{"id":"pacc_b9b369a74ef64caca8eb2e988a33962c","batch_file_id":null,"source_filename":"headhunter-6e45856c0010d67882004bf79b647437756332.json","source_mime_type":null,"source_document_url":null,"normalized_resume":{"hh_resume_id":"6e45856c0010d67882004bf79b647437756332","hh_updated_at":"2026-07-29T20:48:09+0300","hh_created_at":"2026-07-20T18:44:52+0300","hh_area_id":"1","hh_area_name":"Москва","hh_area_parent_name":null,"hh_metro":null,"hh_job_search_status":"Рассматривает предложения","hh_job_search_status_id":"looking_for_offers","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":"Рассматривает предложения; обновлено 2026-07-29T20:48:09+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: Готов к командировкам"},{"category":"preferences","label":"Предпочтения","value":"занятость: Полная занятость; график: Полный день; формат работы: На месте работодателя, Удалённо, Гибрид"},{"category":"achievements","label":"Достижения","value":"есть измеримые результаты в опыте: 3 из 3 мест работы"},{"category":"sales","label":"Продажи","value":"есть sales/key account 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/6e45856c0010d67882004bf79b647437756332"],"city":"Москва","country":null,"about":"ТГ: @m_elubay\nEmail: iz.e1@yandex.ru\n\nПродуктовый аналитик с опытом работы в финтехе, e-commerce и платёжных продуктах. Провожу продуктовые исследования, строю системы метрик и пользовательские воронки, проверяю гипотезы с помощью A/B-тестов, развиваю аналитические витрины и оцениваю влияние изменений на финансовые показатели продукта.\n\nУмею самостоятельно пройти полный цикл аналитической задачи: сформулировать проблему, определить метрики, подготовить данные на SQL и Python, провести исследование или эксперимент, интерпретировать результаты и предложить продуктовое решение. В работе связываю пользовательское поведение с экономикой продукта: P&L, стоимостью привлечения, маржинальностью и инкрементальным эффектом.","current_title":"Продуктовый аналитик","current_company":"МАГНИТ tech","skills":["Python","Numpy","Matplotlib","pandas","SQL","PostgreSQL","Clickhouse","Scikit-learn","Apache Airflow","Power BI","Tableau","Superset","DWH","ETL","Jupyter Notebook","Теория вероятностей","Unit-экономика","Анализ воронки продаж","Математическая статистика","Git"],"source_skills":["Python","Numpy","Matplotlib","pandas","SQL","PostgreSQL","Clickhouse","Scikit-learn","Apache Airflow","Power BI","Tableau","Superset","DWH","ETL","Jupyter Notebook","Теория вероятностей","Unit-экономика","Анализ воронки продаж","Математическая статистика","Git"],"inferred_skills":[],"total_experience_months":41,"expected_salary":null,"preferred_position":"Продуктовый аналитик","recommendations":[],"source_url":"https://hh.ru/resume/6e45856c0010d67882004bf79b647437756332","source_photo_url":null,"resume_text":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик\nГород: Москва\nОпыт: 41 мес.\nНавыки: Python, Numpy, Matplotlib, pandas, SQL, PostgreSQL, Clickhouse, Scikit-learn, Apache Airflow, Power BI, Tableau, Superset, DWH, ETL, Jupyter Notebook, Теория вероятностей, Unit-экономика, Анализ воронки продаж, Математическая статистика, Git\n\nО себе:\nТГ: @m_elubay\nEmail: iz.e1@yandex.ru\n\nПродуктовый аналитик с опытом работы в финтехе, e-commerce и платёжных продуктах. Провожу продуктовые исследования, строю системы метрик и пользовательские воронки, проверяю гипотезы с помощью A/B-тестов, развиваю аналитические витрины и оцениваю влияние изменений на финансовые показатели продукта.\n\nУмею самостоятельно пройти полный цикл аналитической задачи: сформулировать проблему, определить метрики, подготовить данные на SQL и Python, провести исследование или эксперимент, интерпретировать результаты и предложить продуктовое решение. В работе связываю пользовательское поведение с экономикой продукта: P&L, стоимостью привлечения, маржинальностью и инкрементальным эффектом.