https://github.com/elissorokin/data-analyst-portfolio-rus
Это репозиторий, в котором я демонстрирую свои навыки, делюсь проектами и отслеживаю прогресс в области анализа данных и Data Science.
https://github.com/elissorokin/data-analyst-portfolio-rus
ab-testing data data-analysis datalense matplotlib numpy pandas plotly portfolio postgresql python scipy seaborn sql statistical-analysis
Last synced: 5 months ago
JSON representation
Это репозиторий, в котором я демонстрирую свои навыки, делюсь проектами и отслеживаю прогресс в области анализа данных и Data Science.
- Host: GitHub
- URL: https://github.com/elissorokin/data-analyst-portfolio-rus
- Owner: ElisSorokin
- Created: 2025-05-15T16:03:56.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-05-31T19:28:40.000Z (about 1 year ago)
- Last Synced: 2025-07-31T11:38:14.452Z (11 months ago)
- Topics: ab-testing, data, data-analysis, datalense, matplotlib, numpy, pandas, plotly, portfolio, postgresql, python, scipy, seaborn, sql, statistical-analysis
- Homepage: https://github.com/ElisSorokin/Data-Analyst-Portfolio-Rus
- Size: 2.03 MB
- Stars: 1
- Watchers: 1
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Сорокин Елисей - Data Analyst Portfolio
## Обо мне
Привет! 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.
В 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.
В 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.
Мое CV в [[pdf](https://github.com/ElisSorokin/PortfolioProjects/blob/main/Sorokin%20Elisei%20(5).pdf)].
Это репозиторий, в котором я демонстрирую свои навыки, делюсь проектами и отслеживаю прогресс в области анализа данных и Data Science.
## Содержание
- [Обо мне](https://github.com/ElisSorokin/Data-Analyst-Portfolio#%D0%BE%D0%B1%D0%BE-%D0%BC%D0%BD%D0%B5)
- [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)
- Python & SQL
- [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)
- Python
- [Books & 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)
- [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)
- SQL
- [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)
- [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)
- [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)
- [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)
- [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)
## Проекты
В этом разделе представлены проекты по анализу данных с кратким описанием задач и используемого технологического стека.
### Afisha Perfomance — Исследование пользовательской активности и сезонных трендов 2024
**Код:** [`Afisha_Perfomance.ipynb`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/PT%20(Final)%20-%20Afisha%20Perfomance.ipynb)
[`Afisha_Perfomance.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20Afisha%20Perfomance.sql)
[`Afisha_Perfomance Dashboard`](https://datalens.yandex/cnchy35jrh7ky)
**Цель:** Построить дашборд для отслеживания бизнес-показателей и провести исследовательский анализ пользовательского поведения в сервисе «Афиша».
**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.
**Что сделал:**
- Загрузил, очистил и подготовил данные, добавил признаки (выручка, средний чек, сезонность)
- Рассчитал метрики: выручка, средняя стоимость билета, распределения по категориям
- Построил дашборд в Yandex DataLens с фильтрами, сегментацией и динамикой по KPI
- Провёл EDA в Python и проверил гипотезу о различии активности пользователей на мобильных и десктопах (тест Манна-Уитни)
- Выявил поведенческие тренды, сезонные паттерны и особенности популярных мероприятий
**Навыки:** PostgreSQL (SQL), Python, визуализация, сегментация, проверка гипотез, построение метрик
**Технологии:** Python, Pandas, Numpy, Seaborn, Matplotlib, SciPy, PostgreSQL (SQL), Yandex DataLens.
**Результаты:**
- Осенью заказов было в 2.5 раза больше, чем летом
- Мобильные пользователи активнее (8.73 заказа против 6.66, p < 0.0001)
- Наиболее популярны театральные, семейные и спортивные мероприятия
- Поведение пользователей носит недельную цикличность (пики по вторникам и четвергам)
**Выводы и рекомендации:**
- Развивать мобильное направление
- Запускать сезонные маркетинговые кампании
- Продвигать семейные события и развивать партнёрства в регионах
---
### Books & Conversion — Анализ пользовательской активности и A/B-тест интерфейса
**Код:** [`Books & 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)
**Цель:** Анализ пользовательской активности в Яндекс.Книгах и оценка эффективности нового интерфейса интернет-магазина BitMotion Kit по результатам A/B-тестирования.
**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.
**Что сделал:**
- Загрузил и предобработал данные, устранил дубликаты
- Рассчитал метрики и подготовил выборки для анализа активности по городам
- Провёл t-тест и тест Манна–Уитни для проверки различий между Москвой и Санкт-Петербургом
- Проанализировал корректность проведения A/B-теста (распределение, пересечения, разбалансировка)
- Рассчитал конверсии, провёл z-тест для оценки различий между контрольной и тестовой группами
- Подготовил аналитическую записку с бизнес-интерпретацией
**Навыки:** статистический анализ, проверка гипотез, анализ A/B-тестов, очистка данных
**Технологии:** Python, Pandas, SciPy, Statsmodels, PostgreSQL (SQL)
**Результаты:**
- Различия в активности пользователей из СПб и Москвы статистически незначимы (p > 0.05)
- Распределения времени имеют асимметрию — медиана устойчивее к выбросам
- A/B-тест показал значимый рост конверсии в тестовой группе на 1.7 п.п. (p-value = 0.0283)
**Вывод:** Новая версия интерфейса положительно влияет на конверсию. Рекомендовано внедрение.
---
### Recommendation Boost — A/B-тест нового алгоритма в приложении
**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)
**Цель:** Оценка влияния нового алгоритма рекомендаций на поведение пользователей в приложении с помощью корректно спланированного и проведённого A/B-теста.
