Data / Product Analyst (SQL, Python, BI)

Задачи и зоны ответственности:

- Провести расчёт ключевых метрик в Excel: DAU, WAU, MAU, конверсии по этапам воронки (Визит - Регистрация - Активность - Подписка), Retention 7 и Retention 30 дней, эффективность источников привлечения.
- Выполнить сегментацию аудитории по типу устройства и источнику трафика, сравнить поведенческие показатели между сегментами.
- Разработать интерактивный дашборд в Yandex DataLens для мониторинга ключевых метрик (воронка, динамика пользователей, эффективность каналов).
- Провести анализ пользовательского поведения и монетизации продукта для выявления точек потерь, оценки удержания и эффективности каналов привлечения.
- Сформулировать гипотезы по оптимизации freemium-модели для увеличения конверсии пользователей в платную подписку.

Ключевые достижения:

- Построил пользовательскую воронку (482 - 332 - 317 - 72) в Excel, выявил ключевую точку потерь на этапе Активность - Подписка (конверсия 22,7%), что позволило команде сфокусироваться на оптимизации монетизации вместо улучшений на ранних этапах.
- Рассчитал DAU, WAU, MAU на основе активных действий (create_outfit, add_item). Провёл сегментацию аудитории по типу устройства и источнику трафика: мобильные устройства - основной канал потребления (лидер по подпискам и активности), desktop - стабильная вовлечённость, tablet - наименьший объём, но высокое краткосрочное удержание (Retention 7). Это позволило команде сфокусировать усилия на мобильной платформе и точечно работать с наиболее вовлечённым сегментом.
- Построил интерактивный дашборд в Yandex DataLens для мониторинга ключевых метрик (воронка, DAU/WAU/MAU, эффективность каналов, динамика пользователей). Дашборд используется продуктовой командой для еженедельного отслеживания KPI и оперативного реагирования на изменения.
- Провёл когортный анализ удержания: Retention 7 - 20,9%, Retention 30 - 62,7%. Выявил динамику падения удержания в первой неделе и стабилизацию к 30-му дню. Это показало, что ключевая зона роста - удержание в первую неделю, а не долгосрочное удержание пользователей, переживших первый месяц.
- Проанализировал эффективность каналов привлечения в Yandex DataLens: Instagram (Retention 30 - 68,6%), Google Ads (Retention 7 - 23,9%), TikTok (конверсия в подписку 19,2% - наивысшая). Сформулировал рекомендации по перераспределению бюджета в пользу TikTok и Instagram. Рекомендации были приняты маркетинговой командой для перераспределения бюджетов.
- Провёл A/B-тест новой модели монетизации: конверсия в варианте A (контроль) - 3,31%, в варианте B - 5,49%, p-value = 0,138 (статистически не значимо). На основе анализа рекомендовал увеличить выборку и продлить тест, что позволило бизнесу избежать преждевременного внедрения неэффективного изменения.
- Сформулировал три продуктовые гипотезы для роста, каждая с проверяемой метрикой: масштабирование TikTok (рост числа подписок при сохранении Retention), ускорение встречи с лимитами freemium-версии (рост доли пользователей, достигших лимита), увеличение частоты использования в первые 7 дней (рост Retention 7). Гипотезы переданы в бэклог продукта для приоритизации и последующего тестирования.

Стек инструментов: Excel, Yandex DataLens, A/B-тестирование, статистический анализ, когортный анализ.

Задачи и зоны ответственности:

- Развернуть аналитический стек в Docker (ClickHouse, Airflow, Superset, Metabase) для воспроизводимости окружения.
- Загрузить и подготовить данные о продажах Amazon (128 975 записей) в ClickHouse (очистка, преобразование типов, создание колонки proper_date).
- Построить автоматизированный ETL-пайплайн для ежедневного обновления аналитической витрины через Apache Airflow.
- Провести анализ продаж: выручка по категориям и штатам, ABC-анализ товаров, B2B/B2C-сегментация.
- Разработать дашборды в Apache Superset (управленческий и продуктовый) и Metabase (география и тренды).