\n\nОпыт работы:\nМАГНИТ tech — Продуктовый аналитик\n2024-09-01\nМагнит Пэй — платёжное направление экосистемы Магнита, развивающее банковские карты совместно с ВТБ и оплату по СБП в мобильном приложении и офлайн-магазинах.\n\nОтвечаю за аналитику привязки и использования СБП, событийные воронки мобильного приложения, сегментацию аудитории, A/B-тесты и оценку финансового эффекта платёжных сценариев.\n\nПроекты и достижения:\n\nНовый сценарий привязки СБП:\n\nОбнаружил основной отвал между нажатием кнопки «Привязать» и подтверждением привязки на стороне банка. Декомпозировал воронку по платформам, версиям приложения и контексту использования.\nСовместно с продуктом и дизайнером сформировал гипотезу упрощённого экрана: сократили количество действий, понятнее объяснили выгоду и переработали призыв к действию.\nСпроектировал и проанализировал A/B-тест. Основная метрика — успешная привязка СБП, дополнительные — переход к подтверждению и первая оплата, защитные — технические ошибки и сквозная конверсия оплаты.\nКонверсия в успешную привязку выросла на 3,1 п.п. Значимого ухудшения защитных метрик не обнаружено. Новый экран был внедрён в продукт.\n\nИсследование поведения пользователей после привязки:\n\nВыделил сегмент пользователей, привязавших СБП, и исследовал их первую оплату, частоту последующих транзакций, retention привязки, средний чек и долю оплат офлайн и онлайн.\nПоказал, что сама привязка недостаточна для оценки успеха продукта: необходимо учитывать первую оплату и регулярное использование. После исследования фокус продуктовой команды был смещён с общего количества привязок на активные привязки.\n\nТехнические аспекты:\n\n- Разработал tracking plan для сценариев привязки и оплаты по СБП: события экранов, виджетов, кнопок и результатов операций.\n- Собрал событийную витрину из сырых JSON-логов для анализа пути пользователя от показа экрана до первой оплаты.\n- Автоматизировал регулярное обновление витрин через Airflow.\n- Разработал дашборды воронки привязки, доли способов оплаты, эффективности привлечения и финансового эффекта.\n- Сократил подготовку регулярной аналитики с нескольких часов ручной работы до автоматического ежедневного обновления.\n\nСтек: SQL, Python, pandas, NumPy, PostgreSQL, Greenplum, ClickHouse, Яндекс Метрика, Teradata, Airflow, Superset, DataLens, AppMetrica, Git, Confluence.\nOZON банк — CVM-аналитик\n2023-07-01 - 2024-08-01\nРаботал в CVM-команде Ozon Банка. Команда привлекала пользователей маркетплейса в банковский продукт и развивала активное использование выпущенных карт.\n\nОтвечал за воронку кросс-продажи банковской карты, метрики активации и утилизации, сегментацию клиентов, A/B-тесты офферов и кэшбэк-механик, а также P&L на держателя.\n\nПроекты и достижения:\n\nКонтекстное предложение карты в сценарии оплаты:\n\nВыявил, что пользователи, оформлявшие карту непосредственно во время оплаты заказа, чаще совершали первую транзакцию и продолжали пользоваться картой. Поскольку наблюдаемое различие могло быть связано с самоотбором, предложил проверить причинный эффект через A/B-тест.\nВ тестовой группе пользователям показывался контекстный оффер карты с выгодой на текущий заказ. Основной метрикой выбрал долю пользователей, ставших активными держателями в течение 30 дней. Защитными метриками были P&L на держателя и конверсия заказа.\nДоля активных карт выросла на 1,4 п.п. . P&L на привлечённого активного держателя остался положительным, а конверсия заказа не снизилась. Механика была масштабирована.\n\nТехнические аспекты:\n\n- Построил клиентскую CVM-витрину, объединив поведение на маркетплейсе, оформление и активацию карты, транзакции, оборот, кэшбэк и P&L.\n- Разработал дашборд воронки: показ оффера → оформление → первая транзакция → регулярное использование.\n- Настроил мониторинг A/B-тестов, включая проверку SRM и сравнение метрик по платформам и клиентским сегментам.