{"id":"pacc_d39c5edf40714c4386b60a25c47a9000","batch_file_id":null,"source_filename":"headhunter-3f3e1b80000c9dbaf4004bf79b367052485866.json","source_mime_type":null,"source_document_url":null,"normalized_resume":{"hh_resume_id":"3f3e1b80000c9dbaf4004bf79b367052485866","hh_updated_at":"2026-07-30T09:10:07+0300","hh_created_at":"2023-11-23T15:52:43+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 2026-07-30T09:10:07+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: 4 из 4 мест работы"},{"category":"seniority","label":"Уровень","value":"есть senior/lead сигнал"},{"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":"1999-07-07","gender":"male","social_media":["https://hh.ru/resume/3f3e1b80000c9dbaf4004bf79b367052485866"],"city":"Москва","country":null,"about":"Аналитик данных с 5+ годами коммерческого опыта, из них 4 года в продуктовой аналитике, и бэкграундом в performance-маркетинге. Работал с B2C web/mobile-продуктами, подписочной моделью, CRM и монетизацией. \n\nСильная сторона - превращать не до конца сформулированный бизнес-вопрос в проверяемую систему метрик, исследование или эксперимент, связывая пользовательское поведение с экономикой продукта. \n\nВеду задачи от постановки бизнес-вопроса и подготовки данных до выводов и их внедрения в продукт.  Критически проверяю выводы, аргументированно защищаю рекомендации и нахожу баланс между глубиной анализа, скоростью и практической ценностью для бизнеса.","current_title":"Продуктовый аналитик / Data Analyst","current_company":"Проектная деятельность / коммерческий B2C-продукт","skills":["Python","SQL","Git","Linux","PostgreSQL","Математическая статистика","Superset","Tableau","Airflow","A/B тесты","Аналитическое мышление","AppsFlyer","Unit-экономика","Когортный анализ","Amplitude","Анализ поведения пользователей","Power BI","Clickhouse","MS Excel","Google Sheets","Событийная аналитика","Ad Hoc Analysis","Numpy","Формирование аналитической отчетности","pandas","Визуализация данных"],"source_skills":["Python","SQL","Git","Linux","PostgreSQL","Математическая статистика","Superset","Tableau","Airflow","A/B тесты","Аналитическое мышление","AppsFlyer","Unit-экономика","Когортный анализ","Amplitude","Анализ поведения пользователей","Power BI","Clickhouse","MS Excel","Google Sheets","Событийная аналитика","Ad Hoc Analysis","Numpy","Формирование аналитической отчетности","pandas","Визуализация данных"],"inferred_skills":[],"total_experience_months":90,"expected_salary":null,"preferred_position":"Продуктовый аналитик (Product Analyst)","recommendations":[],"source_url":"https://hh.ru/resume/3f3e1b80000c9dbaf4004bf79b367052485866","source_photo_url":null,"resume_text":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик (Product Analyst)\nГород: Москва\nОпыт: 90 мес.\nНавыки: Python, SQL, Git, Linux, PostgreSQL, Математическая статистика, Superset, Tableau, Airflow, A/B тесты, Аналитическое мышление, AppsFlyer, Unit-экономика, Когортный анализ, Amplitude, Анализ поведения пользователей, Power BI, Clickhouse, MS Excel, Google Sheets, Событийная аналитика, Ad Hoc Analysis, Numpy, Формирование аналитической отчетности, pandas, Визуализация данных\n\nО себе:\nАналитик данных с 5+ годами коммерческого опыта, из них 4 года в продуктовой аналитике, и бэкграундом в performance-маркетинге. Работал с B2C web/mobile-продуктами, подписочной моделью, CRM и монетизацией. \n\nСильная сторона - превращать не до конца сформулированный бизнес-вопрос в проверяемую систему метрик, исследование или эксперимент, связывая пользовательское поведение с экономикой продукта. \n\nВеду задачи от постановки бизнес-вопроса и подготовки данных до выводов и их внедрения в продукт.  Критически проверяю выводы, аргументированно защищаю рекомендации и нахожу баланс между глубиной анализа, скоростью и практической ценностью для бизнеса.\n\nОпыт работы:\nПроектная деятельность / коммерческий B2C-продукт — Продуктовый аналитик / Data Analyst\n2024-12-01 - 2026-06-01\nКоммерческий подписочный B2C web/mobile-продукт. Название продукта не раскрывается по условиям конфиденциальности. Вёл продуктовую аналитику полного цикла: развивал систему метрик, проводил эксперименты, строил аналитические витрины, автоматизировал отчётность и готовил рекомендации для продуктовых и бизнес-команд.\n\n- Разработал дерево продуктовых и бизнес-метрик подписочного продукта. Система включала конверсию в регистрацию и оплату, onboarding completion rate, DAU, WAU, MAU, stickiness, частоту ключевого действия, конверсию paywall в оплату, renewal rate, cancellation rate, когортный retention, churn, MRR, ARPU, ARPPU и LTV. На основе дерева оценивал unit-экономику по LTV/CAC, сроку окупаемости и маржинальности подписки.\n- Провёл серию A/B-тестов изменений onboarding и paywall по полному циклу: формулировал гипотезы, выбирал ключевые и вспомогательные метрики, рассчитывал размер выборки и MDE, анализировал данные и статистическую значимость результатов в Python с использованием Pandas и статистических библиотек. По итогам экспериментов более 10 продуктовых изменений вышли в production, а конверсия в оплату увеличилась на 37%.