Задание #1
У нас есть сервис для покупки дешевых авиабилетов. Основная воронка:
Юзер зашел на сайт
Нажал «искать билеты»
Открыл конкретный билет
Выбрал предложение конкретного партнера и перешел к нему на сайт
Купил билет на сайте. Партнер платит нам комиссию за покупку билета.
Мы хотим запустить новую функциональность на экране с выдачей авиабилетов: виджет динамики цен, который показывает пользователю, насколько дешево или дорого стоят билеты по выбранному направлению в данный момент, по сравнению с обычной ценой. Это поможет пользователю понять, выгодно ли покупать билет сейчас или стоит подождать.
Какие данные и метрики важно исследовать при предварительном анализе фичи? Какие факторы необходимо учесть?
Какой будет дизайн теста данной фичи?
На какие показатели ориентироваться при принятии решения об эффективности работы фичи?
Задание #2
У нас есть датасет с данными по пользовательским поискам авиабилетов и открытиям экрана билета из выдачи. В рамках одного поиска пользователь может как открыть экран билета несколько раз, так и не открыть его ни разу. Будем считать, что все поиски и открытия билетов были сделаны 20 августа 2024 года.
Датасет лежит в файле task_2_data.csv
У каждой записи есть:
user_id – ID пользователя
search_id – ID поиска
origin – город вылета
destination – город прибытия
depart_date – дата вылета
round_trip – тип поиска: «В одну сторону» или «Туда-обратно»
ticket_signature – ID билета
baggage – конфигурация багажа в билете
2.1 Посчитайте/визуализируйте с помощью Python:
Долю пользователей, которые открывали билет от общего количества пользователей, в зависимости от типа поиска;
Конверсию из поиска в открытие трёх или более уникальных билетов в разбивке по городам вылета;
Среднее количество уникальных открытий билетов в зависимости от конфигурации багажа.
2.2 Представим, что мы залили наш датасет в базу данных в таблицу serp_events. Напишите SQL-запросы, с помощью которых можно:
Посчитать какой процент пользователей от тех, кто сделал два или более поиска, открывает больше трёх уникальных билетов;
Определить какому из городов прибытия соответствует наибольшая средняя глубина поиска (разница между датой поиска и датой вылета);
Определить, является ли количество открытых пользователем уникальных билетов в рамках каждого города отправления максимальным среди всех пользователей, выполнявших поиск в этом же городе.
Задание #3
Мы провели A/B-тест. Результаты лежат в файле task_3_data.csv
Группа a - дефолтный вариант. Группа b - с добавлением нового фичи на экран билета. Ключевая метрика - profit.
Вопросы:
Проанализируйте и интерпретируйте результаты.
Какие рекомендации по проведению эксперимента могли бы дать?