Артем Смирнов

Бизнес и системный анализ приложения. 

Анализ рынка, конкурентов, аудитории
Выявление целевой аудитории для продукта
Построение и расчет финансовой модели

Разработка документации Vision & Scoupe, URD, SRS.
Разработка архитектуры не универсальной базы данных. Построение ER - диаграммы. Написание ТЗ для разработки.

Аналитик данных MANDARIN
Разработка, настройка и оптимизация работы в Power BI аналитической модели для фин.тех кампании.
Итог: Автообновляемый готовый дашборд с основными финансовыми показателями компании.

Inspectrum clinik
Разработка калькулятора unit-экономики, для медицинской компании, первичный анализ данных, поиск узких мест и точек роста.
Итог: Готовый калькулятор unit-экономики для компании. Выявил слабые точки в учетной политики компании. 
https://github.com/SmirnovArtemDA/unit_economics

На данный момент времени отлично знаю MySQL и PostgreeSQL. (Оконные функции, JOIN - ы, подзапросы в (SELECT), WITH,  агрегатные функции,  сложные объединения таблиц (UNION, EXCEPT, INTERSECT),  условные операторы(CASE, NULLIF, COALESCE). Понимаю, что правильный запрос в SQL обязателен.

Основная база Python и его библиотек (pandas, numpy, scipy, matplotlib, seaborn, psycopg2, requests, json) уже в моем стеке. Работал с API и базами данных через библиотеки. Так же работа с форматами: json, xml, xlsx и csv. 

Так же продукты Microsoft (Excel (VBA, PQ, PV), PowerBI (DAX, M) ) 

Продукты Google (Sheets, Colab, Analytics, GTM,Looker)

Работал и практикую работу с API различный ресурсов
Проводил A/B - тесты. Соответственно знания мат.статискики и теория вероятности.

Хочу отметить несколько проектов решенных от платформы:

1.Цель:Анализ продаж на открытых данных из google merchandise store. 

Задачи:
1. Выгрузка данных из "bigquery-public-data" базы данных BigQuery;
2.Первичный анализ данных с помощью Python;
3.Выполнить сегментирование аудитории и выявить ЦА;
4.Провести когортный анализ;
5.Построение модели, которая поможет выявить факторы, влияющие на покупку;
6.Построить дашборд;
7.Подготовить презентацию по проекту.

Инструменты которые применил в проекте:
1. SQL (для выгрузки необходимых данных из BigQuery);
2. Python (Pandas, matplotlib, numpy) (для первичного анализа данных, сегментации пользователей, построения когортного анализа).
3. MS Excel (построение многофакторной модели данных, для выявления факторов, влияющих на покупку)
4. MS PowerBI (разработка дашборда)
5. MS PowerPoint (разработка презентации выводов и работы) 

Акутальный кейс:
https://github.com/SmirnovArtemDA/google_mech_store

2.Цель: Подготовить основу рекомендательной системы

Задачи: 
1. Подготовить и проанализировать данные с помощью SQL;
2. Обработать данные средствами Python;
3. Составить итоговую таблицу с рекомендациями, снабдив её необходимыми комментариями.

Инструменты которые применил в проекте:
1. SQL (для выгрузки необходимых данных из MetaBase);
2. Python (Pandas, psycopg2, itertools) (для коннекта с postgresSQL, первичной обработки данных и построении модели).

Актуальный кейс:
https://github.com/SmirnovArtemDA/Recomendation

3.Цель: Проверить, какая из страниц приносит больше покупок

Задачи: 
1.Провести первичный анализ датасета;
2.Рассчитайте кумулятивные метрики;
3.Проведите статистическую проверку гипотез;
4.Сделайте вывод.

Вывод: Несмотря на то что конверсия группы B ниже, статистической значимости в конверсии не достигнуто, соответственно, считать конверсии разными оснований нет. Зато средний чек группы B значительно выше среднего чека группы A. Статистическая значимость достигнута. Вариант сайта B приносит значимо больше выручки, чем вариант сайта A. Рекомендуем признать, что вариант B лучше, чем вариант A!

Инструменты которые применил в проекте:
1. Python (Pandas, scipy, matplotlib). 

Актуальный кейс: https://colab.research.google.com/drive/1F3G8yJSSJbLQdY6XP0MUeRJvXDUhmziS?usp=share_link