{"id":"pacc_c738acc6fad144f28aa8d3c97a1391f5","batch_file_id":null,"source_filename":"headhunter-6570f63a000fa7b520004bf79b4a754d6d565a.json","source_mime_type":null,"source_document_url":null,"normalized_resume":{"hh_resume_id":"6570f63a000fa7b520004bf79b4a754d6d565a","hh_updated_at":"2026-07-30T09:39:50+0300","hh_created_at":"2025-11-11T19:29:58+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 2026-07-30T09:39:50+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: Удаленная работа; формат работы: Удалённо"},{"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":"1996-05-12","gender":"male","social_media":["https://hh.ru/resume/6570f63a000fa7b520004bf79b4a754d6d565a"],"city":"Москва","country":null,"about":"Аналитик с 7+ летним опытом работы.\nЗанимался маркетинговой, финансовой, продуктовой и коммерческой аналитикой.\n\nВысокий уровень SQL (диалекты Postgres, BigQuery, MySQL, ClickHouse) и Python (Pandas, NumPy,SciPy, matplotlib/seaborn, scikit-learn)\n\nВ портфеле 40+ интересных кейсов, например:\n\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\nИнструменты:\nSQL, AppsFlyer, Google Analytics, Segment\n\n2. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\nИнструменты:\nSQL, Power BI, dbt, Airflow, HubSpot, Google Sheets\n\n3. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\nИнструменты:\nPython (Pandas, NumPy, SciPy), SQL, Power BI, Google Analytics, AppsFlyer\n\nИ многое другое","current_title":"Data Analyst / Аналитик Данных","current_company":"Huobi / HTX (Crypto FinTech)","skills":["SQL","Power BI","Математическая статистика","Python","Atlassian Confluence","SQL Server Profiler","Apache Airflow","Jupyter Notebook","Scikit-learn","A/B тесты","MS SQL Server","Amplitude","BigQuery","Tableau","pandas","Matplotlib","PySpark","Numpy","PyTorch","Теория вероятностей","SciPy","Seaborn","PostgreSQL","MySQL","Git","MS Excel","dbt","DataLens","Clickhouse","Машинное обучение"],"source_skills":["SQL","Power BI","Математическая статистика","Python","Atlassian Confluence","SQL Server Profiler","Apache Airflow","Jupyter Notebook","Scikit-learn","A/B тесты","MS SQL Server","Amplitude","BigQuery","Tableau","pandas","Matplotlib","PySpark","Numpy","PyTorch","Теория вероятностей","SciPy","Seaborn","PostgreSQL","MySQL","Git","MS Excel","dbt","DataLens","Clickhouse","Машинное обучение"],"inferred_skills":[],"total_experience_months":93,"expected_salary":null,"preferred_position":"Продуктовый аналитик","recommendations":[],"source_url":"https://hh.ru/resume/6570f63a000fa7b520004bf79b4a754d6d565a","source_photo_url":"https://img.hhcdn.ru/photo/807723607.png?t=1785480003&h=1O48Ozc5mAXtbseKqP5xEw","resume_text":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик\nГород: Москва\nОпыт: 93 мес.\nНавыки: SQL, Power BI, Математическая статистика, Python, Atlassian Confluence, SQL Server Profiler, Apache Airflow, Jupyter Notebook, Scikit-learn, A/B тесты, MS SQL Server, Amplitude, BigQuery, Tableau, pandas, Matplotlib, PySpark, Numpy, PyTorch, Теория вероятностей, SciPy, Seaborn, PostgreSQL, MySQL, Git, MS Excel, dbt, DataLens, Clickhouse, Машинное обучение\n\nО себе:\nАналитик с 7+ летним опытом работы.\nЗанимался маркетинговой, финансовой, продуктовой и коммерческой аналитикой.\n\nВысокий уровень SQL (диалекты Postgres, BigQuery, MySQL, ClickHouse) и Python (Pandas, NumPy,SciPy, matplotlib/seaborn, scikit-learn)\n\nВ портфеле 40+ интересных кейсов, например:\n\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\nИнструменты:\nSQL, AppsFlyer, Google Analytics, Segment\n\n2. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\nИнструменты:\nSQL, Power BI, dbt, Airflow, HubSpot, Google Sheets\n\n3. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\nИнструменты:\nPython (Pandas, NumPy, SciPy), SQL, Power BI, Google Analytics, AppsFlyer\n\nИ многое другое\n\nОпыт работы:\nHuobi / HTX (Crypto FinTech) — Data Analyst / Аналитик Данных\n2024-04-01\n1. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\n\n2. Провёл сегментацию пользователей по трейдинговой активности и LTV.