\n- Оценил новую тарифную механику с помощью A/B-теста и сценарной P&L-модели. Сопоставил варианты по конверсии в оплату, выручке, ARPPU, маржинальности и unit-экономике. Выбранный вариант был запущен в production и увеличил ARPPU на 8,2%.\n- Разрабатывал Airflow DAGs для регулярных ETL-процессов и обработки данных из PostgreSQL с последующей загрузкой в аналитические витрины ClickHouse. Писал SQL-трансформации, автоматизировал обновление наборов данных и настраивал проверки data quality для продуктовой отчётности и BI.\n- На Python с использованием Pandas автоматизировал регулярную отчётность в Google Sheets и разрабатывал продуктовые дашборды в Superset. Настроил мониторинг ключевых показателей, детализацию до пользовательских сегментов и self-service-инструменты для продуктовых и бизнес-команд, сократив объём ручной подготовки отчётов.\n- Разрабатывал прикладные решения на базе LLM и AI-агентов для анализа клиентского опыта (CX). Автоматизировал обработку неструктурированных пользовательских данных и поиск повторяющихся проблем, продуктовых багов и точек роста. Результаты использовались для формирования аналитических гипотез и приоритизации улучшений продукта.\n- Исследовал аномальные и потенциально фродовые поведенческие паттерны на пользовательских и транзакционных данных, формулировал и проверял аналитические гипотезы, выявлял нетипичные сценарии и интерпретировал результаты ML-моделей. Переводил выводы моделей в оценку продуктовых рисков, рекомендации и направления дальнейших проверок.\nСитидрайв — Старший аналитик данных\n2022-07-01 - 2024-11-01\nПродуктовая, CRM- и маркетинговая аналитика мобильного сервиса каршеринга. Работал с продуктом, маркетингом, DWH и разработкой.\n\n- Курировал аналитическое сопровождение запуска web-версии end-to-end: сформировал систему продуктовых и бизнес-метрик, описал этапы web-сценария и требования к event tracking. Совместно с разработкой и DWH проверил корректность логирования и data quality, после запуска провел post-analysis эффективности.\n- Провел глубокое исследование потенциала аудитории 18-20 лет. Результаты стали основанием для расширения сервиса, после запуска новые пользователи сформировали более 10% GMV.\n- Для изменений, которые нельзя было надежно проверить классическим A/B-тестом, применил сравнительный, когортный и сегментный анализ. До запуска  одной фичи смоделировал финансовый эффект и выявил риск убытка до 20 млн рублей ежемесячно, после чего команда отказалась от исходной механики.\n- Для новых продуктовых функций проектировал механизм оценки: определял продуктовые метрики и критерии эффективности, описывал события и параметры, формулировал требования к логированию и event tracking, включая разметку событий в AppsFlyer. Проверял качество и валидность данных, выявлял ошибки и аномалии, сопровождал исправления и проводил post-analysis.\n- В ходе замены PostgreSQL в аналитическом контуре на ClickHouse и Exasol переписал и оптимизировал десятки SQL-скриптов с CTE, оконными функциями и сложными JOIN под особенности новых СУБД. Время выполнения отдельных расчетов сократилось с 50-70 до 4-8 минут.\n- Проводил полный цикл CRM A/B-тестирования: формулировал гипотезы, выбирал ключевые и guardrail-метрики, рассчитывал размер выборки и MDE, проверял статистическую значимость в Python с использованием статистических библиотек. Выводы применялись для выбора механик возврата пользователей и распределения маркетингового бюджета.\n- Внедрил RFM-сегментацию: определил методику, совместно с DWH разработал аналитические витрины и ETL-процессы для регулярного расчета и анализа переходов между сегментами. Продукт и маркетинг получили единое представление о retention, churn и динамике пользовательской базы.\n- Провел исследование поведения и динамики участников программы лояльности, разработал BI-дашборд для маркетинга и подготовил рекомендации по изменению механик программы. Команда получила регулярный инструмент для мониторинга ключевых показателей участников.\n- Разрабатывал продуктовые дашборды и регулярную отчетность в Tableau. На Python с использованием Pandas автоматизировал формирование и обновление управленческой отчетности в Google Sheets, устранив ручную сборку отчетов.\n- Проводил ad-hoc и deep-dive исследования, оформлял результаты в презентации для C-level и продуктовых стейкхолдеров: структурировал бизнес-вопрос, методику, продуктовый и финансовый эффект, риски и рекомендации.\nKeytosell — Маркетинговый аналитик\n2020-07-01 - 2022-06-01\nСвязывал данные о привлечении с поведением пользователей, продажами и экономикой клиента.\n\n- Объединил рекламные и продуктовые данные в единую отчетность. Автоматизация на SQL и Python сократила подготовку еженедельного отчета с одного дня до двух часов.\n- Анализировал воронки, customer journey, когорты и сегменты. Выявил этапы с наибольшими потерями пользователей и сформировал backlog гипотез для продукта и коммерческой команды.