• users.csv — 60,000 пользователей
• sessions.csv — 329,866 сессий
• events.csv — 248,942 события (deposit/purchase/bonus/redeem)
• ab_tests.csv — 27,128 участников A/B
• schema.sql — DDL (PostgreSQL-ish)
• README.txt — описание/допущения

---

Упражнения на этот датасет

A. SQL — базовые (разогрев)

1. Сколько регистраций по дням? (daily new users)
2. Топ-10 стран по числу пользователей.
3. DAU по дням (по sessions, уникальные user_id в день).
4. MAU по месяцам.
5. DAU/MAU (stickiness) по месяцам.
6. Средняя длительность сессии по игре (session_end - session_start).
7. Топ-5 игр по суммарной sessions.revenue.
8. Сколько событий каждого типа по дням? (events.event_type)
9. Сколько уникальных платящих пользователей (есть deposit или purchase) за весь период?
10. “Последние 7 дней”: найти пользователей, у кого SUM(purchase amount) за последние 7 дней > 100.

B. SQL — средний уровень (кохорты, окна, воронки)

11. Для каждого пользователя найти дату первого депозита и время до первого депозита (в днях от регистрации).
12. Конверсия в депозит: доля пользователей, сделавших депозит в первые 7 дней после регистрации (по источникам source).
13. Payer conversion по дням: доля DAU, которые сделали purchase в тот же день.
14. ARPPU по месяцам (purchase amount / #платящих в месяц).
15. ARPDAU по дням (purchase amount / DAU).
16. Cohort retention: D1/D7/D30 по когорте регистрации (по registration_date).
17. Сегментация по RFM-лайту:

• Recency = дни с последней сессии
• Frequency = число сессий за 30 дней
• Monetary = сумма purchase за 30 дней

18. Воронка: registration -> first_session -> first_purchase (в процентах и медианное время между шагами).
19. Rolling 7d: 7-дневный rolling sum sessions.revenue по дням (на уровне всей платформы).
20. Rolling 7d по пользователю: 7-дневная сумма purchase amount по каждому user_id (оконка).

C. SQL — продвинутый (ближе к собесу)

21. Найти “анома́льные дни” по revenue: дни, где revenue выше среднего на 3σ (можно через daily агрегат + z-score).
22. Разложить revenue по источникам (source) и устройствам (device) — вклад в общий revenue и динамика.
23. LTV-30 (упрощённо): сумма purchase amount за первые 30 дней после регистрации по когортам.
24. “Кто отвалился”: пользователи с 0 сессий за последние 14 дней, но были активны раньше (верни список + их last_session_date).
25. Оптимизация: взять любой тяжёлый запрос (например DAU/Retention) и прикинуть, какие индексы нужны и почему (по колонкам WHERE/JOIN/ORDER).

---

Python / pandas упражнения

26. Приведи типы дат/времени, проверь пропуски, сделай базовый EDA (describe + распределения amounts).
27. Собери daily KPI-таблицу: date, DAU, purchases_sum, deposits_sum, revenue_sum, ARPDAU.
28. Построй графики:

• DAU по дням
• revenue по дням
• rolling 7d revenue (поверх)

29. Cohort retention в pandas (heatmap): когорты по неделям регистрации, retention по неделям жизни.
30. Посчитай по каждому user_id: first_session_date, first_purchase_date, days_to_first_purchase.
31. Сравни метрики по странам: DAU, ARPDAU, payer conversion (таблица + bar chart).
32. Построй “фанель” в pandas: registration → session → purchase (конверсия по источникам).

---

Статистика / A/B (на этом же датасете)

В ab_tests есть тест new_bonus_banner_v1 (A/B). В данных есть небольшой эффект для группы B после test_start_date.

33. SRM-проверка: доля A/B близка к 50/50? (χ² тест на соответствие сплиту)
34. Основная метрика: purchase amount per user за 14 дней после test_start_date. Сравни A vs B:

• среднее/медиана
• разница и % uplift

35. t-test (или bootstrap) для разницы средних, посчитать p-value.
36. Доверительный интервал для uplift (bootstrap 1000–5000 итераций).
37. Guardrail: не ухудшилась ли retention D7 или средняя длительность сессии в группе B?
38. Сегментация эффекта: эффект A/B по device и source (где сильнее/слабее).