ML инженер, Data Scientist, Системный/бизнес аналитик, Python/SQL разработчик

На данный момент Системный аналитик.

Мои компетенции и опыт

Контактная информация:
Номер телефона: нужен доступ к резюме
Почта: нужен доступ к резюме
GitHub: нужен доступ к резюме

Ссылка на PET-проект "Прогнозирование операционного денежного потока компании на основе аналитики клиентских данных (CashFlow Forecaster)":
нужен доступ к резюме

Аналитик с практическим опытом работы с данными (SQL, Python, Excel, Power BI) и управления требованиями в IT-проектах (системный анализ, банковская сфера, логистика). Сочетаю фундаментальное техническое образование в области системного анализа с углублёнными знаниями в финансах и кредитовании, что позволяет эффективно решать задачи на стыке IT и бизнеса. Обладаю навыками Data Science и машинного обучения, активно применяю их в практических проектах. Быстро погружаюсь в новые предметные области, умею переводить бизнес-задачи на язык данных и формализовать требования для команд разработки.

Бакалавриат: Системный анализ и управление ( нужен доступ к резюме )
Профиль: Системный аналитик

В ходе обучения на бакалавриате получил фундаментальную подготовку в области:

- Математического моделирования сложных систем и процессов
- Системного анализа и теории принятия решений
- Программирования на Python, C++, SQL
- Работы с данными: сбор, очистка, обработка и визуализация (Pandas, NumPy, Matplotlib)
- Статистического анализа и прогнозирования
- Моделирования бизнес-процессов (UML, BPMN)
- Алгоритмов машинного обучения (регрессия, классификация, кластеризация)

Ключевые навыки, приобретённые на бакалавриате:
- Системное мышление и способность видеть объект как целостную систему
- Навыки работы с большими объёмами данных и их интерпретации
- Знание методологий анализа и оптимизации процессов
- Умение формализовать задачи и разрабатывать алгоритмы их решения
- Базовые навыки программирования для аналитических задач

Магистратура: Финансы и кредит ( нужен доступ к резюме )
Профиль: Финансовый аналитик

В магистратуре углубил знания в области:

- Финансового анализа и управления денежными потоками
- Инвестиционного анализа и оценки эффективности проектов
- Кредитных и банковских продуктов
- Финансового моделирования и прогнозирования
- Анализа бизнес-показателей компании
- Бюджетирования и финансового планирования

Магистратура позволила применить полученные технические навыки в прикладной бизнес-среде:
- Математическое моделирование -> Финансовое моделирование денежных потоков
- Работа с данными (Pandas, SQL) -> Анализ финансовых показателей, построение прогнозов
- Статистический анализ -> Оценка рисков, корреляционный анализ
- Алгоритмы машинного обучения -> Прогнозирование финансовых временных рядов
- Системный анализ -> Комплексная оценка бизнес-процессов компании
- Программирование (Python) -> Автоматизация расчётов, построение моделей

PET-проект: "CashFlow Forecaster" (ссылка на проект указана в начале)

В рамках магистерской диссертации разработал полноценное веб-приложение для прогнозирования операционного денежного потока компании, интегрирующее подходы системного анализа и финансового моделирования. Это сквозной ETL-пайплайн, от генерации данных до интерактивного дашборда.

Суть проекта:

Подтвердить гипотезу, что использование поведенческих клиентских метрик (RFM-сегменты, LTV) в качестве дополнительных признаков повышает точность прогноза денежного потока по сравнению с моделями, использующими только финансовые временные ряды.

Что реализовано:

1. Генерация синтетических данных (клиенты, транзакции, денежный поток) с настраиваемыми параметрами (количество записей, временной период).

2. ETL-процесс и RFM-анализ:
- Загрузка данных в SQLite-базу.
- RFM-сегментация клиентов через SQL-запросы (Recency, Frequency, Monetary).
- Формирование сегментов: Champions, Loyal, At Risk, Others.

3. Feature Engineering:
- Ежемесячная агрегация транзакций (активные клиенты, средний чек, выручка).
- Создание лаговых признаков (lag_1) для учёта временной динамики.
- Добавление RFM-сегментов в качестве категориальных признаков.
- Формирование целевой переменной (месячный денежный поток).

4. Обучение трёх моделей:
- XGBoost — градиентный бустинг (основная модель, учитывает все признаки).
- LSTM — рекуррентная нейросеть (анализ временных рядов).
- ARIMA — классическая статистическая модель (бенчмарк).

5. Сравнение моделей:
- Метрики: MAE, RMSE, коэффициент детерминации (R²).
- Автоматический выбор лучшей модели по минимальной ошибке.

6. Интерактивный дашборд (Streamlit):
- Загрузка собственной SQLite-базы.
- Генерация данных через интерфейс.
- Запуск прогноза и сравнение моделей одной кнопкой.
- Визуализация важности признаков, прогноза и факта.
- Детальная аналитика: прогноз на следующий месяц, точность, ключевые драйверы.
- Просмотр таблиц БД и справочник признаков.

7. Инфраструктура:
- Автоматический скрипт запуска ( нужен доступ к резюме ), который создаёт виртуальное окружение, выбирает подходящую версию Python (3.9– нужен доступ к резюме ) и устанавливает зависимости.
- Сохранение результатов в папку reports/ с возможностью архивации.

Более подробно проект описан на GitHub в разделе нужен доступ к резюме

Стек: Python (анализ данных, ML, разработка приложений), SQL (PostgreSQL, Oracle SQL, SQLite, сложные запросы, оконные функции), Git, GitHub, Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn, MS Excel (сводные таблицы, Power Query, VBA), BPMN 2.0, UML, Jira, Confluence.

Опыт работы: XGBoost, TensorFlow/Keras (LSTM), Statsmodels (ARIMA), Power BI, Tableau, REST API, SOAP, GraphQL, Swagger/OpenAPI, Apache Kafka, RabbitMQ, Postman, Figma (прототипирование, инфографика).

Базовый уровень: Bash, PowerShell.