Аналитик данных( Ростелеком )

Описание

Захарова
Татьяна Константиновна



+7 (900) 955-39-63

tzk.044@mail.ru

г.Воронеж




Основное

График работы
Полный день, Гибкий график, Удалённая работа

Занятость
Полная

Обо мне

Пол
Женский

Образование
Высшее

Семейное положение
Не Замужем

Гражданство
Россия

Опыт работы

АО (ПАО )
Июль 2025 - по настоящее время
Специалист смены
Специалист смены технической поддержки Единого личного кабинета и Мобильного личного кабинета Ростелеком.
В обязанности входило:
-Мониторинг аварийных ситуаций на серверах Личного кабинета Ростелеком
-Отработка заявок, пришедших от 1 линии абонентского обслуживания

Образование

Федеральное государственное бюджетное образовательное учреждение высшего образования (ФГБОУ ВО )
2022-2026
Факультет
Прикладная математика и информатика
Специальность
Информационная аналитика и обработка больших данных
Форма обучения
Очная

Федеральное государственное автономное образовательное учреждение высшего образования Национальный исследовательский Томский государственный университет
2024-2025

Профессиональная переподготовка
Специальность
Специалист в области искусственного интеллекта и машинного обучения
Форма обучения
Дистанционная

Дополнительная информация

Владение иностранными языками
B2

Водительские права, категории
B, B1, M

Личные качества
1) Аналитическое мышление и внимание к деталям
2) Самоорганизация, соблюдение дедлайнов и личная ответственность за результат
3) Готовность к непрерывному саморазвитию и быстрому внедрению новых инструментов в работу
4) Целеустремленность и настойчивость в достижении результата

О себе
Владею SQL и Python на уровне, достаточном для решения практических задач. Имею опыт построения базовых ML-моделей и разработки дашбордов в Power BI. Умею структурировать данные и формулировать на их основе понятные бизнесу выводы. Быстро осваиваю новые предметные области. Ищу возможность применить свои аналитические навыки и техническую подготовку для решения бизнес-задач, а также профессионально расти в сильной команде.

Личный проекты (учебные):
Проект: Анализ покупательского поведения и прибыльности кофейной сети (выпускной проект по программе )
Что сделано:
1) Проведена выгрузка и первичная обработка 24 852 транзакций (CSV, JSON): распаковка вложенных полей, приведение форматов, удаление дубликатов, расчёт дополнительных признаков.
2) Выполнен разведочный статистический анализ: описательные статистики, структурный анализ, проверка гипотез о нормальности распределения (тест д'Агостино, критерии асимметрии и эксцесса, QQ-plot). 3) Проверены гипотезы о влиянии категориальных признаков (категория товара, пол, город, конкретная кофейня) на цену с помощью статистических тестов; выявлена значимая зависимость только от категории товара.
4) Проанализированы количественные признаки (корреляционный анализ), построен портрет целевого покупателя (46 лет, преимущественно женщины, Москва).
5) Построена модель предсказания цены транзакции (дерево решений) с признаками: quantity, unit_price, категории Bakery, Chocolate, Coffee, Tea. Достигнута высокая точность на метриках качества.
6) Сформулированы бизнес-рекомендации: привлечение молодёжи до 24 лет и мужчин, расширение в Санкт-Петербурге, акцент на кофе, чай, выпечку, шоколад, премиальные категории.

Проект: Аналитический дашборд для сети кофеен (проверка гипотезы о покупательской активности возрастной группы 24 - 34 года в выходные дни)
Что сделано:
1) Сформулирована бизнес-гипотеза: клиенты 24 - 34 лет (работающее население) активно покупают в будни, но снижают активность в выходные.
2) Проведена подготовка данных (24 908 транзакций): рассчитан возраст клиентов на основе даты рождения, добавлен столбец с днём недели и его номером для корректной сортировки.
3) Рассчитаны ключевые метрики: общая прибыль, количество транзакций, средний чек, прибыль по возрастным группам и дням недели, доля выходных в обороте целевой группы.
4) В Power BI разработан интерактивный дашборд с карточками KPI, круговыми диаграммами (структура прибыли по возрастам и категориям товаров), линейчатой диаграммой , столбчатой диаграммой и срезами для фильтрации по возрасту, полу и номеру кофейни.
5) Проведён анализ результатов: группа 24 - 34 года даёт 42% всей прибыли, в будни -- 18% дневной выручки, в выходные -- только 9% (разрыв ~50%). Гипотеза подтверждена.
Сформулированы рекомендации для заказчика: запустить акцию для возрастной группы 24 - 34 года по выходным (скидка 20% на второй напиток или комбо-набор). Потенциал увеличения прибыли -- до +15%.

Проект: Проектирование и разработка реляционной базы данных для сети салонов красоты (SQL)
Что сделано:
1) Спроектирована логическая и физическая модель базы данных в PowerDesigner: определены сущности (клиенты, сотрудники, услуги, типы услуг, салоны, владельцы, поставщики, материалы, акции, записи на услуги и др.), установлены первичные и внешние ключи, ограничения целостности.
2) Реализована схема БД в DBeaver: созданы 15+ связанных таблиц (ServiceTypes, Appointments, Clients, Employees, Materials, Promotions, Salons, Services, Suppliers, Supplies и др.).
3) Написаны и выполнены 25+ SQL-запросов различной сложности:
- соединения (JOIN, LEFT JOIN), подзапросы, коррелированные подзапросы;
- агрегатные функции (COUNT, SUM, AVG), группировки (GROUP BY), сортировки (ORDER BY);
- оконные функции (OVER, PARTITION BY);
- обобщённые табличные выражения (WITH, рекурсивные CTE);
- работа с датами (CURRENT_DATE, INTERVAL, DATE_TRUNC, EXTRACT);
- множественные операции (UNION ALL);
- проверка существования (EXISTS, NOT EXISTS), ограничение строк (LIMIT).
Результат: Разработана полноценная схема базы данных, подготовлены запросы для аналитической отчётности и оперативного контроля деятельности салонов красоты.

Проект: Применение методов машинного обучения для анализа зрительских предпочтений на базе платформы (дипломная работа)
Что сделано:
1) Собраны и обработаны данные о фильмах с (рейтинги, жанры, страны, год, длительность, актёры, режиссёр, текстовые описания). Проведена очистка: удаление пропусков, дубликатов, выбросов; фильтрация по году выпуска и длительности. 2) Выполнена обработка текстовых описаний (лемматизация, токенизация, удаление стоп-слов, создание полей overviewclean и объединённого текста overviewplusmeta).
3) Проведён статистический и временной анализ: описательная статистика рейтингов, исследование динамики по годам, построение моделей временных рядов (ARIMA, экспоненциальное сглаживание Хольта-Уинтерса).
4) Реализован тематический и эмоциональный анализ текстов: тематическое моделирование (LDA), поиск ассоциативных связей между словами/темами и рейтингом.
5) Построены и обучены модели машинного обучения для предсказания рейтинга фильма: -классические: линейная регрессия, ридж-регрессия, логистическая регрессия, RandomForest, CatBoost; -на эмбеддингах (SentenceTransformer + Ridge); -нейросетевые: LSTM, RuBERT / трансформеры.
6) Выявлены ключевые закономерности зрительских предпочтений: жанры с наибольшими/наименьшими оценками, влияние стран-производителей и копродукций, оптимальные диапазоны длительности, динамика рейтингов по годам, режиссёры и актёры как маркеры качества.
Результат: Разработана комплексная методика анализа зрительских предпочтений, позволяющая прогнозировать рейтинг фильма и выявлять значимые факторы успеха у аудитории.