{"id":"pacc_3ee8880ced4c44f58ea1adf61625e808","batch_file_id":null,"source_filename":"headhunter-150f82600010b689c9004bf79b76546f336351.json","source_mime_type":null,"source_document_url":null,"normalized_resume":{"hh_resume_id":"150f82600010b689c9004bf79b76546f336351","hh_updated_at":"2026-07-30T08:57:55+0300","hh_created_at":"2026-06-27T20:00:14+0300","hh_area_id":"1","hh_area_name":"Москва","hh_area_parent_name":null,"hh_metro":null,"hh_job_search_status":"Активно ищет работу","hh_job_search_status_id":"active_search","hh_can_view_full_info":false,"hh_contact_view_status":"NONE","hh_view_without_contacts_reason":null,"hh_hidden_fields":[],"hh_candidate_insights":[{"category":"activity","label":"Активность","value":"Активно ищет работу; обновлено 2026-07-30T08:57:55+0300"},{"category":"contacts","label":"Контакты","value":"контакты скрыты; доступ к полной информации: нет"},{"category":"logistics","label":"Логистика","value":"Москва; время в пути: Не имеет значения; командировки: Не готов к командировкам"},{"category":"preferences","label":"Предпочтения","value":"занятость: Полная занятость; график: Полный день; формат работы: Удалённо, Гибрид"},{"category":"achievements","label":"Достижения","value":"есть измеримые результаты в опыте: 2 из 2 мест работы"},{"category":"seniority","label":"Уровень","value":"есть senior/lead сигнал"}],"full_name":null,"first_name":null,"last_name":null,"middle_name":null,"emails":[],"phones":[],"contact_hidden":true,"birth_date":null,"gender":"male","social_media":["https://hh.ru/resume/150f82600010b689c9004bf79b76546f336351"],"city":"Москва","country":null,"about":null,"current_title":"Продуктовый аналитик","current_company":"Smart Reading","skills":["Python","Scikit-learn","Математическая статистика","Numpy","Clickhouse","Когортный анализ","pandas"],"source_skills":["Python","Scikit-learn","Математическая статистика","Numpy","Clickhouse","Когортный анализ","pandas"],"inferred_skills":[],"total_experience_months":65,"expected_salary":null,"preferred_position":"Product Analyst","recommendations":[],"source_url":"https://hh.ru/resume/150f82600010b689c9004bf79b76546f336351","source_photo_url":null,"resume_text":"Источник: HeadHunter API\nПозиция: Product Analyst\nГород: Москва\nОпыт: 65 мес.\nНавыки: Python, Scikit-learn, Математическая статистика, Numpy, Clickhouse, Когортный анализ, pandas\n\nОпыт работы:\nSmart Reading — Продуктовый аналитик\n2023-02-01 - 2026-05-01\nПродуктовый аналитик с фокусом на монетизацию и юнит-экономику подписочных сервисов. Специализируюсь на когортном анализе, построении воронок конверсии, прогнозировании оттока (Churn Prediction) и A/B-тестировании гипотез для роста подписной базы.\n\nВладею полным циклом аналитики: от сбора и обработки данных (SQL, Python) до визуализации и презентации инсайтов стейкхолдерам. Расчёт ключевых метрик подписочного бизнеса: LTV, CAC, Churn Rate, Retention Rate, ARPU, ARPPU, MRR, ROMI, ROI.\n\nПонимаю, как устроена платежная воронка, знаю, как правильно рассчитать размер выборки для A/B-теста и как отличать статистическую значимость от бизнес-значимости. Вижу за цифрами живых пользователей и их поведенческие паттерны.\n\nЗа время сотрудничества с компанией выполнил несколько проектов:\n\n-> Проект 1: Анализ воронки и A/B-тестирование механик удержания\nЗадача:\nПовысить конверсию пользователей в целевое действие (оплата услуги / продление подписки) внутри мобильного приложения.\n\nЧто сделал:\n\n-- Построил сквозную воронку конверсии от регистрации/установки приложения до совершения оплаты.\n-- Выявил ключевые точки оттока на этапе выбора товаров/услуг (эквивалент выбора тарифа в подписке).\n-- С помощью AppMetrica спроектировал и запустил A/B-тест персонализированных push-уведомлений с офферами для разных сегментов пользователей.\n-- Правильно рассчитал размер выборки, обеспечил статистическую значимость результатов.\n\nРезультат:\n\n-- Конверсия в оплату выросла на +20% (с 8% до 9,6%).\n-- LTV пользователя увеличился на 10%.\n\nRetention Rate (D30) вырос за счет персонализированных коммуникаций.\n\n-> Проект 2: Сегментация аудитории и персонализация офферов\nЗадача:\nУвеличить доход от дополнительных услуг без роста рекламного бюджета за счет точечного предложения нужному пользователю.