\n- Оценивал каналы по CTR, CPC, CPA, CAC, ROMI, ROAS, конверсии в продажу и LTV. Перераспределение бюджета в пользу окупаемых сегментов повысило ROMI на 22%.\n- Запустил практику A/B-тестирования посадочных страниц, офферов и CRM-коммуникаций. Отвечал за дизайн теста, расчет выборки, статистическую проверку и интерпретацию бизнес-эффекта.\n- Построил BI-дашборды в Metabase для маркетинга и руководителей, которые заменили ручную сборку отчетов и ускорили еженедельные решения по бюджетам и воронке.\nKeytosell — Performance-маркетинг\n2019-01-01 - 2020-06-01\n- Запускал и оптимизировал кампании в Facebook Ads и Google Ads, управлял бюджетами и контролировал CTR, CPC, CPA, CAC, ROMI/ROAS.\n- Тестировал продукты, аудитории, креативы и рекламные механики, анализировал воронку от рекламного контакта до целевого действия и масштабировал эффективные связки.\n- Выявлял причины отклонений и готовил рекомендации по росту конверсии и эффективности бюджета. Системная работа с данными стала основой для внутреннего перехода на позицию аналитика данных.\n\nОбразование:\nКазанский государственный энергетический университет, Казань. Институт цифровых технологий и экономики. Прикладная информатика в экономике. 2019\n\nЯзыки:\nРусский: Родной\nАнглийский: B2 — Средне-продвинутый\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T09:10:07+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: 4 из 4 мест работы\nУровень: есть senior/lead сигнал\nПродажи: есть sales/key account сигнал\n\nДополнительно:\nДоступ к полной информации: нет\nСтатус просмотра контактов: NONE\nВозраст: 27\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\nЕсть автомобиль: нет\nВодительские права: B\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":"10","name":"Аналитик"},{"id":"163","name":"Маркетолог-аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"certificates":[],"education_level":"Высшее","salary_amount":null,"salary_currency":null,"work_experience":[{"company_name":"Проектная деятельность / коммерческий B2C-продукт","position":"Продуктовый аналитик / Data Analyst","start_date":"2024-12-01","end_date":"2026-06-01","total_months":null,"description":"Коммерческий подписочный B2C web/mobile-продукт. Название продукта не раскрывается по условиям конфиденциальности. Вёл продуктовую аналитику полного цикла: развивал систему метрик, проводил эксперименты, строил аналитические витрины, автоматизировал отчётность и готовил рекомендации для продуктовых и бизнес-команд.\n\n- Разработал дерево продуктовых и бизнес-метрик подписочного продукта. Система включала конверсию в регистрацию и оплату, onboarding completion rate, DAU, WAU, MAU, stickiness, частоту ключевого действия, конверсию paywall в оплату, renewal rate, cancellation rate, когортный retention, churn, MRR, ARPU, ARPPU и LTV. На основе дерева оценивал unit-экономику по LTV/CAC, сроку окупаемости и маржинальности подписки.\n- Провёл серию A/B-тестов изменений onboarding и paywall по полному циклу: формулировал гипотезы, выбирал ключевые и вспомогательные метрики, рассчитывал размер выборки и MDE, анализировал данные и статистическую значимость результатов в Python с использованием Pandas и статистических библиотек. По итогам экспериментов более 10 продуктовых изменений вышли в production, а конверсия в оплату увеличилась на 37%.\n- Оценил новую тарифную механику с помощью A/B-теста и сценарной P&L-модели. Сопоставил варианты по конверсии в оплату, выручке, ARPPU, маржинальности и unit-экономике. Выбранный вариант был запущен в production и увеличил ARPPU на 8,2%.\n- Разрабатывал Airflow DAGs для регулярных ETL-процессов и обработки данных из PostgreSQL с последующей загрузкой в аналитические витрины ClickHouse. Писал SQL-трансформации, автоматизировал обновление наборов данных и настраивал проверки data quality для продуктовой отчётности и BI.\n- На Python с использованием Pandas автоматизировал регулярную отчётность в Google Sheets и разрабатывал продуктовые дашборды в Superset. Настроил мониторинг ключевых показателей, детализацию до пользовательских сегментов и self-service-инструменты для продуктовых и бизнес-команд, сократив объём ручной подготовки отчётов.\n- Разрабатывал прикладные решения на базе LLM и AI-агентов для анализа клиентского опыта (CX). Автоматизировал обработку неструктурированных пользовательских данных и поиск повторяющихся проблем, продуктовых багов и точек роста. Результаты использовались для формирования аналитических гипотез и приоритизации улучшений продукта.\n- Исследовал аномальные и потенциально фродовые поведенческие паттерны на пользовательских и транзакционных данных, формулировал и проверял аналитические гипотезы, выявлял нетипичные сценарии и интерпретировал результаты ML-моделей. Переводил выводы моделей в оценку продуктовых рисков, рекомендации и направления дальнейших проверок.","city":null},{"company_name":"Ситидрайв","position":"Старший аналитик данных","start_date":"2022-07-01","end_date":"2024-11-01","total_months":null,"description":"Продуктовая, CRM- и маркетинговая аналитика мобильного сервиса каршеринга. Работал с продуктом, маркетингом, DWH и разработкой.