презентація робіт з аналітики даних
Ця робота присвячена аналізу даних за допомогою SQL, Power BI та Python.
У першій частині за допомогою SQL-запитів проводиться різноманітні обчислення, які стосуються заробітної плати, стуктури відділів/департаментів, співробітників. Показано різні способи фільтрації та групування даних, а також порівняння результатів запитів.
У другій частині представлено аналітичний проєкт у Power BI, який використовує дані виробничо-торговельного підприємства за період січень–липень 2024 року. Основна мета — проаналізувати продажі продукції, порівняти результати за регіонами, дистриб’юторами, торговими марками та каналами збуту, визначити рейтинги торгових точок і сформувати прогноз продажів.
У третій частині було проведено аналіз датасету товарів IKEA за допомогою Python. Дані були очищені та підготовлені до аналізу. Проведено порівняння медіанної ціни товарів, що продаються онлайн і не продаються онлайн, та побудовано відповідні візуалізації та ін. Також визначено найкращу модель для прогнозування цін на меблію.
У першій частині за допомогою SQL-запитів проводиться різноманітні обчислення, які стосуються заробітної плати, стуктури відділів/департаментів, співробітників. Показано різні способи фільтрації та групування даних, а також порівняння результатів запитів.
У другій частині представлено аналітичний проєкт у Power BI, який використовує дані виробничо-торговельного підприємства за період січень–липень 2024 року. Основна мета — проаналізувати продажі продукції, порівняти результати за регіонами, дистриб’юторами, торговими марками та каналами збуту, визначити рейтинги торгових точок і сформувати прогноз продажів.
У третій частині було проведено аналіз датасету товарів IKEA за допомогою Python. Дані були очищені та підготовлені до аналізу. Проведено порівняння медіанної ціни товарів, що продаються онлайн і не продаються онлайн, та побудовано відповідні візуалізації та ін. Також визначено найкращу модель для прогнозування цін на меблію.
Вінниця 
Трохи зайнятий