На последнем проекте я работал с метриками для оценки гипотез через A/B-тесты. Основные метрики: конверсия в целевое действие (например, покупка или регистрация), средний чек, retention rate и NPS. Для анализа использовал Python (pandas, scipy) и SQL. Пример кода для проверки статистической значимости: ``` from scipy import stats import numpy as np # Данные контрольной и тестовой групп control = np.random.normal(0.1, 0.02, 1000) # Конверсия ~10% test = np.random.normal(0.12, 0.02, 1000) # Конверсия ~12% # T-test t_stat, p_value = stats.ttest_ind(control, test) print(f"p-value: {p_value:.4f}") # Если p-value < 0.05, гипотеза значима ``` Также учитывал воронку метрик: от первичных (клики, просмотры) до бизнес-метрик (LTV, ROI). Для сложных случаев применял когортный анализ и CUPED.