Портфолио дата-журналиста
Превращаю данные в понятные аналитические исследования, интерактивные отчеты и инфографику.
Аналитика и сторителлинг
Классификация 305 стартапов в области искусственного интеллекта, привлекших инвестиции в период с февраля 2025 года по февраль 2026 года.
Парсинг Python Tableau
Парсинг Python Tableau
Между риском и доходностью существует прямая зависимость: чем выше потенциальная прибыль актива, тем выше вероятность финансовых потерь.
OSINT Python Tableau
OSINT Python Tableau
Исследование модельных данных для прогнозирования выхода компании на биржу, поглощения или закрытия стартапа.
Python SQL Tableau
Python SQL Tableau
Детальное исследование данных U.S. Energy Information Administration об экспорте американской нефти и нефтепродуктов в разрезе стран и регионов.
Claude Python Tableau
Claude Python Tableau
Профессиональные инвесторы рассчитывают на хорошую доходность от акций компаний с малой капитализацией, международных активов и энергетического сектора.
CSINT Google Sheets Tableau
CSINT Google Sheets Tableau
Значительное и длительное завышение цены актива можно определить только задним числом. Для управляющих активами и розничных инвесторов такие рейтинги служат предупреждением.
OSINT CSV Tableau
OSINT CSV Tableau
Рассказать историю с помощью данных и донести финансовую информацию до различных аудиторий с помощью графиков и диаграмм.
JavaScript Highcharts Everviz
JavaScript Highcharts Everviz
Возможность купить акции IT-компаний, биотехнологических, технологических, энергетических и других быстрорастущих компаний США.
Google Sheets JavaScript Everviz
Google Sheets JavaScript Everviz
Необходимо смотреть не только на цену акций, но и на основные показатели оценки компаний и акций в течение длительного времени.
OSINT Monosnap
OSINT Monosnap
Визуализация данных
Детали и инсайты проекта
Цель:
- визуализировать результаты весеннего опроса Barron's Big Money 2026 среди профессиональных инвесторов США для анализа их настроений и инвестиционных предпочтений
- проанализировать настроения портфельных менеджеров и инвестиционных стратегов в отношении рынка акций США и глобальных рынков
- показать распределение инвестиционных предпочтений по секторам, классам активов и международным рынкам
- представить прогнозы инвесторов по ключевым экономическим метрикам: инфляции, процентным ставкам ФРС, доходности гособлигаций и динамике ВВП
- сбор и предобработка данных опроса 105 профессиональных управляющих активами
- разработка визуализаций в Tableau
- создание информационных пояснений, интерактивных выделений и подсказок
- публикация и презентация дашборда ⧉
- интерактивный дашборд в Tableau с четырьмя тематическими вкладками: Markets, Assets, Equity, Economy
- система навигации для переключения между глобальным обзором рынка и детальным анализом отдельных классов активов и секторов
- зафиксирован рост оптимизма среди профессиональных инвесторов: доля «быков» выросла с 47% до 54%
- выявлены наиболее привлекательные секторы: энергетика (24%), IT (17%) и промышленность (15%)
- определены лидеры по классам активов: наибольший бычий настрой зафиксирован по сырьевым товарам (75%) и non-U.S. акциям (66%)
- инструмент позволяет инвесторам и аналитикам быстро оценивать изменение рыночных настроений и корректировать инвестиционные стратегии
Детали и инсайты проекта
Цель:
- визуализировать глобальные изменения в экспорте американской нефти и нефтепродуктов в 2025 году
- проанализировать динамику объемов импорта крупнейшими мировыми экономиками
- наглядно показать перераспределение энергетических потоков (рост Индии и Нидерландов на фоне снижения доли Китая)
- создать инструмент для сравнения годовых показателей 2024 и 2025 годов в разрезе стран и регионов
- предобработка данных о поставках энергоресурсов с помощью Python
- генерация специального датасета с использованием AI Claude
- разработка пространственной визуализации с применением Map Layers в Tableau
- создание динамических элементов сравнения (Year-over-Year)
- публикация и презентация дашборда ⧉
- интерактивный дашборд в Tableau
- система навигации для переключения между глобальным обзором и детальным анализом конкретных стран
- выявлена роль Нидерландов (порт Роттердам) как главного энергетического хаба Европы в 2025 году (419 млн баррелей)
- зафиксировано резкое снижение зависимости Китая от нефти США (-25%) и зеркальный рост импорта со стороны Индии (+35%)
- продемонстрирована инфраструктурная зависимость Канады от американского импорта, несмотря на наличие собственных запасов