**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.
**Что сделал:**
- Проанализировал число регистраций и распределение пользователей по группам
- Рассчитал среднее количество просмотренных страниц в сессиях
- Подготовил параметры теста (α, β, MDE, размер выборки)
- Проверил корректность распределения, сбалансированность по группам и длительность эксперимента
- Оценил статистическую значимость различий с помощью z-теста
- Сформулировал интерпретации и рекомендации
**Навыки:** A/B-тестирование, проверка гипотез, оценка достоверности, исследовательский анализ
**Технологии:** Python, Pandas, SciPy, Statsmodels
**Результаты:**
- Необходимый размер выборки: 17 441 пользователей на группу
- Фактический размер: 15 163 в A, 15 416 в B, тест длился 4 дня
- Доля успешных сессий: 30.8% (A) против 31.8% (B)
- p-value = 0.00015 → статистически значимое улучшение
- Но: эффект слишком мал для практической реализации
**Вывод:** Несмотря на статистическую значимость, прирост успешных сессий составляет всего 1.1%. Рекомендуется провести повторный тест с большей выборкой и длительностью для уточнения эффекта.
---
### Data-доставка — аналитика метрик сервиса доставки еды
**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)
[`Data-доставка Dashboard`](https://datalens.yandex/eds6ox6bcyqs0)
**Цель:** Рассчитать ключевые метрики для продукта, визуализировать их в интерактивном дашборде и на основе анализа предложить рекомендации для развития сервиса.
**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.
**Что сделал:**
- Составил SQL-запросы для расчета ключевых метрик: DAU, Conversion Rate, Average Check, LTV, Retention Rate
- Построил интерактивный дашборд в DataLens с графиками, таблицами и фильтрами
- Выполнил анализ сезонных и поведенческих трендов
- Подготовил отчет с бизнес-выводами и предложениями по улучшению продукта
**Навыки:** SQL-аналитика, визуализация, построение продуктовых метрик, формирование гипотез
**Технологии:** PostgreSQL (SQL), Yandex DataLens
**Результаты:**
- DAU колебался, но имел положительную динамику во второй половине июня
- Conversion Rate вырос с 18% до 43% — признак улучшения воронки
- Средний чек увеличился на 8.7% (с 135.88₽ до 147.66₽)
- Retention 7 day остаётся низким — 5% в мае и 3% в июне
- Топовые рестораны по LTV — «Гурманское Наслаждение», «Гастрономический Шторм», «Шоколадный Рай»
**Рекомендации:**
- Провести дополнительный анализ факторов снижения удержания
- Внедрить персонализированные промо и улучшить onboarding
- Укрепить партнёрство с лидерами по LTV и расширить ассортимент
---
### Property Pulse — Аналитика рынка недвижимости СПб и Ленобласти
**Код:** [`Property Pulse.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20Property%20Pulse.sql)
[`Property Pulse Dashboard`](https://datalens.yandex/0hi85722buzen)
**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.
**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.
**Что сделал:**
- Подготовил и проанализировал данные по публикациям и закрытию объявлений
- Оценил сезонность сделок: выделены пики активности по временам года
- Выявил ключевые точки активности в Ленинградской области
- Сравнил поведение продавцов и покупателей в разных сегментах
**Навыки:** SQL-анализ, сезонные тренды, исследование поведения пользователей
**Инструменты:** PostgreSQL (SQL), Yandex DataLens
**Результаты:**
- В Санкт-Петербурге высокая продолжительность активности объявлений связана с дорогими объектами
- В Ленобласти — более быстрые сделки и привлекательные цены
- Публикация — пик осенью; покупки — зимой и весной
- Топ по активности: Мурино, Кудрово, Шушары
- Высокий процент успешных продаж в этих локациях
**Рекомендации:**
- Учитывать сезонность при запуске рекламных кампаний
- Делать акцент на быстро реализуемые объекты в Ленобласти
- Применять регионально-ориентированные маркетинговые стратегии
---
### DarkForest — Анализ поведения игроков и внутриигровых покупок
**Код:** [`DarkForest.sql`](https://github.com/ElisSorokin/PortfolioProjects/blob/main/SQL%20-%20DarkForest.sql)
**Цель:** Исследовать поведение игроков в фэнтези-игре «Секреты Темнолесья»: определить, кто чаще покупает внутриигровую валюту за реальные деньги, и как совершаются крупные внутриигровые покупки.
**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.
**Что сделал:**
- Провёл исследовательский анализ поведения игроков по базе транзакций
- Рассчитал долю платящих пользователей и её зависимость от расы персонажа
- Изучил этапы покупки эпических предметов: частоту, объёмы, временные паттерны
- Подготовил аналитическую записку для маркетинговой команды с рекомендациями
-
**Навыки:** SQL-аналитика, поведенческий анализ, внутриигровая монетизация
**Инструменты:** PostgreSQL (SQL)
**Результаты:**
- Доля платящих игроков зависит от расы: у некоторых рас — в 1.5–2 раза выше
- Покупка эпических предметов часто совершается после резкого роста внутриигровой активности
- Обнаружены три поведенческих кластера игроков: спонтанные покупатели, стратеги и регулярные донатеры
**Рекомендации:**
- Таргетировать специальные предложения по расам с высокой склонностью к оплате
- Использовать триггеры активности для продвижения эпических предметов
- Адаптировать внутриигровой магазин под разные поведенческие кластеры
---
## Образование
Университет Тор Вергата, Рим:
Бакалавриат, экономика и финансы
Математическая школа
Среднее образование, профиль – математика
Курсы:
Аналитика данных, Яндекс Практикум
Курс Основы статистики (с отличием), Stepik
---
## Контакты
- LinkedIn: [@elisei sorokin](https://www.linkedin.com/in/elisei-sorokin-8b6106193/)
- Email: eliseisorokin.work@yandex.ru