{"id":29216971,"url":"https://github.com/elissorokin/data-analyst-portfolio-rus","last_synced_at":"2026-02-25T23:02:52.892Z","repository":{"id":293907241,"uuid":"984243319","full_name":"ElisSorokin/Data-Analyst-Portfolio-Rus","owner":"ElisSorokin","description":"Это репозиторий, в котором я демонстрирую свои навыки, делюсь проектами и отслеживаю прогресс в области анализа данных и Data Science.","archived":false,"fork":false,"pushed_at":"2025-05-31T19:28:40.000Z","size":2124,"stargazers_count":1,"open_issues_count":0,"forks_count":1,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-07-31T11:38:14.452Z","etag":null,"topics":["ab-testing","data","data-analysis","datalense","matplotlib","numpy","pandas","plotly","portfolio","postgresql","python","scipy","seaborn","sql","statistical-analysis"],"latest_commit_sha":null,"homepage":"https://github.com/ElisSorokin/Data-Analyst-Portfolio-Rus","language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/ElisSorokin.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2025-05-15T16:03:56.000Z","updated_at":"2025-06-24T21:21:39.000Z","dependencies_parsed_at":null,"dependency_job_id":"ee3e2057-e227-4019-9d78-1473161222c1","html_url":"https://github.com/ElisSorokin/Data-Analyst-Portfolio-Rus","commit_stats":null,"previous_names":["elissorokin/data-analyst-portfolio"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/ElisSorokin/Data-Analyst-Portfolio-Rus","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ElisSorokin%2FData-Analyst-Portfolio-Rus","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ElisSorokin%2FData-Analyst-Portfolio-Rus/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ElisSorokin%2FData-Analyst-Portfolio-Rus/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ElisSorokin%2FData-Analyst-Portfolio-Rus/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/ElisSorokin","download_url":"https://codeload.github.com/ElisSorokin/Data-Analyst-Portfolio-Rus/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ElisSorokin%2FData-Analyst-Portfolio-Rus/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":29844845,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-02-25T22:37:40.667Z","status":"ssl_error","status_checked_at":"2026-02-25T22:37:25.960Z","response_time":61,"last_error":"SSL_read: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["ab-testing","data","data-analysis","datalense","matplotlib","numpy","pandas","plotly","portfolio","postgresql","python","scipy","seaborn","sql","statistical-analysis"],"created_at":"2025-07-03T02:00:34.052Z","updated_at":"2026-02-25T23:02:52.886Z","avatar_url":"https://github.com/ElisSorokin.png","language":null,"funding_links":[],"categories":[],"sub_categories":[],"readme":"# Сорокин Елисей  - Data Analyst Portfolio\n## Обо мне \nПривет! Меня зовут Сорокин Елисей! У меня есть прочная база в математике и статистике, а также опыт обучения в области экономики и финансов в университете Tor Vergata в Риме. Сейчас я активно развиваюсь в сфере анализа данных и применяю полученные знания на практике.\n\nВ процессе обучения и работы я освоил работу с большими и сложными данными, анализировал пользовательское поведение, строил метрики и проверял гипотезы с помощью Python и SQL. Также я получил опыт проведения статистических тестов и A/B-тестирования для принятия обоснованных решений.\n\nВ свободное время я изучаю новые инструменты для анализа и визуализации данных, совершенствую навыки программирования и статистики. Мне нравится работать как в команде, так и самостоятельно, всегда стремлюсь находить новые инсайты и применять знания для решения реальных бизнес-задач.\n\nМое CV в [[pdf](https://github.com/ElisSorokin/PortfolioProjects/blob/main/Sorokin%20Elisei%20(5).pdf)].\n\nЭто репозиторий, в котором я демонстрирую свои навыки, делюсь проектами и отслеживаю прогресс в области анализа данных и Data Science.