Специализации: — Аналитик — Дата-сайентист — Руководитель отдела аналитики — Руководитель проектов Занятость: полная занятость, частичная занятость, проектная работа График работы: полный день Опыт работы в области Data Science и Big Data - 7 лет, 4 из которых в позиции head/lead of DS. Не только руковожу командой DS, но и люблю выполнять задачи сам. Часто совмещал роль Head of DS с ролью Product owner в SAFe и бирюзовых структурах. Развивал существующие и строил с нуля технические функциональные и кросс функциональные продуктовые команды.
NDA (трейдинг, биржевой брокер) Москва Финансовый сектор • Финансово-кредитное посредничество (биржа, брокерская деятельность, выпуск и обслуживание карт, оценка рисков, обменные пункты, агентства по кредитованию, инкассация, ломбард, платежные системы) Head of Data Science / Product Owner Обязанности: 1. Составление требований к проектам и дорожным картам проектов. Формирование бэклога, планирование спринтов. Экономическая оценка разрабатываемых решений. Защита проектов перед CEO. 2. Руководство двумя командами из 10 специалистов (найм, обучение и развитие, performance review). 3. Аналитика и валидация DWH, поиск уязвимостей и точек роста. Сбор датасетов и разработка auto-ml pipeline"ов. Внедрение сервисов (cicd->kubernetes/airflow) и сопровождение моделей. 4. Автоматизация процессов в проектах «АнтиФрод», «Билинг» и «Маркетинг», создание дашбордов для упрощения взаимодействия бизнес-команд с большим объемом данных. Некоторые из достижений: 1. Внедрены скоринговые ML-модели в процессах performance-маркетинга. На АБ тестах подтверждена окупаемость кампаний (ROAS > 1). Внедрены MMM-модели с помощью которых был осуществлен успешный выход в новые регионы. 2. Созданы боты и CRM система для автоматизации процессов в антифроде, снижены потери от фрода на порядки. Создана база и процессы для снижения юридических рисков. 3. Сформирована ML-Ops среда. В команде DS не только налажена культура работы с данными, но и с нуля выстроен процесс раскатки RnD решений. 4. Разработан и внедрен на prod высоконагруженный сервис для оценки легальности движения денежных средств (AML). Повышены качественные метрики билинги, снижена нагрузка на отделы финансов и поддержки. Резюме обновлено 9 декабря 2025 в 17:25 5. Инициировал проекты по улучшению LTV, lifetime, retention, связанных с разработкой систем бонусов и удержания клиентов. Первое решение команды позволило увеличить revenue на более чем 20%. Август 2021 — Март 2023 1 год 8 месяцев ВСК, САО Москва, www.vsk.ru Финансовый сектор • Страхование, перестрахование Главный аналитик (data scientist) Обязанности: 1. Сбор и подготовка датасетов к обучению моделей, подготовка PipeLine, обучение скоринговых ML-моделей LTV. Внедрение и сопровождение моделей. 2. Составление технического задания к проекту, декомпозиция задач, составление дорожной карты, распределение нагрузки по участникам, контроль и оценка бизнес-эффекта проекта. 3. Оперативные выгрузки и аналитика по запросу бизнеса. Аналитика портфеля с целью извлечения полезного бизнес-эффекта. 4. Поиск и подбор кандидатов в команду. С 1 декабря 2022 года - Team Lead + Product Owner SAFe Agile команды. Найм и развитие сотрудников, проведение performance review). Достижения: 1. Созданы, внедрены и сопровождаются модели для СПР в корпоративном сегменте. Защита бизнес-эффекта перед CFO. 2. Созданы OLAP-кубы для повышения операционной-эффективности бизнес-партнеров при работе с большими объемами данных. 3. Проведена автоматизация части бизнес процессов (ETL, ELT), созданы решения для аналитики метрик развития убытков портфеля. 4. Внедрена в эксплуатацию и сопровождается витрина данных. Август 2017 — Август 2021 4 года 1 месяц
ЦИАМ им. П.И. Баранова
Москва Тяжелое машиностроение • Авиационная, вертолетная, аэрокосмическая промышленность Специалист по ML Обязанности: * Анализ данных, построение ML моделей, внедрение на prod. * Анализ и обработка результатов экспериментальных исследований, построение математических моделей (Python & С++). Достижения: * Создана модель на основе машинного обучения, предсказывающая результаты численного моделирования; позволило сократить общее число расчетов и суммарное время расчетов на порядки.
Отправляя данные вы подтверждаете пользовательское соглашение