\n\nСтек: SQL, Python, pandas, NumPy, ClickHouse, Vertica, PostgreSQL, PySpark, Apache Spark, Airflow, Superset, GitLab, JupyterHub.\nOZON банк — Стажер-аналитик\n2023-03-01 - 2023-06-01\nПрошёл отбор в стажёрскую программу Ozon Camp и присоединился к финтех-направлению Ozon.\n\nНа стажировке работал с продуктовыми метриками банковского направления, аналитическими витринами и отчётностью команды.\n\nПроекты и достижения:\n\n- Анализировал воронку оформления и активации банковской карты.\n- Готовил продуктовые срезы по каналам привлечения, платформам и клиентским сегментам.\n- Исследовал причины изменений конверсии между этапами пользовательской воронки.\n- Участвовал в подготовке и проверке данных для A/B-тестов.\n- Выполнял первые задачи по когортному анализу, сегментации пользователей и расчёту юнит-экономики.\n- Писал SQL-запросы для расчёта продуктовых метрик и подготовки аналитических выборок.\n- Участвовал в разработке витрин и дашбордов.\n\nПо результатам стажировки получил предложение продолжить работу в Ozon Банке на позиции CVM-аналитика.\n\nСтек: SQL, Python, PostgreSQL, ClickHouse, Superset, Jupyter, GitLab.\n\nОбразование:\nСанкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург. Институт компьютерных наук и кибербезопасности. Информатика и вычислительная техника. 2026\n\nЯзыки:\nРусский: Родной\nАнглийский: B2 — Средне-продвинутый\n\nИнсайты HeadHunter:\nАктивность: Рассматривает предложения; обновлено 2026-07-29T20:48:09+0300\nКонтакты: контакты скрыты; доступ к полной информации: нет\nЛогистика: Москва; время в пути: Не имеет значения; командировки: Готов к командировкам\nПредпочтения: занятость: Полная занятость; график: Полный день; формат работы: На месте работодателя, Удалённо, Гибрид\nДостижения: есть измеримые результаты в опыте: 3 из 3 мест работы\nПродажи: есть sales/key account 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: На месте работодателя, Удалённо, Гибрид\nВремя в пути: Не имеет значения\nКомандировки: 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":"Готов к командировкам","citizenship":["Россия"],"professional_roles":[{"id":"156","name":"BI-аналитик, аналитик данных"},{"id":"164","name":"Продуктовый аналитик"}],"certificates":[],"education_level":"Высшее","salary_amount":null,"salary_currency":null,"work_experience":[{"company_name":"МАГНИТ tech","position":"Продуктовый аналитик","start_date":"2024-09-01","end_date":null,"total_months":null,"description":"Магнит Пэй — платёжное направление экосистемы Магнита, развивающее банковские карты совместно с ВТБ и оплату по СБП в мобильном приложении и офлайн-магазинах.\n\nОтвечаю за аналитику привязки и использования СБП, событийные воронки мобильного приложения, сегментацию аудитории, A/B-тесты и оценку финансового эффекта платёжных сценариев.\n\nПроекты и достижения:\n\nНовый сценарий привязки СБП:\n\nОбнаружил основной отвал между нажатием кнопки «Привязать» и подтверждением привязки на стороне банка. Декомпозировал воронку по платформам, версиям приложения и контексту использования.\nСовместно с продуктом и дизайнером сформировал гипотезу упрощённого экрана: сократили количество действий, понятнее объяснили выгоду и переработали призыв к действию.\nСпроектировал и проанализировал A/B-тест. Основная метрика — успешная привязка СБП, дополнительные — переход к подтверждению и первая оплата, защитные — технические ошибки и сквозная конверсия оплаты.\nКонверсия в успешную привязку выросла на 3,1 п.п. Значимого ухудшения защитных метрик не обнаружено. Новый экран был внедрён в продукт.\n\nИсследование поведения пользователей после привязки:\n\nВыделил сегмент пользователей, привязавших СБП, и исследовал их первую оплату, частоту последующих транзакций, retention привязки, средний чек и долю оплат офлайн и онлайн.\nПоказал, что сама привязка недостаточна для оценки успеха продукта: необходимо учитывать первую оплату и регулярное использование. После исследования фокус продуктовой команды был смещён с общего количества привязок на активные привязки.