Contact information

You can get this candidate's contact information from https://www.work.ua/resumes/20184175/

Work experience

Спеціаліст / Старший спеціаліст – Hard Collection

from 02.2015 to 05.2026 (11 years 4 months)
АТ КБ «ПриватБанк», Черкаси (Фінанси, банки, страхування)

•Управляв портфелем простроченої заборгованості та визначав пріоритети в роботі з урахуванням терміну прострочення, суми боргу, історії платежів, контактності, наявності застави/поручителя. Узгоджував умови оплати та реструктуризації, контролював виконання домовленостей через внутрішню систему обліку та роботи з клієнтами.
•Для складних клієнтських кейсів оцінював доцільність проведення реструктуризації на основі комплексної оцінки фінансового стану клієнта та порівняння чистої теперішньої вартості (ЧТВ) очікуваних грошових потоків від реструктуризації з альтернативним сценарієм судового стягнення. Готував для кредитного комітету відповідні розрахунки та пропозиції; проводив реструктуризації після їх погодження.
•Відстежував власні KPI через внутрішні дашборди, стабільно утримуючи результат на рівні 100-130%.

Education

Черкаський інститут банківської справи Університету банківської справи Національного банку України

Банківська справа, Черкаси
Higher, from 2009 to 2015 (6 years)

Knowledge and skills

• Power BI Desktop
• DAX
• Power Query
• DAX Studio
• Power BI Service
• Dataflow Gen2
• Fabric Lakehouse
• Data Modeling
• Data Transformation
• Data Visualization
• Report & Dashboard Development
• SQL
• PostgreSQL
• BigQuery
• MS Excel
• Pivot Tables
• Pivot Charts

Language proficiencies

• Ukrainian — fluent
• English — average

Disability

3rd degree.

Additional information

Аналітичні проєкти
Spotify Listening Analysis —

SQL Analysis on GitHub: https://github.com/ArtemDan91/spotify-listening-analysis-with-sql

Power BI Dashboard: https://app.powerbi.com/view?r=eyJrIjoiYjcyNzYwOGMtZDc0ZC00ZDZiLWE5NTEtY2E5NmQ1N2FhNDhhIiwidCI6IjllNjI3NDIxLTRkYTUtNGYxYi1hYTMxLThiNTRiZWJlYTE0NyJ9

Проаналізував понад 149 тис. записів історії прослуховувань у PostgreSQL та BigQuery, використовуючи CTE, підзапити, віконні функції та часовий аналіз. Виявив, що лояльність слухача зосереджена на рівні артистів, а не окремих треків: невелика група улюблених виконавців формує основну частку прослуховувань, тоді як прослуховування розподілені між багатьма треками їхнього репертуару. Порівняння платформ показало суттєву відмінність у поведінці — на десктопі частка пропущених треків значно вища, ніж на мобільному.
Побудував інтерактивний Power BI звіт з фільтрами, Top-N аналізом та деталізацією до рівня альбомів і треків. Розробив сегментацію треків за залученістю (частота + тривалість прослуховування), а не лише за кількістю відтворень. Аналіз часових патернів прослуховувань за днями тижня та годинами показав пікову активність пізно ввечері, вночі та у вихідні.
Оптимізував SQL-запити в PostgreSQL та BigQuery за допомогою індексів, партиціонування й кластеризації – скоротив час виконання окремих запитів у сотні разів, а обсяг оброблюваних даних у BigQuery – більш ніж на 90%; визначив, які техніки оптимізації ефективні для конкретних типів запитів і обсягів даних.
Supply Chain Analysis —

Power BI Dashboard: https://app.powerbi.com/view?r=eyJrIjoiODJhMDU2OGItZmZkMS00N2JiLTkyMjEtNjBmZTBlNmRjZTRhIiwidCI6IjllNjI3NDIxLTRkYTUtNGYxYi1hYTMxLThiNTRiZWJlYTE0NyJ9

Використовував Power Query для очищення та трансформації даних, DAX — для розрахунку KPI й аналітичних показників, а також Data Modeling для побудови моделі даних і зв’язків між таблицями.
Побудував інтерактивний Power BI звіт із фільтрами, трендами, порівняннями та деталізацією показників для аналізу постачальників, виробництва, запасів, відвантажень і продажів.
Виявив, що 29% товарних позицій перебувають нижче точки повторного замовлення, причому половина з них зосереджена на одному складі, що дозволяє визначити пріоритетні зони для поповнення. Внутрішні виробничі підрозділи забезпечують середній термін поставки близько 9 днів проти 12+ днів у зовнішніх постачальників, тоді як найдорожчий постачальник не має найнижчого рівня дефектності.
Проаналізував причини затримок доставки (7,64% усіх відправлень) та з’ясував, що операційні фактори — обмеження з боку перевізників, проблеми з документацією та завантаженість портів — мають більшу частку, ніж погодні фактори. Аналіз продажів показав виражену сезонність із піком виручки у IV кварталі при стабільній маржинальності на рівні 28%.