LTV прогнозирование по когортам

Условие задания

**Данные:** DataFrame `payments` (`user_id`, `payment_date`, `amount`) и DataFrame `users` (`user_id`, `install_date`).

**Задание:**
1. Постройте кумулятивный ARPU по когортам на дни 0–180
2. Экстраполируйте LTV на 360 дней используя log-fit (`LTV(t) ~ a * ln(t) + b`)

Пример данных

Структура для ориентира — реальные значения из эталонного решения.

users = pd.DataFrame({
    'user_id': range(n_users),
    'install_date': pd.to_datetime(
        np.random.choice(pd.date_range('2024-01-01', '2024-03-31'), n_users)
    ),
})

Темы

pandas LTV когорты cumsum экстраполяция прогнозирование

Подсказки

• Кумулятивный ARPU = cumsum выручки когорты / размер когорты
• Для экстраполяции: LTV(t) ~ a * ln(t) + b
• numpy.polyfit с np.log(t) для лог-регрессии

Все тестовые задания →

Частые вопросы

Какой уровень знаний нужен для задачи "LTV прогнозирование по когортам"?

Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.

На каких собеседованиях встречается такая задача?

Подобные задания в категории «Python» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: pandas, LTV, когорты, cumsum, экстраполяция.

Сколько времени даётся на решение?

На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.

Где ещё потренироваться по теме «Python»?

На zasqlpython.ru есть 482 Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.

← Все задания