Data Analyst

Работаю на двух продуктовых направлениях (CVM-рекомендации и QNF), отвечая за end-to-end аналитику и data-инженерные решения — от исследований, расчета и стандартизации метрик до разработки production-пайплайнов и прогнозирования ключевых бизнес-показателей.

- Провел 20+ продуктовых исследований и ad-hoc анализов с использованием Python в Jupyter Notebook по направлению QNF (Quick Non-Food), включая анализ пользовательского поведения, воронок и client journey (CJM); строил пользовательские пути (Sankey через Plotly) и проводил когортные исследования (города-миллионники, Москва, СПб), сформировав 10+ продуктовых гипотез для оптимизации рекомендаций и роста конверсии.
- Участвовал в разработке и валидации A/B тестов рекомендаций на аудитории 100K+ пользователей, включая аудит расчетов, поиск расхождений и проверку статистической корректности; гипотеза была направлена на рост выручки до +10 п.п. при снижении затрат на промо до 20%.
- Использовал BERT-модели для классификации пользовательских поисковых запросов, улучшая качество рекомендаций (accuracy ~50–55%); провел исследование применимости подхода и помог принять data-driven решение.
- Поддерживал production DS-процессы: вносил изменения в модели и пайплайны через GitLab и Apache Airflow, включая обновление версий моделей и контроль корректности их работы в продакшене.
- Оптимизировал SQL-запросы и повышал эффективность работы с данными, сократив время обработки на 10–15% и улучшив производительность аналитических задач.
- Разработал с нуля data-пайплайн (S3 + Docker + Apache Airflow) объемом ~10 тыс строк кода для еженедельного расчета метрик и прогнозов GMV/заказов, обрабатывающий 7–10 млн строк, сократив 8+ часов работы аналитиков еженедельно.
- Реализовал прогнозирование ключевых метрик (GMV, заказы) с использованием моделей временных рядов (Prophet), включая сценарный анализ и работу с динамикой показателей.
- Перевел вычисления на polars, сократив время обработки данных с ~4 до 2 часов (в 2 раза), и автоматизировал загрузку результатов в единое хранилище, устранив ручные процессы.
- Стандартизировал расчет ключевых метрик между командами, обеспечив консистентность аналитики и заложив основу для data governance.
- Документировал аналитические подходы, витрины и изменения методологий в Confluence, формируя внутреннюю базу знаний и обеспечивая прозрачность расчетов для команд.
- Работал по Waterfall, в cross-functional среде (2 продуктовые команды, DS-лиды, менеджеры проектов, бизнес-аналитики).
Менторил 3 аналитиков: помогал с настройкой окружения (Docker), оптимизацией SQL, обучал работе с Apache Airflow (test/prod), проводил code review.

Работал над ML-проектом автоматической классификации обратной связи клиентов после обращений в поддержку, связанный с разработкой и обучением моделей и интеграцией решений в промышленную big data-инфраструктуру с использованием распределенных систем.

- Разрабатывал и отбирал признаки на основе транскрипций обращений клиентов (SalutSpeech) для моделей автоклассификации пользовательской обратной связи, что повысило качество распознавания негативных сценариев и улучшило полноту обучающих выборок.
- Дообучил модели CatBoost и XGBoost, повысив метрику ROC-AUC на ~0.05 относительно базового значения, что улучшило разделение негативных и позитивных оценок и снизило нагрузку на операторов за счет автоматической обработки.
- Обрабатывал данные объемом в сотни ГБ и миллионы строк через Hadoop + Spark для подготовки признаков и поддержки ML-пайплайнов, обеспечивая стабильную работу модели в промышленном контуре.
- Оптимизировал SQL-запросы и реализовывал фильтрацию данных через регулярные выражения для срочных бизнес-задач, ускорив обработку данных на ~20% и повысив точность rule-based обработки текстов с ~50% до 78%.
- Работал в Agile/Scrum, взаимодействовал со смежными командами; документировал результаты исследований в Confluence, обеспечивая прозрачность аналитики.

Отвечал за построение аналитической инфраструктуры, поддержку продуктовых решений и проведение экспериментов. Занимался как BI-аналитикой, так и разработкой ETL-пайплайнов и продуктовой аналитикой.

- Разработал систему аналитической отчетности (20+ дашбордов) в Power BI, Metabase и Apache Superset для 10 стейкхолдеров (CEO, маркетинг, промо, QA), включая дашборды по пользовательскому поведению (воронки заказов, churn, retention за ~10 лет), повысил прозрачность ключевых метрик (GMV, конверсия, CAC/LTV) и сократил время подготовки отчетности на 20–25% (с ~10 до 8 часов).
- Построил ETL-пайплайны на Apache Airflow с интеграцией в BI-системы, обеспечив обработку до 200 млн строк ежедневно, повысив консистентность данных и сократив время их обновления.
- Провел 15+ A/B тестов по изменениям цен и промо-механик (SQL, Jupyter Notebook) со средней длительностью ~2 недели и охватом десятков тысяч пользователей; успешные эксперименты (~⅓) дали рост конверсии в первый и повторный заказ на 1–3 п.п.
- Реализовал систему динамического ценообразования без ML, охватив 70–80% платформы, увеличив средний чек на 5–7% без падения конверсии.
- Выполнил 70+ ad-hoc аналитических задач и сегментаций для 20+ маркетинговых и промо-кампаний, что ускорило запуск акций и обеспечило вклад до 10% ежемесячной выручки.