\n\nТехнические аспекты:\n\n- Разработал tracking plan для сценариев привязки и оплаты по СБП: события экранов, виджетов, кнопок и результатов операций.\n- Собрал событийную витрину из сырых JSON-логов для анализа пути пользователя от показа экрана до первой оплаты.\n- Автоматизировал регулярное обновление витрин через Airflow.\n- Разработал дашборды воронки привязки, доли способов оплаты, эффективности привлечения и финансового эффекта.\n- Сократил подготовку регулярной аналитики с нескольких часов ручной работы до автоматического ежедневного обновления.\n\nСтек: SQL, Python, pandas, NumPy, PostgreSQL, Greenplum, ClickHouse, Яндекс Метрика, Teradata, Airflow, Superset, DataLens, AppMetrica, Git, Confluence.","city":null},{"company_name":"OZON банк","position":"CVM-аналитик","start_date":"2023-07-01","end_date":"2024-08-01","total_months":null,"description":"Работал в CVM-команде Ozon Банка. Команда привлекала пользователей маркетплейса в банковский продукт и развивала активное использование выпущенных карт.\n\nОтвечал за воронку кросс-продажи банковской карты, метрики активации и утилизации, сегментацию клиентов, A/B-тесты офферов и кэшбэк-механик, а также P&L на держателя.\n\nПроекты и достижения:\n\nКонтекстное предложение карты в сценарии оплаты:\n\nВыявил, что пользователи, оформлявшие карту непосредственно во время оплаты заказа, чаще совершали первую транзакцию и продолжали пользоваться картой. Поскольку наблюдаемое различие могло быть связано с самоотбором, предложил проверить причинный эффект через A/B-тест.\nВ тестовой группе пользователям показывался контекстный оффер карты с выгодой на текущий заказ. Основной метрикой выбрал долю пользователей, ставших активными держателями в течение 30 дней. Защитными метриками были P&L на держателя и конверсия заказа.\nДоля активных карт выросла на 1,4 п.п. . P&L на привлечённого активного держателя остался положительным, а конверсия заказа не снизилась. Механика была масштабирована.\n\nТехнические аспекты:\n\n- Построил клиентскую CVM-витрину, объединив поведение на маркетплейсе, оформление и активацию карты, транзакции, оборот, кэшбэк и P&L.\n- Разработал дашборд воронки: показ оффера → оформление → первая транзакция → регулярное использование.\n- Настроил мониторинг A/B-тестов, включая проверку SRM и сравнение метрик по платформам и клиентским сегментам.\n\nСтек: SQL, Python, pandas, NumPy, ClickHouse, Vertica, PostgreSQL, PySpark, Apache Spark, Airflow, Superset, GitLab, JupyterHub.","city":null},{"company_name":"OZON банк","position":"Стажер-аналитик","start_date":"2023-03-01","end_date":"2023-06-01","total_months":null,"description":"Прошёл отбор в стажёрскую программу Ozon Camp и присоединился к финтех-направлению Ozon.\n\nНа стажировке работал с продуктовыми метриками банковского направления, аналитическими витринами и отчётностью команды.\n\nПроекты и достижения:\n\n- Анализировал воронку оформления и активации банковской карты.\n- Готовил продуктовые срезы по каналам привлечения, платформам и клиентским сегментам.\n- Исследовал причины изменений конверсии между этапами пользовательской воронки.\n- Участвовал в подготовке и проверке данных для A/B-тестов.\n- Выполнял первые задачи по когортному анализу, сегментации пользователей и расчёту юнит-экономики.\n- Писал SQL-запросы для расчёта продуктовых метрик и подготовки аналитических выборок.\n- Участвовал в разработке витрин и дашбордов.\n\nПо результатам стажировки получил предложение продолжить работу в Ozon Банке на позиции CVM-аналитика.