Контактна інформація

Отримати контакти цього кандидата можна на сторінці https://www.work.ua/resumes/16910230/

Досвід роботи

freelance

з 01.2026 по нині (9 місяців)
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

з 09.2023 по 03.2024 (7 місяців)
Dnipro-M (Роздрібна торгівля)

Освіта

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

Комп'ютерна інженерія, Харків
Незакінчена вища, з 2021 по 2024 (3 роки)

Додаткова освіта та сертифікати

Немає додаткової освіти та сертифікатів.

Знання і навички

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

Знання мов

• Українська — вільно
• Англійська — середній

Додаткова інформація

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