Ключевые достижения:

- Развернул аналитический стек в Docker (ClickHouse, Airflow, Superset, Metabase), обеспечив воспроизводимость окружения и упростив онбординг новых членов команды.
- Обработал и подготовил 128 975 записей: преобразовал типы данных, создал колонку proper_date, построил витрины данных, что позволило перейти к корректному анализу временных рядов.
- Загрузил подготовленные данные в ClickHouse, настроил ETL-пайплайн: выгрузка из CSV - трансформация - загрузка в витрину sales_daily, обеспечив автоматическую подготовку данных для отчётности.
- Написал DAG на Python в Apache Airflow для ежедневного автоматического обновления витрины sales_daily, полностью автоматизировав подготовку отчётов и исключив ручной труд аналитика.
- Провёл анализ: выручка по категориям и штатам, ABC-анализ, B2B/B2C-сегментация. Выявил, что топ-3 штата формируют 60% выручки (Maharashtra - 27,8%, Karnataka - 17,2%, Tamil Nadu - 14,9%), что указало на высокий региональный риск и необходимость диверсификации.
- Определил категории Shirt и Trousers как основные драйверы выручки (41% общего объёма), что позволило команде сфокусировать ассортиментные и рекламные усилия.
- Обнаружил, что средний чек B2B (12 400) в 4,2 раза выше B2C (2 950), обосновав потенциал развития корпоративных продаж. Вывод передан в коммерческий отдел.
- Выявил сезонные пики среднего чека (до +18% перед праздниками), что позволило маркетинговой команде планировать промо-активности в периоды естественного роста спроса.
- Построил 3 интерактивных дашборда в Superset и Metabase с фильтрацией по дате, категории и типу продаж, которые используются руководством для оперативного мониторинга ключевых метрик.
- Вёл задачи в Jira, фиксировал ход выполнения работ и результаты тестирования. Сохранял код DAG и SQL-скрипты в Git (GitHub), обеспечивая версионность и воспроизводимость решений.

Стек: ClickHouse, Apache Airflow, ETL, Apache Superset, Metabase, Docker, Python, SQL, Git, Jira.

Задачи и зоны ответственности:

- Проанализировать портфель проектов: количество проектов в 2023 году, динамику заключения контрактов, объём проектов в 2024 году и их отклонения от скользящего среднего.
- Рассчитать суммарный возраст сотрудников, нанятых в 2022 году, и средний возраст уволенных сотрудников.
- С помощью рекурсивного CTE рассчитать фонд оплаты труда по иерархии подразделений.
- Провести анализ авансовых платежей: построить накопительный итог, определить момент превышения порога в 30 млн руб.
- Рассчитать бонусы руководителей проектов (1% от стоимости завершённых проектов), выявить максимальный бонус.
- Реализовать сквозную нумерацию фактических платежей по годам и скользящее среднее с шагом 2 строки назад и вперёд.
- Создать материализованное представление для автоматизации управленческого отчёта по проектам.

Ключевые достижения:

- Проанализировал портфель проектов: в 2023 году заключено 54 проекта. Выявил снижение портфеля в 2024 году (объём проектов 169 148 040 руб. - ниже скользящего среднего), что позволило руководству своевременно пересмотреть планы по привлечению новых контрактов.
- Рассчитал суммарный возраст сотрудников, нанятых в 2022 году (>127 лет), и средний возраст уволенных сотрудников (43,75 года), что указывает на стратегию привлечения опытных кадров и возможную реструктуризацию. Данные переданы в HR-департамент для анализа кадровой политики.
- С помощью рекурсивного CTE рассчитал фонд оплаты труда в иерархии подразделений (3 540 000 руб.), оценил финансовую нагрузку управленческой структуры, что позволило руководству рассмотреть возможность оптимизации числа управленческих уровней.
- Провёл анализ авансовых платежей: построил накопительный итог, выявил дату первого превышения порога в 30 млн руб., что свидетельствует о положительном денежном потоке и ликвидности. Вывод использован финансовым отделом для подтверждения устойчивости компании перед кредиторами.
- Рассчитал бонусы руководителей проектов (1% от стоимости завершённых проектов), выявил максимальный бонус > 900 тыс. руб. и концентрацию крупных контрактов, что позволило руководству оценить зависимость компании от ограниченного числа ключевых менеджеров и клиентов.
- Реализовал сквозную нумерацию фактических платежей по годам и скользящее среднее с шагом 2 строки назад и вперёд для анализа динамики платежей. Сравнил сумму проектов за год с суммой скользящих средних, выявив аномалии в распределении платежей для дальнейшего расследования финансовым отделом.
- Создал материализованное представление для автоматизации управленческого отчёта по проектам, сократив время выполнения запросов с нескольких минут до секунд - отчёт используется финансовым отделом на регулярной основе.
- Выявил концентрацию выручки в одном регионе (31,78 млн руб.), что указывает на региональный риск. Рекомендация по диверсификации передана руководству.

Стек: SQL (PostgreSQL), оконные функции, CTE, рекурсивные CTE, материализованные представления.