\n\nЧто сделал:\n\n-- Провел гибридную сегментацию, объединив RFM-анализ с поведенческими паттернами пользователей (аналог типологии по статусу использования сервиса).\n-- Разделил аудиторию на два макросреза:\n\nАктивные пользователи (высокая вовлеченность, регулярное использование)\n\nСпящие / рискующие уйти (низкая активность, высокий риск оттока)\n\n-- Для каждой группы разработал персонализированные офферы:\n\nАктивным — премиальные опции (контент-коллекции, ранний доступ)\n\nРискующим — скидочные программы и ретаргетинговые коммуникации\n\n-- Внедрил когортный анализ для каждой группы, выявил шаблоны поведения и факторы, влияющие на удержание.\n\nРезультат:\n\nПовторные визиты/продления в группе риска выросли на +15%.\n\nГодовой доход от дополнительных услуг вырос на 20% без увеличения рекламного бюджета (только за счет правильного оффера нужному пользователю).\n\n-> Проект 3: Прогнозирование оттока (Churn Prediction)\n\nЗадача:\n-- Снизить отток пользователей за счет предиктивного управления доходностью и персонализированного ценообразования.\n\nЧто сделал:\n\n-- Разработал модель прогнозирования оттока пользователей на основе исторических данных (LightGBM, точность MAPE 8–12%).\n-- На основе вероятности оттока и эластичности спроса по цене создал систему динамического ценообразования и персонализированных предложений:\n\nПри высоком риске оттока — персонализированная скидка или бонус (пробный период, промокод).\n\nПри низком риске и высокой активности — апсейл на премиум-тариф.\n\nВнедрил дашборд мониторинга ключевых метрик: DAU/MAU, CSI, NPS, Churn Rate.\n\nРезультат:\n\nChurn Rate снизился на 15% за счет упреждающих коммуникаций.\n\nДоход на активного пользователя (ARPPU) вырос за счет апсейла премиум-опций.\n\nВовлеченность (DAU/MAU) увеличилась благодаря точечным предложениям.\n\n-> Проект 4: Построение системы отчетности по юнит-экономике\n\nЗадача:\nСоздать прозрачную систему мониторинга LTV пользователей и эффективности маркетинговых каналов.\n\nЧто сделал:\n\n-- Разработал витрину данных для юнит-экономики.\n-- Построил дашборд в Superset для мониторинга:\n-LTV, CAC, ROMI в разрезе каналов привлечения\n\nКогортный анализ Retention Rate (D1, D7, D30, D60)\n\nARPU и ARPPU с детализацией по тарифам\n\nАвтоматизировал ETL-процессы: сбор данных из CRM и платёжной системы через ClickHouse, Airflow, Kafka.\n\nРезультат:\n\nВремя на подготовку ежемесячного отчёта сократилось с 3 дней до 2 часов.\n\nРекламный бюджет стал распределяться эффективнее: ROI вырос на 25% за счет перераспределения средств в каналы с высоким LTV/CAC.\nHilton Garden Inn Moscow — Младший аналитик\n2020-03-01 - 2022-03-01\nФормировал ежедневную отчетность по загрузке отеля (occupancy), среднему тарифу (ADR) и выручке на номер (RevPAR).\n\n    Проводил ad-hoc аналитику по запросам отдела маркетинга и Revenue Management.\n\n    Участвовал в проекте по очистке CRM-данных: устранил дубликаты профилей гостей, повысил качество данных для email-рассылок.\n\n   Автоматизировал еженедельный отчет для руководителя, сократив время подготовки с 4 часов до 30 минут (Python + Excel).\n\n    Выполнил задачу по увеличению LTV за счет персонализации доп. услуг. Проанализировал исторические данные, выявил паттерны: бизнес-гости чаще заказывают ужин в ресторане в понедельник-среду и редко пользуются спа в будни. Внедрил персонализированные предложения при заезде (скидка 15% на ужин в будни + приветственный напиток в спа). Как результат был увеличен\nсредний чек дополнительных услуг (ресторан, спа) для бизнес-туристов.\n\n    Принимал участие в  A/B тестирование новой механики раннего заезда.\nГипотеза: Предложение гарантированного раннего заезда за дополнительную плату увеличит удовлетворенность гостей и принесет доп. доход.\n\nРеализация: Провел A/B тест на 4 недели: 50% пользователей видели опцию \"Ранний заезд\" на этапе бронирования, 50% — не видели.\n\nРезультат: Конверсия в покупку опции составила +10% при тестовой группе. Функция была внедрена постоянно.\n\nОбразование:\nРоссийская таможенная академия, Москва. Инженер транспортных систем. 