Contact information

The job seeker has entered a phone number and email.

You can get this candidate's contact information from https://www.work.ua/resumes/16910230/

Work experience

freelance

from 01.2026 to now (6 months)
Fiverr, Дистанційно (IT)

Надаю послуги з аналізу даних та бізнес-аналітики
на платформі Fiverr.

Основні напрямки роботи:
• Побудова інтерактивних дашбордів у Power BI
для реальних клієнтів
• Аналіз бізнес-даних з використанням Python
(pandas, matplotlib, sklearn)
• Автоматизація звітності — генерація PDF звітів
через Python скрипти
• Очищення та обробка даних для подальшого аналізу

Досягнення:
• Отримав 5-зірковий відгук від першого клієнта
за Power BI дашборд з аналізом ефективності
блогерів
• Розробив три активні гіги на платформі Fiverr
з послугами аналізу даних

Продавець-консультант

from 09.2023 to 03.2024 (7 months)
Dnipro-M (Роздрібна торгівля)

Education

Національний аерокосмічний університет ім. М. Є. Жуковського "Харківський авіаційний інститут"

Комп'ютерна інженерія, Харків
Unfinished higher, from 2021 to 2024 (3 years)

Additional education and certificates

No additional education or certificates.

Knowledge and skills

• Відповідальність
• Бажання вчитися і розвиватися
• Python
• SQL
• Адаптивність
• MS Excel
• MS Power BI

Language proficiencies

• Ukrainian — fluent
• English — average

Additional information

Проєкти:
1. E-Sports Match Outcome Prediction & Player Performance Analytics (Dota 2)
Python | XGBoost | SHAP | scikit-learn | SQL | SQLite | Power BI | OpenDota API | pandas
Зібрав та збагатив дані по 4,975 про-матчах Dota 2 через OpenDota API з автоматичним rate-limiting та системою checkpoint; об'єднав з турнірним датасетом Kaggle (82,000+ записів).
•Побудував XGBoost класифікатор з ROC-AUC 0.819 на тестовій вибірці, використовуючи лише фічі доступні до та протягом перших 20 хвилин гри — без витоку post-game даних.
•Виявив та усунув data leakage, знизивши AUC з 1.0 до 0.819 шляхом видалення пост-геймової статистики з фічей.
•Провів SHAP-аналіз: перевага в золоті на 20-й хвилині — найсильніший предиктор (важливість 0.456), що у 9 разів перевищує вплив вибору героїв.
•Порівняв 3 моделі (Logistic Regression, Random Forest, XGBoost); обрав XGBoost за найнижчим CV std (0.006 проти 0.011 у конкурентів).
•Створив SQLite базу з 5 аналітичними SQL-запитами: win-rate героїв, порогові значення переваги в золоті, аналіз балансу по патчах (>+5,000 золота = 90.1% перемог).
•Розробив 3-сторінковий інтерактивний дашборд у Power BI з фільтрами по патчу та фазі гри.
https://github.com/xmecx/dota2-match-prediction

2. Customer Retention & Cohort Analytics
Python | pandas | matplotlib | SQL
Провів повний аналіз утримання 3,000 клієнтів з використанням CLV, Pareto (80/20), churn та когортного аналізу.
•Розрахував LTV та середній чек; визначив топ 20% клієнтів, що генерують ~80% виручки (принцип Pareto).
•Побудував матрицю утримання та проаналізував поведінкові патерни когорт для виявлення концентрації доходу в активному сегменті.
•Проаналізував тренди виручки в часі та взаємозв'язок між активністю клієнтів і доходом.
https://github.com/xmecx/customer-cohort-analytics

3. Customer Retention & Revenue Analytics
Python | pandas | SQL
Проаналізував структуру клієнтської бази та її фінансовий внесок за сегментами.
•Розрахував виручку та кількість замовлень на клієнта; провів сегментацію (неактивні / одноразові / повторні).
•Проаналізував вплив кожного сегменту на загальну виручку; виявив концентрацію прибутку в активному сегменті.
•Розробив аналітичні візуалізації для підтримки бізнес-рішень.
https://github.com/xmecx/customer-lifetime-revenue-analytics