Какие задачи решал на последнем месте работы?

Задачи на последнем месте работы

На последней позиции Data Analyst я работал в быстрорастущей SaaS компании, где решал задачи по всему спектру аналитики: от создания дашбордов до A/B тестирования и статистического анализа. Вот основные проекты.

1. Создание системы мониторинга метрик (KPI Dashboard)

Задача: Руководство не видит в реальном времени состояние основных метрик продукта. Данные были разбросаны по разным инструментам (Google Analytics, Mixpanel, внутренней БД).

Решение:

• Собрал все события в единую таблицу в PostgreSQL
• Написал набор SQL запросов для расчёта ежедневных метрик
• Создал дашборд в Metabase с KPI: DAU, MAU, Conversion, ARPU, Churn
• Настроил автоматические алерты для критических метрик

Результат: Руководство получило единый источник истины. За 3 месяца выявили утечку в воронке, повысили conversion на 18%.

-- Пример ежедневного отчёта
WITH daily_metrics AS (
    SELECT 
        DATE(created_at) as metric_date,
        COUNT(DISTINCT user_id) as dau,
        COUNT(DISTINCT CASE WHEN action = 'purchase' THEN user_id END) as purchases,
        SUM(CASE WHEN action = 'purchase' THEN amount ELSE 0 END) as revenue
    FROM events
    GROUP BY DATE(created_at)
)
SELECT 
    metric_date,
    dau,
    purchases,
    revenue,
    ROUND(purchases * 100.0 / dau, 2) as conversion_rate,
    ROUND(revenue / NULLIF(dau, 0), 2) as arpu
FROM daily_metrics
ORDER BY metric_date DESC;

2. Анализ когорт и удержания (Retention Analysis)

Задача: Понять, почему новые пользователи активно уходят на 3-й неделе.

Решение:

• Построил когортную таблицу (weekly cohorts)
• Рассчитал retention для каждой когорты на неделю 1-8
• Выявил различие в поведении между когортами разных месяцев
• Провел сегментацию по источникам трафика

# Python анализ когорт
import pandas as pd
import numpy as np

def cohort_analysis(df):
    # Первая покупка каждого пользователя
    user_cohort = df.groupby('user_id')['created_at'].min().reset_index()
    user_cohort.columns = ['user_id', 'cohort_date']
    user_cohort['cohort_date'] = pd.to_datetime(user_cohort['cohort_date']).dt.to_period('W')
    
    # Объединить с полной историей
    df = df.merge(user_cohort, on='user_id')
    df['event_date'] = pd.to_datetime(df['created_at']).dt.to_period('W')
    
    # Создать когортную таблицу
    cohort_table = df.groupby(['cohort_date', 'event_date']).agg({
        'user_id': 'nunique'
    }).reset_index()
    
    # Pivot таблица
    cohort_pivot = cohort_table.pivot_table(
        index='cohort_date',
        columns='event_date',
        values='user_id',
        aggfunc='sum'
    )
    
    # Рассчитать retention %
    cohort_size = cohort_pivot.iloc[:, 0]
    retention_table = cohort_pivot.divide(cohort_size, axis=0) * 100
    
    return retention_table

Результат: Выявили, что источник трафика напрямую влияет на retention. Пользователи из органического поиска остаются на 40% дольше, чем из контекстной рекламы. Ребята в маркетинге переориентировались, ROI увеличился на 25%.

3. A/B тестирование нового интерфейса (Experiment Design)

Задача: Протестировать новый дизайн покупочного потока. Нужно было правильно спроектировать тест и интерпретировать результаты.

Решение:

• Рассчитал необходимый размер выборки: 15,000 пользователей на группу
• Запустил тест на 2 недели с рандомизацией 50/50
• Проверил сбалансированность групп
• Провел статистический тест (chi-square для конверсии)

from scipy.stats import chi2_contingency
import numpy as np

def ab_test_analysis(control_converted, control_total, 
                     treatment_converted, treatment_total):
    # Таблица сопряжённости
    contingency_table = np.array([
        [control_converted, control_total - control_converted],
        [treatment_converted, treatment_total - treatment_converted]
    ])
    
    # Chi-square тест
    chi2, p_value, dof, expected = chi2_contingency(contingency_table)
    
    # Мощность теста
    control_rate = control_converted / control_total
    treatment_rate = treatment_converted / treatment_total
    effect_size = (treatment_rate - control_rate) / control_rate * 100
    
    return {
        'p_value': p_value,
        'control_conversion': control_rate * 100,
        'treatment_conversion': treatment_rate * 100,
        'effect_size_percent': effect_size,
        'significant': p_value < 0.05
    }

# Результаты: p-value = 0.0023, эффект +14% конверсии

Результат: Новый интерфейс дал +14% конверсии (p=0.002, статистически значимо). Развернули его для всех пользователей. Это был один из самых успешных экспериментов — дополнительные 30k в месячной выручке.

4. Аналитика продукта (Product Analytics)

Задача: Понять, как пользователи используют основные фичи. Какие работают, а какие мертвы.

Решение:

• Отследил события по каждой фиче (funnel events)
• Построил воронки конверсии
• Сегментировал пользователей по типам (power users, casual, dormant)
• Проанализировал, какие фичи коррелируют с retention

-- Воронка использования новой фичи
WITH funnel AS (
    SELECT 
        'Feature_viewed' as step,
        COUNT(DISTINCT user_id) as users
    FROM events WHERE event = 'feature_view'
    
    UNION ALL
    
    SELECT 
        'Feature_used' as step,
        COUNT(DISTINCT user_id) as users
    FROM events WHERE event = 'feature_use'
    
    UNION ALL
    
    SELECT 
        'Feature_saved' as step,
        COUNT(DISTINCT user_id) as users
    FROM events WHERE event = 'feature_save'
)
SELECT 
    step,
    users,
    ROUND(100 * users / LAG(users) OVER (ORDER BY step), 1) as conversion_rate
FROM funnel;

Результат: Обнаружили, что 70% просмотров одной из фич не переходят в использование. Доработали UX, конверсия выросла до 45%.

5. Анализ чёрных лебедей (Outlier Analysis)

Задача: Выявлять аномалии в метриках для быстрого обнаружения проблем.

Решение:

• Внедрил контрольные диаграммы (control charts)
• Настроил автоматические алерты на отклонение > 2σ
• Создал скрипты для диагностики причин аномалий

Результат: Вывил баг в трекинге который потерял 15% доход за день. Благодаря мониторингу выявили за 2 часа.

Стек технологий

• SQL: PostgreSQL, сложные запросы, оптимизация
• Python: pandas, numpy, scipy для статистики
• BI Tools: Metabase (дашборды и альерты)
• Инструменты: Google Analytics, Mixpanel API, собственная событийная система

Ключевые навыки, которые развивал

✅ Статистика: power analysis, корреляция vs причинность, интерпретация p-values

✅ SQL: сложные запросы, оптимизация, window functions

✅ Автоматизация: скрипты на Python для регулярных отчётов

✅ Коммуникация: донесение инсайтов до людей без аналитического бэкграунда

✅ Бизнес-мышление: не просто цифры, а инсайты которые влияют на решения

Эти задачи научили меня считать метрики не просто так, а с целью влияния на бизнес.