Резюме: Аналитик DWH

01.2026 – 03.2026 | Проект по развитию платформы данных для банка Казахстана
Компания: CrystalSpring Должность: Data Engineer / DWH Engineer Заказчик: Банк Казахстана (финансовый сектор)
Краткое описание цели проекта: Развитие корпоративной платформы данных для обработки банковских транзакций и построения аналитических витрин. Основной задачей являлось проектирование и сопровождение ETL/ELT-процессов, обеспечение высокого качества данных, подготовка потоков для риск-аналитики, финансовой отчетности и продуктовой аналитики с использованием современного open-source стека.
• Совместно с бизнес-аналитиками и владельцами продуктов собрал и формализовал требования по обработке банковских транзакций, клиентских событий и продуктовых метрик, провёл более 15 рабочих встреч с представителями бизнеса и технической команды.
• Подготовил требования и спецификации для 12 ETL/ELT-пайплайнов, обеспечивающих загрузку данных из транзакционных систем в корпоративное DWH с использованием Apache Airflow, Apache Spark и Apache Kafka.
• Спроектировал и документировал поток обработки late-arriving данных с задержкой поступления транзакций до нескольких дней, определив правила повторной обработки и обновления исторических данных без нарушения целостности витрин.
• Разработал более 50 SQL-запросов для контроля качества данных, проверки полноты загрузок, сверки агрегатов и поиска расхождений между источниками и хранилищем данных.
• Выполнил анализ производительности запросов в ClickHouse, оптимизировал модели хранения и запросы для аналитических витрин, сократив среднее время формирования отчётов примерно на 40%.
• Подготовил документацию по Data Lineage, описанию источников данных, бизнес-правил, схем обработки и технических спецификаций, обеспечив прозрачность процессов для аудита и сопровождения.
• Участвовал в расследовании инцидентов, связанных с падением ETL-процессов, анализировал логи Airflow и Spark, взаимодействовал с Data Engineers при устранении причин ошибок и восстановлении загрузок.
• Результат: повысил качество данных за счёт внедрения дополнительных проверок и контроля загрузок, сократил время выпуска новых ETL-процессов примерно на 30%, а также обеспечил стабильную подготовку данных для финансовой отчётности, риск-аналитики и продуктовых команд.
04.2024 – 12.2024 | Проект по развитию корпоративного DWH для Chocofood
Краткое описание цели проекта: Развитие корпоративного хранилища данных (DWH) для сервиса Chocofood с целью консолидации данных о заказах, доставке, ресторанах, курьерах и клиентах, а также подготовки аналитических витрин для продуктовой аналитики, финансовой отчетности и мониторинга ключевых бизнес-показателей.
Аналитик DWH с опытом (1.5 года) разработки решений для банковского сектора, e-commerce и корпоративной аналитики. Специализируюсь на проектировании моделей данных, анализе бизнес-требований, разработке ETL/ELT-процессов и обеспечении качества данных с использованием SQL, Airflow, Spark, Kafka и ClickHouse. Помогаю бизнесу получать надежные и масштабируемые данные для аналитики и принятия решений, сокращая время вывода новых решений и повышая стабильность платформы данных.
2
1. Собрал и формализовал бизнес-требования, провёл более 25 интервью и рабочих встреч с Product Owner, Data Engineers, BI-аналитиками и представителями продуктовых команд для определения требований к аналитическим данным.
2. Проанализировал 7 источников данных (сервис заказов, CRM, платежная система, каталог ресторанов, сервис курьеров, система лояльности и справочники), подготовил спецификации Source-to-Target Mapping и требования к ETL-процессам.
3. Спроектировал 15 аналитических витрин и логическую модель DWH для анализа заказов, GMV, среднего чека, времени доставки, эффективности курьеров, работы ресторанов и пользовательской активности.
4. Подготовил более 60 SQL-запросов для проверки качества данных, валидации ETL-загрузок и анализа корректности расчета бизнес-показателей, что позволило существенно снизить количество ошибок при выпуске новых аналитических отчетов.
5. Разработал функциональные требования и техническую документацию для 18 задач по развитию DWH, включая описание бизнес-правил, моделей данных, словаря показателей и Acceptance Criteria в Jira и Confluence.
6. Участвовал в приемочном тестировании новых витрин данных и ETL-процессов, выявил и документировал более 80 несоответствий между источниками данных и бизнес-требованиями до вывода изменений в промышленную эксплуатацию.
Результат: сократил время подготовки новых аналитических витрин примерно на 35%, снизил количество дефектов, выявляемых после релиза, более чем на 25%, а также обеспечил единый подход к расчету ключевых продуктовых и финансовых KPI для команд BI и Product Analytics.
01.2025 — 06.2025 | Проект по развитию корпоративного DWH для BusinessGO
Краткое описание цели проекта: Развитие корпоративного хранилища данных (DWH) для платформы BusinessGO с целью консолидации данных из различных информационных систем, подготовки аналитических витрин и повышения качества управленческой отчетности для бизнеса.
Собрал и формализовал бизнес-требования, провёл более 20 встреч с Product Owner, BI-разработчиками и представителями бизнеса для согласования требований к аналитической отчетности.
