Резюме: Data Analyst

BI / Data Analyst — Pro-BI (01.2026 – 07.2026)
- Перевёл отчётность 6 бизнес-юнитов на единую систему сквозных метрик. Время подготовки управленческой отчётности сократилось на 20% (с 5 до 4 рабочих дней) за счёт устранения дублирования источников и оптимизации ETL-нагрузки.
- Оптимизировал архитектуру BI-системы (переработка 25+ тяжёлых запросов, индексация, кэширование). Время загрузки критичных отчётов сократилось в 2 раза — целевое время открытия дашборда снижено с 10 до 5 сек для всего пула из 12 отчётов. Реализовал изменения самостоятельно, согласовав с архитектором.
- Автоматизировал мониторинг KPI и построил витрину данных для 10 объектов (Python + BI) — запущен real-time дашборд, топ-менеджмент получает данные о прогрессе без задержек, повышена операционная прозрачность.

BI / Data Analyst — PIX Robotics (07.2023 – 01.2026)
- Разработал 8 дашбордов в PIX BI для операционной и продуктовой отчётности — время доступа к ключевым метрикам сократилось с 3 дней до 15 минут; внедрил DQ-проверки на этапе тестирования, исключив инциденты с данными в production.
- Провёл цикл из 3 A/B-экспериментов (валидация гипотез, дизайн, анализ с контролем дисперсии через стратификацию). Выявленные драйверы удержания дали +9% (p-value < 0.05, выборка 50K пользователей, длительность 14 дней) в тестовой группе. На основе моих рекомендаций продакт принял решение о раскатке на 100% пользователей.
- Оптимизировал SQL-запросы и ETL-конвейеры (ClickHouse, PostgreSQL). Время загрузки ключевых витрин — с 40 до 16 минут (ускорение в 2.5 раза), высвободило ~20 часов аналитической работы в месяц для команды.
- Автоматизировал 12 регулярных отчётов на Python (pandas, интеграция в BI) — исключил ручные ad-hoc-запросы бизнеса и повысил консистентность данных между источниками за счёт централизованной логики расчётов.
- Провёл анализ поведения пользователей (воронка конверсии, когортный анализ, сегментация) и выявил критическую точку падения — рекомендации по изменению сценария реализованы, конверсия выросла на 12%.
- Построил сегментную витрину данных для выделения высокопотенциальных клиентов. Передал в продакт-команду. На основе моих данных запущены 3 сезонных оффера — +15 млн руб. выручки
Навыки
SQL: аналитические запросы, оконные функции, CTE, оптимизация (PostgreSQL, ClickHouse) · Python: pandas, numpy, автоматизация выгрузок и расчётов · BI и визуализация: Power BI (основной), PIX BI, Qlik — продвинутый уровень; знакомство: Superset, Metabase, Tableau · Продуктовые и бизнес-метрики: CR, LTV, ARPU, CAC, retention, churn, AOV, unit-экономика · A/B-тестирование и проверка статистических гипотез · EDA, сегментация пользователей, когортный и воронковый анализ · DWH / витрины данных, контроль качества данных (Data Quality) · ETL/ELT, Apache Airflow, Jira/Confluence

Образование
- РАНХиГС — Бизнес-информатика (бакалавриат) — 09.2021 – 07.2025 (диплом получен)