\nПроще говоря, я разбил базу клиентов на кластеры по объёму, частоте и прибыльности сделок, что позволило маркетингу запускать персонализированные бонусные кампании.\nИтог:\nROI промо-акций по трейдингу вырос на +24%, а retention активных трейдеров — на +13%.\n\n3. Создал дашборды мониторинга активности по странам и каналам привлечения.\nПроще говоря, я сделал прозрачной аналитику региональных рынков и эффективность источников трафика (affiliate, PPC, SEO, referral и т.д.).\nИтог:\nМаркетинг перераспределил бюджет, снизив CAC на 18% и увеличив количество активных пользователей на 9% по сравнению с аналогичным периодом до актуальных дэшей.\n\n\nТехнологии: SQL (BigQuery, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib), Power BI, dbt, Airflow, HubSpot, Google Sheets, Excel, Google Analytics, AppsFlyer, Segment, Affise\nRSG Group (Fitness Tech) — Data Analyst / Аналитик Данных\n2022-02-01 - 2024-04-01\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\n\n2. Создал систему дашбордов по Retention и Churn для сети фитнес-клубов и онлайн-продуктов.\nИными словами, я сделал прозрачной аналитику удержания клиентов — теперь менеджеры видят отток по клубам, регионам и типам подписок.\nИтог: запуск программы лояльности на основе данных позволил сократить churn rate на 12% за 3 месяца.\n\n3. Реализовал интеграцию с API фитнес-браслетов, что позволило персонализировать тренировки и повысить конверсию в продление клиентов с браслетами на 21%\n\n4. Разработал модель машинного обучения для таргетирования клиентов которые с большей вероятностью отвалятся, что позволило снизить отток на 10.7% благодаря таргетированию и промптам для продающих менеджеров\n\n\nТехнологии: SQL (PostgreSQL, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib/Seaborn), Power BI, dbt, Airflow, Google Analytics, AppsFlyer, Firebase Analytics, HubSpot, Google Sheets, Excel\nMars (FMCG) — Data Analyst / Аналитик Данных\n2018-11-01 - 2022-02-01\n1. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\n\n2. Выявил возможности ежегодной экономии в $430.000, анализируя ОПУ, ДДС, а также базы товарных остатков, предложив реализацию неликвидной продукции сетям магазинов с отсутствием фиксированной товарной матрицы, а также перепродаже списанных Основных Средств (ОС) через китайскую торговую платформу 闲鱼 (аналог Авито)\n\n3. Оптимизировал прогноз продаж по ключевым SKU с помощью анализа сезонности и промо-календаря.\nИными словами, я построил модель, которая учитывала сезонные всплески, влияние акций и региональные особенности.\nЭто позволило уменьшить объём излишков на складе на 8%\n\n\nТехнологии: SQL (MySQL, DataGrip), Python (Pandas, NumPy, Scikit-learn), Excel/Google Sheets, Tableau, Airflow, dbt.\n\nОбразование:\nSun Yat-sen University. Computer Science. Master of Science (MSc) in Big Data Analytics. 2020\nSun Yat-sen University. Computer Science. Computer Science. 2018\n\nЯзыки:\nРусский: Родной\nАнглийский: C2 — В совершенстве\nКитайский: C1 — Продвинутый\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T09:39:50+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: Удаленная работа; формат работы: Удалённо\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\nВозраст: 30\nЗанятость: Полная занятость\nВарианты занятости: Полная занятость\nГрафик: Удаленная работа\nВарианты графика: Удаленная работа\nФормат работы: Удалённо\nВремя в пути: Не имеет значения\nКомандировки: Готов к командировкам\nРазрешение на работу: Россия\nВодительские права: A, B\nГражданство: Россия","employment":"Полная занятость","schedule":"Удаленная работа","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":"10","name":"Аналитик"},{"id":"150","name":"Бизнес-аналитик"},{"id":"163","name":"Маркетолог-аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"certificates":[],"education_level":"Магистр","salary_amount":null,"salary_currency":null,"work_experience":[{"company_name":"Huobi / HTX (Crypto FinTech)","position":"Data Analyst / Аналитик Данных","start_date":"2024-04-01","end_date":null,"total_months":null,"description":"1. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\n\n2. Провёл сегментацию пользователей по трейдинговой активности и LTV.