\n\n## Содержание\n- [Обо мне](https://github.com/ElisSorokin/Data-Analyst-Portfolio#%D0%BE%D0%B1%D0%BE-%D0%BC%D0%BD%D0%B5)\n- [Проекты](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D1%8B)\n  - Python \u0026 SQL\n    - [Afisha Perfomance](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#afisha-perfomance--%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D0%BA%D0%BE%D0%B9-%D0%B0%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D1%81%D1%82%D0%B8-%D0%B8-%D1%81%D0%B5%D0%B7%D0%BE%D0%BD%D0%BD%D1%8B%D1%85-%D1%82%D1%80%D0%B5%D0%BD%D0%B4%D0%BE%D0%B2-2024)\n  - Python\n    - [Books \u0026 Conversion — Анализ пользовательской активности и A/B-тест интерфейса](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#books--conversion--%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7-%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D0%BA%D0%BE%D0%B9-%D0%B0%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D1%81%D1%82%D0%B8-%D0%B8-ab-%D1%82%D0%B5%D1%81%D1%82-%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D1%84%D0%B5%D0%B9%D1%81%D0%B0)\n    - [Recommendation Boost — A/B-тест нового алгоритма в приложении](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#recommendation-boost--ab-%D1%82%D0%B5%D1%81%D1%82-%D0%BD%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE-%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%B0-%D0%B2-%D0%BF%D1%80%D0%B8%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D0%B8)\n  - SQL\n    - [Data-доставка — аналитика метрик сервиса доставки еды](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#data-%D0%B4%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D0%BA%D0%B0--%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D1%82%D0%B8%D0%BA%D0%B0-%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D0%BA-%D1%81%D0%B5%D1%80%D0%B2%D0%B8%D1%81%D0%B0-%D0%B4%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D0%BA%D0%B8-%D0%B5%D0%B4%D1%8B)\n    - [Property Pulse — Аналитика рынка недвижимости СПб и Ленобласти](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#property-pulse--%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D1%82%D0%B8%D0%BA%D0%B0-%D1%80%D1%8B%D0%BD%D0%BA%D0%B0-%D0%BD%D0%B5%D0%B4%D0%B2%D0%B8%D0%B6%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B8-%D1%81%D0%BF%D0%B1-%D0%B8-%D0%BB%D0%B5%D0%BD%D0%BE%D0%B1%D0%BB%D0%B0%D1%81%D1%82%D0%B8)\n    - [DarkForest — Анализ поведения игроков и внутриигровых покупок](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#darkforest--%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7-%D0%BF%D0%BE%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D1%8F-%D0%B8%D0%B3%D1%80%D0%BE%D0%BA%D0%BE%D0%B2-%D0%B8-%D0%B2%D0%BD%D1%83%D1%82%D1%80%D0%B8%D0%B8%D0%B3%D1%80%D0%BE%D0%B2%D1%8B%D1%85-%D0%BF%D0%BE%D0%BA%D1%83%D0%BF%D0%BE%D0%BA)\n  \n- [Образование](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#%D0%BE%D0%B1%D1%80%D0%B0%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5) \n- [Контакты](https://github.com/ElisSorokin/Data-Analyst-Portfolio?tab=readme-ov-file#%D0%BA%D0%BE%D0%BD%D1%82%D0%B0%D0%BA%D1%82%D1%8B)\n\n## Проекты\nВ этом разделе представлены проекты по анализу данных с кратким описанием задач и используемого технологического стека.\n\n### Afisha Perfomance — Исследование пользовательской активности и сезонных трендов 2024\n**Код:** [`Afisha_Perfomance.ipynb`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/PT%20(Final)%20-%20Afisha%20Perfomance.ipynb)\n[`Afisha_Perfomance.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20Afisha%20Perfomance.sql)\n[`Afisha_Perfomance Dashboard`](https://datalens.yandex/cnchy35jrh7ky)\n\n**Цель:** Построить дашборд для отслеживания бизнес-показателей и провести исследовательский анализ пользовательского поведения в сервисе «Афиша».