TaskFlow — PostHog Product Analytics Pipeline
Ситуация
Большинство аналитических портфолио начинаются с готового CSV. Этот проект начинается раньше — с инструментирования приложения: определить события без утечек PII, довести их до аналитического инструмента и превратить сырые события в решения. Пайплайн проходит весь цикл — генерация трафика, захват событий, анализ, дашборд и деплой.
Задача
От меня требовалось показать этот ранний участок работы: от решения, какие события вообще нужны, до момента, когда по ним можно принимать продуктовые решения.
Действия
Пайплайн
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 dashboardЧто демонстрирует
- 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.
Результат
Ценность — в полноте цикла. Типизированный каталог событий и скрабинг PII отделяют production-инструментацию от демо: события определены в одном месте, PII не утекает, а метрики воспроизводимы и в Python, и в SQL. Один репозиторий покрывает весь lifecycle аналитики — instrument → generate → analyze → dashboard → deploy.
Ограничения
Трафик генерирует симулятор, а не реальные пользователи, поэтому числа анализов иллюстрируют корректность пайплайна, а не продуктовые инсайты. Ценность — в дисциплине инструментирования и в полном цикле, где каждый шаг воспроизводим.