\nПроще говоря, я разбил базу клиентов на кластеры по объёму, частоте и прибыльности сделок, что позволило маркетингу запускать персонализированные бонусные кампании.\nИтог:\nROI промо-акций по трейдингу вырос на +24%, а retention активных трейдеров — на +13%.\n\n3. Создал дашборды мониторинга активности по странам и каналам привлечения.\nПроще говоря, я сделал прозрачной аналитику региональных рынков и эффективность источников трафика (affiliate, PPC, SEO, referral и т.д.).\nИтог:\nМаркетинг перераспределил бюджет, снизив CAC на 18% и увеличив количество активных пользователей на 9% по сравнению с аналогичным периодом до актуальных дэшей.\n\n\nТехнологии: SQL (BigQuery, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib), Power BI, dbt, Airflow, HubSpot, Google Sheets, Excel, Google Analytics, AppsFlyer, Segment, Affise","city":null},{"company_name":"RSG Group (Fitness Tech)","position":"Data Analyst / Аналитик Данных","start_date":"2022-02-01","end_date":"2024-04-01","total_months":null,"description":"1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\n\n2. Создал систему дашбордов по Retention и Churn для сети фитнес-клубов и онлайн-продуктов.\nИными словами, я сделал прозрачной аналитику удержания клиентов — теперь менеджеры видят отток по клубам, регионам и типам подписок.\nИтог: запуск программы лояльности на основе данных позволил сократить churn rate на 12% за 3 месяца.\n\n3. Реализовал интеграцию с API фитнес-браслетов, что позволило персонализировать тренировки и повысить конверсию в продление клиентов с браслетами на 21%\n\n4. Разработал модель машинного обучения для таргетирования клиентов которые с большей вероятностью отвалятся, что позволило снизить отток на 10.7% благодаря таргетированию и промптам для продающих менеджеров\n\n\nТехнологии: SQL (PostgreSQL, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib/Seaborn), Power BI, dbt, Airflow, Google Analytics, AppsFlyer, Firebase Analytics, HubSpot, Google Sheets, Excel","city":null},{"company_name":"Mars (FMCG)","position":"Data Analyst / Аналитик Данных","start_date":"2018-11-01","end_date":"2022-02-01","total_months":null,"description":"1. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\n\n2. Выявил возможности ежегодной экономии в $430.000, анализируя ОПУ, ДДС, а также базы товарных остатков, предложив реализацию неликвидной продукции сетям магазинов с отсутствием фиксированной товарной матрицы, а также перепродаже списанных Основных Средств (ОС) через китайскую торговую платформу 闲鱼 (аналог Авито)\n\n3. Оптимизировал прогноз продаж по ключевым SKU с помощью анализа сезонности и промо-календаря.\nИными словами, я построил модель, которая учитывала сезонные всплески, влияние акций и региональные особенности.\nЭто позволило уменьшить объём излишков на складе на 8%\n\n\nТехнологии: SQL (MySQL, DataGrip), Python (Pandas, NumPy, Scikit-learn), Excel/Google Sheets, Tableau, Airflow, dbt.","city":null}],"education":[{"organization":"Sun Yat-sen University","specialization":"Master of Science (MSc) in Big Data Analytics","start_year":null,"end_year":2020,"degree":"Computer Science"},{"organization":"Sun Yat-sen University","specialization":"Computer Science","start_year":null,"end_year":2018,"degree":"Computer Science"}],"languages":[{"lang":"Русский","level":"Родной"},{"lang":"Английский","level":"C2 — В совершенстве"},{"lang":"Китайский","level":"C1 — 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-6570f63a000fa7b520004bf79b4a754d6d565a@skillaz.invalid","PhoneNumber":"+71113855179","InternationalPhoneNumber":null,"SourceUrl":"https://hh.ru/resume/6570f63a000fa7b520004bf79b4a754d6d565a","BirthDate":"1996-05-12T00:00:00Z","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/6570f63a000fa7b520004bf79b4a754d6d565a","UtmSource":"parser-3.0","TabelNumber":null,"UtmCampaign":null,"UtmMedium":null,"UtmContent":null,"UtmTerm":null,"UtmSessionId":null,"CommonCandidateInfo":{"Avatar":"https://img.hhcdn.ru/photo/807723607.png?t=1785480003&h=1O48Ozc5mAXtbseKqP5xEw","AvatarFileId":null,"Area":null,"Metro":null,"About":"Аналитик с 7+ летним опытом работы.