\n\n**Описание:** В рамках проекта выступал в роли аналитика команды Афиши. Нужно было подготовить дашборд в Yandex DataLens с ключевыми метриками и провести исследовательский анализ в Python. Задача включала анализ пользовательских предпочтений осенью 2024 года и проверку гипотез о поведении мобильных и десктопных пользователей.\n\n**Что сделал:**\n- Загрузил, очистил и подготовил данные, добавил признаки (выручка, средний чек, сезонность)\n- Рассчитал метрики: выручка, средняя стоимость билета, распределения по категориям\n- Построил дашборд в Yandex DataLens с фильтрами, сегментацией и динамикой по KPI\n- Провёл EDA в Python и проверил гипотезу о различии активности пользователей на мобильных и десктопах (тест Манна-Уитни)\n- Выявил поведенческие тренды, сезонные паттерны и особенности популярных мероприятий\n\n**Навыки:** PostgreSQL (SQL), Python, визуализация, сегментация, проверка гипотез, построение метрик\n\n**Технологии:** Python, Pandas, Numpy, Seaborn, Matplotlib, SciPy, PostgreSQL (SQL), Yandex DataLens.\n\n**Результаты:** \n- Осенью заказов было в 2.5 раза больше, чем летом\n- Мобильные пользователи активнее (8.73 заказа против 6.66, p \u003c 0.0001)\n- Наиболее популярны театральные, семейные и спортивные мероприятия\n- Поведение пользователей носит недельную цикличность (пики по вторникам и четвергам)\n\n**Выводы и рекомендации:**\n- Развивать мобильное направление\n- Запускать сезонные маркетинговые кампании\n- Продвигать семейные события и развивать партнёрства в регионах\n\n---\n### Books \u0026 Conversion — Анализ пользовательской активности и A/B-тест интерфейса\n**Код:** [`Books \u0026 Conversion.ipynb`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/PT6%20-%20Books%20%26%20Conversion%20%E2%80%94%20%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%20%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D0%BA%D0%BE%D0%B9%20%D0%B0%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D0%BE%D1%81%D1%82%D0%B8%20%D0%B8%20AB-%D1%82%D0%B5%D1%81%D1%82%20%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D1%84%D0%B5%D0%B9%D1%81%D0%B0.ipynb)\n\n**Цель:** Анализ пользовательской активности в Яндекс.Книгах и оценка эффективности нового интерфейса интернет-магазина BitMotion Kit по результатам A/B-тестирования.\n\n**Описание:** Проект включает два независимых кейса. В первом анализировалась активность пользователей из разных городов на платформе Яндекс.Книги, во втором — данные A/B-теста интернет-магазина, направленного на улучшение конверсии. Требовалось рассчитать метрики, проверить гипотезы, проанализировать корректность эксперимента и интерпретировать результаты.\n\n**Что сделал:**\n- Загрузил и предобработал данные, устранил дубликаты\n- Рассчитал метрики и подготовил выборки для анализа активности по городам\n- Провёл t-тест и тест Манна–Уитни для проверки различий между Москвой и Санкт-Петербургом\n- Проанализировал корректность проведения A/B-теста (распределение, пересечения, разбалансировка)\n- Рассчитал конверсии, провёл z-тест для оценки различий между контрольной и тестовой группами\n- Подготовил аналитическую записку с бизнес-интерпретацией\n\n**Навыки:** статистический анализ, проверка гипотез, анализ A/B-тестов, очистка данных\n\n**Технологии:** Python, Pandas, SciPy, Statsmodels, PostgreSQL (SQL)\n\n**Результаты:** \n- Различия в активности пользователей из СПб и Москвы статистически незначимы (p \u003e 0.05)\n- Распределения времени имеют асимметрию — медиана устойчивее к выбросам\n- A/B-тест показал значимый рост конверсии в тестовой группе на 1.7 п.п. (p-value = 0.0283)\n\n**Вывод:** Новая версия интерфейса положительно влияет на конверсию. Рекомендовано внедрение.