- инструмент позволяет инвесторам и аналитикам быстро оценивать изменения геополитических рисков в энергетическом секторе
Детали и инсайты проекта
Цель:
- определить факторы, в наибольшей степени влияющие на успех и неудачу стартапов
- выявить нелинейные закономерности между числовыми и категориальными показателями, которые упускает стандартная корреляция Пирсона
- предоставить пользователю инструмент для самостоятельного глубокого изучения распределения результатов
- 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 ⧉
- интерактивный дашборд в Tableau, интегрированный с PostgreSQL
- система навигации для исследования данных и детализации любого показателя
- оцифрованы венчурные риски через анализ зависимостей
- выявлены критические метрики для оптимизации стратегии
- определены слабые проекты на основе ранних показателей
- предусмотрено повышение ROI венчурного портфеля до 20-30%
Детали и инсайты проекта
Цель:
- визуализировать ландшафт ИИ-стартапов и выявить инвестиционные тренды по 14 категориям в период с февраля 2025 по февраль 2026 года
- 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
- 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 ⧉
- интерактивный дашборд в Tableau с макетом периодической таблицы
- навигация по пяти параметрам через визуальное расположение элементов
- подсказки и столбчатые диаграммы как второй уровень детализации
- наглядно представлены 14 категорий ИИ-рынка на одном экране
- выявлены лидеры роста: ИИ для разработчиков (+320%), ИИ-агенты (+260%), отраслевой SaaS (+250%)
- зафиксирован перехода рынка от универсального ИИ к отраслевому
- создан готовый инструмент для первичного скрининга инвестиционных направлений в сфере искусственного интеллекта
Детали и инсайты проекта
Цель:
- визуализировать соотношение риска и доходности классов активов и модельных инвестиционных портфелей на основе 25-летних исторических данных (2001-2025)
- 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
- 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 ⧉
- 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
- наглядно подтверждена фундаментальная зависимость риска и доходности на реальных 25-летних данных
- продемонстрирован эффект диверсификации: портфели из двух и трёх активов визуально смещаются в зону лучшего соотношения риск/доходность
- создан инструмент для подбора модельного портфеля под индивидуальный риск-профиль инвестора
- подготовлена основа для консультационной работы с клиентами по распределению активов
Детали и инсайты проекта
Цель:
- оценить эффективность фильтрации мест размещения в Рекламной Сети Яндекса
- 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
- 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 ⧉
- 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
- подтверждена необходимость фильтрации: нерелевантные площадки снижают ROAS
- создан инструмент для регулярного аудита площадок размещения
- сформирована методология: список "плохих" площадок требует модерации минимум 2 раза в год
- рекомендовано: выделять 10-15% бюджета на постоянное тестирование размещений на мобильных устройствах с учётом их потенциально высокого ROAS
Контакты
Александр Слободской
Дата-журналист
Привет!
Я превращаю сложные массивы данных в глубокие аналитические исследования, интерактивные спецпроекты и полезные инфопродукты.
Специализируюсь на создании data-driven контента для медиа, финтех-компаний и консалтинга: нахожу скрытые тренды в цифрах, проверяю гипотезы и упаковываю сухую статистику в увлекательные визуальные истории. Умею переводить сложный технический язык и запутанные отчеты в формат, понятный бизнесу и широкой аудитории.
Ключевые компетенции:
- Источники и OSINT: поиск информации в открытых и коммерческих источниках, государственных реестрах, базах ведомств и аудит методологии для исключения ошибок.
- Сбор и анализ данных: использование Python и SQL для автоматического сбора данных (парсинг сайтов, API), очистки «грязных» массивов и проведения статистических исследований.
- Интерактивная визуализация: проектирование понятных графиков, интерактивных карт и аналитических дашбордов.
- Дата-сторителлинг и дистрибуция: полный цикл создания контента - от формулировки гипотезы и поиска инфоповода до создания, продвижения и монетизации аналитического контента.
Сейчас ищу новые возможности для применения своего опыта в медиа-проектах, корпоративных исследованиях и контент-маркетинге.