**Контекст:** SaaS-продукт имеет 2 года ежедневных данных о выручке. Нужно провести декомпозицию временного ряда, найти аномалии и построить прогноз.
**Данные:** DataFrame `daily_revenue` — колонки: `date`, `revenue`, `signups`, `churn`. Период: 2 года ежедневных данных.
**Задание:**
1. Проведите STL-декомпозицию (Seasonal-Trend using LOESS) для `revenue`: выделите тренд, недельную сезонность, остаток
2. Определите аномальные дни (outliers в residual)
3. Постройте наивный прогноз на 30 дней: тренд + сезонность последнего цикла
Структура для ориентира — реальные значения из эталонного решения.
daily = pd.DataFrame({
'date': dates, 'revenue': revenue.round(2),
})pandas statsmodels временные ряды STL декомпозиция тренд сезонность прогноз
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
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, statsmodels, временные ряды, STL, декомпозиция.
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.
На zasqlpython.ru есть 482 Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.
← Все задания