\n\n- Курировал аналитическое сопровождение запуска web-версии end-to-end: сформировал систему продуктовых и бизнес-метрик, описал этапы web-сценария и требования к event tracking. Совместно с разработкой и DWH проверил корректность логирования и data quality, после запуска провел post-analysis эффективности.\n- Провел глубокое исследование потенциала аудитории 18-20 лет. Результаты стали основанием для расширения сервиса, после запуска новые пользователи сформировали более 10% GMV.\n- Для изменений, которые нельзя было надежно проверить классическим A/B-тестом, применил сравнительный, когортный и сегментный анализ. До запуска  одной фичи смоделировал финансовый эффект и выявил риск убытка до 20 млн рублей ежемесячно, после чего команда отказалась от исходной механики.\n- Для новых продуктовых функций проектировал механизм оценки: определял продуктовые метрики и критерии эффективности, описывал события и параметры, формулировал требования к логированию и event tracking, включая разметку событий в AppsFlyer. Проверял качество и валидность данных, выявлял ошибки и аномалии, сопровождал исправления и проводил post-analysis.\n- В ходе замены PostgreSQL в аналитическом контуре на ClickHouse и Exasol переписал и оптимизировал десятки SQL-скриптов с CTE, оконными функциями и сложными JOIN под особенности новых СУБД. Время выполнения отдельных расчетов сократилось с 50-70 до 4-8 минут.\n- Проводил полный цикл CRM A/B-тестирования: формулировал гипотезы, выбирал ключевые и guardrail-метрики, рассчитывал размер выборки и MDE, проверял статистическую значимость в Python с использованием статистических библиотек. Выводы применялись для выбора механик возврата пользователей и распределения маркетингового бюджета.\n- Внедрил RFM-сегментацию: определил методику, совместно с DWH разработал аналитические витрины и ETL-процессы для регулярного расчета и анализа переходов между сегментами. Продукт и маркетинг получили единое представление о retention, churn и динамике пользовательской базы.\n- Провел исследование поведения и динамики участников программы лояльности, разработал BI-дашборд для маркетинга и подготовил рекомендации по изменению механик программы. Команда получила регулярный инструмент для мониторинга ключевых показателей участников.\n- Разрабатывал продуктовые дашборды и регулярную отчетность в Tableau. На Python с использованием Pandas автоматизировал формирование и обновление управленческой отчетности в Google Sheets, устранив ручную сборку отчетов.\n- Проводил ad-hoc и deep-dive исследования, оформлял результаты в презентации для C-level и продуктовых стейкхолдеров: структурировал бизнес-вопрос, методику, продуктовый и финансовый эффект, риски и рекомендации.","city":"Москва"},{"company_name":"Keytosell","position":"Маркетинговый аналитик","start_date":"2020-07-01","end_date":"2022-06-01","total_months":null,"description":"Связывал данные о привлечении с поведением пользователей, продажами и экономикой клиента.\n\n- Объединил рекламные и продуктовые данные в единую отчетность. Автоматизация на SQL и Python сократила подготовку еженедельного отчета с одного дня до двух часов.\n- Анализировал воронки, customer journey, когорты и сегменты. Выявил этапы с наибольшими потерями пользователей и сформировал backlog гипотез для продукта и коммерческой команды.\n- Оценивал каналы по CTR, CPC, CPA, CAC, ROMI, ROAS, конверсии в продажу и LTV. Перераспределение бюджета в пользу окупаемых сегментов повысило ROMI на 22%.\n- Запустил практику A/B-тестирования посадочных страниц, офферов и CRM-коммуникаций. Отвечал за дизайн теста, расчет выборки, статистическую проверку и интерпретацию бизнес-эффекта.\n- Построил BI-дашборды в Metabase для маркетинга и руководителей, которые заменили ручную сборку отчетов и ускорили еженедельные решения по бюджетам и воронке.","city":null},{"company_name":"Keytosell","position":"Performance-маркетинг","start_date":"2019-01-01","end_date":"2020-06-01","total_months":null,"description":"- Запускал и оптимизировал кампании в Facebook Ads и Google Ads, управлял бюджетами и контролировал CTR, CPC, CPA, CAC, ROMI/ROAS.\n- Тестировал продукты, аудитории, креативы и рекламные механики, анализировал воронку от рекламного контакта до целевого действия и масштабировал эффективные связки.