Сделал массу полезных вещей в команде Плюса: - Хотя бы раз оптимизировал/рефакторил логику почти каждого объекта в DWH Плюса. - Написал огромный пайплайн, считающий витрину данных для маркетинговой аналитики, которой пользуется множество аналитиков (теперь это одна из ключевых витрин). - Выкатил порядка 10 релизов ключевых объектов Плюса (своими руками реализовал многопоточный пересчёт витрин и выкатку пересчитанных таблиц в прод). - Нашёл 1001 способ быстрее и красивее делать повседневные вещи: быстрее считать таблички (оптимизировать джойны, использовать YQL вместо Python, распараллеливать операции), надёжнее (первым в команде стал добавлять юнит-тесты на важные аналитические функции), научился бесплатно по времени и реурсам считать кумулятивные таблицы на YT. И показал это всё команде. - Переписал с нуля несколько тасок-загрузчиков из разнообразных API (Google Ads, VK, TikTok, Appsflyer). Написал несколько тасок для начисления баллов, ещё столько же всевозможных отчётов для соседних команд. - Перетащил неимоверное количество кода с Py2 на Py3 (миграция тасок между внутренними оркестраторами). - Успел протестить realtime-процесс на основе Python + Logbroker (аналог Kafka). - Написал либу-фреймворк для генерации витрин из YAML-конфигов. Аналитики могут сами редактировать конфиг, а фреймворк при чтении YAML пишет логику для расчёта витрины. - и ещё множество задачек на изменение логики, исправление ошибок в данных, дебаг расчётов, дежурств с тушением пожаров. Технологии: YT (MapReduce), YQL, ClickHouse, Nile (PySpark).

- Пишу и дополняю Python-библиотеку, которая упрощает рутинные операции и даёт новые возможности для работы с данными. - Участник команды сопровождения Яндекс.Практикума по направлению Data Science. Записывал обучающие видео, проводил вебинары для студентов, делился своими наработками и помогал быстрее освоить оптимальные подходы к работе с Python для Data Science. Сейчас поток завершился, многие из ребят смогли устроиться на работу в DS и аналитику. - Спикер онлайн-марафона «Искусственный интеллект: старт с нуля» (МегаФон, Русская школа программирования). Выступил с лекцией по основам SQL. Ссылка на видео: https://youtu.be/S8KEEcKC5oc?t=1602. - Финалист хакатона "Лидеры цифровой трансформации 2020", проект "Лёгкий старт". - Выступил с докладом по основам машинного обучения для учителей информатики в Центре Технологической Модернизации Образования в Москве.

- 3 года прямых эфиров на телевидении, - Год военной службы в Ансамбле Александрова, - Год концертной звукорежиссуры в Клубе Андрея Макаревича, - Гастроли с концертами по городам России, - С начала 2019 концерты в Клубе Алексея Козлова, Hard Rock Cafe и на многих других площадках. Благодаря этому опыту могу: - Найти общий язык с трудными людьми, - Сосредоточиться на ключевых элементах задачи, - Предлагать нестандартные решения в затруднённых условиях работы, - Быстро освоить технический навык без помощи других людей.

Всё, что касается данных) - Управляю Docker-контейнерами на AWS, запускаю и настраиваю то, что мне нужно для работы. - Поддерживаю Postgres, продумываю структуру данных для решения бизнес-задач и аналитики. - Автоматизирую сбор, предобработку (удаление дублей, логических ошибок, преобразование) и перемещение данных между разнородными сервисами с помощью Airflow. - Формирую и автоматизирую регулярную отчётность в Google Sheets и Slack. - Рисую многочисленные диаграммы в Google Sheets и Python. - Усовершенствовал сегментацию пользователей по времени взаимодействия с устройством с помощью алгоритма k-means и на основе количества пропущенных пользователем дней. - Развернул Redis для кэширования SQL-запросов и хранения глобальных конфигураций для серверов в России и США, благодаря чему мы можем использовать всего один экземпляр Airflow и динамически генерировать задачи в зависимости от страны, избежать копирования и поддержания двух сервисов. - Реализовал логику генерации ежедневных подборок премиум-контента в библиотеке. - Реализовал систему персональных рекомендаций аудиоконтента на основе сходства контента с профилями пользователей. В данный момент: - Занимаюсь аналитикой данных поведения пользователей в мобильном приложении, делюсь с коллегами выводами и идеями. - Строю дэшборды в Amplitude и Grafana. - Продумываю логику сбора данных об использовании функций приложения. В планах: - Разработать и запустить в продакшн ML-модель оттока пользователей. Стек: MongoDB, PostgreSQL, Jupyter (Python), Redis, Airflow, Amplitude, scikit-learn, pandas, Plotly, Grafana, Google Sheets.

