Ключевая экспертиза:
Построение надежных end-to-end data-систем под нагрузки уровня 2+ TB / 10 млн и более событий в день. Автоматизирую сквозную аналитику и отчетность, что сокращает время принятия управленческих решений на 70% и ускоряет цикл проверки продуктовых гипотез.

Объединяю:

• Data Engineering & Infrastructure: проектирование DWH, ETL/ELT-конвейеров (Airflow, dbt), оптимизация производительности хранилищ и контроль качества данных (Data Quality / Freshness).

• Product & Marketing Analytics: сквозная атрибуция, когортный анализ, воронки конверсий и расчет ключевых метрик (Unit-экономика, LTV, CAC, AOV).

• Data Science & Advanced Analytics: машинное обучение, A/B-тестирование и исследование сложных пользовательских путей.

Работаю на трех уровнях:

1. Инфраструктура: сбор сырых данных (API, лог-файлы), построение многослойных витрин (Staging, ODS, Marts) и автоматизация их регулярного обновления.
2. Аналитика и Модели: разработка системы метрик, проведение A/B-экспериментов, ML-скриптов и проверка гипотез на статистическую значимость.
3. Бизнес-эффект: перевод сложных сырых данных в понятные BI-панели и аргументированные рекомендации для менеджмента и продуктовых команд.

Senior

Data Analyst / Data Engineer

Email: v.tischenko@inbox.ru

Telegram: @vit_v_t

Зона ответственности:
Сквозное управление данными компании на стыке Инженерии данных (Data Engineering) и Аналитики данных (Data Analytics). От проектирования DWH, построения ETL/ELT-пайплайнов и обеспечения Data Quality до расчета юнит-экономики, моделей CAC/LTV и поставки продуктовой/маркетинговой отчетности.

Обязанности:

Инфраструктура, пайплайны данных (ETL/ELT) и Data Quality:

• Спроектировал и реализовал архитектуру сбора данных с нуля: настроил регулярный инкрементальный сбор сырых событий и транзакций из сторонних API (Meta Marketing API, Yandex Metrica Logs API, Google Analytics, и др.) и реляционных источников в единую БД PostgreSQL.
• Реализовал масштабный инженерный проект по созданию инфраструктуры партнерской программы: запустил ETL-процессы, настроил автоматическое дообогащение данных, спроектировал витрины данных и вывел целевые метрики в дашборды.
• Полностью владел движением данных на всех этапах (от первичного источника и сырого слоя Staging до итоговых витрин и аналитических отчетностей).
• Разработал и автоматизировал DAG'и в Apache Airflow (с использованием `HttpHook`, кастомных операторов и контроля зависимостей задач) для бесперебойной загрузки и дедупликации данных.
• Настроил мониторинг качества данных (Data Quality) и сверку расхождений: реализовал дашборды и алерты в Metabase для проверки полноты загрузок, контроля свежести данных и оперативного выявления аномалий.

Моделирование DWH и работа с базами данных:

• Спроектировал ER-модели данных, слой Staging и витрины данных (Marts) под аналитические задачи бизнеса.
• Оптимизировал сложные SQL-запросы (включая CTE, оконные функции, LATERAL JOINs), настраивал индексацию и автоматическое обновление материализованных представлений через `pg_cron` и `dblink`, снизив время сборки витрин.
• Разработал структуру данных и SQL-логику для расчета атрибуции промо-акций (оценка halo-эффекта скидок на регулярные продажи) и анализа сложных пользовательских сценариев.

Аналитика данных и юнит-экономика:

• Реализовал крупный проект по сведению и расчету ключевых маркетинговых метрик CAC и LTV в разрезе каналов и когорт.
• Провел комплексные расчеты юнит-экономики продукта для оценки сходимости бизнес-модели и принятия решений по ценообразованию.
• - Построил сквозную аналитику данных и систему показателей (AOV, Rolling AOV, Retention, Churn, воронки онбординга).
• Разработал интерактивные дашборды в Metabase и Tableau (моделирование партнерских продаж, эффективности рекламных каналов и конверсий).
• Исследовал последовательности пользовательского опыта с использованием граф-анализа (Python: NetworkX, Plotly) для выявления узких мест в пути клиента.

Ключевые достижения:

• Инфраструктура & Data Quality: С нуля создал сквозную ETL-инфраструктуру (включая модуль для партнерской программы) в Apache Airflow и внедрил систему мониторинга качества данных в Metabase, взяв под полный контроль точность и бесперебойность движения данных.
• Аналитика & Бизнес: Реализовал сквозные проекты по расчету CAC/LTV и юнит-экономики, а также построил систему дашбордов в Tableau/Metabase, что дало прозрачность по окупаемости каналов и помогло точно оценивать halo-эффект скидочных кампаний.

Data Analyst / Data Engineer

Сентябрь 2025 — Сентябрь 2026

(1 год и 1 месяц)

Зона ответственности:
Построение и поддержка сквозной аналитической инфраструктуры (Data Engineering), проверка продуктовых гипотез (A/B-тестирование) и продвинутая аналитика (Data Science / ML & Data Analytics): от интеграции источников и ETL/ELT-пайплайнов до проектирования DWH, ML-моделирования и проведения экспериментов.

