Тестовое задание
на аналитика данных
DatsTeam

Конверсия из клика в регистрацию составляет 4%, конверсия из регистрации в лид (целевое действие пользователя) 30%.

Какова вероятность, что из 60 кликнувших пользователей мы получим хотя бы 1 лид?

Вы подбрасываете кубик (6 граней), после чего у вас есть две возможности:

1. Взять себе сумму $, равную выпавшему на кубике числу (выпало 3 – получаете 3$)

2. Отклонить результат первого броска и подбросить кубик второй раз. После чего уже взять себе столько $, сколько выпало во второй раз (второй бросок отклонять уже нельзя)

Какую стратегию нужно выбрать, чтобы максимизировать ожидаемую прибыль (при каких значениях первого броска нужно перебрасывать?)

Чему равна ожидаемая прибыль при этой стратегии (математическое ожидание)?

Есть таблица table с транзакциями пользователей. В ней есть поля id, user_id, datetime, amount.

Нужно написать SQL-запрос, который считает сумму первых транзакций по пользователю.

Перед вами стоит задача оценки окупаемости трафика который приходит по СРА (оплата за целевое действие, в нашем случае первый депозит). У вас есть база со всеми нужными вам данными за несколько лет. Вы закупили 100 игроков заплатили за каждого из них по $10. Вы наблюдаете за ними 7 дней.

Вам нужно построить прогнозную модель, которая предскажет через сколько времени вернутся вложенные деньги и посчитать LTV игрока.

- Как вы будете использовать имеющиеся у вас исторические данные?

- Какие еще параметры вам необходимо знать для построения модели?

- Какие фичи (переменные) трафика вы будете использовать для прогнозирования? Какие 3 фичи вам кажутся наиболее важными?

- Какие метрики вы выведете в модель в качестве расчетных?

Представьте, что вы аналитик в крупном интернет-магазине. За последний месяц факт продаж оказался на 15% ниже прогноза и вам необходимо выяснить, в чем причина.

Опишите, как бы вы решали эту задачу: какие гипотезы вы бы стали проверять, каким образом и какие данные вам для этого потребуются.

Дана таблица table, состоящая из четырёх полей: date (дата), partner_id (партнёр) , user_id (игрок), expenses (расход).

Необходимо посчитать общее количество игроков только по тем партнёрам, суммарный расход по которым превышает 1000$ за всё время (запрос сам должен определять таких партнёров).