблицей и спарклайнами, доставка через Telegram Bot API, fallback при сбоях
Результат: Ручные 1–2 часа заменил cron; отчёт приходит по расписанию, аналитик отвечает за интерпретацию, а не за копирование цифр

Pythonaiogram / telegram-bot +3

Демо

Репозиторий приватный — доступ по запросу

Инженерия

Scrolly English Speaking

Ситуация: Рабочие разговоры на английском (A2–B1): грамматика есть, а связная речь и реакции в реальном времени буксуют
Задача: Закрыть разрыв между грамматикой и живой речью: ситуации, где фразы применяют, а не узнают
Действия: Единый ScrollyLayout, MDX-нарратив по секциям, типизированный data-модуль для viz, IntersectionObserver с lazy import
Результат: Нарратив и визуализация синхронны: читатель доходит до абзаца, график меняется; новая сцена — data-файл плюс MDX

AstroTypeScript +3

Инженерия

Digital Garden

Ситуация: Знания в виде хронологических постов теряют связи; цифровой сад связывает заметки через wikilinks
Задача: Опубликовать личный Zettelkasten как статический сайт, где связи между заметками видны читателю
Действия: Атомарные заметки в Obsidian-flavored Markdown; Quartz: TypeScript-плагины, бэклинки, graph view, статический вывод
Результат: Связи вместо хронологии: бэклинки делают заметку узлом, граф превращает накопление заметок в навигируемую структуру

TypeScriptQuartz v4 +2

Инженерия

This Portfolio Site

Ситуация: Статическое портфолио на GitHub Pages: контент — проекты и посты — редактируется в Markdown, а не в разметке компонентов
Задача: Свести публикацию проекта к добавлению файла, без правки компонентов и ручных шагов между коммитом и продакшеном
Действия: Content collections с Zod-схемами, withBase() для base-path, inline-скрипт темы без flash, SEO-набор, деплой на Pages по push
Результат: Невалидный frontmatter ломает сборку, а не деплой; ни одна ссылка не хардкодит base; новый проект — без правки кода

AstroTypeScript +2