Никита Будиловский

На данной позиции опыт также касается работы над Пайплайном Прогнозирования Товаров. 
Большая часть времени была отведена на реализацию метрики качества прогнозов и более углубленную коммуникацию с бизнес командой. 
Workflow работы аналогичный, как и на предыдущем грейде.

• Проведение исследований касательно оценки качества прогнозов Продукта. 
• Продуктивизация завалидированной бизнес логики метрики, её доработка по необходимости, опираясь на результаты исследований.
• Построение необходимых витрин данных, работа с витринами фактов, scd1 и scd2.
• Постановка ТЗ Инженерам по Данным для интеграции необходимых источников в контур команды.
• Проверка качества построенных витрин и интегрированных источников в полуручном режиме. Написание скриптов для проверки Data Quality.
• Ведение подробной документации и результатов работы в Git репозитории с помощью PUML схем, ведение документации в Яндекс Вики.
• Коммуникация с бизнес командой: проведение демо результатов исследований/продуктивизированных модулей, запрос ОС, доработка бизнес логики, решение заведенными ими инцидентов.
• Автоматизация расчёта метрики с помощью разработки схемы и Airflow Dag и последующей разработкой
• Работа с метриками чуть подробнее: разработанная денежная метрика качества прогнозов, которая позволяет оценивать и сравнивать между собой модели прогнозирования, начиная с общих разрезов (Отдел, подотдел SKU, и т.д.) заканчивая более глубоким артикульным уровнем.

На данной позиции опыт касается работы над Пайплайном Прогнозирования Товаров.
Workflow работы можно описать следующим образом: выдвижение гипотезы или принятие гипотезы от бизнес команды-> проведение исследования -> презентация результатов исследования внутренним или внешним заказчикам (участники команды/операционные команды) -> продуктивизация результатов и интеграция завалидированной логики в Пайплайне.

• Проведение исследований касательно интеграции новых модулей в Продукт. Разработка следующих модулей: апсемплированные продажи, модуль по срезанию пиков, очистка от сезонности, оценка качества прогнозов.
• Продуктивизация завалидированной бизнес логики модулей пайплайна, опираясь на результаты исследований, используя SQLAlchemy и Raw SQL.
• Коммуникация с DE команды касательно интеграции необходимых данных в наш контур.
• Ведение документации в Confluence
• Выполнение ad-hoc запросов, а также консультация бизнес команды касательно работы реализованных модулей.

В общем и целом, всю работу можно охарактеризовать как решение задач, связанных с распределением запаса товаров и их доступности. Пул того, чем мне удалось позаниматься до настоящего момента.

• Поиск комплементарных товаров, используя ассоциативные правила (Association rule learning)
• Участие в разработке стратегии развития дарксторов. Подбор актуального ассортимента товаров, исходя из бизнес требований, и расчёт доли покрытия заказов
• Выполнение большого количества самый разнообразных ad-hoc запросов 
• Построение Power BI отчётов и их автоматизация
• Расчёт потенциала B2B сегмента
• Всё это в обертке поиска нужных данных в разных источниках, постоянная коммуникация с дата инженерами и другими командами, а также проверка качества данных в некоторых случаях и валидация получившихся результатов с помощью авторитетных источников данных

Выполнение задач происходило в Штабе Корпоративного Инвестиционного Бизнеса в отделе Эффективности. В общем и целом функционал был нацелен на исследование процессов внутренних заказчиков и поиск оптимизационных решений с применением методологий Process Mining. В пуле задач следующее:

• Помощь в выгрузке сырых логов из Автоматизированных Систем
• Помощь в преобразовании логов в датасет, готовый для проведения исследований с использованием pandas
• Построение графов процессов и анализ времени, затраченного на этапы, во внутренней системе компании
• Построение графиков с помощью библиотек pandas и matplotlib в случае нехватки функционала вышеупомянутой системе
  
• Выдвижение гипотез по улучшению процессов
• Презентация результатов внутренним заказчикам

•Работа с данными трёх клиентов (Тануки, Marks and Spencer, DNS)
•Анализ клиентов и их взаимодействий с сайтом (среднее количество товаров в корзине, средний чек, способы доставки, и т.д.) в рамках google analytics
•Анализ действий пользователей с помощью Appsflyer
•Выполнение SQL запросов при работе с базами данных клиентов (Google Big query)
•Выдвижение гипотез и их проверка, в частности подробный анализ среднего чека пользователей Тануки
•Работа с метриками (CR, CTR, CAR, ARPU, LTV, User Retention)
•Навык построения дашбордов в Power BI
•RFM сегментация
•Когортный анализ касательно User Retention на Python