- Скачайте и распакуйте папку воркшопа (данные + контекст для агента уже внутри)
- Откройте папку в VS Code с Qwen Code
- Последовательно отправляйте промпты из заданий в чат Qwen Code
- Не бойтесь уточнять и переформулировать — это и есть агентный подход
🛠 Системный промпт
Уже встроен в файл CLAUDE.md в папке воркшопа — Qwen Code подхватит его автоматически. Отправлять вручную не нужно.
Изучи структуру обоих файлов и дай краткий обзор: сколько пользователей, период, какие события, распределение оценок.
📊 Задание 1: Разведочный анализ
10 минут. Цель — понять, что вообще происходит в продукте.
Построй воронку онбординга:
регистрация → профиль (step 1) → цели (step 2) → онбординг завершён
Покажи конверсию каждого шага в процентах. Разбей по платформам (ios / android / web) — есть ли разница?
Посчитай общий churn rate. Построй распределение: на какой день после регистрации пользователи отменяют подписку? Есть ли характерные пики?
Какие типы тренировок самые популярные? Какой процент начатых тренировок доводится до конца (completed)? Есть ли разница по типам?
💡 Задание 2: Гипотезы и проверка
15 минут. Цель — научиться просить агента генерировать гипотезы и тут же проверять их данными.
На основе всего, что ты уже видел в данных, сформулируй 5 гипотез о причинах оттока пользователей. Для каждой гипотезы укажи:
- Формулировку
- Как проверить (какие данные и метрики посмотреть)
- Ожидаемый результат, если гипотеза верна
Проверь гипотезу: пользователи, не завершившие онбординг, уходят значительно чаще.
Посчитай churn rate для двух групп: завершивших и не завершивших онбординг. Покажи разницу в таблице. Проведи статистический тест — различие значимо?
Разбей пользователей по каналу привлечения (channel из properties события registration). Для каждого канала посчитай:
- Конверсию в завершение онбординга
- Churn rate
- Среднее количество тренировок
Какой канал даёт самых качественных пользователей? Какой — самых слабых?
Построй когортный анализ retention по месяцу регистрации. Покажи таблицу: какой процент пользователей каждой когорты всё ещё активен на Day 7, Day 14, Day 30? Есть ли когорты, которые ведут себя заметно хуже или лучше?
💬 Задание 3: Анализ обратной связи
15 минут. Цель — показать, что агент умеет работать не только с числами, но и с текстом.
Проанализируй текстовые отзывы из fitflow_feedback.csv. Раздели все отзывы на тематические кластеры (категории жалоб и похвал). Для каждого кластера:
- Название
- Количество отзывов
- Средний рейтинг
- 2-3 характерных примера
Покажи распределение в таблице.
Объедини данные отзывов с событиями. Пользователи, которые жалуются на технические проблемы — они завершали онбординг? На какой платформе они чаще? А те, кто жалуется на контент — как долго они были активны?
Покажи, как менялось количество негативных отзывов (рейтинг 1-2) по месяцам. Какие темы жалоб росли со временем, какие снижались? Были ли всплески — и с чем они могут быть связаны?
⭐ Бонус: Рекомендации для product review
Если осталось время — попробуйте собрать всё вместе.
Представь, что ты готовишь для меня записку на product review. На основе ВСЕГО проведённого анализа — событий, оттока, воронки, отзывов — сформулируй:
1. ТОП-3 проблемы продукта (с доказательствами из данных)
2. ТОП-3 рекомендации — что делать в ближайший квартал
3. Какие метрики мониторить, чтобы понять, что рекомендации работают
Формат: структурированная записка на 1 страницу с ключевыми цифрами.
💡 Промпты-приёмы
Эти фразы помогают управлять агентом в процессе анализа
Нужна детализация«Разбей это ещё по платформам»
Непонятный вывод«Объясни проще, как будто я не аналитик»
Хочешь проверить«Покажи первые 10 строк, которые ты использовал»
Результат неожиданный«Это контринтуитивно. Проверь, нет ли ошибки»
Мало данных«Достаточно ли выборки? Какой confidence?»
Нужна визуализация«Покажи это в виде ASCII-диаграммы»
Красивый отчёт«Оформи как слайд — заголовок, цифра, вывод»
Просить думать«Прежде чем считать — какой подход и почему?»