\n- Выявлял причины отклонений и готовил рекомендации по росту конверсии и эффективности бюджета. Системная работа с данными стала основой для внутреннего перехода на позицию аналитика данных.","city":"Узбекистан"}],"education":[{"organization":"Казанский государственный энергетический университет, Казань","specialization":"Прикладная информатика в экономике","start_year":null,"end_year":2019,"degree":"Институт цифровых технологий и экономики"}],"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-3f3e1b80000c9dbaf4004bf79b367052485866@skillaz.invalid","PhoneNumber":"+71112172620","InternationalPhoneNumber":null,"SourceUrl":"https://hh.ru/resume/3f3e1b80000c9dbaf4004bf79b367052485866","BirthDate":"1999-07-07T00:00:00Z","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/3f3e1b80000c9dbaf4004bf79b367052485866","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":"Аналитик данных с 5+ годами коммерческого опыта, из них 4 года в продуктовой аналитике, и бэкграундом в performance-маркетинге. Работал с B2C web/mobile-продуктами, подписочной моделью, CRM и монетизацией. \n\nСильная сторона - превращать не до конца сформулированный бизнес-вопрос в проверяемую систему метрик, исследование или эксперимент, связывая пользовательское поведение с экономикой продукта. \n\nВеду задачи от постановки бизнес-вопроса и подготовки данных до выводов и их внедрения в продукт.  Критически проверяю выводы, аргументированно защищаю рекомендации и нахожу баланс между глубиной анализа, скоростью и практической ценностью для бизнеса.","Gender":"male","GenderType":"unknown","BirthDate":"1999-07-07T00:00:00Z","Education":null,"CurrentTitle":"Продуктовый аналитик / Data Analyst","CurrentCompany":"Проектная деятельность / коммерческий B2C-продукт","Skills":["Python","SQL","Git","Linux","PostgreSQL","Математическая статистика","Superset","Tableau","Airflow","A/B тесты","Аналитическое мышление","AppsFlyer","Unit-экономика","Когортный анализ","Amplitude","Анализ поведения пользователей","Power BI","Clickhouse","MS Excel","Google Sheets","Событийная аналитика","Ad Hoc Analysis","Numpy","Формирование аналитической отчетности","pandas","Визуализация данных"],"Citizenship":["Россия"],"TotalExperience":90,"AverageExperience":null,"UpdatedAt":"2026-07-30T09:10:07+03:00","Comments":[],"PreferredSalary":null,"ExpectedSalary":null,"ResumeTitle":"Продуктовый аналитик (Product Analyst)","City":"Москва","PreferredEmployments":["Any"],"PreferredSchedules":["FullDay"],"EducationType":"Undefined","WorkExperienceType":"Undefined","Educations":[{"Organization":"Казанский государственный энергетический университет, Казань","Specialization":"Прикладная информатика в экономике","EducationForm":"Undefined","EducationType":null,"StartYear":null,"EndYear":2019,"Degree":"Институт цифровых технологий и экономики","AverageGrade":null}],"WorkExperience":[{"CompanyName":"Проектная деятельность / коммерческий B2C-продукт","Position":"Продуктовый аналитик / Data Analyst","StartDate":"2024-12-01","EndDate":"2026-06-01","TotalMonths":null,"Description":"Коммерческий подписочный B2C web/mobile-продукт. Название продукта не раскрывается по условиям конфиденциальности. Вёл продуктовую аналитику полного цикла: развивал систему метрик, проводил эксперименты, строил аналитические витрины, автоматизировал отчётность и готовил рекомендации для продуктовых и бизнес-команд.\n\n- Разработал дерево продуктовых и бизнес-метрик подписочного продукта. Система включала конверсию в регистрацию и оплату, onboarding completion rate, DAU, WAU, MAU, stickiness, частоту ключевого действия, конверсию paywall в оплату, renewal rate, cancellation rate, когортный retention, churn, MRR, ARPU, ARPPU и LTV. На основе дерева оценивал unit-экономику по LTV/CAC, сроку окупаемости и маржинальности подписки.\n- Провёл серию A/B-тестов изменений onboarding и paywall по полному циклу: формулировал гипотезы, выбирал ключевые и вспомогательные метрики, рассчитывал размер выборки и MDE, анализировал данные и статистическую значимость результатов в Python с использованием Pandas и статистических библиотек. По итогам экспериментов более 10 продуктовых изменений вышли в production, а конверсия в оплату увеличилась на 37%.\n- Оценил новую тарифную механику с помощью A/B-теста и сценарной P&L-модели. Сопоставил варианты по конверсии в оплату, выручке, ARPPU, маржинальности и unit-экономике. Выбранный вариант был запущен в production и увеличил ARPPU на 8,2%.\n- Разрабатывал Airflow DAGs для регулярных ETL-процессов и обработки данных из PostgreSQL с последующей загрузкой в аналитические витрины ClickHouse. Писал SQL-трансформации, автоматизировал обновление наборов данных и настраивал проверки data quality для продуктовой отчётности и BI.\n- На Python с использованием Pandas автоматизировал регулярную отчётность в Google Sheets и разрабатывал продуктовые дашборды в Superset. Настроил мониторинг ключевых показателей, детализацию до пользовательских сегментов и self-service-инструменты для продуктовых и бизнес-команд, сократив объём ручной подготовки отчётов.\n- Разрабатывал прикладные решения на базе LLM и AI-агентов для анализа клиентского опыта (CX). Автоматизировал обработку неструктурированных пользовательских данных и поиск повторяющихся проблем, продуктовых багов и точек роста. Результаты использовались для формирования аналитических гипотез и приоритизации улучшений продукта.