\n\nСтек: SQL, Python, PostgreSQL, ClickHouse, Superset, Jupyter, GitLab.","city":null}],"education":[{"organization":"Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург","specialization":"Информатика и вычислительная техника","start_year":null,"end_year":2026,"degree":"Институт компьютерных наук и кибербезопасности"}],"languages":[{"lang":"Русский","level":"Родной"},{"lang":"Английский","level":"B2 — Средне-продвинутый"}]},"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-6e45856c0010d67882004bf79b647437756332@skillaz.invalid","PhoneNumber":"+71112682739","InternationalPhoneNumber":null,"SourceUrl":"https://hh.ru/resume/6e45856c0010d67882004bf79b647437756332","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/6e45856c0010d67882004bf79b647437756332","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":"ТГ: @m_elubay\nEmail: iz.e1@yandex.ru\n\nПродуктовый аналитик с опытом работы в финтехе, e-commerce и платёжных продуктах. Провожу продуктовые исследования, строю системы метрик и пользовательские воронки, проверяю гипотезы с помощью A/B-тестов, развиваю аналитические витрины и оцениваю влияние изменений на финансовые показатели продукта.\n\nУмею самостоятельно пройти полный цикл аналитической задачи: сформулировать проблему, определить метрики, подготовить данные на SQL и Python, провести исследование или эксперимент, интерпретировать результаты и предложить продуктовое решение. В работе связываю пользовательское поведение с экономикой продукта: P&L, стоимостью привлечения, маржинальностью и инкрементальным эффектом.","Gender":"male","GenderType":"unknown","BirthDate":null,"Education":null,"CurrentTitle":"Продуктовый аналитик","CurrentCompany":"МАГНИТ tech","Skills":["Python","Numpy","Matplotlib","pandas","SQL","PostgreSQL","Clickhouse","Scikit-learn","Apache Airflow","Power BI","Tableau","Superset","DWH","ETL","Jupyter Notebook","Теория вероятностей","Unit-экономика","Анализ воронки продаж","Математическая статистика","Git"],"Citizenship":["Россия"],"TotalExperience":41,"AverageExperience":null,"UpdatedAt":"2026-07-29T20:48:09+03:00","Comments":[],"PreferredSalary":null,"ExpectedSalary":null,"ResumeTitle":"Продуктовый аналитик","City":"Москва","PreferredEmployments":["Any"],"PreferredSchedules":["FullDay"],"EducationType":"Undefined","WorkExperienceType":"Undefined","Educations":[{"Organization":"Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург","Specialization":"Информатика и вычислительная техника","EducationForm":"Undefined","EducationType":null,"StartYear":null,"EndYear":2026,"Degree":"Институт компьютерных наук и кибербезопасности","AverageGrade":null}],"WorkExperience":[{"CompanyName":"МАГНИТ tech","Position":"Продуктовый аналитик","StartDate":"2024-09-01","EndDate":null,"TotalMonths":null,"Description":"Магнит Пэй — платёжное направление экосистемы Магнита, развивающее банковские карты совместно с ВТБ и оплату по СБП в мобильном приложении и офлайн-магазинах.\n\nОтвечаю за аналитику привязки и использования СБП, событийные воронки мобильного приложения, сегментацию аудитории, A/B-тесты и оценку финансового эффекта платёжных сценариев.\n\nПроекты и достижения:\n\nНовый сценарий привязки СБП:\n\nОбнаружил основной отвал между нажатием кнопки «Привязать» и подтверждением привязки на стороне банка. Декомпозировал воронку по платформам, версиям приложения и контексту использования.\nСовместно с продуктом и дизайнером сформировал гипотезу упрощённого экрана: сократили количество действий, понятнее объяснили выгоду и переработали призыв к действию.\nСпроектировал и проанализировал A/B-тест. Основная метрика — успешная привязка СБП, дополнительные — переход к подтверждению и первая оплата, защитные — технические ошибки и сквозная конверсия оплаты.\nКонверсия в успешную привязку выросла на 3,1 п.п. Значимого ухудшения защитных метрик не обнаружено. Новый экран был внедрён в продукт.\n\nИсследование поведения пользователей после привязки:\n\nВыделил сегмент пользователей, привязавших СБП, и исследовал их первую оплату, частоту последующих транзакций, retention привязки, средний чек и долю оплат офлайн и онлайн.\nПоказал, что сама привязка недостаточна для оценки успеха продукта: необходимо учитывать первую оплату и регулярное использование. После исследования фокус продуктовой команды был смещён с общего количества привязок на активные привязки.