Ищу возможности для дальнейшего профессионального роста в области анализа и визуализации данных
    •  
  • website icon
    •  
    •  
En

Анализ данных

Навыки

  • Python

    pandas, seaborn, numpy, scipy, statsmodels, matplotlib, plotly, sqlalchemy, folium, IPython, os, phik, sklearn

  • PostgreSQL

    Aгрегирование, группировка, JOIN, подзапросы, CTE, оконные функции

  • Статистический анализ данных

    Т-критерий Стьюдента, U-критерий Манна-Уитни, Z-критерий Фишера

  • Когортный анализ, юнит-экономика

    LTV, CAC, ROI, ARPU, CR, Retention Rate

  • Приоритизация гипотез

    ICE, RICE, анализ результатов А/В тестов

  • Основы ML

    EDA, регрессия, классификация, кластеризация

  • Web-аналитика

    Яндекс.Метрика, Яндекс.Вебмастер, Google Tag Manager, Google Analytics, Google Search Console, Tilda, CRO, VWO
Рабочие и pet-проекты

Tableau

Calculated Field, Parameters, Hierarchy, Table Calculation, WINDOW, LOD, GEO, Actions, Filters, Reference & Trend Line, Forecast
Цель:
  • определить факторы, в наибольшей степени влияющие на успех и неудачу стартапов
Задачи:
  • выявить нелинейные закономерности между числовыми и категориальными показателями, которые упускает стандартная корреляция Пирсона
  • предоставить пользователю инструмент для самостоятельного глубокого изучения распределения результатов
Реализация:
  • расчёт матрицы Phik-корреляции в Python для поиска нелинейных связей
  • проектирование модели данных PostgreSQL → Tableau
  • настройка панели фильтрации и навигации через Dynamic Zone Visibility
  • создание информационных пояснений, интерактивных выделений и подсказок
  • публикация и презентация дашборда ⧉
Решение:
  • интерактивный дашборд в Tableau, интегрированный с PostgreSQL
  • система навигации для исследования данных и детализации любого показателя
Результаты:
  • оцифровка венчурных рисков через анализ зависимостей
  • выявление критических метрик для оптимизации стратегии
  • отсеивание слабых проектов на основе ранних показателей
  • повышение ROI венчурного портфеля до 20-30%
Цель:
  • визуализировать ландшафт ИИ-стартапов и выявить инвестиционные тренды по 14 категориям в период с февраля 2025 по февраль 2026 года
Задачи:
  • представить 305 стартапов в структурированном формате, сохраняя одновременно 5 ключевых параметров каждой категории
  • дать пользователю возможность самостоятельно сравнивать категории по объёму финансирования, динамике роста и рыночному тренду
  • обеспечить быстрый доступ к конкретным компаниям и рыночным фактам через интерактивные подсказки
Реализация:
  • адаптация внешней классификации Veridion как источника данных
  • проектирование визуального макета в формате периодической таблицы
  • размещение параметров с использованием Map Layers: рейтинг по инвестициям, рыночный тренд, годовой рост, объём финансирования, количество компаний
  • настройка подсказок с примерами стартапов и аналитическими фактами по каждой категории
  • публикация и презентация дашборда ⧉
Решение:
  • интерактивный дашборд в Tableau с макетом периодической таблицы
  • навигация по пяти параметрам через визуальное расположение элементов
  • подсказки и столбчатые диаграммы как второй уровень детализации
Результаты:
  • наглядное сравнение 14 категорий ИИ-рынка в одном экране
  • выявление лидеров роста: ИИ для разработчиков (+320%), ИИ-агенты (+260%), отраслевой SaaS (+250%)
  • фиксация перехода рынка от универсального ИИ к отраслевому
  • готовый инструмент для первичного скрининга инвестиционных направлений в сфере искусственного интеллекта
Цель:
  • визуализировать соотношение риска и доходности классов активов и модельных инвестиционных портфелей на основе 25-летних исторических данных (2001-2025)
Задачи:
  • показать поведение одиночных активов и диверсифицированных портфелей на плоскости «риск - доходность»
  • дать пользователю возможность самостоятельно оценить доходность по годам инвестиционного портфеля или актива в выбранном периоде
  • обеспечить фильтрацию по анализируемому периоду и классам активов
  • реализовать режим «Quadrant View» для разделения портфелей по целевой доходности и устойчивости к риску
Реализация:
  • сбор и расчёт исторических данных по доходности активов в долларах США за 25 лет
  • проектирование scatter plot с тремя типами объектов: ромбы (классы активов), линии (портфели из двух активов), серые точки (портфели из трёх активов с шагом 5%)
  • создание подсказок с разбивкой доходности по годам для каждой точки и ромба
  • реализация фильтров по периоду и классам активов
  • настройка Dynamic Zone Visibility для режима «Quadrant View»: при его включении появляются дополнительные фильтры целевой доходности и допустимого риска
  • публикация и презентация дашборда ⧉
Решение:
  • интерактивный дашборд в Tableau на основе scatter plot с тремя уровнями детализации портфелей
  • визуальные подсказки с доходностью по годам как второй уровень анализа для любой точки
  • режим «Quadrant View» с динамически появляющимися фильтрами для оценки релевантности портфелей под заданные параметры инвестора
Результаты:
  • наглядное подтверждение фундаментальной зависимости риска и доходности на реальных 25-летних данных
  • демонстрация эффекта диверсификации: портфели из двух и трёх активов визуально смещаются в зону лучшего соотношения риск/доходность
  • инструмент для подбора модельного портфеля под индивидуальный риск-профиль инвестора
  • готовая основа для консультационной работы с клиентами по распределению активов
Цель:
  • оценить эффективность фильтрации мест размещения в Рекламной Сети Яндекса
Задачи:
  • сравнить динамику ключевых метрик до и после фильтрации площадок
  • визуализировать распределение показателей в разрезе типов устройств и качества площадок
  • настроить мониторинг эффективности фильтрации с еженедельными обновлениями
Реализация:
  • подготовка и очистка данных рекламных кампаний из Яндекс.Директа
  • проектирование дашборда с разбивкой по типам устройств (desktop, mobile, tablet) и типам площадок
  • настройка интерактивных выделений
  • настройка фильтров по площадкам, детализации и периоду
  • публикация и презентация дашборда ⧉
Решение:
  • интерактивный дашборд в Tableau для мониторинга эффективности фильтрации рекламных размещений в разрезе устройств и площадок
  • система выделений по типу устройства как инструмент быстрого сравнения сегментов
  • перекрёстные фильтры для самостоятельного анализа комбинаций площадок и периодов
Результаты:
  • наглядное подтверждение необходимости фильтрации: нерелевантные площадки снижают ROAS
  • инструмент для регулярного аудита площадок размещения
  • сформирована методология: список "плохих" площадок требует модерации минимум 2 раза в год
  • 10–15% бюджета необходимо выделять на постоянное тестирование размещений на мобильных устройствах с учётом их потенциально высокого ROAS

