Развёрнутые версии — с контекстом, гипотезой и ходом решения — в CASES.md.
| Задача | Результат | |
|---|---|---|
| A/B-тест напоминаний о долге: сегментировал должников по глубине просрочки и поведению, гипотеза — часть просто забывчивы | Конверсия в оплату +10%, легло в основу запуска продукта | подробнее → |
| ABCD-тест новых страниц каталога поставщика | Конверсия в оплату +6%, путь до оплаты короче на 2 дня — раскатили на всю аудиторию | подробнее → |
| RFM-сегментация базы + точечные коммуникации по сегменту «на грани оттока» | Отток −4,5% | подробнее → |
| LLM-разметка тональности и тем обращений клиентов, топ-3 проблемы вынесены в разработку | Доля негативных обращений −18% | подробнее → |
| Финмодель нового тарифа на статистике оплат за 2 года | Прогноз +10% выручки за квартал, факт — +8% | подробнее → |
| Локальная RAG-система по базе знаний компании: Confluence → эмбеддинги → LLM с ссылками на источники | Быстрее онбординг и поиск информации внутри команды | подробнее → |
| Карта поставщиков по регионам + ML-прогноз потенциала подключений | Выявлены регионы с потенциалом прироста прибыли на 15–20% | подробнее → |
Прохожу путь от гипотезы до продакшена: A/B-тесты, сегментация, юнит-экономика, дерево продуктовых метрик, BI-дашборды. В последний год добавил к этому прикладной AI — собираю RAG-системы и LLM-инструменты, которые автоматизируют рутину аналитика и продуктовой команды.
Работал на стыке банковской аналитики (Power BI/DAX, KPI в реальном времени), продуктовой аналитики B2B-платформы (A/B-тесты, RFM, когорты, финмодели тарифов) и финтеха (юнит-экономика, geo-аналитика, ML-прогноз потенциала).
Данные: Python (pandas, numpy, scikit-learn, statsmodels) · SQL
BI / визуализация: Power BI (DAX, Power Query) · Grafana · Redash · DataLens · matplotlib · plotly
Методы: A/B-тесты · RFM-сегментация · когортный анализ · кластеризация (k-means) · юнит-экономика · финмоделирование
AI / LLM: RAG-системы · промпт-инжиниринг · применение LLM в NLP-задачах (тональность, детект паттернов в тексте)
| Проект | Описание | Стек | Ссылка |
|---|---|---|---|
| F1 Predict | Закрытая лига прогнозов на гонки Формулы-1: расчёт очков, автоматизация через CI/CD, уведомления в Telegram | React · Supabase (Postgres, Auth, RLS) · GitHub Actions | репозиторий |
| Local RAG Pipeline | RAG-система для поиска по внутренней технической документации: двухэтапный скоринг (embeddings + LLM-оценка), реранкер, память диалога — полностью локально, ни одного внешнего API-вызова. В проде на реальной базе — ~1300 документов, ответ за 5–20 сек. Анонимизированная демо-версия рабочего проекта, с разбором архитектуры для Хабра | Python · FastAPI · bge-m3 · Qwen2.5 · llama-cpp-python | репозиторий |
| A3 PDF Markdown | Desktop-приложение для batch-конвертации PDF/DOCX/PPTX/XLSX в Markdown с OCR и точечным vision-fallback для графиков и схем | Python · PySide6 · PyMuPDF · EasyOCR | репозиторий |
| HH Vacancy Tracker | Инструмент сбора и фильтрации вакансий с hh.ru с ручным review, покрыт тестами | Python · Streamlit · pytest | репозиторий |
| Editable Mind Map | Редактируемая радиальная mind-map: drag/zoom/pan, фильтры по тегам, сохранение в localStorage/JSON, без сборки | Vanilla JS (ES-модули) | репозиторий |
Ранние проекты — Яндекс.Практикум (Excel, Python, SQL, Tableau, ML — период обучения)
| № | Проект | Что сделано | Навыки |
|---|---|---|---|
| 1 | Рынок недвижимости Петербурга | Определил, какие параметры сильнее всего влияют на цену квартиры — для автоматической системы оценки | Python, Pandas, Matplotlib, EDA |
| 2 | Тарифы телеком-оператора | Проверил статистическую разницу в выручке между тарифами, дал рекомендации отделу маркетинга | Python, Pandas, SciPy, проверка гипотез |
| 3 | Продажи компьютерных игр, 1992–2016 | Исследовал рынок игр для планирования рекламных кампаний и закупок | Python, Pandas, NumPy, EDA |
| 4 | Юнит-экономика Яндекс.Афиши | Когортный анализ окупаемости клиентов — нашёл, где теряется конверсия на мобильных устройствах | Python, когортный анализ, юнит-экономика |
| 5 | Приоритизация гипотез + A/B-тест | ICE/RICE-приоритизация гипотез роста выручки и анализ результатов A/B-теста интернет-магазина | Python, SciPy, A/B-тестирование |
| 6 | Рынок общепита Москвы | Оценил перспективность формата кафе с роботами-официантами для презентации инвесторам | Python, Pandas, Plotly, Seaborn |
| 7 | Воронка продаж в мобильном приложении | A/A/B-тест и анализ воронки продуктового стартапа: конверсия в оплату 47% | Python, событийная аналитика, A/B-тестирование |
| 8 | Дашборд для Яндекс.Дзена | Интерактивный дашборд по взаимодействиям с карточками статей с сортировкой по темам, времени, возрасту аудитории | Tableau, PostgreSQL, SQLAlchemy |
| 9 | Отток клиентов фитнес-клуба (ML) | Прогноз вероятности оттока и кластеризация клиентских портретов | Python, scikit-learn, классификация, кластеризация |
Весь список с разбором — в i_am_data_analyst.
- my_learning_tracker — трекер пройденных курсов
- data_structures_and_algorithms — задачи по алгоритмам и структурам данных
- Блог — заметки о процессе обучения
📧 dimkochetow@gmail.com · 💬 Telegram · 💼 LinkedIn