2011\n\nЯзыки:\nРусский: Родной\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T08:57:55+0300\nКонтакты: контакты скрыты; доступ к полной информации: нет\nЛогистика: Москва; время в пути: Не имеет значения; командировки: Не готов к командировкам\nПредпочтения: занятость: Полная занятость; график: Полный день; формат работы: Удалённо, Гибрид\nДостижения: есть измеримые результаты в опыте: 2 из 2 мест работы\nУровень: есть senior/lead сигнал\n\nДополнительно:\nДоступ к полной информации: нет\nСтатус просмотра контактов: NONE\nЗанятость: Полная занятость\nВарианты занятости: Полная занятость\nГрафик: Полный день\nВарианты графика: Полный день, Удаленная работа\nФормат работы: Удалённо, Гибрид\nВремя в пути: Не имеет значения\nКомандировки: Не готов к командировкам\nРазрешение на работу: Россия\nГражданство: Россия","employment":"Полная занятость","schedule":"Полный день","travel_time":"Не имеет значения","relocation_readiness":null,"business_trip_readiness":"Не готов к командировкам","citizenship":["Россия"],"professional_roles":[{"id":"156","name":"BI-аналитик, аналитик данных"},{"id":"10","name":"Аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"certificates":[],"education_level":"Высшее","salary_amount":null,"salary_currency":null,"work_experience":[{"company_name":"Smart Reading","position":"Продуктовый аналитик","start_date":"2023-02-01","end_date":"2026-05-01","total_months":null,"description":"Продуктовый аналитик с фокусом на монетизацию и юнит-экономику подписочных сервисов. Специализируюсь на когортном анализе, построении воронок конверсии, прогнозировании оттока (Churn Prediction) и A/B-тестировании гипотез для роста подписной базы.\n\nВладею полным циклом аналитики: от сбора и обработки данных (SQL, Python) до визуализации и презентации инсайтов стейкхолдерам. Расчёт ключевых метрик подписочного бизнеса: LTV, CAC, Churn Rate, Retention Rate, ARPU, ARPPU, MRR, ROMI, ROI.\n\nПонимаю, как устроена платежная воронка, знаю, как правильно рассчитать размер выборки для A/B-теста и как отличать статистическую значимость от бизнес-значимости. Вижу за цифрами живых пользователей и их поведенческие паттерны.\n\nЗа время сотрудничества с компанией выполнил несколько проектов:\n\n-> Проект 1: Анализ воронки и A/B-тестирование механик удержания\nЗадача:\nПовысить конверсию пользователей в целевое действие (оплата услуги / продление подписки) внутри мобильного приложения.\n\nЧто сделал:\n\n-- Построил сквозную воронку конверсии от регистрации/установки приложения до совершения оплаты.\n-- Выявил ключевые точки оттока на этапе выбора товаров/услуг (эквивалент выбора тарифа в подписке).\n-- С помощью AppMetrica спроектировал и запустил A/B-тест персонализированных push-уведомлений с офферами для разных сегментов пользователей.\n-- Правильно рассчитал размер выборки, обеспечил статистическую значимость результатов.\n\nРезультат:\n\n-- Конверсия в оплату выросла на +20% (с 8% до 9,6%).\n-- LTV пользователя увеличился на 10%.\n\nRetention Rate (D30) вырос за счет персонализированных коммуникаций.\n\n-> Проект 2: Сегментация аудитории и персонализация офферов\nЗадача:\nУвеличить доход от дополнительных услуг без роста рекламного бюджета за счет точечного предложения нужному пользователю.\n\nЧто сделал:\n\n-- Провел гибридную сегментацию, объединив RFM-анализ с поведенческими паттернами пользователей (аналог типологии по статусу использования сервиса).\n-- Разделил аудиторию на два макросреза:\n\nАктивные пользователи (высокая вовлеченность, регулярное использование)\n\nСпящие / рискующие уйти (низкая активность, высокий риск оттока)\n\n-- Для каждой группы разработал персонализированные офферы:\n\nАктивным — премиальные опции (контент-коллекции, ранний доступ)\n\nРискующим — скидочные программы и ретаргетинговые коммуникации\n\n-- Внедрил когортный анализ для каждой группы, выявил шаблоны поведения и факторы, влияющие на удержание.\n\nРезультат:\n\nПовторные визиты/продления в группе риска выросли на +15%.\n\nГодовой доход от дополнительных услуг вырос на 20% без увеличения рекламного бюджета (только за счет правильного оффера нужному пользователю).\n\n-> Проект 3: Прогнозирование оттока (Churn Prediction)\n\nЗадача:\n-- Снизить отток пользователей за счет предиктивного управления доходностью и персонализированного ценообразования.