Анастасія

КОЛІСНІЧЕНКО
АНАСТАСІЯ
АНАЛІТИК ДАНИХ

ПРО СЕБЕ

Аналітично мислячий фахівець з підготовкою у сфері економічної кібернетики,
орієнтований на розвиток у Data Analytics. Маю практичний досвід прогнозного
моделювання: будую та застосовую моделі часових рядів (ARIMA, ETS) і моделі на основі
машинного навчання (нейронні мережі, градієнтний бустинг, дерева рішень) для
прогнозування продажів, коефіцієнтів росту та динаміки цін. Володію Excel та мовою
програмування R, працюю зі структурованою інформацією, знаходжу закономірності та
КОНТАКТИ
формую висновки на основі отриманих результатів. Відкрита до нових задач, швидко
опановую нові інструменти та відповідально ставлюся до виконання роботи.

Вік: 25
ПРОФЕСІЙНІ ЦІЛІ
[відкрити контакти](див. вище в блоці «контактна інформація»)
Застосовувати знання Data Analytics для аналізу бізнес-показників, автоматизації звітності,
пошуку можливостей для підвищення ефективності процесів і підтримки прийняття
[відкрити контакти](див. вище в блоці «контактна інформація») стратегічних рішень.

м. Кривий Pİr КЛЮЧОВІ КОМПЕТЕНЦІЇ

Зайнятість: повна ХАРД СКІЛИ СОФТ СКІЛИ
Мова програмування R (обробка, аналіз та Аналітичне мислення
вул. Чорнобаївська 24 візуалізація даних) Уважність до деталей
MS Excel (зведені таблиці, формули, Комунікабельність
звітність) Вміння працювати з великим
ОСВІТА Моделі часових рядів: ARIMA, ETS обсягом інформації
Машинне навчання: нейронні мережі, Логічне мислення
градієнтний бустинг, дерева рішень Відповідальність
НТУ «Дніпровська політехніка»
Прогнозування продажів, коефіцієнтів росту Самостійність у навчанні
Економіка та економічна кібернетика та цінової динаміки
Швидке опанування нових
Бакалавр : 2023 – 2027 Оптимізація товарного асортименту
інструментів
Статистичний аналіз та побудова
Системний підхід до вирішення
аналітичних моделей
завдань
Підготовка звітності та візуалізація
результатів

ДОСВІТ РОБОТИ
Аналітик даних / прогнозне моделювання 2024 – 2026
Прогнозування обсягів продажів та коефіцієнтів росту для акційних і неакційних
періодів з використанням моделей часових рядів ARIMA та ETS.
Побудова моделей на основі машинного навчання (нейронні мережі, градієнтний
бустинг, дерева рішень) для підвищення точності прогнозів попиту.
Прогноз динаміки цін на окремі біржові активи на основі історичних даних та
статистичних методів.
Оптимізація асортименту для інтернет-магазину роздрібної торгівлі: аналіз продажів
товарних позицій, виявлення неефективних SKU, підготовка рекомендацій щодо
асортиментної матриці.

ОРІЄНТОВНІ РЕЗУЛЬТАТИ

10 – 15 % 8 – 12 % 20 %
Скорочення Скорочення часу
Підвищення точності
надлишкових товарних підготовки прогнозних
прогнозування продажів
запасів приблизно на 8– звітів приблизно на 20%
приблизно на 10–15%
12% завдяки оптимізації за рахунок
порівняно з базовими
асортименту. автоматизації обчислень
(наївними) методами.