\n\nТехнические аспекты:\n\n- Разработал tracking plan для сценариев привязки и оплаты по СБП: события экранов, виджетов, кнопок и результатов операций.\n- Собрал событийную витрину из сырых JSON-логов для анализа пути пользователя от показа экрана до первой оплаты.\n- Автоматизировал регулярное обновление витрин через Airflow.\n- Разработал дашборды воронки привязки, доли способов оплаты, эффективности привлечения и финансового эффекта.\n- Сократил подготовку регулярной аналитики с нескольких часов ручной работы до автоматического ежедневного обновления.\n\nСтек: SQL, Python, pandas, NumPy, PostgreSQL, Greenplum, ClickHouse, Яндекс Метрика, Teradata, Airflow, Superset, DataLens, AppMetrica, Git, Confluence.","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"OZON банк","Position":"CVM-аналитик","StartDate":"2023-07-01","EndDate":"2024-08-01","TotalMonths":null,"Description":"Работал в CVM-команде Ozon Банка. Команда привлекала пользователей маркетплейса в банковский продукт и развивала активное использование выпущенных карт.\n\nОтвечал за воронку кросс-продажи банковской карты, метрики активации и утилизации, сегментацию клиентов, A/B-тесты офферов и кэшбэк-механик, а также P&L на держателя.\n\nПроекты и достижения:\n\nКонтекстное предложение карты в сценарии оплаты:\n\nВыявил, что пользователи, оформлявшие карту непосредственно во время оплаты заказа, чаще совершали первую транзакцию и продолжали пользоваться картой. Поскольку наблюдаемое различие могло быть связано с самоотбором, предложил проверить причинный эффект через A/B-тест.\nВ тестовой группе пользователям показывался контекстный оффер карты с выгодой на текущий заказ. Основной метрикой выбрал долю пользователей, ставших активными держателями в течение 30 дней. Защитными метриками были P&L на держателя и конверсия заказа.\nДоля активных карт выросла на 1,4 п.п. . P&L на привлечённого активного держателя остался положительным, а конверсия заказа не снизилась. Механика была масштабирована.\n\nТехнические аспекты:\n\n- Построил клиентскую CVM-витрину, объединив поведение на маркетплейсе, оформление и активацию карты, транзакции, оборот, кэшбэк и P&L.\n- Разработал дашборд воронки: показ оффера → оформление → первая транзакция → регулярное использование.\n- Настроил мониторинг A/B-тестов, включая проверку SRM и сравнение метрик по платформам и клиентским сегментам.\n\nСтек: SQL, Python, pandas, NumPy, ClickHouse, Vertica, PostgreSQL, PySpark, Apache Spark, Airflow, Superset, GitLab, JupyterHub.","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"OZON банк","Position":"Стажер-аналитик","StartDate":"2023-03-01","EndDate":"2023-06-01","TotalMonths":null,"Description":"Прошёл отбор в стажёрскую программу Ozon Camp и присоединился к финтех-направлению Ozon.\n\nНа стажировке работал с продуктовыми метриками банковского направления, аналитическими витринами и отчётностью команды.\n\nПроекты и достижения:\n\n- Анализировал воронку оформления и активации банковской карты.\n- Готовил продуктовые срезы по каналам привлечения, платформам и клиентским сегментам.\n- Исследовал причины изменений конверсии между этапами пользовательской воронки.\n- Участвовал в подготовке и проверке данных для A/B-тестов.\n- Выполнял первые задачи по когортному анализу, сегментации пользователей и расчёту юнит-экономики.\n- Писал SQL-запросы для расчёта продуктовых метрик и подготовки аналитических выборок.\n- Участвовал в разработке витрин и дашбордов.\n\nПо результатам стажировки получил предложение продолжить работу в Ozon Банке на позиции CVM-аналитика.