- Занимался переработкой и автоматизацией конвейера данных для рекомендательной системы тарифов, голосовых и интернет-опций в мобильном личном кабинете (МегаФон). - Участвовал в построении модели кредитного скоринга корпоративных клиентов (банк Открытие). - Изучал методы графового анализа для кластеризации клиентов супермаркета и построения рекомендательных систем (R&D GlowByte). - Написал статью для Хабра, где рассказал о графовом анализе и областях его применения. Технологии: Oracle SQL Developer, Apache Airflow, Excel, Jupyter, PySpark, Pandas, Dask, NetworkX, Git.

В рамках проекта ВТБ занималя переводом бизнес-отчётности на OLAP-витрины данных (кубы). Основные задачи: - Анализ существующих кубов и их объектов-источников. - Доработка и построение прототипов объектов на тестовом контуре КХД, передача их в разработку. - Проектирование кубов, написание вычисляемых мер. - Развёртывание и процессинг кубов. - Подготовка отчётных форм на основе кубов. Технологический стек: SQL, MDX, SQL Server Management Studio, Visual Studio, Teradata, Excel.

Прошёл курс "Специалист по Data Science". Выполнил 15 проектов по анализу данных и машинному обучению с использованием стека Python, Jupyter, NumPy, pandas, scikit-learn, SciPy, Matplotlib/Seaborn, CatBoost, LightGBM, XGBoost, Keras. Примеры выполненных проектов: Отток клиентов в телеком-компании (выпускной проект) -------------------------------------------------------------------- - Цель - обучить модель, выявляющую клиентов, которые с наибольшей вероятностью перестанут пользоваться услугами оператора связи. - Изучил данные о поведении пользователей и на их основе обучил модель классификации для предсказания вероятного ухода пользователей. Разработка нефтяных месторождений -------------------------------------------------------------------- - Цель - определить, в каком из 3 регионов лучше всего бурить новые скважины нефтедобывающей компании. - Обучил модели, предсказывающие запасы нефти в скважинах, оценил качество их работы. При помощи bootstrap смоделировал ситуацию, в которой модель решает, какие скважины лучше, и считается реальная прибыль от принятых ею решений. Оценил риски, связанные с разработкой в каждом регионе и дал рекомендации по выбору региона. Анализ рынка видеоигр для интернет-магазина -------------------------------------------------------------------- - Цель - выявить закономерности игрового рынка, определяющие успешность игры, чтобы рекомендовать игры для запуска рекламной кампании. - Выполнил предобработку данных, проанализировал тенденции, характерные для рынка видеоигр, прибыльные жанры, влияние отзывов критиков и игроков, предпочтения пользователей разных регионов. Сделал выводы о качествах, которыми должны обладать потенциально успешные игры. Учебное портфолио: https://github.com/IvanRychkov/praktikum_projects

Театрально-режиссёрский факультет, Звукорежиссура культурно-массовых представлений и концертных программ

Stepik

АНО ДПО "ШАД", Критическое мышление: анализ информации, аргументация и принятие решений

АНО ДПО "ШАД", Специалист по Data Science

Нетология-групп, Гибкие методологии управления проектами