Єлизавета

Data Analyst
Контактні данні:
Проживання: м. Дніпро. (Дистанційно/ релокація)
Дата народження: 01.05.1991 р.
Телефон: [open contact info](look above in the "contact info" section)
LinkedIn: [open contact info](look above in the "contact info" section)
Email: [open contact info](look above in the "contact info" section)

Професійні навички:
Python (Pandas, NumPy, Matplotlib, Seaborn, SciPy, Scikit-learn) – початково-середній (в
залежності від бібліотеки)
Excel - просунутий
PostgreSQL – середній

Досвід роботи:
Жовтень 2024 – по теперішній час – Економіст аналітичного відділу
Травень 2019 року - серпень 2024 – Аналітик консолідованої інформації відділу товарної
логістики, АПК-ІНВЕСТ.
Жовтень 2018 року – квітень 2019 року - Аналітик з управління товарними запасами відділу
товарної логістики, Омега (Варус).
Листопад 2017 року – Жовтень 2018 року – ревізор, Омега (Варус).

Освіта:
Березень 2024 – Травень 2024 – «Python Basic», ІТ Школа Hillel
2015-2016 рр.- «Економічна кібернетика» магістратура, Дніпропетровський національний
гірничий університет (Дніпровський політех).
2010-2014 рр. «Економічна кібернетика» бакалавр, Дніпропетровський національний гірничий
університет (Дніпровський політех).
2006-2010 рр. – «Організація виробництва», Дніпропетровський індустріальний коледж

Project:
A/B-тестування конверсії (Views → Clicks):
- Провела аналіз результатів A/B-тесту на 120 000 спостережень для оцінки двох варіантів
продукту.
- Застосувала критерій Манна–Уітні та перевірила коректність розподілу користувачів за
допомогою SRM-check (критерій χ² Пірсона).
- Виявила статистично значуще зростання конверсії на 11% у тестовій групі (p < 0,001).
- Інструменти: Python, Pandas, SciPy, Matplotlib
- Посилання: https://github.com/VerzunLisa/A-B_test_-for_two_groups-
Виявлення серцевої недостатності — KNN:
- Побудувала модель класифікації KNN для прогнозування серцевих захворювань на датасеті з
918 спостережень.
- Провела очищення даних, розвідувальний аналіз (EDA), відбір ознак та масштабування даних.
- Оптимізувала гіперпараметри моделі за допомогою GridSearchCV.
- Досягла точності 85,5% на крос-валідації та 82,6% на тестовій вибірці.
- Інструменти: Python, Pandas, Scikit-learn, Matplotlib, Seaborn
- Посилання: https://github.com/VerzunLisa/Heart_failure_prediction
Прогнозування продажів магазинів:
- Побудувала моделі машинного навчання для прогнозування щоденної виручки магазинів на
основі історичних даних про продажі, магазини та події.
- Провела підготовку даних, EDA та створила додаткові ознаки для моделювання.
- Порівняла Ridge Regression та Random Forest Regression і виконала підбір гіперпараметрів.
- Ridge Regression показала найкращий результат: R² = 0,822, MAE = 4 622 грн, RMSE = 6 206
грн на валідаційній вибірці.
- Інструменти: Python, Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn
- Посилання: https://github.com/VerzunLisa/Sales_forecasting_for_regression

Особисті якості:
Комунікабельність, бажання навчатися, уміння концентруватися на поставленій задачі.