\n- Исследовал аномальные и потенциально фродовые поведенческие паттерны на пользовательских и транзакционных данных, формулировал и проверял аналитические гипотезы, выявлял нетипичные сценарии и интерпретировал результаты ML-моделей. Переводил выводы моделей в оценку продуктовых рисков, рекомендации и направления дальнейших проверок.","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"Ситидрайв","Position":"Старший аналитик данных","StartDate":"2022-07-01","EndDate":"2024-11-01","TotalMonths":null,"Description":"Продуктовая, CRM- и маркетинговая аналитика мобильного сервиса каршеринга. Работал с продуктом, маркетингом, DWH и разработкой.\n\n- Курировал аналитическое сопровождение запуска web-версии end-to-end: сформировал систему продуктовых и бизнес-метрик, описал этапы web-сценария и требования к event tracking. Совместно с разработкой и DWH проверил корректность логирования и data quality, после запуска провел post-analysis эффективности.\n- Провел глубокое исследование потенциала аудитории 18-20 лет. Результаты стали основанием для расширения сервиса, после запуска новые пользователи сформировали более 10% GMV.\n- Для изменений, которые нельзя было надежно проверить классическим A/B-тестом, применил сравнительный, когортный и сегментный анализ. До запуска  одной фичи смоделировал финансовый эффект и выявил риск убытка до 20 млн рублей ежемесячно, после чего команда отказалась от исходной механики.\n- Для новых продуктовых функций проектировал механизм оценки: определял продуктовые метрики и критерии эффективности, описывал события и параметры, формулировал требования к логированию и event tracking, включая разметку событий в AppsFlyer. Проверял качество и валидность данных, выявлял ошибки и аномалии, сопровождал исправления и проводил post-analysis.\n- В ходе замены PostgreSQL в аналитическом контуре на ClickHouse и Exasol переписал и оптимизировал десятки SQL-скриптов с CTE, оконными функциями и сложными JOIN под особенности новых СУБД. Время выполнения отдельных расчетов сократилось с 50-70 до 4-8 минут.\n- Проводил полный цикл CRM A/B-тестирования: формулировал гипотезы, выбирал ключевые и guardrail-метрики, рассчитывал размер выборки и MDE, проверял статистическую значимость в Python с использованием статистических библиотек. Выводы применялись для выбора механик возврата пользователей и распределения маркетингового бюджета.\n- Внедрил RFM-сегментацию: определил методику, совместно с DWH разработал аналитические витрины и ETL-процессы для регулярного расчета и анализа переходов между сегментами. Продукт и маркетинг получили единое представление о retention, churn и динамике пользовательской базы.\n- Провел исследование поведения и динамики участников программы лояльности, разработал BI-дашборд для маркетинга и подготовил рекомендации по изменению механик программы. Команда получила регулярный инструмент для мониторинга ключевых показателей участников.\n- Разрабатывал продуктовые дашборды и регулярную отчетность в Tableau. На Python с использованием Pandas автоматизировал формирование и обновление управленческой отчетности в Google Sheets, устранив ручную сборку отчетов.\n- Проводил ad-hoc и deep-dive исследования, оформлял результаты в презентации для C-level и продуктовых стейкхолдеров: структурировал бизнес-вопрос, методику, продуктовый и финансовый эффект, риски и рекомендации.","Industries":null,"City":"Москва","EmploymentType":"Any"},{"CompanyName":"Keytosell","Position":"Маркетинговый аналитик","StartDate":"2020-07-01","EndDate":"2022-06-01","TotalMonths":null,"Description":"Связывал данные о привлечении с поведением пользователей, продажами и экономикой клиента.\n\n- Объединил рекламные и продуктовые данные в единую отчетность. Автоматизация на SQL и Python сократила подготовку еженедельного отчета с одного дня до двух часов.\n- Анализировал воронки, customer journey, когорты и сегменты. Выявил этапы с наибольшими потерями пользователей и сформировал backlog гипотез для продукта и коммерческой команды.\n- Оценивал каналы по CTR, CPC, CPA, CAC, ROMI, ROAS, конверсии в продажу и LTV. Перераспределение бюджета в пользу окупаемых сегментов повысило ROMI на 22%.\n- Запустил практику A/B-тестирования посадочных страниц, офферов и CRM-коммуникаций. Отвечал за дизайн теста, расчет выборки, статистическую проверку и интерпретацию бизнес-эффекта.\n- Построил BI-дашборды в Metabase для маркетинга и руководителей, которые заменили ручную сборку отчетов и ускорили еженедельные решения по бюджетам и воронке.","Industries":null,"City":null,"EmploymentType":"Any"},{"CompanyName":"Keytosell","Position":"Performance-маркетинг","StartDate":"2019-01-01","EndDate":"2020-06-01","TotalMonths":null,"Description":"- Запускал и оптимизировал кампании в Facebook Ads и Google Ads, управлял бюджетами и контролировал CTR, CPC, CPA, CAC, ROMI/ROAS.\n- Тестировал продукты, аудитории, креативы и рекламные механики, анализировал воронку от рекламного контакта до целевого действия и масштабировал эффективные связки.