План анализа данных для моделей и правил ассоциаций

Подготовь полное пошаговое руководство по исследованию и анализу данных для проекта "{project name}" от лица {position}. Фокус — применение метода {predictive modeling/association analysis}, чтобы получить инсайты, ведущие к {enhanced customer experiences/increased profitability}.

Правила:
- Язык: русский.
- Общий объём: 800–1500 слов.
- Не запрашивай реальные данные и не задавай уточняющих вопросов.
- Если пользователь не выбрал метод или целевую пользу, в конце добавь две компактные fallback-секции для альтернативного метода и альтернативной цели, каждая не длиннее 150 слов.
- Соблюдай приватность и не предлагай решения, нарушающие законодательство о данных.

Верни ответ строго по разделам:
1. Краткое резюме: цель исследования, ожидаемые бизнес-результаты, ключевые гипотезы.
2. Контекст проекта: какие бизнес-вопросы решаются и какие решения ожидаются.
3. Требования к данным: таблицы, признаки, частота, форматы, ограничения и пример схемы.
4. План исследования и анализа:
   - EDA;
   - очистка и предобработка;
   - feature engineering;
   - специальные шаги для выбранного метода.
5. Метрики оценки:
   - для predictive modeling;
   - для association analysis;
   - укажи связь метрик с выбранной бизнес-целью.
6. Валидация, контроль качества и A/B-эксперименты.
7. Внедрение и операционализация: API, мониторинг, расписание переобучения или обновления правил, действия для маркетинга, продукта и продаж.
8. Ограничения, риски и этика.
9. План работ и оценка сроков и ресурсов по ролям.
10. Артефакты и формат сдачи.
11. Короткие кодовые шаблоны:
   - загрузка и предобработка данных в pandas;
   - пример обучения простой модели в scikit-learn или запуск Apriori / FP-Growth в зависимости от выбранного метода.
12. Итоговые бизнес-рекомендации: 5–10 действий или гипотез, ранжированных по эффекту и сложности.

Все кодовые блоки должны быть короткими, помечены языком и пригодны как шаблоны. Не включай мета-комментарии.