Валерія

ВАЛЕРІЯ ПЧЕЛЬНІКОВА
Аналітик даних Суми, Україна | Відкрита до віддаленої роботи
[відкрити контакти](див. вище в блоці «контактна інформація») [відкрити контакти](див. вище в блоці «контактна інформація») LinkedIn: [відкрити контакти](див. вище в блоці «контактна інформація»)
GitHub: https://github.com/mazovetskikh Tableau: https://public.tableau.com/app/profile/valeriia.pchelnikova/vizzes
Уважна до деталей аналітикиня, яка починала з контролю якості на виробництві, де працювала за чіткими інструкціями та шукала причини розбіжностей. Працюю з SQL, Python, Power BI і Tableau: визначаю бізнес-метрики, розраховую KPI, будую дашборди й пояснюю результати. Люблю з'ясовувати, що саме потрібно бізнесу, і ставити правильні запитання.
ПРОФЕСІЙНІ НАВИЧКИ
Бізнес-метрики, розроблення KPI, розвідувальний аналіз даних (EDA), SQL, Python, візуалізація даних, сторітелінг на даних, когортний аналіз, аналіз воронок, сегментація, очищення та валідація даних, трансформація даних, зведені таблиці та моделювання, A/B-тестування
ІНСТРУМЕНТИ
PostgreSQL, Power BI, Tableau, BigQuery, Looker Studio, pandas, NumPy, Google Sheets, Excel, Matplotlib, Seaborn, Jupyter Notebook, Amplitude, Google Analytics, Google Tag Manager
ПРОЄКТНИЙ ДОСВІД
Бізнес-інсайти в Tableau
https://github.com/mazovetskikh/tableau-business-insights
Інструменти: Tableau
Опис: Розробила три інтерактивні дашборди в Tableau для аналізу динаміки доходу, ефективності когорт, трендів ARPPU та регіонального розподілу SaaS-бізнесу за 12 місяців.
Мої завдання: Побудувала розбивку доходу за продуктами, регіонами та періодами
Створила теплову карту доходу за когортами та аналіз змін місяць до місяця (MoM)
Створила візуалізації трендів ARPPU та платних користувачів з інтерактивними фільтрами
Скоринг кредитних заявок
https://github.com/mazovetskikh/credit-application-scoring-python
Інструменти: Python, pandas, NumPy
Опис: Побудувала автоматизовану систему скорингу кредитних заявок на основі багатокритеріальної бізнес-логіки для ранжування позичальників і відбору схвалених заявок.
Мої завдання: Очистила сирі дані: видалила дублікати, заповнила пропущені значення, об'єднала галузеві оцінки
Реалізувала логіку скорингу за 6 критеріями, зокрема вік, локація, сімейний стан, зовнішній рейтинг
Згрупувала схвалені заявки за тижнями та розрахувала середні бали за період
Результат: Автоматизований пайплайн скорингу, що обробляє понад 13 000 заявок. Нормалізувала бали до діапазону 0–100 з чіткою логікою схвалення/відхилення.
Аналіз утримання когорт
https://github.com/mazovetskikh/cohort-retention-sql-sheets
Інструменти: SQL, PostgreSQL, Google Sheets
Опис: Побудувала 6-місячний аналіз утримання когорт для порівняння якості залучення органічних і промо-користувачів: очищення даних, формування когорт та інтерактивна візуалізація.
Мої завдання: Очистила неузгоджені формати дат у двох сирих таблицях за допомогою regex, split_part та CASE
Розрахувала cohort_month і month_offset для відстеження активності користувачів у часі
Створила інтерактивні когортні таблиці в Google Sheets із показниками утримання та зрізом промо/органіка
Результат: Органічні користувачі утримуються на рівні 56% через 6 місяців проти 9% для промо-користувачів. Виявила різкий спад між 3-м і 4-м місяцями для промо-когорти, що потребує додаткового дослідження.
Аналіз омніканальних продажів
https://github.com/mazovetskikh/omnichannel-sales-sql
Інструменти: SQL, PostgreSQL
Опис: Проаналізувала дані онлайн- та офлайн-роздрібних продажів у 6 таблицях, щоб відповісти на ключові бізнес-питання щодо поведінки клієнтів, ефективності продуктів і порівняння каналів.
Мої завдання: Об'єднала дані онлайн- та офлайн-продажів із кількох таблиць за допомогою UNION ALL, INTERSECT та JOIN кількох таблиць
Визначила топ-клієнтів за витратами, покупців, що купують в обох каналах, і продукти, які продаються в обох каналах
Порівняла середній чек і розподіл покупок за місяцями між каналами
Результат: З'ясувала, що середній чек в офлайні майже вдвічі вищий, ніж в онлайні ($92K проти $50K). Виявила лише 3 справжніх омніканальних оптових покупців — високоцінний сегмент для цільового утримання.
Аналіз воронки в BigQuery + GA4
https://github.com/mazovetskikh/bigquery-ga4-analysis
Інструменти: SQL, BigQuery, Google Analytics 4
Опис: Проаналізувала дані подій електронної комерції GA4 у BigQuery: дослідила структуру даних, розрахувала воронки конверсії та оцінила ефективність каналів трафіку.
Мої завдання: Працювала з вкладеними структурами даних GA4 за допомогою UNNEST, ARRAY_LENGTH та віконних функцій
Розрахувала конверсію із сесії в покупку за датою та каналом трафіку (source/medium/campaign)
Пронумерувала події сесій за допомогою ROW_NUMBER(), щоб визначити найпоширеніші події початку сесії
Результат: Створила багаторазовий запит воронки конверсії session_start → add_to_cart → checkout → purchase. Визначила внесок каналів трафіку в конверсію з денною деталізацією.
ДОСВІД РОБОТИ
Шеф-кухар і керівник кухонної команди | Zukis, Ексетер, Велика Британія | лип. 2022 – квіт. 2025
Аналізувала тренди поведінки клієнтів для розроблення маркетингових стратегій і зростання доходу
Відстежувала запаси та витрати для оптимізації розподілу ресурсів і скорочення втрат
Виявляла неефективність робочих процесів і впроваджувала покращення в умовах високого навантаження
Керувала різноманітними командами та навчала їх, покращуючи загальну результативність і прийняття рішень
Контролер якості виробничих процесів | січ. 2019 – січ. 2022 | Вроцлав, Польща
Моніторила та аналізувала виробничі дані для забезпечення точності процесів і дотримання операційних стандартів
Допомагала команді стабільно перевищувати щоденні цільові показники (90%+)
Досліджувала несподівані затримки та впроваджувала рішення, усуваючи проблеми у 95% випадків
Коригувала робочі інструкції для підвищення ефективності; працювала зі структурованими даними та щоденними цілями
ОСВІТА
Аналіз даних ІТ-школа «GoIT» | листопад 2024 – серпень 2026 | Онлайн
Архітектура та містобудування Коледж будівництва та архітектури | вересень 2017 – січень 2019 | Суми, Україна
МОВИ
Англійська — C1 (Advanced)
Українська — Рідна