Обучаюсь Data Science и делюсь практикой: Python, аналитика данных, машинное обучение и новости AI. Конспекты, разборы задач, примеры кода и свежие технологии, всё по делу и без «воды». Для тех, кто идёт в AI от нуля к проектам.
Отчёт о рентабельности промокампаний Для каждой промокампании с помощью условных функций рассчитайте: ➖число использованных промокодов ➖выручку, которую салон недополучил ➖средний чек покупок с применением промокодов
❓Эта таблица покажет, насколько каждая промокампания была выгодна для салона.
Для анализа создайте четыре сводные таблицы: ➖В первой таблице отразите расходы и доходы за семь полных месяцев работы салона. ➖Во второй таблице покажите доходы в разрезе товаров и услуг. ➖В третьей таблице сделайте детализацию доходов по категориям. ➖В четвёртой таблице отразите детализацию расходов по категориям.
Такая структура позволит оценить показатели по каждому месяцу и упростит построение визуализаций на следующем этапе🤔
Всем привет. Готовое решение первого этапа - «Предобработка данных». Есть желание увидеть разбор следующих шагов❓ Качество не очень(( но как получилось)
Привет 👋 Сегодня разберем учебный кейс из реального запроса бизнеса.
Салон Waves работает всего полгода. Команда видит, что показатели растут неровно, и попросила провести анализ, чтобы понять, где находится потенциал для увеличения прибыли. Отчетность ведется вручную в Google Таблицах, салон передал выгрузку данных для исследования.
Цель анализа:понять структуру доходов и расходов, определить основные источники выручки, а также выявить процессы, которые забирают ресурсы.
Предлагаю выполнить задание, основанное на этом кейсе 💡
➖Первая часть задания, оценить эффективность промоакций 🔤 определить, какие промокоды используют чаще всего 🔤 посчитать, какую выручку салон теряет из-за скидок 🔤 рассчитать средний чек внутри каждой промокампании
➖Вторая часть задания, изучить товары и услуги салона и определить, что пользуется наибольшим спросом 📊
Важная информация для работы: ➖ Сейчас данные вносятся в таблицу вручную разными людьми. ➖ В салоне есть один кассовый аппарат с терминалом. Оплату картами салон принимает, а вот счета не выставляет, поэтому других форм безналичной оплаты не предусмотрено. ➖ По промокодам клиенты могут получить скидки в 5%, 10%, 15%, 20% или 50%. ➖ Прайс лист единый для мастеров одного уровня ➖ Салон находится в России, поэтому дата и время заказа могут исказиться, если в региональных настройках Google Таблиц не указано «Россия».
К публикации будет прикреплен файл с данными. Первым этапом нужно выполнить предобработку данных, чтобы подготовить их к дальнейшему анализу 🔧📂
❗️Далее будем поэтапно разбирать этот кейс, у вас есть время выполнить задание и отправить свое решение в комментариях.
Что такое гипотеза в аналитике данных🤔 Гипотеза - это формальное и проверяемое утверждение о различии или связи между показателями. Она должна содержать: ➖ объект сравнения, ➖ метрику, ➖ ожидаемое направление изменения. ❗️Гипотеза не является выводом. Это рабочая версия, которую нужно проверить статистически.
🔥Пример: как гипотеза используется в реальном анализе
Компания обновляет карточку товара:упрощает блок характеристик и делает кнопку «Добавить в корзину» более заметной. Обновление показывают части пользователей.
У аналитика есть две группы: ➖ Группа А - старая версия карточки ➖ Группа B - новая версия
Задача - понять, изменилась ли конверсия в добавление товара в корзину.
Гипотеза «Конверсия в добавление товара в корзину у пользователей новой карточки (B) выше, чем у пользователей старой карточки (A)».
Пошаговая проверка
➖Сравнивается количество пользователей в группах и проверяется корректность разбиения.
➖Изучается распределение метрики - конверсии. Это нужно для выбора теста.
➖Применяется статистический тест на разницу долей. Конкретный тест зависит от структуры данных.
➖Проверяется p value и величина разницы между группами.