\n\nЧто сделал:\n\n-- Разработал модель прогнозирования оттока пользователей на основе исторических данных (LightGBM, точность MAPE 8–12%).\n-- На основе вероятности оттока и эластичности спроса по цене создал систему динамического ценообразования и персонализированных предложений:\n\nПри высоком риске оттока — персонализированная скидка или бонус (пробный период, промокод).\n\nПри низком риске и высокой активности — апсейл на премиум-тариф.\n\nВнедрил дашборд мониторинга ключевых метрик: DAU/MAU, CSI, NPS, Churn Rate.\n\nРезультат:\n\nChurn Rate снизился на 15% за счет упреждающих коммуникаций.\n\nДоход на активного пользователя (ARPPU) вырос за счет апсейла премиум-опций.\n\nВовлеченность (DAU/MAU) увеличилась благодаря точечным предложениям.\n\n-> Проект 4: Построение системы отчетности по юнит-экономике\n\nЗадача:\nСоздать прозрачную систему мониторинга LTV пользователей и эффективности маркетинговых каналов.\n\nЧто сделал:\n\n-- Разработал витрину данных для юнит-экономики.\n-- Построил дашборд в Superset для мониторинга:\n-LTV, CAC, ROMI в разрезе каналов привлечения\n\nКогортный анализ Retention Rate (D1, D7, D30, D60)\n\nARPU и ARPPU с детализацией по тарифам\n\nАвтоматизировал ETL-процессы: сбор данных из CRM и платёжной системы через ClickHouse, Airflow, Kafka.\n\nРезультат:\n\nВремя на подготовку ежемесячного отчёта сократилось с 3 дней до 2 часов.\n\nРекламный бюджет стал распределяться эффективнее: ROI вырос на 25% за счет перераспределения средств в каналы с высоким LTV/CAC.","city":"Москва"},{"company_name":"Hilton Garden Inn Moscow","position":"Младший аналитик","start_date":"2020-03-01","end_date":"2022-03-01","total_months":null,"description":"Формировал ежедневную отчетность по загрузке отеля (occupancy), среднему тарифу (ADR) и выручке на номер (RevPAR).\n\n    Проводил ad-hoc аналитику по запросам отдела маркетинга и Revenue Management.\n\n    Участвовал в проекте по очистке CRM-данных: устранил дубликаты профилей гостей, повысил качество данных для email-рассылок.\n\n   Автоматизировал еженедельный отчет для руководителя, сократив время подготовки с 4 часов до 30 минут (Python + Excel).\n\n    Выполнил задачу по увеличению LTV за счет персонализации доп. услуг. Проанализировал исторические данные, выявил паттерны: бизнес-гости чаще заказывают ужин в ресторане в понедельник-среду и редко пользуются спа в будни. Внедрил персонализированные предложения при заезде (скидка 15% на ужин в будни + приветственный напиток в спа). Как результат был увеличен\nсредний чек дополнительных услуг (ресторан, спа) для бизнес-туристов.\n\n    Принимал участие в  A/B тестирование новой механики раннего заезда.\nГипотеза: Предложение гарантированного раннего заезда за дополнительную плату увеличит удовлетворенность гостей и принесет доп. доход.\n\nРеализация: Провел A/B тест на 4 недели: 50% пользователей видели опцию \"Ранний заезд\" на этапе бронирования, 50% — не видели.\n\nРезультат: Конверсия в покупку опции составила +10% при тестовой группе. Функция была внедрена постоянно.","city":"Москва"}],"education":[{"organization":"Российская таможенная академия, Москва","specialization":"Инженер транспортных систем","start_year":null,"end_year":2011,"degree":null}],"languages":[{"lang":"Русский","level":"Родной"}]},"contacts":{"first_name":null,"last_name":null,"email":null,"phone":null,"contact_hidden":true},"skillaz_api_payload":{"VacancyId":null,"OrgUnitId":null,"FirstName":"кандидат","LastName":"Скрытый","MiddleName":null,"Email":"hidden-150f82600010b689c9004bf79b76546f336351@skillaz.invalid","PhoneNumber":"+71116024976","InternationalPhoneNumber":null,"SourceUrl":"https://hh.ru/resume/150f82600010b689c9004bf79b76546f336351","BirthDate":null,"Source":"Other","Gender":"male","AddWay":"manual","CallType":"Unknown","RecommendedBy":null,"Comment":"Добавлено из Расширение 3.0\nИмя и фамилия скрыты на источнике. Поля имени подставлены технически для создания карточки.