Задачи и зоны ответственности:

- Спарсить и преобразовать реестр клиентов из PDF (город, отрасль, клиент, ставки по валютам) для загрузки в модель.
- Настроить в Power Query автоматическую загрузку исторических курсов валют (RUB, USD, EUR) из API ЦБ РФ.
- Спроектировать модель данных "звезда" в Power BI с логикой расчёта ежедневного остатка и начисления процентов.
- Разработать DAX-меры для ключевых KPI: привлечённые средства, выплаченные средства, начисленные проценты, долговая позиция, средний размер депозита.
- Реализовать динамическую конвертацию валют по курсу ЦБ на конец выбранного периода.
- Построить интерактивный дашборд из четырёх страниц с фильтрацией по периоду (детализация до дня), сегменту, отрасли, городу и валюте приведения.
- Обеспечить детализацию динамики показателей по годам, кварталам, месяцам и дням.

Ключевые достижения:

- Спарсил и преобразовал реестр клиентов из PDF: извлёк информацию о городе, отрасли, ставках по трём валютам для каждого клиента, что позволило автоматизировать загрузку клиентских данных в модель без ручного ввода.
- Настроил в Power Query автоматическую загрузку исторических курсов валют (RUB, USD, EUR) из API ЦБ РФ для динамической конвертации, обеспечив актуальность курсов без участия аналитика.
- Спроектировал модель данных "звезда" в Power BI (транзакции, реестр клиентов, календарь, курсы валют) с логикой расчёта ежедневного остатка и начисления процентов, что позволило получать корректные финансовые показатели с детализацией до дня.
- Создал DAX-меры для ключевых KPI: привлечённые средства, выплаченные средства, начисленные проценты, долговая позиция, средний размер депозита. Все показатели рассчитываются автоматически при изменении фильтров.
- Реализовал динамическую конвертацию валют по курсу ЦБ на конец выбранного периода, выявил скрытые структурные сдвиги после приведения к единой валюте, что позволило увидеть реальную концентрацию портфеля без искажений из-за валютной составляющей.
- Построил дашборд из четырёх страниц: сводка в исходных валютах и конвертированной валюте, детализация по отраслям и городам. Добавил фильтры по периоду, сегменту, отрасли, городу и валюте приведения, а также детализацию динамики по годам, кварталам, месяцам и дням. Дашборд используется риск-менеджментом для регулярного мониторинга концентрации портфеля.
- Выявил ключевые зоны концентрации риска: Москва - 17,6% портфеля, топ-3 отрасли - 48%, топ-10 клиентов - значительная зависимость. Коэффициент концентрации вырос к концу периода. Выводы переданы в отдел риск-менеджмента для пересмотра лимитов по крупнейшим клиентам и отраслям.

Стек: Power BI (DAX, Power Query, Power View), модель "звезда", API (валютные курсы), парсинг PDF, Excel.

Задачи и зоны ответственности:
- Провести исследование поведения пользователей такси: проанализировать распределение дистанций поездок для классов Economy и Comfort.
- Выполнить описательную статистику и визуализацию распределений (KDE, boxplot).
- Проверить гипотезу о том, что пользователи предпочитают Comfort-класс для поездок на большие расстояния.
- Использовать непараметрический тест Манна-Уитни для сравнения распределений.
- Интерпретировать результаты и сформулировать бизнес-выводы.

Ключевые достижения:
- Провёл разведочный анализ данных (EDA): выявил, что распределения дистанций поездок для обоих классов являются асимметричными и правосторонне скошенными, что сделало параметрические тесты неприменимыми, это определило выбор корректного статистического метода.
- Рассчитал описательные статистики: медиана Economy - 23,80 км, медиана Comfort - 28,08 км (разница +4,28 км). Среднее значение Economy - 26,28 км, Comfort - 29,76 км (разница +3,48 км). Цифры легли в основу количественного обоснования гипотезы.
- Визуализировал распределения с помощью KDE (графики плотности) и boxplot-диаграмм для наглядного сравнения классов, что позволило команде увидеть устойчивое смещение Comfort в сторону больших дистанций.
- Проверил нормальность распределений с помощью теста Шапиро-Уилка (выборки по 500 наблюдений) - распределения не являются нормальными, что подтвердило необходимость использования непараметрических тестов.
- Провёл непараметрический тест Манна-Уитни: U-статистика = 139 702, p-value = 0,000642 (< 0,05). Нулевая гипотеза отвергнута. Распределение дистанций Comfort статистически значимо смещено вправо относительно Economy. Это статистически подтвердило поведенческую гипотезу.
- Рассчитал вероятность превосходства: 0,559 (в 55,9% случаев поездка Comfort длиннее случайной поездки Economy), что позволило продуктовой команде оценить преимущество Comfort при дальних поездках в конкретных цифрах.
- Проверил устойчивость результата: после удаления верхнего 1% экстремальных дистанций p-value = 0,000521, вероятность превосходства = 0,560 - эффект сохраняется, что исключило влияние выбросов на выводы.
- Сформулировал бизнес-выводы: дистанция является значимым фактором выбора класса такси, при увеличении дистанции пользователи становятся менее чувствительными к цене, рекомендовано продвигать Comfort для длинных маршрутов и использовать дистанцию как предиктор в модели выбора тарифа. Рекомендации переданы в продуктовую команду для пилотирования динамического ценообразования.

