Дата-аналитик. Превращаю данные в решения: проектирую A/B-тесты, пишу SQL-витрины, строю прогнозные модели и имитационные модели для what-if анализа.
- 🧪 Эксперименты: дизайн A/B-тестов, MDE и sample size, CUPED, bootstrap, стратификация
- 📐 Causal inference: diff-in-diff, synthetic control, propensity score
- 🏭 Simulation: дискретно-событийное моделирование (SimPy), поиск узких мест, валидация модели аналитическим расчётом
- 🤖 ML & LLM: классификация, прогнозирование, LLM-пайплайны с валидацией выхода кодом
- 🏆 Капитан команды на хакатонах Ozon Tech «Робозон» и «Точка сборки» 2026
- 🎓 Школа 21 (Сбер): Data Analyst, математическая статистика, ML
Анализ данных и статистика
Базы данных и Big Data
ML / DL / LLM
Simulation, визуализация, инфраструктура
Капитан команды. Дискретно-событийная модель сортировки на 100 000 товаров/час по 400 направлениям.
- 8 what-if сценариев: пик +15%, отказы роботов и портов, перекос спроса, стресс-тест до предела ~109 000 шт/ч
- Валидация модели независимым аналитическим расчётом, отклонение ≤ 3,3%
- Метрики: пропускная способность, p95 времени обработки, точность 99,958%
- Дашборд результатов на Streamlit, полная воспроизводимость в Docker
Python SimPy Pandas Streamlit Docker what-if анализ
Ассистент, который принимает звонки в поликлинику: запись, перенос, отмена, напоминания.
- Анализ данных заказчика: 17 772 звонка и 35 470 записей. Нашёл 20,7% пропущенных звонков и 11,5% неявок, на этом построена бизнес-логика продукта
- Медианная задержка ответа снижена с 4–11 с до ~2,4 с
- LLM только классифицирует фразу в JSON, решения принимает код: модель не может «выдумать» врача или время
- 119 автотестов, отказоустойчивость, соответствие 152-ФЗ
Python FastAPI LLM Whisper TypeScript Asterisk
Автоматизация KYC: определение типа документа по фото на датасете MIDV-500.
- Сравнение трёх архитектур: CNN с нуля, MobileNetV2, ResNet50
- Лучшая accuracy 99,24%, инференс < 100 мс на GPU
- EDA, стратифицированный сплит, confusion matrix, воспроизводимость (seed)
TensorFlow Keras scikit-learn EDA Computer Vision
Оценка вероятности дефолта клиента на датасете UCI Credit Card.
- EDA и feature engineering
- Работа с несбалансированными классами: SMOTE
- Сравнение Logistic Regression, Random Forest и XGBoost по ROC-AUC и confusion matrix
scikit-learn XGBoost imbalanced-learn ROC-AUC credit risk
Линейная регрессия с интерпретацией R², p-значений и коэффициентов, плюс EDA реального датасета.
statsmodels pandas регрессионный анализ
Курс SQL в Школе 21 (Сбер): 11 проектов на PostgreSQL.
| # | Проект | Что внутри |
|---|---|---|
| 1 | SQL Basics | SELECT, фильтрация, сортировка, агрегаты |
| 2 | Retrieving Data: Deep Dive | JOIN'ы, подзапросы, CTE |
| 3 | DML | INSERT / UPDATE / DELETE, модификация данных |
| 4 | Snapshots | представления, материализованные представления |
| 5 | Indexes | индексы, EXPLAIN ANALYZE, оптимизация запросов |
| 6 | Integrating Features | триггеры, аудит изменений, последовательности |
| 7 | OLAP | аналитические запросы, агрегации, оконные функции |
| 8 | Isolation Levels | транзакции, аномалии, уровни изоляции |
| 9 | Functions & Procedures | функции и процедуры на PL/pgSQL |
| 10 | Warehouse Fundamentals | основы DWH, витрины данных |
| 11 | Traveling Salesman Problem | задача коммивояжёра чистым SQL через recursive CTE |
PostgreSQL SQL window functions CTE recursive CTE OLAP DWH PL/pgSQL
Генерация лабиринтов (алгоритм Эллера) и пещер (клеточные автоматы), агент на Q-learning ищет кратчайший путь. Десктопный и веб-интерфейс.
Python Q-learning RL алгоритмы
Открыт к предложениям: Data Analyst · Product Analyst · A/B-тесты · Ad-hoc аналитика