\nКонтакты кандидата были скрыты на источнике. Телефон и email подставлены технически для создания карточки. https://hh.ru/resume/150f82600010b689c9004bf79b76546f336351","UtmSource":"parser-3.0","TabelNumber":null,"UtmCampaign":null,"UtmMedium":null,"UtmContent":null,"UtmTerm":null,"UtmSessionId":null,"CommonCandidateInfo":{"Avatar":null,"AvatarFileId":null,"Area":null,"Metro":null,"About":null,"Gender":"male","GenderType":"unknown","BirthDate":null,"Education":null,"CurrentTitle":"Продуктовый аналитик","CurrentCompany":"Smart Reading","Skills":["Python","Scikit-learn","Математическая статистика","Numpy","Clickhouse","Когортный анализ","pandas"],"Citizenship":["Россия"],"TotalExperience":65,"AverageExperience":null,"UpdatedAt":"2026-07-30T08:57:55+03:00","Comments":[],"PreferredSalary":null,"ExpectedSalary":null,"ResumeTitle":"Product Analyst","City":"Москва","PreferredEmployments":["Any"],"PreferredSchedules":["FullDay"],"EducationType":"Undefined","WorkExperienceType":"Undefined","Educations":[{"Organization":"Российская таможенная академия, Москва","Specialization":"Инженер транспортных систем","EducationForm":"Undefined","EducationType":null,"StartYear":null,"EndYear":2011,"Degree":null,"AverageGrade":null}],"WorkExperience":[{"CompanyName":"Smart Reading","Position":"Продуктовый аналитик","StartDate":"2023-02-01","EndDate":"2026-05-01","TotalMonths":null,"Description":"Продуктовый аналитик с фокусом на монетизацию и юнит-экономику подписочных сервисов. Специализируюсь на когортном анализе, построении воронок конверсии, прогнозировании оттока (Churn Prediction) и A/B-тестировании гипотез для роста подписной базы.\n\nВладею полным циклом аналитики: от сбора и обработки данных (SQL, Python) до визуализации и презентации инсайтов стейкхолдерам. Расчёт ключевых метрик подписочного бизнеса: LTV, CAC, Churn Rate, Retention Rate, ARPU, ARPPU, MRR, ROMI, ROI.\n\nПонимаю, как устроена платежная воронка, знаю, как правильно рассчитать размер выборки для A/B-теста и как отличать статистическую значимость от бизнес-значимости. Вижу за цифрами живых пользователей и их поведенческие паттерны.\n\nЗа время сотрудничества с компанией выполнил несколько проектов:\n\n-> Проект 1: Анализ воронки и A/B-тестирование механик удержания\nЗадача:\nПовысить конверсию пользователей в целевое действие (оплата услуги / продление подписки) внутри мобильного приложения.\n\nЧто сделал:\n\n-- Построил сквозную воронку конверсии от регистрации/установки приложения до совершения оплаты.\n-- Выявил ключевые точки оттока на этапе выбора товаров/услуг (эквивалент выбора тарифа в подписке).\n-- С помощью AppMetrica спроектировал и запустил A/B-тест персонализированных push-уведомлений с офферами для разных сегментов пользователей.\n-- Правильно рассчитал размер выборки, обеспечил статистическую значимость результатов.\n\nРезультат:\n\n-- Конверсия в оплату выросла на +20% (с 8% до 9,6%).\n-- LTV пользователя увеличился на 10%.\n\nRetention Rate (D30) вырос за счет персонализированных коммуникаций.\n\n-> Проект 2: Сегментация аудитории и персонализация офферов\nЗадача:\nУвеличить доход от дополнительных услуг без роста рекламного бюджета за счет точечного предложения нужному пользователю.\n\nЧто сделал:\n\n-- Провел гибридную сегментацию, объединив RFM-анализ с поведенческими паттернами пользователей (аналог типологии по статусу использования сервиса).\n-- Разделил аудиторию на два макросреза:\n\nАктивные пользователи (высокая вовлеченность, регулярное использование)\n\nСпящие / рискующие уйти (низкая активность, высокий риск оттока)\n\n-- Для каждой группы разработал персонализированные офферы:\n\nАктивным — премиальные опции (контент-коллекции, ранний доступ)\n\nРискующим — скидочные программы и ретаргетинговые коммуникации\n\n-- Внедрил когортный анализ для каждой группы, выявил шаблоны поведения и факторы, влияющие на удержание.\n\nРезультат:\n\nПовторные визиты/продления в группе риска выросли на +15%.\n\nГодовой доход от дополнительных услуг вырос на 20% без увеличения рекламного бюджета (только за счет правильного оффера нужному пользователю).\n\n-> Проект 3: Прогнозирование оттока (Churn Prediction)\n\nЗадача:\n-- Снизить отток пользователей за счет предиктивного управления доходностью и персонализированного ценообразования.\n\nЧто сделал:\n\n-- Разработал модель прогнозирования оттока пользователей на основе исторических данных (LightGBM, точность MAPE 8–12%).