Стек: Python (Pandas, Numpy, Matplotlib, Seaborn, SciPy), EDA, статистическое тестирование (Манна-Уитни, Шапиро-Уилка), визуализация данных с помощью библиотек.

Задачи и зоны ответственности:

- Мониторинг системы видеонаблюдения в режиме реального времени.
- Реагирование на сигналы КТС (комплекс технических средств охраны) и проверка тревожной кнопки.
- Работа с системой "Орион Про" для обеспечения пожарной безопасности ТЦ: контроль датчиков, реагирование на звуковые сигналы.
- Выявление аномальных ситуаций и передача информации для оперативного реагирования.
- Фиксация и систематизация событий в ежедневной отчётности.
- Включение и выключение рекламы в торговом центре.

Ключевые достижения:

- Осуществлял мониторинг 60+ камер одновременно, выявлял аномалии и передавал информацию для реагирования (до 10-15 инцидентов в день).
- Успешно реагировал на сигналы КТС и тревожной кнопки, обеспечивая безопасность посетителей и сотрудников ТЦ.
- Контролировал пожарную безопасность через систему "Орион Про", предотвращал ложные срабатывания и оперативно реагировал на штатные.
- Фиксировал и систематизировал события в ежедневных отчётах (10+ записей в день), обеспечивая прозрачность инцидентов для руководства.
- Предотвращал до 5-7 значимых инцидентов в неделю, что подтверждено отчётами и обратной связью руководства.

Задачи и зоны ответственности:

- Проанализировать глобальные и региональные продажи видеоигр для выявления ключевых драйверов выручки, популярных жанров и эффективных платформ.
- Сравнить продажи по регионам (NA, EU, JP, Other) и определить региональные особенности рынка.
- Выявить долгосрочные тренды продаж и жизненный цикл игровых платформ.
- Построить интерактивные дашборды в Tableau с фильтрацией по году, платформе, жанру, региону и издателю.
- Определить топ-игры и издателей по выручке для поддержки стратегии формирования портфеля.

Ключевые достижения:

- Построил интерактивные дашборды в Tableau для анализа продаж видеоигр: общий обзор, продажи по платформам и жанрам, сравнение по регионам, рейтинг топ-игр, временные ряды релизов. Дашборды используются портфельной командой для ежеквартального планирования релизов и маркетинговых активностей.
- Выявил, что жанры Action и Shooter доминируют в продажах PS4 в Северной Америке, формируя более 60% выручки. Shooter демонстрирует наибольшую среднюю выручку на игру (0,75 млн). Эти данные позволили команде разработки сфокусироваться на развитии shooter-проектов в приоритетном порядке.
- Определил, что Северная Америка (284 млн) и Европа (271 млн) являются крупнейшими рынками, совокупно формируя более 70% глобальных продаж. Япония (93 млн) - меньший по объёму, но структурно отличающийся рынок. Рекомендации по региональной стратегии переданы в маркетинговый отдел.
- Проанализировал жизненный цикл платформ: PS4 - лидирующая платформа поколения (288 млн глобальных продаж) с пиком в 2015 году (42 млн в Северной Америке). Это позволило команде планировать сроки выхода новых игр с учётом пиков активности платформы.
- Выявил неравномерное распределение продаж: небольшое число игр формирует значительную долю выручки. Корреляция между оценками критиков и продажами слабая (R-квадрат = 0,17), что указывает на важность маркетинга и бренда. Вывод передан в отдел маркетинга для пересмотра стратегии продвижения: акцент на бренд и рекламу, а не только на получение высоких оценок.

Стек: Tableau, Excel, визуализация данных, разведочный анализ данных (EDA).