Максим

МАКСИМ СОРОКІН
Junior Data Analyst
Дніпро, Україна | [відкрити контакти](див. вище в блоці «контактна інформація») | [відкрити контакти](див. вище в блоці «контактна інформація») | GitHub

ПРО СЕБЕ
Випускник спеціальності «Інженерія програмного забезпечення» (2026), який шукає першопричини проблем у
даних. Аналізуючи ~550 тис. рядків даних у Olist E-commerce, я виявив, що оцінки відгуків залишаються
стабільними, доки доставка не перевищує 21 день, після чого падають з 4,14 до 3,12. Також виключив майже
порожній пілотний період 2016 року (одне замовлення на R$20 у грудні), який створював хибний сплеск у тренді
доходу. Впевнено володію SQL, Excel, Power BI та Python. Хочу застосувати цей підхід до вирішення реальних
проблем.

НАВИЧКИ
Основні: SQL (JOIN, підзапити, CTE, віконні функції; Microsoft SQL Server / T-SQL, PostgreSQL) · Python (Pandas,
Matplotlib, Seaborn)
BI та електронні таблиці: Power BI (DAX, Power Query, KPI, drill-through) · Excel (XLOOKUP, зведені таблиці, Power
Query, DAX; формули масивів, FILTER, перевірка даних)
Інструменти та документація: Git/GitHub · README проєктів
Мови: українська · англійська - B2

ПРОЄКТИ
Аналіз Olist E-commerce SQL Server (T-SQL)
• Виявив поріг доставки у 21 день після якого середні оцінки відгуків падають з 4,14 до 3,12, розподіливши
доставлені замовлення на чотири категорії за швидкістю доставки в 7 реляційних таблицях (~550 тис. рядків).
• Усунув хибний сплеск у місячному тренді доходу, виключивши пілотний період 2016 року (одне доставлене
замовлення на R$20 у грудні 2016), тож тренд починається з порівнянних даних у січні 2017 (R$127 тис., з піком
R$1,15 млн у листопаді 2017).
• Захистив метрики доставки від прихованих помилок, перевіривши значення NULL і позначивши доставлені
замовлення без дати доставки перед розрахунком часу доставки та частки запізнень (8,1% замовлень).
• Оцінив ризик для доходу: топ-25% продавців формують 86,8% доходу в R$15,4 млн, а вартість доставки у
штаті Мараньян сягає 33,4% ціни товару, що більш ніж утричі вище, ніж у кращих штатах.
Аналіз ринку нерухомості у місті Еймс, штат Айова SQL, Power BI
• Визначив загальну якість головним чинником ціни: середня ціна продажу зростає з $50 тис. при найнижчій
оцінці до $438 тис. при найвищій — у розвідувальному SQL-аналізі продажів будинків в Еймсі (Айова) із 7
розділів.
• Визначив різницю в $237 тис. (240%) між найдорожчим і найдешевшим районами та виявив найочевидніший
сегмент недооцінених великих будинків за ціною за кв. фут (OldTown, NAmes, SWISU).
• Показав, що історія ремонтів не є надійним предиктором ціни (будинки без ремонту в середньому трохи
дорожчі), тоді як центральне кондиціювання додає $81 тис. до ціни, а 2 і більше камінів — ~70%.
• Створив двосторінковий дашборд у Power BI із зведеною статистикою за районами та сторінкою drill-through,
що показує дані по кожному району й чинники ціни.
Дашборд зарплат у сфері роботи з данними Excel
• Створив інтерактивний пошук зарплат на даних про вакансії у сфері даних за 2023 рік: користувач обирає
посаду, країну та тип графіка з перевірених випадаючих списків і отримує відповідну медіанну зарплату через
формулу масиву MEDIAN(IF()) з кількома критеріями.
• Показав, що старші та інженерні ролі отримують більше за аналітичні, за допомогою відсортованої
стовпчастої діаграми медіанної зарплати за посадами, а також відобразив медіанну зарплату за країнами на
картограмі Excel.
• Запобіг некоректному введенню за допомогою випадаючих списків із перевіркою даних, які наповнюються
списком унікальних типів графіка, згенерованим через FILTER().

ОСВІТА
Бакалавр, Інженерія програмного забезпечення 2022 – 2026
Відокремлений структурний підрозділ "Фаховий коледж ракетно-космічного машинобудування Дніпровського
національного університету імені Олеся Гончара".
Дипломний проєкт: Нейронна мережа для розпізнавання даних на Python.