Формулируется вывод: подтверждена гипотеза или нет, насколько выражен эффект, есть ли ограничения.
Что даёт такой подход ➖ Чёткое понимание, влияет ли изменение интерфейса на поведение пользователей. ➖ Возможность принимать решения на данных, а не на предположениях. ➖ Структурированный процесс: формулировка → проверка → вывод.
Презентация отчёта - финальная часть работы аналитика. В ней должны быть только ключевые выводы, необходимые для принятия решений. Не стоит перегружать детали анализа, но и упрощать информацию до потери смысла тоже нельзя. Важно сохранить баланс ⚖️. Любая презентация отчёта опирается на три компонента: данные, контекст и визуализация.
1. Данные 📁 Итог проведённого анализа.Здесь находятся ответы на вопросы заказчика.
2. Контекст 🎯 Понимание того, для кого создаётся отчёт и какие решения будут приняты. Если цель отчёта не уточнена заранее, итог может оказаться бесполезным. Поэтому перед подготовкой презентации аналитик должен чётко понимать задачу и её цель.
3. Визуализация 📈 Графическое представление данных: графики, диаграммы и другие формы.Визуализация помогает быстрее понять информацию и увидеть важные различия.
Аналитик решает: какую часть данных визуализировать; какой тип визуализации подходит для задачи.Иногда достаточно одного графика, в других случаях нужен набор визуальных блоков, а часть данных может остаться в таблицах.
Базовые принципы визуализации 🧠
➖Одна визуализация - одна мысль. Слишком много данных на одном графике снижает ясность.
➖Вид визуализации должен соответствовать данным. ➖Линия — для динамики. ➖Столбцы — для сравнения. ➖Каждый тип выполняет свою задачу.
➖Визуализация не должна искажать данные. Неверный масштаб или выделения приводят к неправильным выводам ⚠️.
➖Оформление должно быть информативным и сдержанным. ➖Понятные заголовки. ➖Легенда, если есть цвета. ➖Описание метода расчёта, если он нестандартный. ➖Единицы измерения. ➖Умеренное использование цветов и шрифтов.
Корректная визуализация и ясный контекст позволяют быстрее понять результаты и использовать их по назначению. У одного отчёта может быть несколько подходящих вариантов визуализации это нормально. Главное, чтобы визуализация точно передавала идею и не усложняла восприятие.
Привет 🙂 Предобработка данных часто решает больше, чем любой «крутой» график. Если данные не в порядке, аналитика дает красивые, но бесполезные выводы 📉
Ниже простая последовательность, по которой удобно проходить любой датасет 👇
1️⃣Определяем задачу Сначала всегда вопрос, а не таблица. Что хочешь понять из данных, какой показатель посчитать, какое решение принять. От этого зависят нужные столбцы и требования к качеству данных.
2️⃣Быстрый взгляд на данные Открываем таблицу и смотрим глазами: размер, столбцы, типы значений, первые строки. Уже тут можно увидеть пропуски, странные записи, непонятные форматы. Это экономит время дальше 👀
3️⃣Приводим форматы в порядок Числа должны быть числами, даты датами, категории текстом. Исправляем случаи, где цена хранится как текст, дата как строка, внутри значений лишние символы. Иначе фильтры и расчеты начнут работать некорректно.
4️⃣Удаляем дубликаты Одинаковые строки завышают выручку, количество событий и пользователей. Перед анализом убираем полные дубликаты, чтобы не получить «накрученные» метрики 💱
5️⃣Работаем с пропусками Сначала смотрим, где и сколько пропусков. Дальше выбираем стратегию: удалить строки, заполнить средним, медианой, отдельной категорией или оставить как отдельный признак. Главное, чтобы решение было осознанным.
6️⃣Чистим лишние символы и написания Пробелы в начале и конце, разные варианты написания одной категории, лишние знаки в числах и текстах. Выравниваем значения так, чтобы одинаковые сущности выглядели одинаково. Это сильно упрощает группировки и сводки ✂️
7️⃣Проверяем выбросы и аномалии Смотрим на слишком большие или маленькие значения, странные даты и суммы. Решаем, это ошибка ввода или редкий, но реальный случай. Ошибки правим или исключаем, валидные выбросы оставляем, но учитываем их влияние.