\n\n---\n### Recommendation Boost — A/B-тест нового алгоритма в приложении\n**Код:** [`Recommendation Boost.ipynb`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/PT5%20-%20Recommendation%20Boost%20%E2%80%94%20AB-%D1%82%D0%B5%D1%81%D1%82%20%D0%BD%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE%20%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%B0%20%D0%B2%20%D0%BF%D1%80%D0%B8%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D0%B8.ipynb)\n\n**Цель:** Оценка влияния нового алгоритма рекомендаций на поведение пользователей в приложении с помощью корректно спланированного и проведённого A/B-теста.\n\n**Описание:** Проект посвящён полному циклу работы с A/B-тестом: от расчёта необходимого объема выборки до анализа результатов и формулирования бизнес-выводов. Исследуется влияние нового алгоритма рекомендаций на успешность сессий в мобильном приложении.\n\n**Что сделал:**\n- Проанализировал число регистраций и распределение пользователей по группам\n- Рассчитал среднее количество просмотренных страниц в сессиях\n- Подготовил параметры теста (α, β, MDE, размер выборки)\n- Проверил корректность распределения, сбалансированность по группам и длительность эксперимента\n- Оценил статистическую значимость различий с помощью z-теста\n- Сформулировал интерпретации и рекомендации\n\n**Навыки:**  A/B-тестирование, проверка гипотез, оценка достоверности, исследовательский анализ\n\n**Технологии:** Python, Pandas, SciPy, Statsmodels\n\n**Результаты:**\n- Необходимый размер выборки: 17 441 пользователей на группу\n- Фактический размер: 15 163 в A, 15 416 в B, тест длился 4 дня\n- Доля успешных сессий: 30.8% (A) против 31.8% (B)\n- p-value = 0.00015 → статистически значимое улучшение\n- Но: эффект слишком мал для практической реализации\n\n**Вывод:** Несмотря на статистическую значимость, прирост успешных сессий составляет всего 1.1%. Рекомендуется провести повторный тест с большей выборкой и длительностью для уточнения эффекта.\n\n---\n### Data-доставка — аналитика метрик сервиса доставки еды\n**Код:** [`Data-доставка.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20Data%20-%20%D0%B4%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D0%BA%D0%B0.sql)\n[`Data-доставка Dashboard`](https://datalens.yandex/eds6ox6bcyqs0)\n\n**Цель:** Рассчитать ключевые метрики для продукта, визуализировать их в интерактивном дашборде и на основе анализа предложить рекомендации для развития сервиса.\n\n**Описание:** Выступая в роли аналитика сервиса доставки еды, я разработал SQL-запросы для оценки динамики DAU, конверсии, среднего чека, LTV и Retention Rate. На основе этих данных построил дашборд в Yandex DataLens и сформулировал аналитические рекомендации.\n\n**Что сделал:** \n- Составил SQL-запросы для расчета ключевых метрик: DAU, Conversion Rate, Average Check, LTV, Retention Rate\n- Построил интерактивный дашборд в DataLens с графиками, таблицами и фильтрами\n- Выполнил анализ сезонных и поведенческих трендов\n- Подготовил отчет с бизнес-выводами и предложениями по улучшению продукта\n\n**Навыки:** SQL-аналитика, визуализация, построение продуктовых метрик, формирование гипотез\n\n**Технологии:** PostgreSQL (SQL), Yandex DataLens\n\n**Результаты:**\n- DAU колебался, но имел положительную динамику во второй половине июня\n- Conversion Rate вырос с 18% до 43% — признак улучшения воронки\n- Средний чек увеличился на 8.7% (с 135.88₽ до 147.66₽)\n- Retention 7 day остаётся низким — 5% в мае и 3% в июне\n- Топовые рестораны по LTV — «Гурманское Наслаждение», «Гастрономический Шторм», «Шоколадный Рай»\n\n**Рекомендации:**\n- Провести дополнительный анализ факторов снижения удержания\n- Внедрить персонализированные промо и улучшить onboarding\n- Укрепить партнёрство с лидерами по LTV и расширить ассортимент\n\n---\n### Property Pulse — Аналитика рынка недвижимости СПб и Ленобласти\n**Код:** [`Property Pulse.