\nЗанимался маркетинговой, финансовой, продуктовой и коммерческой аналитикой.\n\nВысокий уровень SQL (диалекты Postgres, BigQuery, MySQL, ClickHouse) и Python (Pandas, NumPy,SciPy, matplotlib/seaborn, scikit-learn)\n\nВ портфеле 40+ интересных кейсов, например:\n\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\nИнструменты:\nSQL, AppsFlyer, Google Analytics, Segment\n\n2. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\nИнструменты:\nSQL, Power BI, dbt, Airflow, HubSpot, Google Sheets\n\n3. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\nИнструменты:\nPython (Pandas, NumPy, SciPy), SQL, Power BI, Google Analytics, AppsFlyer\n\nИ многое другое","Gender":"male","GenderType":"unknown","BirthDate":"1996-05-12T00:00:00Z","Education":null,"CurrentTitle":"Data Analyst / Аналитик Данных","CurrentCompany":"Huobi / HTX (Crypto FinTech)","Skills":["SQL","Power BI","Математическая статистика","Python","Atlassian Confluence","SQL Server Profiler","Apache Airflow","Jupyter Notebook","Scikit-learn","A/B тесты","MS SQL Server","Amplitude","BigQuery","Tableau","pandas","Matplotlib","PySpark","Numpy","PyTorch","Теория вероятностей","SciPy","Seaborn","PostgreSQL","MySQL","Git","MS Excel","dbt","DataLens","Clickhouse","Машинное обучение"],"Citizenship":["Россия"],"TotalExperience":93,"AverageExperience":null,"UpdatedAt":"2026-07-30T09:39:50+03:00","Comments":[],"PreferredSalary":null,"ExpectedSalary":null,"ResumeTitle":"Продуктовый аналитик","City":"Москва","PreferredEmployments":["Any"],"PreferredSchedules":["FullDay"],"EducationType":"Undefined","WorkExperienceType":"Undefined","Educations":[{"Organization":"Sun Yat-sen University","Specialization":"Master of Science (MSc) in Big Data Analytics","EducationForm":"Undefined","EducationType":null,"StartYear":null,"EndYear":2020,"Degree":"Computer Science","AverageGrade":null},{"Organization":"Sun Yat-sen University","Specialization":"Computer Science","EducationForm":"Undefined","EducationType":null,"StartYear":null,"EndYear":2018,"Degree":"Computer Science","AverageGrade":null}],"WorkExperience":[{"CompanyName":"Huobi / HTX (Crypto FinTech)","Position":"Data Analyst / Аналитик Данных","StartDate":"2024-04-01","EndDate":null,"TotalMonths":null,"Description":"1. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\n\n2. Провёл сегментацию пользователей по трейдинговой активности и LTV.\nПроще говоря, я разбил базу клиентов на кластеры по объёму, частоте и прибыльности сделок, что позволило маркетингу запускать персонализированные бонусные кампании.\nИтог:\nROI промо-акций по трейдингу вырос на +24%, а retention активных трейдеров — на +13%.\n\n3. Создал дашборды мониторинга активности по странам и каналам привлечения.\nПроще говоря, я сделал прозрачной аналитику региональных рынков и эффективность источников трафика (affiliate, PPC, SEO, referral и т.д.).\nИтог:\nМаркетинг перераспределил бюджет, снизив CAC на 18% и увеличив количество активных пользователей на 9% по сравнению с аналогичным периодом до актуальных дэшей.\n\n\nТехнологии: SQL (BigQuery, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib), Power BI, dbt, Airflow, HubSpot, Google Sheets, Excel, Google Analytics, AppsFlyer, Segment, Affise","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"RSG Group (Fitness Tech)","Position":"Data Analyst / Аналитик Данных","StartDate":"2022-02-01","EndDate":"2024-04-01","TotalMonths":null,"Description":"1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\n\n2. Создал систему дашбордов по Retention и Churn для сети фитнес-клубов и онлайн-продуктов.\nИными словами, я сделал прозрачной аналитику удержания клиентов — теперь менеджеры видят отток по клубам, регионам и типам подписок.\nИтог: запуск программы лояльности на основе данных позволил сократить churn rate на 12% за 3 месяца.