\n-- На основе вероятности оттока и эластичности спроса по цене создал систему динамического ценообразования и персонализированных предложений:\n\nПри высоком риске оттока — персонализированная скидка или бонус (пробный период, промокод).\n\nПри низком риске и высокой активности — апсейл на премиум-тариф.\n\nВнедрил дашборд мониторинга ключевых метрик: DAU/MAU, CSI, NPS, Churn Rate.\n\nРезультат:\n\nChurn Rate снизился на 15% за счет упреждающих коммуникаций.\n\nДоход на активного пользователя (ARPPU) вырос за счет апсейла премиум-опций.\n\nВовлеченность (DAU/MAU) увеличилась благодаря точечным предложениям.\n\n-> Проект 4: Построение системы отчетности по юнит-экономике\n\nЗадача:\nСоздать прозрачную систему мониторинга LTV пользователей и эффективности маркетинговых каналов.\n\nЧто сделал:\n\n-- Разработал витрину данных для юнит-экономики.\n-- Построил дашборд в Superset для мониторинга:\n-LTV, CAC, ROMI в разрезе каналов привлечения\n\nКогортный анализ Retention Rate (D1, D7, D30, D60)\n\nARPU и ARPPU с детализацией по тарифам\n\nАвтоматизировал ETL-процессы: сбор данных из CRM и платёжной системы через ClickHouse, Airflow, Kafka.\n\nРезультат:\n\nВремя на подготовку ежемесячного отчёта сократилось с 3 дней до 2 часов.\n\nРекламный бюджет стал распределяться эффективнее: ROI вырос на 25% за счет перераспределения средств в каналы с высоким LTV/CAC.","Industries":null,"City":"Москва","EmploymentType":"Any"},{"CompanyName":"Hilton Garden Inn Moscow","Position":"Младший аналитик","StartDate":"2020-03-01","EndDate":"2022-03-01","TotalMonths":null,"Description":"Формировал ежедневную отчетность по загрузке отеля (occupancy), среднему тарифу (ADR) и выручке на номер (RevPAR).\n\n    Проводил ad-hoc аналитику по запросам отдела маркетинга и Revenue Management.\n\n    Участвовал в проекте по очистке CRM-данных: устранил дубликаты профилей гостей, повысил качество данных для email-рассылок.\n\n   Автоматизировал еженедельный отчет для руководителя, сократив время подготовки с 4 часов до 30 минут (Python + Excel).\n\n    Выполнил задачу по увеличению LTV за счет персонализации доп. услуг. Проанализировал исторические данные, выявил паттерны: бизнес-гости чаще заказывают ужин в ресторане в понедельник-среду и редко пользуются спа в будни. Внедрил персонализированные предложения при заезде (скидка 15% на ужин в будни + приветственный напиток в спа). Как результат был увеличен\nсредний чек дополнительных услуг (ресторан, спа) для бизнес-туристов.\n\n    Принимал участие в  A/B тестирование новой механики раннего заезда.\nГипотеза: Предложение гарантированного раннего заезда за дополнительную плату увеличит удовлетворенность гостей и принесет доп. доход.\n\nРеализация: Провел A/B тест на 4 недели: 50% пользователей видели опцию \"Ранний заезд\" на этапе бронирования, 50% — не видели.\n\nРезультат: Конверсия в покупку опции составила +10% при тестовой группе. Функция была внедрена постоянно.","Industries":null,"City":"Москва","EmploymentType":"Any"}],"Languages":[{"Lang":"Русский","Level":"Родной"}],"PreferredSchedule":"FullDay","KnownLanguages":null,"PreferredPosition":"Product Analyst","PreferredEmployment":null,"RelocationReadiness":null,"AdditionalFields":[],"ContactsHidden":true,"Country":null,"ProfessionalAreas":[{"id":"156","name":"BI-аналитик, аналитик данных"},{"id":"10","name":"Аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"ResumeText":"Источник: HeadHunter API\nПозиция: Product Analyst\nГород: Москва\nОпыт: 65 мес.\nНавыки: Python, Scikit-learn, Математическая статистика, Numpy, Clickhouse, Когортный анализ, pandas\n\nОпыт работы:\nSmart Reading — Продуктовый аналитик\n2023-02-01 - 2026-05-01\nПродуктовый аналитик с фокусом на монетизацию и юнит-экономику подписочных сервисов. Специализируюсь на когортном анализе, построении воронок конверсии, прогнозировании оттока (Churn Prediction) и A/B-тестировании гипотез для роста подписной базы.\n\nВладею полным циклом аналитики: от сбора и обработки данных (SQL, Python) до визуализации и презентации инсайтов стейкхолдерам. Расчёт ключевых метрик подписочного бизнеса: LTV, CAC, Churn Rate, Retention Rate, ARPU, ARPPU, MRR, ROMI, ROI.