Масштаб системы и данные:

• Объем Хранилища (DWH): Управление DWH объемом 2+ TB сырых и агрегированных данных (ClickHouse, PostgreSQL).
• Поток событий (Data Flow): Обработка и валидация потока до 5–10 млн событий в день (сырые логи веб/мобильной аналитики, транзакции, маркерные события CRM).
• Пайплайны (ETL/ELT): Поддержка и оркестрация 30+ регулярных DAGs / пайплайнов в Apache Airflow с контролем задержек и качества данных (Data Quality / Freshness).

Обязанности:

Инженерия данных, ETL/ELT и DWH:

• Спроектировал и развернул структуры аналитического хранилища данных (DWH) объемом 2+ TB: сформировал слои Staging, ODS и Core (Marts) для агрегации данных из маркетинговых платформ, CRM и сервисов веб-аналитики.
• Автоматизировал регулярные ETL/ELT-процессы сборки и очистки данных (Python, SQL) под поток до 10 млн событий/сутки, настроил инкрементальную загрузку, дедупликацию и валидацию входящих потоков.
• Разрабатывал и оптимизировал сложные SQL-скрипты, процедуры и материализованные представления (Materialized Views, dbt, pg_cron) для ускорения расчета витрин в 3–4 раза и подготовки данных под задачи ML.
• Настроил автоматический контроль свежести (freshness) и корректности данных (Data Quality tests) перед их попаданием в аналитические отчеты и модели.

Data Science, ML и A/B-тестирование:

• A/B-тестирование: Спроектировал и проводил A/B-тесты (расчет объема выборки, дизайна эксперимента, проверка статистической значимости, MDE, P-value), подготавливал инфраструктуру сбора событий для корректного сплитования пользователей.
• ML & Data Science: Разрабатывал и внедрял ML-модели (Python, scikit-learn/statsmodels) для решения бизнес-задач (прогнозирование оттока/LTV, классификация/сегментация клиентов, предсказательные модели продаж).
• Подготавливал витрины данных, автоматизировал регулярный скоринг и выгрузку результатов обратно в DWH/CRM.

Аналитика данных и сквозная отчетность:

• Разработал и внедрил сквозную аналитику для оценки эффективности маркетинговых каналов, расчета ROMI, CAC и LTV.
• Проектировал и наполнял интерактивные дашборды (BI) для руководства и продуктовых команд, отражающие воронки продаж, удержание клиентов (Retention) и ключевые бизнес-метрики.
• Налаживал взаимодействие между бизнесом и технической командой. Формировал ТЗ на доработку сбора данных и логирование новых событий.

Ключевые достижения:

• Масштабируемая инфраструктура & ML: С нуля организовал автоматизированный процесс сбора и консолидации DWH, обработку до 10 млн событий/день и построение пайплайнов подготовки данных для ML-моделей и A/B-тестирования.
• Оптимизация производительности: Перевел ключевые трансформации на инкрементальные модели (dbt / ClickHouse), сократив время сборки ежедневных витрин с 15–20 минут до нескольких минут.
• Аналитика & Бизнес: Создал единую систему сквозной аналитики и BI-дашбордов, обеспечив прозрачный мониторинг ключевых метрик (CAC, LTV, воронки) и принятие решений на основе статистически подтвержденных гипотез.

Data Engineer / Data Analyst

Октябрь 2021 — Сентябрь 2025

(4 года)

Зона ответственности:
Консолидация и подготовка данных (Data Engineering), поддержка баз данных PostgreSQL/MySQL и обеспечение компании сквозной аналитикой, отчетностью и BI-дашбордами (Data Analytics).

Обязанности:

Работа с базами данных и автоматизация (Engineering):

• Спроектировал и поддерживал структуры таблиц и витрин данных в СУБД (PostgreSQL / MySQL) под задачи регулярной отчетности.
• Писал и оптимизировал SQL-запросы (агрегации, соединения, оконные функции) для быстрого формирования аналитических выборок.
• Автоматизировал выгрузку и сборку данных из различных систем и сервисов в единую базу данных, сведя к минимуму ручную обработку.
• Проверял корректность и полноту поступающих данных перед их попаданием в итоговые отчеты.

Аналитика данных и отчетность (Analytics):

• Строил и поддерживал интерактивные BI-дашборды для визуализации ключевых показателей бизнеса и динамики продаж.
• Разрабатывал сложную расчетную отчетность в Excel / Google Sheets (формулы, сводные таблицы) для оперативного анализа метрик.
• Проводил аналитические исследования, когортный анализ и расчет эффективности маркетинговых/продажевых воронок.
• Подготавливал регулярные и разовые ad-hoc выгрузки данных по запросам руководства и смежных отделов.

Ключевые достижения:

• Автоматизация: Перевел сборку основной отчетности из ручного формата в автоматизированные SQL-витрины и BI-дашборды, сократив время на подготовку данных.
• Аналитика: Создал удобную систему мониторинга ключевых показателей бизнеса в PostgreSQL и BI, обеспечив руководство актуальной аналитикой.

Руководитель проектов
Data & Marketing Analyst

Июнь 2018 — Октябрь 2021

(3 года и 5 месяцев)

Томский экономико-юридический институт. 2003 г.

Продвинутая (Hard) аналитика данных
Karpov.courses
2023

Симулятор «Аналитик данных»
Simulative
2022

Data Engineering
Karpov.courses
2021

SQL для сертификата Oracle
Udemy
2018

Pandas

Data Visualization

Machine Learning

Time Series

Feature Engineering

Machine Learning Explainability

Computer Vision

Deep Learning

Geospatial Analysis