8️⃣Финальная проверка Еще раз смотрим на структуру: типы данных, количество строк, минимум и максимум, долю пропусков. Важно убедиться, что таблица выглядит логично, критичные проблемы закрыты, а набор данных готов к анализу 📊
Напишите в комментариях, по каким этапам предобработки вы проходите, когда решаете свои задачи с данными. Совпадает ли ваш процесс с этим списком или у вас все устроено иначе 🙂
Все хотят “анализировать данные”, но мало кто реально понимает, из чего это состоит. Аналитика - это не просто красивые графики. Это путь от хаоса к осознанным решениям 💡
1️⃣ Сначала вопрос. Аналитика начинается не с цифр, а с цели. Если не знаешь, что хочешь получить никакие таблицы не помогут.
2️⃣ Потом данные. Иногда кажется, что их нет. Но данные есть всегда: логи, анкеты, отчёты, даже сообщения пользователей. Главное - собрать всё в одну систему.
3️⃣ Далее очистка. Самый недооценённый этап. Ошибка в одной ячейке, и все выводы ложные. Настоящие аналитики не боятся грязных данных 🧹
4️⃣ Исследование. Это момент, когда ты впервые видишь закономерности. Ничего мистического, просто внимательность и логика.
5️⃣ Проверка гипотез. Каждая цифра должна что-то объяснять. Здесь аналитика превращается в науку: выдвигаем предположения, проверяем, подтверждаем или опровергаем.
6️⃣ Инсайты. Вот где начинается самое интересное. Из сухих данных рождаются решения, которые двигают бизнес вперёд 🚀
Настоящая аналитика - это не магия и не “работа с Excel”. Это умение превращать факты в действия. Хочешь научиться видеть в цифрах смысл? Тогда ты уже на правильном пути.
На мой взгляд, один из самых важных этапов, предобработка данных💻. Без качественно подготовленных данных невозможно получить точные выводы и реальную пользу от аналитики.
Привет. Сегодня разберём основные типы аналитиков и уточним, какие задачи они решают. Это помогает лучше понимать различия между направлениями📌
Бизнес аналитик Отвечает за понимание процессов, формулировку требований и поиск решений, которые улучшат работу компании ⚙️ Вопросы, на которые отвечает: • какие проблемы есть в текущем процессе; • что нужно изменить, чтобы процесс стал эффективнее; • какие требования должны быть у нового продукта или функции. Пример. Нужно сократить время обработки заявки. Аналитик изучает процесс, выделяет узкие места и предлагает конкретные изменения 🔍
Продуктовый аналитик Фокусируется на поведении пользователей и метриках продукта 📊 Вопросы, на которые отвечает: • как пользователи ведут себя внутри продукта; • какие изменения влияют на метрики; • какие функции действительно нужны. Пример. Новый экран снижает завершение сценария. Аналитик показывает, где пользователи выходят, и помогает выбрать корректировку 👥
Аналитик данных Работает с данными: собирает, очищает, анализирует и визуализирует 📈 Вопросы, на которые отвечает: • что показывают данные за выбранный период; • какие показатели изменились и почему; • какие источники трафика дают лучший результат. Пример. Аналитик определяет, какие рекламные каналы приводят больше целевых клиентов, и формирует отчёт для распределения бюджета 💡
Системный аналитик Описывает техническую логику работы продукта, интеграции и правила обработки данных 🧩 Вопросы, на которые отвечает: • как должна работать функция с точки зрения системы; • какие данные нужны и откуда они поступают; • какие технические ограничения нужно учесть. Пример. Разрабатывается новая интеграция. Аналитик формирует структуру данных, описывает логику обмена и ограничения 💻
Каждый тип аналитиков решает свои задачи, но цель у всех одна обеспечивать точные данные, понятную логику и качественные решения в компании ✔️
Привет. Сегодня это небольшой мотивационный пост. Его задача напомнить, что личный прогресс формируется ежедневными действиями, даже если они кажутся небольшими ✨
Многие замечают только то, что не успели. Это снижает мотивацию и искажает картину дня. Намного полезнее фиксировать то, что вы сделали ✔️: прочитали немного материала 📚, навели порядок, разобрались с частью задачи💡, всё это реальный вклад.