\n\nПонимаю, как устроена платежная воронка, знаю, как правильно рассчитать размер выборки для A/B-теста и как отличать статистическую значимость от бизнес-значимости. Вижу за цифрами живых пользователей и их поведенческие паттерны.\n\nЗа время сотрудничества с компанией выполнил несколько проектов:\n\n-> Проект 1: Анализ воронки и A/B-тестирование механик удержания\nЗадача:\nПовысить конверсию пользователей в целевое действие (оплата услуги / продление подписки) внутри мобильного приложения.\n\nЧто сделал:\n\n-- Построил сквозную воронку конверсии от регистрации/установки приложения до совершения оплаты.\n-- Выявил ключевые точки оттока на этапе выбора товаров/услуг (эквивалент выбора тарифа в подписке).\n-- С помощью AppMetrica спроектировал и запустил A/B-тест персонализированных push-уведомлений с офферами для разных сегментов пользователей.\n-- Правильно рассчитал размер выборки, обеспечил статистическую значимость результатов.\n\nРезультат:\n\n-- Конверсия в оплату выросла на +20% (с 8% до 9,6%).\n-- LTV пользователя увеличился на 10%.\n\nRetention Rate (D30) вырос за счет персонализированных коммуникаций.\n\n-> Проект 2: Сегментация аудитории и персонализация офферов\nЗадача:\nУвеличить доход от дополнительных услуг без роста рекламного бюджета за счет точечного предложения нужному пользователю.\n\nЧто сделал:\n\n-- Провел гибридную сегментацию, объединив RFM-анализ с поведенческими паттернами пользователей (аналог типологии по статусу использования сервиса).\n-- Разделил аудиторию на два макросреза:\n\nАктивные пользователи (высокая вовлеченность, регулярное использование)\n\nСпящие / рискующие уйти (низкая активность, высокий риск оттока)\n\n-- Для каждой группы разработал персонализированные офферы:\n\nАктивным — премиальные опции (контент-коллекции, ранний доступ)\n\nРискующим — скидочные программы и ретаргетинговые коммуникации\n\n-- Внедрил когортный анализ для каждой группы, выявил шаблоны поведения и факторы, влияющие на удержание.\n\nРезультат:\n\nПовторные визиты/продления в группе риска выросли на +15%.\n\nГодовой доход от дополнительных услуг вырос на 20% без увеличения рекламного бюджета (только за счет правильного оффера нужному пользователю).\n\n-> Проект 3: Прогнозирование оттока (Churn Prediction)\n\nЗадача:\n-- Снизить отток пользователей за счет предиктивного управления доходностью и персонализированного ценообразования.\n\nЧто сделал:\n\n-- Разработал модель прогнозирования оттока пользователей на основе исторических данных (LightGBM, точность MAPE 8–12%).\n-- На основе вероятности оттока и эластичности спроса по цене создал систему динамического ценообразования и персонализированных предложений:\n\nПри высоком риске оттока — персонализированная скидка или бонус (пробный период, промокод).\n\nПри низком риске и высокой активности — апсейл на премиум-тариф.\n\nВнедрил дашборд мониторинга ключевых метрик: DAU/MAU, CSI, NPS, Churn Rate.\n\nРезультат:\n\nChurn Rate снизился на 15% за счет упреждающих коммуникаций.\n\nДоход на активного пользователя (ARPPU) вырос за счет апсейла премиум-опций.\n\nВовлеченность (DAU/MAU) увеличилась благодаря точечным предложениям.\n\n-> Проект 4: Построение системы отчетности по юнит-экономике\n\nЗадача:\nСоздать прозрачную систему мониторинга LTV пользователей и эффективности маркетинговых каналов.\n\nЧто сделал:\n\n-- Разработал витрину данных для юнит-экономики.\n-- Построил дашборд в Superset для мониторинга:\n-LTV, CAC, ROMI в разрезе каналов привлечения\n\nКогортный анализ Retention Rate (D1, D7, D30, D60)\n\nARPU и ARPPU с детализацией по тарифам\n\nАвтоматизировал ETL-процессы: сбор данных из CRM и платёжной системы через ClickHouse, Airflow, Kafka.\n\nРезультат:\n\nВремя на подготовку ежемесячного отчёта сократилось с 3 дней до 2 часов.\n\nРекламный бюджет стал распределяться эффективнее: ROI вырос на 25% за счет перераспределения средств в каналы с высоким LTV/CAC.\nHilton Garden Inn Moscow — Младший аналитик\n2020-03-01 - 2022-03-01\nФормировал ежедневную отчетность по загрузке отеля (occupancy), среднему тарифу (ADR) и выручке на номер (RevPAR).\n\n    Проводил ad-hoc аналитику по запросам отдела маркетинга и Revenue Management.