\n\n3. Реализовал интеграцию с API фитнес-браслетов, что позволило персонализировать тренировки и повысить конверсию в продление клиентов с браслетами на 21%\n\n4. Разработал модель машинного обучения для таргетирования клиентов которые с большей вероятностью отвалятся, что позволило снизить отток на 10.7% благодаря таргетированию и промптам для продающих менеджеров\n\n\nТехнологии: SQL (PostgreSQL, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib/Seaborn), Power BI, dbt, Airflow, Google Analytics, AppsFlyer, Firebase Analytics, HubSpot, Google Sheets, Excel","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"Mars (FMCG)","Position":"Data Analyst / Аналитик Данных","StartDate":"2018-11-01","EndDate":"2022-02-01","TotalMonths":null,"Description":"1. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\n\n2. Выявил возможности ежегодной экономии в $430.000, анализируя ОПУ, ДДС, а также базы товарных остатков, предложив реализацию неликвидной продукции сетям магазинов с отсутствием фиксированной товарной матрицы, а также перепродаже списанных Основных Средств (ОС) через китайскую торговую платформу 闲鱼 (аналог Авито)\n\n3. Оптимизировал прогноз продаж по ключевым SKU с помощью анализа сезонности и промо-календаря.\nИными словами, я построил модель, которая учитывала сезонные всплески, влияние акций и региональные особенности.\nЭто позволило уменьшить объём излишков на складе на 8%\n\n\nТехнологии: SQL (MySQL, DataGrip), Python (Pandas, NumPy, Scikit-learn), Excel/Google Sheets, Tableau, Airflow, dbt.","Industries":null,"City":null,"EmploymentType":"Any"}],"Languages":[{"Lang":"Русский","Level":"Родной"},{"Lang":"Английский","Level":"C2 — В совершенстве"},{"Lang":"Китайский","Level":"C1 — 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":"10","name":"Аналитик"},{"id":"150","name":"Бизнес-аналитик"},{"id":"163","name":"Маркетолог-аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"ResumeText":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик\nГород: Москва\nОпыт: 93 мес.\nНавыки: SQL, Power BI, Математическая статистика, Python, Atlassian Confluence, SQL Server Profiler, Apache Airflow, Jupyter Notebook, Scikit-learn, A/B тесты, MS SQL Server, Amplitude, BigQuery, Tableau, pandas, Matplotlib, PySpark, Numpy, PyTorch, Теория вероятностей, SciPy, Seaborn, PostgreSQL, MySQL, Git, MS Excel, dbt, DataLens, Clickhouse, Машинное обучение\n\nО себе:\nАналитик с 7+ летним опытом работы.\nЗанимался маркетинговой, финансовой, продуктовой и коммерческой аналитикой.\n\nВысокий уровень SQL (диалекты Postgres, BigQuery, MySQL, ClickHouse) и Python (Pandas, NumPy,SciPy, matplotlib/seaborn, scikit-learn)\n\nВ портфеле 40+ интересных кейсов, например:\n\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\nИнструменты:\nSQL, AppsFlyer, Google Analytics, Segment\n\n2. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\nИнструменты:\nSQL, Power BI, dbt, Airflow, HubSpot, Google Sheets\n\n3. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\nИнструменты:\nPython (Pandas, NumPy, SciPy), SQL, Power BI, Google Analytics, AppsFlyer\n\nИ многое другое\n\nОпыт работы:\nHuobi / HTX (Crypto FinTech) — Data Analyst / Аналитик Данных\n2024-04-01\n1. Создал комплекс дашбордов для коммерческого отдела, на основании которых выплачивается мотивация менеджерам по продажам и хэдам направлений\nПроще говоря, благодаря мне менеджеры стали понимать, сколько им нужно делать продаж, чтобы добить план. А хэды направлений занимались продажами, вместо подсчёта ЗП сотрудникам.\nИтог:\nСредневзвешенный Revenue после внедрения + 14,8% по коммерческим отделам по сравнению с периодом до внедрения.\n\n2. Провёл сегментацию пользователей по трейдинговой активности и LTV.\nПроще говоря, я разбил базу клиентов на кластеры по объёму, частоте и прибыльности сделок, что позволило маркетингу запускать персонализированные бонусные кампании.\nИтог:\nROI промо-акций по трейдингу вырос на +24%, а retention активных трейдеров — на +13%.\n\n3. Создал дашборды мониторинга активности по странам и каналам привлечения.\nПроще говоря, я сделал прозрачной аналитику региональных рынков и эффективность источников трафика (affiliate, PPC, SEO, referral и т.д.).\nИтог:\nМаркетинг перераспределил бюджет, снизив CAC на 18% и увеличив количество активных пользователей на 9% по сравнению с аналогичным периодом до актуальных дэшей.