Важно развивать систему в своих действиях за день. Это простая структура: выбрали 2–3 выполнимые задачи, сделали их, отметили результат 📌. Такой подход уменьшает хаос, повышает ясность🌞 и формирует устойчивую привычку движения вперёд.
Хвалить себя за выполненные шаги необходимая часть процесса 😊 . Это не про идеальность. Это про честное признание собственных усилий. Когда вы отмечаете каждое действие, мотивация становится стабильнее.
Выделите три вещи, которые вы сделали сегодня 📖. Зафиксируйте их как часть вашей системы. Это и есть ваш реальный прогресс.
🤔 Курс по созданию нейронных сетей от Гарварда превратился в огромный интерактивный учебник, который можно получить полностью бесплатно.
Здесь учат разрабатывать собственный ИИ на примерах популярных моделей машинного обучения. Все лекции адаптированы под удобные конспекты, доступны презентации и лабораторные работы.
Признаюсь, контент в канале долгое время "молчал". Но теперь, возвращение. Обновлённый формат, свежие идеи и всё самое интересное на стыке ИИ, технологий и реального применения.
Готовлю для вас: 😑 разборы крутых AI-инструментов 😑 практические кейсы 😑 быстрые советы и лайфхаки 😑 и немного аналитики, без перегруза
Спасибо тем, кто остался и не отписался, дальше будет только полезнее.
Вероятность и статистика 1 Что такое вероятность и статистика🤔
Введение🤔 Вероятность и статистика - два близких раздела математики, которые помогают нам понимать и описывать неопределённость. Вероятность отвечает на вопрос: «Насколько возможно то или иное событие?» Статистика же занимается сбором и анализом данных, чтобы выявлять закономерности и делать выводы о реальном мире.
❓Вероятность Вероятность выражается числом от 0 до 1. Значение 0 означает невозможность, а 1 полную уверенность. Всё, что между ними, разные степени вероятного. ➖Пример 1️⃣:подбрасывание монеты. Шансы выпадения «орла» и «решки» равны 50/50. ➖Пример 2️⃣: планирование пикника. Если прогноз сообщает 30% вероятность дождя, мы понимаем, что событие возможно, но маловероятно.
📈Статистика Статистика опирается на данные. Она помогает описывать средние значения, измерять разброс и делать выводы на основе наблюдений. ➖Пример 1️⃣:измерение средней температуры за неделю. Если днём было от +10 до +20 °C, статистика покажет усреднённое значение, например, +15 °C. ➖Пример 2️⃣:результаты экзаменов в классе. Учитель может посчитать средний балл и оценить, насколько сильно оценки отличаются друг от друга.
📊Заключение Вероятность работает с будущим и возможным, статистика с прошлым и реальными данными. Вместе они позволяют принимать решения в условиях неопределённости: от бытовых задач до научных исследований. Понимание этих инструментов помогает лучше ориентироваться в информации и оценивать риски в жизни.
PrompTessor - это не просто генератор подсказок, а полноценный тренер по промпт-инжинирингу. Он анализирует твои запросы, указывает, где логика проседает, помогает исправить формулировку и предлагает более точные варианты.
Фактически - это твой персональный наставник, который шаг за шагом учит создавать сильные и осмысленные промпты. Идеально, если ты хочешь научиться разговаривать с ИИ на одном языке.
Принесли вам отличный ресурс, который собрал огромное количество практических задач по SQL.
Там можно найти всё: от базовых упражнений до сложных вопросов, включая отдельный блок с заданиями от FAANG.
Но самое ценное здесь не сами вопросы, а структура подачи: - Формулировка задачи в формате собеседования - Подробное решение с объяснением - Встроенный редактор, чтобы попробовать свои силы прямо на месте