\n- Выявлял причины отклонений и готовил рекомендации по росту конверсии и эффективности бюджета. Системная работа с данными стала основой для внутреннего перехода на позицию аналитика данных.","Industries":null,"City":"Узбекистан","EmploymentType":"Any"}],"Languages":[{"Lang":"Русский","Level":"Родной"},{"Lang":"Английский","Level":"B2 — Средне-продвинутый"}],"PreferredSchedule":"FullDay","KnownLanguages":null,"PreferredPosition":"Продуктовый аналитик (Product Analyst)","PreferredEmployment":null,"RelocationReadiness":null,"AdditionalFields":[],"ContactsHidden":true,"Country":null,"ProfessionalAreas":[{"id":"156","name":"BI-аналитик, аналитик данных"},{"id":"10","name":"Аналитик"},{"id":"163","name":"Маркетолог-аналитик"},{"id":"164","name":"Продуктовый аналитик"}],"ResumeText":"Источник: HeadHunter API\nПозиция: Продуктовый аналитик (Product Analyst)\nГород: Москва\nОпыт: 90 мес.\nНавыки: Python, SQL, Git, Linux, PostgreSQL, Математическая статистика, Superset, Tableau, Airflow, A/B тесты, Аналитическое мышление, AppsFlyer, Unit-экономика, Когортный анализ, Amplitude, Анализ поведения пользователей, Power BI, Clickhouse, MS Excel, Google Sheets, Событийная аналитика, Ad Hoc Analysis, Numpy, Формирование аналитической отчетности, pandas, Визуализация данных\n\nО себе:\nАналитик данных с 5+ годами коммерческого опыта, из них 4 года в продуктовой аналитике, и бэкграундом в performance-маркетинге. Работал с B2C web/mobile-продуктами, подписочной моделью, CRM и монетизацией. \n\nСильная сторона - превращать не до конца сформулированный бизнес-вопрос в проверяемую систему метрик, исследование или эксперимент, связывая пользовательское поведение с экономикой продукта. \n\nВеду задачи от постановки бизнес-вопроса и подготовки данных до выводов и их внедрения в продукт.  Критически проверяю выводы, аргументированно защищаю рекомендации и нахожу баланс между глубиной анализа, скоростью и практической ценностью для бизнеса.\n\nОпыт работы:\nПроектная деятельность / коммерческий B2C-продукт — Продуктовый аналитик / Data Analyst\n2024-12-01 - 2026-06-01\nКоммерческий подписочный B2C web/mobile-продукт. Название продукта не раскрывается по условиям конфиденциальности. Вёл продуктовую аналитику полного цикла: развивал систему метрик, проводил эксперименты, строил аналитические витрины, автоматизировал отчётность и готовил рекомендации для продуктовых и бизнес-команд.\n\n- Разработал дерево продуктовых и бизнес-метрик подписочного продукта. Система включала конверсию в регистрацию и оплату, onboarding completion rate, DAU, WAU, MAU, stickiness, частоту ключевого действия, конверсию paywall в оплату, renewal rate, cancellation rate, когортный retention, churn, MRR, ARPU, ARPPU и LTV. На основе дерева оценивал unit-экономику по LTV/CAC, сроку окупаемости и маржинальности подписки.\n- Провёл серию A/B-тестов изменений onboarding и paywall по полному циклу: формулировал гипотезы, выбирал ключевые и вспомогательные метрики, рассчитывал размер выборки и MDE, анализировал данные и статистическую значимость результатов в Python с использованием Pandas и статистических библиотек. По итогам экспериментов более 10 продуктовых изменений вышли в production, а конверсия в оплату увеличилась на 37%.\n- Оценил новую тарифную механику с помощью A/B-теста и сценарной P&L-модели. Сопоставил варианты по конверсии в оплату, выручке, ARPPU, маржинальности и unit-экономике. Выбранный вариант был запущен в production и увеличил ARPPU на 8,2%.\n- Разрабатывал Airflow DAGs для регулярных ETL-процессов и обработки данных из PostgreSQL с последующей загрузкой в аналитические витрины ClickHouse. Писал SQL-трансформации, автоматизировал обновление наборов данных и настраивал проверки data quality для продуктовой отчётности и BI.\n- На Python с использованием Pandas автоматизировал регулярную отчётность в Google Sheets и разрабатывал продуктовые дашборды в Superset. Настроил мониторинг ключевых показателей, детализацию до пользовательских сегментов и self-service-инструменты для продуктовых и бизнес-команд, сократив объём ручной подготовки отчётов.\n- Разрабатывал прикладные решения на базе LLM и AI-агентов для анализа клиентского опыта (CX). Автоматизировал обработку неструктурированных пользовательских данных и поиск повторяющихся проблем, продуктовых багов и точек роста. Результаты использовались для формирования аналитических гипотез и приоритизации улучшений продукта.\n- Исследовал аномальные и потенциально фродовые поведенческие паттерны на пользовательских и транзакционных данных, формулировал и проверял аналитические гипотезы, выявлял нетипичные сценарии и интерпретировал результаты ML-моделей. Переводил выводы моделей в оценку продуктовых рисков, рекомендации и направления дальнейших проверок.\nСитидрайв — Старший аналитик данных\n2022-07-01 - 2024-11-01\nПродуктовая, CRM- и маркетинговая аналитика мобильного сервиса каршеринга. Работал с продуктом, маркетингом, DWH и разработкой.\n\n- Курировал аналитическое сопровождение запуска web-версии end-to-end: сформировал систему продуктовых и бизнес-метрик, описал этапы web-сценария и требования к event tracking. Совместно с разработкой и DWH проверил корректность логирования и data quality, после запуска провел post-analysis эффективности.