\n\nСтек: SQL, Python, PostgreSQL, ClickHouse, Superset, Jupyter, GitLab.","Industries":null,"City":null,"EmploymentType":"Any"}],"Languages":[{"Lang":"Русский","Level":"Родной"},{"Lang":"Английский","Level":"B2 — Средне-продвинутый"}],"PreferredSchedule":"FullDay","KnownLanguages":null,"PreferredPosition":"Продуктовый аналитик","PreferredEmployment":null,"RelocationReadiness":null,"AdditionalFields":[],"ContactsHidden":true,"Country":null,"ProfessionalAreas":[{"id":"156","name":"BI-аналитик, аналитик данных"},{"id":"164","name":"Продуктовый аналитик"}],"ResumeText":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик\nГород: Москва\nОпыт: 41 мес.\nНавыки: Python, Numpy, Matplotlib, pandas, SQL, PostgreSQL, Clickhouse, Scikit-learn, Apache Airflow, Power BI, Tableau, Superset, DWH, ETL, Jupyter Notebook, Теория вероятностей, Unit-экономика, Анализ воронки продаж, Математическая статистика, Git\n\nО себе:\nТГ: @m_elubay\nEmail: iz.e1@yandex.ru\n\nПродуктовый аналитик с опытом работы в финтехе, e-commerce и платёжных продуктах. Провожу продуктовые исследования, строю системы метрик и пользовательские воронки, проверяю гипотезы с помощью A/B-тестов, развиваю аналитические витрины и оцениваю влияние изменений на финансовые показатели продукта.\n\nУмею самостоятельно пройти полный цикл аналитической задачи: сформулировать проблему, определить метрики, подготовить данные на SQL и Python, провести исследование или эксперимент, интерпретировать результаты и предложить продуктовое решение. В работе связываю пользовательское поведение с экономикой продукта: P&L, стоимостью привлечения, маржинальностью и инкрементальным эффектом.\n\nОпыт работы:\nМАГНИТ tech — Продуктовый аналитик\n2024-09-01\nМагнит Пэй — платёжное направление экосистемы Магнита, развивающее банковские карты совместно с ВТБ и оплату по СБП в мобильном приложении и офлайн-магазинах.\n\nОтвечаю за аналитику привязки и использования СБП, событийные воронки мобильного приложения, сегментацию аудитории, A/B-тесты и оценку финансового эффекта платёжных сценариев.\n\nПроекты и достижения:\n\nНовый сценарий привязки СБП:\n\nОбнаружил основной отвал между нажатием кнопки «Привязать» и подтверждением привязки на стороне банка. Декомпозировал воронку по платформам, версиям приложения и контексту использования.\nСовместно с продуктом и дизайнером сформировал гипотезу упрощённого экрана: сократили количество действий, понятнее объяснили выгоду и переработали призыв к действию.\nСпроектировал и проанализировал A/B-тест. Основная метрика — успешная привязка СБП, дополнительные — переход к подтверждению и первая оплата, защитные — технические ошибки и сквозная конверсия оплаты.\nКонверсия в успешную привязку выросла на 3,1 п.п. Значимого ухудшения защитных метрик не обнаружено. Новый экран был внедрён в продукт.\n\nИсследование поведения пользователей после привязки:\n\nВыделил сегмент пользователей, привязавших СБП, и исследовал их первую оплату, частоту последующих транзакций, retention привязки, средний чек и долю оплат офлайн и онлайн.\nПоказал, что сама привязка недостаточна для оценки успеха продукта: необходимо учитывать первую оплату и регулярное использование. После исследования фокус продуктовой команды был смещён с общего количества привязок на активные привязки.\n\nТехнические аспекты:\n\n- Разработал tracking plan для сценариев привязки и оплаты по СБП: события экранов, виджетов, кнопок и результатов операций.\n- Собрал событийную витрину из сырых JSON-логов для анализа пути пользователя от показа экрана до первой оплаты.\n- Автоматизировал регулярное обновление витрин через Airflow.\n- Разработал дашборды воронки привязки, доли способов оплаты, эффективности привлечения и финансового эффекта.\n- Сократил подготовку регулярной аналитики с нескольких часов ручной работы до автоматического ежедневного обновления.\n\nСтек: SQL, Python, pandas, NumPy, PostgreSQL, Greenplum, ClickHouse, Яндекс Метрика, Teradata, Airflow, Superset, DataLens, AppMetrica, Git, Confluence.\nOZON банк — CVM-аналитик\n2023-07-01 - 2024-08-01\nРаботал в CVM-команде Ozon Банка. Команда привлекала пользователей маркетплейса в банковский продукт и развивала активное использование выпущенных карт.