\n\n\nТехнологии: SQL (BigQuery, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib), Power BI, dbt, Airflow, HubSpot, Google Sheets, Excel, Google Analytics, AppsFlyer, Segment, Affise\nRSG Group (Fitness Tech) — Data Analyst / Аналитик Данных\n2022-02-01 - 2024-04-01\n1. Настроил маркетинговую атрибуцию с нуля.\nИными словами, благодаря мне в компании появилось понимание откуда идёт трафик, какие конверсии по каналам и сколько на каждый канал мы тратим.\nИтог:\nПлюс 19,3% к среднемесячному Revenue по сравнению с периодом до внедрения благодаря тому, что снизили бюджет на не эффективные каналы и увеличили на эффективные.\n\n2. Создал систему дашбордов по Retention и Churn для сети фитнес-клубов и онлайн-продуктов.\nИными словами, я сделал прозрачной аналитику удержания клиентов — теперь менеджеры видят отток по клубам, регионам и типам подписок.\nИтог: запуск программы лояльности на основе данных позволил сократить churn rate на 12% за 3 месяца.\n\n3. Реализовал интеграцию с API фитнес-браслетов, что позволило персонализировать тренировки и повысить конверсию в продление клиентов с браслетами на 21%\n\n4. Разработал модель машинного обучения для таргетирования клиентов которые с большей вероятностью отвалятся, что позволило снизить отток на 10.7% благодаря таргетированию и промптам для продающих менеджеров\n\n\nТехнологии: SQL (PostgreSQL, DBeaver), Python (Pandas, NumPy, Scikit-learn, Matplotlib/Seaborn), Power BI, dbt, Airflow, Google Analytics, AppsFlyer, Firebase Analytics, HubSpot, Google Sheets, Excel\nMars (FMCG) — Data Analyst / Аналитик Данных\n2018-11-01 - 2022-02-01\n1. Провёл A/B тест промо-механики, чтобы определить, какая схема скидок эффективнее стимулирует повторные покупки.\nИными словами, я убедил маркетинг протестировать персонализированные скидки вместо одинаковых для всех клиентов.\nПосле запуска экспериментов проанализировал результаты с помощью статистических тестов, проверил значимость различий и визуализировал выводы в Power BI.\nИтог:\nсредний чек вырос на +14%, а доля повторных покупок — на +19% по сравнению с контрольной группой.\n\n2. Выявил возможности ежегодной экономии в $430.000, анализируя ОПУ, ДДС, а также базы товарных остатков, предложив реализацию неликвидной продукции сетям магазинов с отсутствием фиксированной товарной матрицы, а также перепродаже списанных Основных Средств (ОС) через китайскую торговую платформу 闲鱼 (аналог Авито)\n\n3. Оптимизировал прогноз продаж по ключевым SKU с помощью анализа сезонности и промо-календаря.\nИными словами, я построил модель, которая учитывала сезонные всплески, влияние акций и региональные особенности.\nЭто позволило уменьшить объём излишков на складе на 8%\n\n\nТехнологии: SQL (MySQL, DataGrip), Python (Pandas, NumPy, Scikit-learn), Excel/Google Sheets, Tableau, Airflow, dbt.\n\nОбразование:\nSun Yat-sen University. Computer Science. Master of Science (MSc) in Big Data Analytics. 2020\nSun Yat-sen University. Computer Science. Computer Science. 2018\n\nЯзыки:\nРусский: Родной\nАнглийский: C2 — В совершенстве\nКитайский: C1 — Продвинутый\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T09:39:50+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: Удаленная работа; формат работы: Удалённо\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\nВозраст: 30\nЗанятость: Полная занятость\nВарианты занятости: Полная занятость\nГрафик: Удаленная работа\nВарианты графика: Удаленная работа\nФормат работы: Удалённо\nВремя в пути: Не имеет значения\nКомандировки: Готов к командировкам\nРазрешение на работу: Россия\nВодительские права: A, B\nГражданство: Россия","CreatedAt":"2026-07-30T07:23:24.494160Z","BusinessTripReadiness":"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":"6570f63a000fa7b520004bf79b4a754d6d565a","Type":"headhunter_resume_id"}],"ExpandDuplicateInfo":true},"trace":{"source":"headhunter_api","source_url":"https://hh.ru/resume/6570f63a000fa7b520004bf79b4a754d6d565a","resume_id":"6570f63a000fa7b520004bf79b4a754d6d565a","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}