• Проанализировал 5 источников данных (ОФД, GreenKassa, GreenMag, CRM и справочные системы) и подготовил спецификации Source-to-Target Mapping для ETL-процессов.
• Спроектировал 12 аналитических витрин данных и логическую модель DWH (фактовые и измерительные таблицы) для анализа продаж, чеков, выручки и активности пользователей.
• Разработал более 40 SQL-запросов для проверки качества данных, анализа полноты загрузок и валидации ETL-процессов, что позволило своевременно выявлять ошибки до передачи данных в BI.
• Подготовил техническую документацию, модели данных и описания бизнес-показателей в Confluence, обеспечив единый подход к разработке и сопровождению аналитических решений.
• Результат: повысил качество данных в аналитической отчетности, сократил время подготовки новых витрин данных примерно на 30%, а также уменьшил количество замечаний при приемочном тестировании ETL-процессов благодаря детальной проработке требований и проверкам качества данных.
06.2025 – 07.2025| Тестировщик ПО, АО «Неофлекс Консалтинг», Саратов
Тестирование функционала интернет-магазина (сайт Reebok): разработка тестовых сценариев, поиск дефектов, оценка качества продукта.
Ключевые проекты:
Разработка тестовых сценариев для e-commerce платформы (2025) Цель — покрыть тестами ключевые пользовательские сценарии сайта (поиск, каталог, корзина, личный кабинет) с применением техник тест-дизайна.
3
• Разработал 34 тестовых сценария с использованием 4 техник тест-дизайна (эквивалентное разделение, анализ граничных значений, таблицы решений, тестирование переходов состояний)
• Провёл функциональное тестирование ключевых модулей: поиск, каталог товаров, корзина, оформление заказа, личный кабинет
• Выполнил кросс-браузерное тестирование в 4 браузерах (Chrome, Firefox, Safari, Edge)
• Протестировал адаптивность интерфейса в диапазоне разрешений от 320px до 768px
• Результат: покрытие тестами всех критичных пользовательских путей (регистрация, поиск, оформление заказа), что снизило риск пропуска дефектов в продакшн.
Выявление дефектов и оценка качества продукта (2025) Цель — зафиксировать найденные дефекты в формате баг-репортов и подготовить рекомендации по улучшению продукта.
• Составил 10 баг-репортов с полным описанием шагов воспроизведения, ожидаемого и фактического результата
• Классифицировал дефекты по критичности и приоритету: 3 критических (P1), 3 высоких (P2), 4 средних/низких (P3–P4)
• Выявил критические ошибки в ключевых процессах — обработке пустого поискового запроса, валидации email при регистрации, оплате через Apple Pay
• Проанализировал производительность сайта (среднее время загрузки страниц — менее 3 сек)
• Результат: сформирован приоритизированный план исправлений (P1 — в текущий спринт, P2–P4 — в следующий релиз), что дало команде чёткий roadmap по устранению критичных багов до релиза
Определение типа личности по тексту (NLP, аттестационная работа, 2024) Цель — разработать модель, определяющую тип личности автора по стилистическим и лексическим особенностям текста.
• Собрал и разметил датасет текстов, сопоставленных с типами личности (на основе открытых корпусов и опросников)
• Реализовал предобработку текста: токенизация, лемматизация, векторизация (TF-IDF)
• Обучил и сравнил несколько моделей классификации (Naive Bayes, SVM, логистическая регрессия)
• Результат: итоговая модель определяла тип личности с точностью около 75%, что подтвердило применимость лингвистических признаков для задачи классификации
Прикладной анализ данных и машинное обучение (программа профпереподготовки, 2024) Цель — применить методы анализа данных и машинного обучения для решения прикладных задач в рамках итоговой аттестационной работы.
• Провёл разведочный анализ данных (EDA): выявил закономерности, аномалии и пропуски в наборе данных, обработал 100% пропущенных и выбросовых значений
• Реализовал предобработку и подготовку данных на Python (pandas, NumPy): очистка, нормализация, feature engineering
• Построил и сравнил несколько моделей машинного обучения (регрессия, деревья решений, ансамблевые методы) с использованием scikit-learn
• Применил библиотеки машинного и глубокого обучения (scikit-learn, TensorFlow/Keras) для решения задачи классификации/прогнозирования
• Результат: итоговая модель показала точность прогноза выше baseline на 15–20%, работа защищена как часть итоговой аттестации по программе «Специалист по анализу данных»
Образование 2022-2026 | Cаратовский государственный университет имени Н. Г. Чернышевского Факультет «Механико-математический», кафедра «теории функции и стохастического анализа»
4
Направление: «01.03.02 Прикладная математика и информатика» Профиль: Математическое и информационное обеспечение экономической деятельности
23.09.2024 – 01.07.2025 | Cаратовский государственный университет имени Н. Г. Чернышевского Факультет «Механико-математический», кафедра «теории функции и стохастического анализа» Направление: «Ведение профессиональной деятельности на основе данных: применение методов машинного обучения» Специальность: «Специалист по анализу данных»
2026 | Акционерное общество Неофлекс Консалтинг — «Analytics DWH» 2024 | Stepik — «Введение в С++» 2024 | Stepik — «Введение в SQL»