\n\nОтвечал за воронку кросс-продажи банковской карты, метрики активации и утилизации, сегментацию клиентов, A/B-тесты офферов и кэшбэк-механик, а также P&L на держателя.\n\nПроекты и достижения:\n\nКонтекстное предложение карты в сценарии оплаты:\n\nВыявил, что пользователи, оформлявшие карту непосредственно во время оплаты заказа, чаще совершали первую транзакцию и продолжали пользоваться картой. Поскольку наблюдаемое различие могло быть связано с самоотбором, предложил проверить причинный эффект через A/B-тест.\nВ тестовой группе пользователям показывался контекстный оффер карты с выгодой на текущий заказ. Основной метрикой выбрал долю пользователей, ставших активными держателями в течение 30 дней. Защитными метриками были P&L на держателя и конверсия заказа.\nДоля активных карт выросла на 1,4 п.п. . P&L на привлечённого активного держателя остался положительным, а конверсия заказа не снизилась. Механика была масштабирована.\n\nТехнические аспекты:\n\n- Построил клиентскую CVM-витрину, объединив поведение на маркетплейсе, оформление и активацию карты, транзакции, оборот, кэшбэк и P&L.\n- Разработал дашборд воронки: показ оффера → оформление → первая транзакция → регулярное использование.\n- Настроил мониторинг A/B-тестов, включая проверку SRM и сравнение метрик по платформам и клиентским сегментам.\n\nСтек: SQL, Python, pandas, NumPy, ClickHouse, Vertica, PostgreSQL, PySpark, Apache Spark, Airflow, Superset, GitLab, JupyterHub.\nOZON банк — Стажер-аналитик\n2023-03-01 - 2023-06-01\nПрошёл отбор в стажёрскую программу Ozon Camp и присоединился к финтех-направлению Ozon.\n\nНа стажировке работал с продуктовыми метриками банковского направления, аналитическими витринами и отчётностью команды.\n\nПроекты и достижения:\n\n- Анализировал воронку оформления и активации банковской карты.\n- Готовил продуктовые срезы по каналам привлечения, платформам и клиентским сегментам.\n- Исследовал причины изменений конверсии между этапами пользовательской воронки.\n- Участвовал в подготовке и проверке данных для A/B-тестов.\n- Выполнял первые задачи по когортному анализу, сегментации пользователей и расчёту юнит-экономики.\n- Писал SQL-запросы для расчёта продуктовых метрик и подготовки аналитических выборок.\n- Участвовал в разработке витрин и дашбордов.\n\nПо результатам стажировки получил предложение продолжить работу в Ozon Банке на позиции CVM-аналитика.\n\nСтек: SQL, Python, PostgreSQL, ClickHouse, Superset, Jupyter, GitLab.\n\nОбразование:\nСанкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург. Институт компьютерных наук и кибербезопасности. Информатика и вычислительная техника. 2026\n\nЯзыки:\nРусский: Родной\nАнглийский: B2 — Средне-продвинутый\n\nИнсайты HeadHunter:\nАктивность: Рассматривает предложения; обновлено 2026-07-29T20:48:09+0300\nКонтакты: контакты скрыты; доступ к полной информации: нет\nЛогистика: Москва; время в пути: Не имеет значения; командировки: Готов к командировкам\nПредпочтения: занятость: Полная занятость; график: Полный день; формат работы: На месте работодателя, Удалённо, Гибрид\nДостижения: есть измеримые результаты в опыте: 3 из 3 мест работы\nПродажи: есть sales/key account 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: На месте работодателя, Удалённо, Гибрид\nВремя в пути: Не имеет значения\nКомандировки: Готов к командировкам\nРазрешение на работу: Россия\nГражданство: Россия","CreatedAt":"2026-07-30T07:23:25.676359Z","BusinessTripReadiness":"Готов к командировкам","WorkTravelTime":"Не имеет значения","JobSearchStatus":"Рассматривает предложения","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":"6e45856c0010d67882004bf79b647437756332","Type":"headhunter_resume_id"}],"ExpandDuplicateInfo":true},"trace":{"source":"headhunter_api","source_url":"https://hh.ru/resume/6e45856c0010d67882004bf79b647437756332","resume_id":"6e45856c0010d67882004bf79b647437756332","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}