Портфолио дата-журналиста
Превращаю данные в понятные аналитические исследования, интерактивные отчеты и инфографику.
Аналитика и сторителлинг
Почему инвесторы Big Money сохраняют оптимизм
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|
Периодическая таблица ИИ стартапов
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|
25-летний анализ риска-доходности активов
Между риском и доходностью существует прямая зависимость: чем выше потенциальная прибыль актива, тем выше вероятность финансовых потерь.
|OSINT| • |Python| • |Tableau|
|OSINT| • |Python| • |Tableau|
Анализ эффективности 100 тысяч стартапов
Исследование модельных данных для прогнозирования IPO, поглощения или закрытия. Используемый подход применим для выявления факторов успеха и неудач стартапов.
|Python| • |SQL| • |Tableau|
|Python| • |SQL| • |Tableau|
Крупнейшие покупатели нефти из США в 2025 году
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|
Риск «пузыря» недвижимости в крупных городах
«Пузырь» - значительное и длительное завышение цены актива. Для управляющих активами и розничных инвесторов такие рейтинги служат предупреждением.
|OSINT| • |CSV| • |Tableau|
|OSINT| • |CSV| • |Tableau|
Как создать визуализацию финансовых данных
Рассказать историю с помощью данных и донести финансовую информацию до разных аудиторий с учетом распространенных ошибок.
|JavaScript| • |Highcharts| • |Everviz|
|JavaScript| • |Highcharts| • |Everviz|
Инвестиционный портфель №1 - лучшие компании
Инвестиции в акции новаторских и развивающихся компаний США. Ограниченные риски при высокой вероятности достижения показателей доходности.
|Google Sheets| • |JavaScript| • |Everviz|
|Google Sheets| • |JavaScript| • |Everviz|
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.