Book Piracy Monitoring & Analytics System - Python, SQLite, requests, BeautifulSoup, openpyxl - Разработал MVP-сервис для мониторинга внешних публикаций книг с хранением истории проверок и аналитическим слоем для последующего анализа данных. - Реализовал парсинг и нормализацию данных из нескольких источников, сопоставление книг и публикаций, а также классификацию статусов размещения. - В рамках тестового аналитического прогона обработал 32 книги, обнаружил 378 публикаций на 17 сайтах и сформировал сводные отчеты по авторам, книгам и площадкам размещения. - Получил распределение публикаций по статусам: 195 полных, 84 частичных, 20 удаленных и 64 повторных; экспортировал результаты в CSV/XLSX для дальнейшей аналитики и отчетности. MTS True Tech Hack 2026 - OpenWebUI, Docker, SearXNG, ChromaDB, MWS API - В рамках хакатона разработал AI-ассистента с функциями web search, deep research и генерации документов. - Реализовал кастомный интерфейс, маршрутизацию моделей, интеграцию с MWS API, SearXNG и ChromaDB, а также подготовил one-command Docker deployment. Churn Prediction for Telco Customers - Python, pandas, scikit-learn, CatBoost, Jupyter - Выполнил data quality check и EDA клиентского датасета: проверил целевую переменную Churn, пропуски, дубликаты, типы признаков и обработал проблемную колонку TotalCharges. - Определил ключевые факторы, связанные с оттоком клиентов: month-to-month контракт, низкий tenure и высокий MonthlyCharges. - Построил baseline на LogisticRegression и получил ROC-AUC 0.835, PR-AUC 0.618; после подбора порога 0.6 достиг precision 0.54, recall 0.72, F1-score 0.62. - Сравнил LogisticRegression, DecisionTree, RandomForest и CatBoost; по итогам LogisticRegression показала лучший общий баланс метрик, а CatBoost оказался сильной альтернативой при фокусе на precision и PR-AUC. Развиваю портфолио проектов по аналитике данных и ML: подготовка данных в SQL и Python, EDA, расчёт метрик, модели.

- Анализировал данные по закупкам и планированию в Python и SQL: подготавливал выгрузки из 3-х SQL-таблиц и Excel-отчётов, объединял данные и рассчитывал 4 ключевые метрики - объём закупок, выполнение плана, среднюю цену закупки и сроки поставки. - Автоматизировал подготовку данных для еженедельной и ежемесячной отчётности с помощью Python, SQL и Excel: стандартизировал расчёт показателей и сократил объём ручной обработки на 40%. - Разработал 2 интерактивных дашборда в Power BI для мониторинга закупочных KPI, что ускорило анализ отклонений и сократило время подготовки управленческой отчётности на 30%. - Готовил управленческую отчётность для руководства: анализировал динамику показателей по закупкам, выявлял причины отклонений и формулировал рекомендации по дальнейшим действиям. Стек: Python, SQL, Power BI, Excel.