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20Property%20Pulse.sql)\n[`Property Pulse Dashboard`](https://datalens.yandex/0hi85722buzen)\n\n**Цель:** Определить наиболее перспективные сегменты рынка недвижимости в Санкт-Петербурге и Ленинградской области с учетом сезонных факторов, чтобы предложить бизнес-решения для оптимизации продаж и маркетинга и визуализировать ключевые метрики на интерактивном дашборде.\n\n**Описание:** В проекте проведён анализ сроков активности объявлений и сезонных колебаний на рынке недвижимости региона. Исследованы различия в поведении покупателей и продавцов в Петербурге и Ленобласти. Выделены ключевые населённые пункты с наибольшей активностью. Подготовлен дашборд в Yandex DataLens с ключевыми метриками.\n\n**Что сделал:** \n- Подготовил и проанализировал данные по публикациям и закрытию объявлений\n- Оценил сезонность сделок: выделены пики активности по временам года\n- Выявил ключевые точки активности в Ленинградской области\n- Сравнил поведение продавцов и покупателей в разных сегментах\n\n**Навыки:** SQL-анализ, сезонные тренды, исследование поведения пользователей\n\n**Инструменты:** PostgreSQL (SQL), Yandex DataLens\n\n**Результаты:**\n- В Санкт-Петербурге высокая продолжительность активности объявлений связана с дорогими объектами\n- В Ленобласти — более быстрые сделки и привлекательные цены\n- Публикация — пик осенью; покупки — зимой и весной\n- Топ по активности: Мурино, Кудрово, Шушары\n- Высокий процент успешных продаж в этих локациях\n\n**Рекомендации:**\n- Учитывать сезонность при запуске рекламных кампаний\n- Делать акцент на быстро реализуемые объекты в Ленобласти\n- Применять регионально-ориентированные маркетинговые стратегии\n\n---\n### DarkForest — Анализ поведения игроков и внутриигровых покупок\n**Код:** [`DarkForest.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20DarkForest.sql)\n\n**Цель:** Исследовать поведение игроков в фэнтези-игре «Секреты Темнолесья»: определить, кто чаще покупает внутриигровую валюту за реальные деньги, и как совершаются крупные внутриигровые покупки.\n\n**Описание:** Проект направлен на изучение монетизации внутри игры. Особое внимание уделено анализу связи между расой персонажа и склонностью к покупкам, а также выявлению паттернов при приобретении эпических предметов.\n\n**Что сделал:** \n- Провёл исследовательский анализ поведения игроков по базе транзакций\n- Рассчитал долю платящих пользователей и её зависимость от расы персонажа\n- Изучил этапы покупки эпических предметов: частоту, объёмы, временные паттерны\n- Подготовил аналитическую записку для маркетинговой команды с рекомендациями\n- \n**Навыки:** SQL-аналитика, поведенческий анализ, внутриигровая монетизация\n  \n**Инструменты:** PostgreSQL (SQL)\n\n**Результаты:**\n- Доля платящих игроков зависит от расы: у некоторых рас — в 1.5–2 раза выше\n- Покупка эпических предметов часто совершается после резкого роста внутриигровой активности\n- Обнаружены три поведенческих кластера игроков: спонтанные покупатели, стратеги и регулярные донатеры\n\n**Рекомендации:**\n- Таргетировать специальные предложения по расам с высокой склонностью к оплате\n- Использовать триггеры активности для продвижения эпических предметов\n- Адаптировать внутриигровой магазин под разные поведенческие кластеры\n\n\n---\n## Образование\nУниверситет Тор Вергата, Рим: \nБакалавриат, экономика и финансы\n\nМатематическая школа\nСреднее образование, профиль – математика\n\nКурсы:\nАналитика данных, Яндекс Практикум\nКурс Основы статистики (с отличием), Stepik\n\n---\n## Контакты \n- LinkedIn: [@elisei sorokin](https://www.linkedin.com/in/elisei-sorokin-8b6106193/)\n- Email: eliseisorokin.work@yandex.ru\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Felissorokin%2Fdata-analyst-portfolio-rus","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Felissorokin%2Fdata-analyst-portfolio-rus","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Felissorokin%2Fdata-analyst-portfolio-rus/lists"}