\n\n    Участвовал в проекте по очистке CRM-данных: устранил дубликаты профилей гостей, повысил качество данных для email-рассылок.\n\n   Автоматизировал еженедельный отчет для руководителя, сократив время подготовки с 4 часов до 30 минут (Python + Excel).\n\n    Выполнил задачу по увеличению LTV за счет персонализации доп. услуг. Проанализировал исторические данные, выявил паттерны: бизнес-гости чаще заказывают ужин в ресторане в понедельник-среду и редко пользуются спа в будни. Внедрил персонализированные предложения при заезде (скидка 15% на ужин в будни + приветственный напиток в спа). Как результат был увеличен\nсредний чек дополнительных услуг (ресторан, спа) для бизнес-туристов.\n\n    Принимал участие в  A/B тестирование новой механики раннего заезда.\nГипотеза: Предложение гарантированного раннего заезда за дополнительную плату увеличит удовлетворенность гостей и принесет доп. доход.\n\nРеализация: Провел A/B тест на 4 недели: 50% пользователей видели опцию \"Ранний заезд\" на этапе бронирования, 50% — не видели.\n\nРезультат: Конверсия в покупку опции составила +10% при тестовой группе. Функция была внедрена постоянно.\n\nОбразование:\nРоссийская таможенная академия, Москва. Инженер транспортных систем. 2011\n\nЯзыки:\nРусский: Родной\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T08:57:55+0300\nКонтакты: контакты скрыты; доступ к полной информации: нет\nЛогистика: Москва; время в пути: Не имеет значения; командировки: Не готов к командировкам\nПредпочтения: занятость: Полная занятость; график: Полный день; формат работы: Удалённо, Гибрид\nДостижения: есть измеримые результаты в опыте: 2 из 2 мест работы\nУровень: есть senior/lead сигнал\n\nДополнительно:\nДоступ к полной информации: нет\nСтатус просмотра контактов: NONE\nЗанятость: Полная занятость\nВарианты занятости: Полная занятость\nГрафик: Полный день\nВарианты графика: Полный день, Удаленная работа\nФормат работы: Удалённо, Гибрид\nВремя в пути: Не имеет значения\nКомандировки: Не готов к командировкам\nРазрешение на работу: Россия\nГражданство: Россия","CreatedAt":"2026-07-30T07:23:25.652709Z","BusinessTripReadiness":"Не готов к командировкам","WorkTravelTime":"Не имеет значения","JobSearchStatus":"Активно ищет работу","HasMedcard":null,"HasChildren":null,"RelocationRegions":null,"SocialMedia":[],"DrivingExperiences":[],"Disability":null,"MaritalStatus":"Undefined","Recommendations":[],"ExtraEducation":{"AdditionalEducations":[],"TestsExams":[],"Certificates":[]},"PreferredCurrencyAmount":null},"IncludeInApplicantsBankAgreement":true,"Data":{"ExtraData":{"ai-judge":"Рыбный текст"}},"HireRequestId":null,"NegotiationId":null,"TagIdsExtended":[],"ExternalIds":[{"Id":"150f82600010b689c9004bf79b76546f336351","Type":"headhunter_resume_id"}],"ExpandDuplicateInfo":true},"trace":{"source":"headhunter_api","source_url":"https://hh.ru/resume/150f82600010b689c9004bf79b76546f336351","resume_id":"150f82600010b689c9004bf79b76546f336351","hh_payload_keys":["actions","age","alternate_url","area","birth_date","business_trip_readiness","can_view_full_info","certificate","citizenship","complaint_status","contact","contact_view_status","created_at","download","driver_license_types","education","employment","employment_form","employments","experience","experience_group_by_company","favorited","first_name","gender","has_vehicle","hidden_fields","id","job_search_status","language","last_name","metro","middle_name","negotiations_history","owner","paid_services","photo","platform","portfolio","professional_roles","real_id","recommendation","relocation","resume_locale","salary","schedule","schedules","site","skill_set","skills","specialization","tags","title","total_experience","travel_time","updated_at","view_without_contacts_reason","work_format","work_ticket"],"hh_unmapped_keys":["actions","complaint_status","download","experience_group_by_company","favorited","negotiations_history","owner","paid_services","platform","real_id","resume_locale"],"hh_hidden_fields":[]},"skillaz_status":"not_submitted","skillaz_candidate_id":null,"skillaz_vacancy_id":null,"skillaz_vacancy_name":null,"duplicate_decision_info":[],"duplicate_decision_info_raw":null,"skillaz_response_keys":[],"skillaz_error":null}