Котелок
Обо мне

Много кода, в основном, пет-проекты

Для самой оперативной связи

Если нужно прям формальное резюме

Ну и он пусть будет
Меня зовут Роман Царегородцев.
Я работаю аналитиком данных.

Если надо совсем кратко охарактеризовать то, что я делаю, то это что-то вроде такой фразы:

Видеть число за каждым человеком и видеть человека за каждым числом

Я работаю с данными и помогаю бизнесам решать их проблемы. Больше всего я специализируюсь на аналитике поведения пользователей. Я пытаюсь ответить на такие вопросы
  • Почему люди поступают именно так в нашем продукте?
  • Какие люди как именно реагируют на те или иные изменения?
  • Как они поведут себя завтра?
и, самый главный,
  • Как сделать продукт лучше для пользователей?

The Innovators:
How a Group of Geniuses, and Geeks Created the Digital Revolution
Я работал в больших компаниях и маленьких стартапах.
Я управлял большой командой аналитиков и был единственным специалистом по данным.

Я могу помочь вашему CTO
  • выбрать инструменты хранения данных и аналитики в компании
  • внедрить систему A/B-тестов в компании
  • сделать обоснованный выбор инструментов для достижения целей продукта
Я могу помочь вашему CPO
  • внедрить культуру принятия решений на основе данных
  • получать осмысленные результаты A/B-тестов
  • выжимать максимум из продуктовых гипотез
Я могу помочь вашему CMO
  • понять о том, как привлечённый пользователей ведёт себя в продукте
  • быстрее понять, какие источники трафика удовлетворяют поставленным целям
  • построить количественную аналитику рекламных креативов
Я могу помочь вашему CFO
  • построить и валидировать на данных финансовую модель компании или отдельных продуктов

The Innovators:
How a Group of Geniuses, and Geeks Created the Digital Revolution
Рабочий стек
Мой основной рабочий инструмент в большинстве случаев - это python. Проекты и исследования в среде Jupyter Notebook. С PyCharm тоже работал.
Основная рутина - работа с данными, т.е. pandas, numpy, datetime.
Иногда приходилось со всякой многопоточностью баловаться, threading и прочее.
Разумеется, с файлами тоже надо как-то работать, os.path, json.
Машинное обучение - чаще всего, достаточно простые и стандартные модели, без фанатизма: sklearn, tensorflow, xgboost: ансамбли деревьев, ближайшие соседи, логистическая регрессия, алгоритмы кластеризации (k-means, hdbscan), ничего особенного на самом деле.
Получение данных - то, что занимает большую часть времени.
Работал с коннекторами в python, кажется, всех возможных SQL и около-SQL-диалектов (PosgreSQL, mySQL, t-SQL, Impala Cloudera, ClickHouse, BigQuery, AWS).
Много работал с простыми API различных внешних сервисов (requests). Особенно "люблю" API инфраструктуры Google (GA, GoogleSheets, Firebase, GoogleAds) и Facebook.
Есть базовое понимание и минимальный опыт работы с html с помощью BeautifulSoup.
Есть определённый опыт работы с текстовой аналитикой, в т.ч. на русском языке (nltk, pymorphy2, gensim): стоп-слова, токенизация, нормализация, bag of words, word2vec.
Для оформления результатов либо хватает базового pandas (и matplotlib), либо лучше использовать специализированные решение (Tableau, PowerBi), но базовый опыт работы с seaborn и plotly имеется.
В работе SQL много всякого разного. Диалекты перечислил выше. Кажется, уровень владения характеризует любовь к оконным функциям.
Для визуализации результатов использовал как "ракеты" врорде Tableau, PowerBi, "автомобили" вроде GoogleDataStudio и специализированных "SQL-смотрелок", "велосипеды" в виде самописных решений на python, так и старые добрые GoogleSheets или Excel.

The Innovators:
How a Group of Geniuses, and Geeks Created the Digital Revolution
(c) 2022. Kotelok, Roman Tsaregorodtsev