Аналитик данных / Data Analyst

Задачи:
- Провести анализ пользовательского поведения и монетизации продукта с целью выявления точек потерь, оценки удержания и эффективности каналов привлечения.
- Исследовать влияние freemium-модели на конверсию пользователей и протестировать гипотезу её оптимизации.

Что было сделано:
- Построил пользовательскую воронку (482 - 332 - 317 - 72) с использованием Excel и Yandex DataLens, выявил низкую конверсию Active - Subscription (22,7%).
- Рассчитал Retention 7 (20,9%) и Retention 30 (62,7%) с применением когортного анализа, оценил динамику удержания.
- Проанализировал эффективность каналов в DataLens: Instagram показал наибольший Retention 30 (68,6%), Google Ads - более низкое удержание (23,9% на D7).
- Провёл A/B-тест монетизации с использованием статистических методов: конверсия группы B выше (5,49% vs 3,31%), однако различия статистически незначимы (p=0,138).
- Сформулировал гипотезы роста по оптимизации freemium-модели и масштабированию эффективных каналов на основе полученных данных.

Итог:
- Результаты анализа позволили выявить ключевую точку потерь и определить направления роста через повышение вовлечённости и оптимизацию каналов привлечения.

Задачи:

- Построить автоматизированный ETL-пайплайн для ежедневного обновления аналитической витрины.
- Загрузить и подготовить данные о продажах Amazon (128 975 записей) в ClickHouse.
- Разработать дашборды в Apache Superset (управленческий и продуктовый) и Metabase (география и тренды).

Что было сделано:

- Развернул аналитический стек в Docker (ClickHouse, Airflow, Superset, Metabase).
- Написал DAG в Apache Airflow для ежедневного обновления витрины 'sales_daily' (выручка, количество заказов по датам и категориям).
- Преобразовал типы данных, создал колонку 'proper_date', построил витрины данных.
- Провёл анализ 128 975 записей: выручка по категориям и штатам, ABC-анализ товаров, B2B/B2C-сегментация, топ-5 SKU по категориям.
- Построил 3 интерактивных дашборда с фильтрацией по дате, категории и типу продаж.

Итог:

- Автоматизировал ежедневное обновление отчётности.
- Выявил, что топ-3 штата формируют 60% выручки (Maharashtra - 27,8%, Karnataka - 17,2%, Tamil Nadu - 14,9%), что говорит о географической концентрации.
- Определил категории Shirt и Trousers как основные драйверы выручки (41% общего объёма).
- Обнаружил, что средний чек B2B (~12 400) в 4,2 раза выше B2C (~2 950), что указывает на потенциал развития корпоративных продаж.

Задачи:
- Провести комплексный анализ портфеля проектов, денежных потоков и структуры персонала на основе нормализованной базы данных строительной компании.
- Рассчитать бонусы менеджеров, оценить географическую концентрацию выручки и автоматизировать управленческую отчётность средствами SQL без использования BI инструментов.

Что было сделано:
- С использованием сложных многоуровневых JOIN, CTE и оконных функций (ROW_NUMBER, SUM OVER, AVG OVER) проанализировал 54 проекта за 2023 год, выявил стабильный поток контрактов и снижение портфеля в 2024 году.
- С помощью рекурсивного CTE рассчитал фонд оплаты труда в иерархии подразделений (3 540 000 руб.), оценил нагрузку управленческой структуры.
- Провёл анализ авансовых платежей и ликвидности: определил раннее превышение порога накопленных авансов, что свидетельствует о положительном денежном потоке.
- Создал материализованное представление для автоматизации управленческого отчёта по проектам, сократив время выполнения запросов.

Итог:
- Результаты позволили выявить концентрацию выручки в одном регионе (31,78 млн руб.) и зависимость от крупных контрактов (максимальный бонус менеджера > 900 тыс. руб.), а также создать готовый инструмент для финансового контроля.

Задачи:
- Разработать интерактивный дашборд для анализа депозитного портфеля корпоративных клиентов банка: оценить концентрацию по сегментам, отраслям, городам, а также динамику притоков/оттоков и начисленных процентов.
- Реализовать мультивалютную модель (RUB, USD, EUR) с динамической конвертацией по курсам ЦБ для корректного сравнения показателей.

Что было сделано:
- Построил модель данных “звезда” в Power BI (транзакции, реестр клиентов, календарь, курсы валют) с расчётом ежедневного остатка и логикой начисления процентов.
- Создал DAX-меры для ключевых KPI: привлечённые и выплаченные средства, начисленные проценты, долговая позиция, средний размер депозита.
- Реализовал динамическую конвертацию валют по последнему доступному курсу на конец выбранного периода, что позволило выявить скрытые структурные сдвиги после приведения к единой валюте.
- Построил страницы дашборда: сводка в исходных валютах и конвертированной валюте, детализация по отраслям и городам.

Итог:
- Дашборд показал, что Москва формирует 17,6% портфеля, топ-3 отрасли - 48%, топ-10 клиентов создают значительную концентрацию. Коэффициент концентрации вырос к концу периода, что сигнализирует о повышении риск-профиля. Инструмент используется для риск менеджмента и финансового планирования.

- Осуществлял мониторинг системы видеонаблюдения (60+ камер) в режиме реального времени
- Выявлял аномальные ситуации и передавал информацию для оперативного реагирования (до 10-15 инцидентов в день)
- Фиксировал и систематизировал события в отчётности (ежедневно 10+ записей)
- Работал с большим объёмом визуальных данных, предотвращая инциденты и обеспечивая сохранность имущества (до 5-7 значимых случаев в неделю)