\n- Провел глубокое исследование потенциала аудитории 18-20 лет. Результаты стали основанием для расширения сервиса, после запуска новые пользователи сформировали более 10% GMV.\n- Для изменений, которые нельзя было надежно проверить классическим A/B-тестом, применил сравнительный, когортный и сегментный анализ. До запуска  одной фичи смоделировал финансовый эффект и выявил риск убытка до 20 млн рублей ежемесячно, после чего команда отказалась от исходной механики.\n- Для новых продуктовых функций проектировал механизм оценки: определял продуктовые метрики и критерии эффективности, описывал события и параметры, формулировал требования к логированию и event tracking, включая разметку событий в AppsFlyer. Проверял качество и валидность данных, выявлял ошибки и аномалии, сопровождал исправления и проводил post-analysis.\n- В ходе замены PostgreSQL в аналитическом контуре на ClickHouse и Exasol переписал и оптимизировал десятки SQL-скриптов с CTE, оконными функциями и сложными JOIN под особенности новых СУБД. Время выполнения отдельных расчетов сократилось с 50-70 до 4-8 минут.\n- Проводил полный цикл CRM A/B-тестирования: формулировал гипотезы, выбирал ключевые и guardrail-метрики, рассчитывал размер выборки и MDE, проверял статистическую значимость в Python с использованием статистических библиотек. Выводы применялись для выбора механик возврата пользователей и распределения маркетингового бюджета.\n- Внедрил RFM-сегментацию: определил методику, совместно с DWH разработал аналитические витрины и ETL-процессы для регулярного расчета и анализа переходов между сегментами. Продукт и маркетинг получили единое представление о retention, churn и динамике пользовательской базы.\n- Провел исследование поведения и динамики участников программы лояльности, разработал BI-дашборд для маркетинга и подготовил рекомендации по изменению механик программы. Команда получила регулярный инструмент для мониторинга ключевых показателей участников.\n- Разрабатывал продуктовые дашборды и регулярную отчетность в Tableau. На Python с использованием Pandas автоматизировал формирование и обновление управленческой отчетности в Google Sheets, устранив ручную сборку отчетов.\n- Проводил ad-hoc и deep-dive исследования, оформлял результаты в презентации для C-level и продуктовых стейкхолдеров: структурировал бизнес-вопрос, методику, продуктовый и финансовый эффект, риски и рекомендации.\nKeytosell — Маркетинговый аналитик\n2020-07-01 - 2022-06-01\nСвязывал данные о привлечении с поведением пользователей, продажами и экономикой клиента.\n\n- Объединил рекламные и продуктовые данные в единую отчетность. Автоматизация на SQL и Python сократила подготовку еженедельного отчета с одного дня до двух часов.\n- Анализировал воронки, customer journey, когорты и сегменты. Выявил этапы с наибольшими потерями пользователей и сформировал backlog гипотез для продукта и коммерческой команды.\n- Оценивал каналы по CTR, CPC, CPA, CAC, ROMI, ROAS, конверсии в продажу и LTV. Перераспределение бюджета в пользу окупаемых сегментов повысило ROMI на 22%.\n- Запустил практику A/B-тестирования посадочных страниц, офферов и CRM-коммуникаций. Отвечал за дизайн теста, расчет выборки, статистическую проверку и интерпретацию бизнес-эффекта.\n- Построил BI-дашборды в Metabase для маркетинга и руководителей, которые заменили ручную сборку отчетов и ускорили еженедельные решения по бюджетам и воронке.\nKeytosell — Performance-маркетинг\n2019-01-01 - 2020-06-01\n- Запускал и оптимизировал кампании в Facebook Ads и Google Ads, управлял бюджетами и контролировал CTR, CPC, CPA, CAC, ROMI/ROAS.\n- Тестировал продукты, аудитории, креативы и рекламные механики, анализировал воронку от рекламного контакта до целевого действия и масштабировал эффективные связки.\n- Выявлял причины отклонений и готовил рекомендации по росту конверсии и эффективности бюджета. Системная работа с данными стала основой для внутреннего перехода на позицию аналитика данных.\n\nОбразование:\nКазанский государственный энергетический университет, Казань. Институт цифровых технологий и экономики. Прикладная информатика в экономике. 2019\n\nЯзыки:\nРусский: Родной\nАнглийский: B2 — Средне-продвинутый\n\nИнсайты HeadHunter:\nАктивность: Активно ищет работу; обновлено 2026-07-30T09:10:07+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: 4 из 4 мест работы\nУровень: есть senior/lead сигнал\nПродажи: есть sales/key account сигнал\n\nДополнительно:\nДоступ к полной информации: нет\nСтатус просмотра контактов: NONE\nВозраст: 27\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\nЕсть автомобиль: нет\nВодительские права: B\nГражданство: Россия","CreatedAt":"2026-07-30T07:23:25.585571Z","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":"3f3e1b80000c9dbaf4004bf79b367052485866","Type":"headhunter_resume_id"}],"ExpandDuplicateInfo":true},"trace":{"source":"headhunter_api","source_url":"https://hh.ru/resume/3f3e1b80000c9dbaf4004bf79b367052485866","resume_id":"3f3e1b80000c9dbaf4004bf79b367052485866","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}