Контакты

Александр Слободской
BI-аналитик

Привет!


Я помогаю решать бизнес-задачи с помощью анализа и визуализации данных.


Специализируюсь на развитии продуктов и повышении эффективности маркетинга в сфере финансовых услуг. Помогаю компаниям снизить отток клиентов, оптимизировать маркетинговые воронки и выявить сегменты с наибольшей LTV. Понимаю потребности бизнеса, задаю правильные вопросы и превращаю запросы в понятные инсайты - это помогает командам принимать взвешенные и эффективные решения.


Ключевые компетенции:


  • Ad-hoc аналитика: поиск скрытых инсайтов для решения срочных бизнес-задач (например, выявление причин падения ROAS на 15% в рекламных сетях)

  • Анализ данных: использование SQL и Python для извлечения, очистки и анализа данных для 3-х кросс-функциональных команд

  • Визуализация данных: разработка 40+ интерактивных дашбордов в Tableau и Superset для ежедневного операционного и стратегического мониторинга

  • Оптимизация процессов: автоматизация отчетности и освобождение 15+ рабочих часов в неделю за счет оптимизации рутинных операций

В настоящее время ищу новые возможности для применения своего опыта в BI-аналитике для роста бизнеса. Давайте пообщаемся и обсудим, как ваша компания может достичь своих целей с помощью данных!

    •  
  • website icon
    •  
    •