Алексей Гаврилов

• Управление командой 
• Проведение собеседований 
• Планирование квартальное, месячное и спринтовое 

• Провел 25+ AB-экспериментов и 10+ исследований, что в результате дало пролонгированный подъем ключевой метрики (Users => Active Users, %) на 20%;
• Операционализировал оценку качества единиц контента, что помогло привести расчет к единой системе измерения. На базе полученного знания были выявлены закономерности влияющие на эффект от контента, что увеличило ключевые метрики: CR, CTR и retention rate;
• Интегрировал аналитические процессы в цикл разработки, что привело к консистентному легированию событий продуктовой аналитики направления;
• Развил data democracy и data literacy в направлении, путем регулярных мастер-классов по чтению графиков, сбора обратной связи, глубокого погружения всех членов команды в аналитику. В итоге это качественно повлияло на работу команды: разработчики понимают объемы продукта, продукты проблемы, а дизайнеры новые возможности;
• Разработал DWH хранилище направлений по Инману. Что помогло добиться гибкости и скорости как для исследований, так и для визуализаций;
• Интегрировал десятки маленьких и средних проектов в рамках продуктового направления, что диверсифицировало монетизацию продукта и развило дерево метрик. 
• Разработал систему ранжирования и фильтрации без ML, которое дало подъем 15% ключевой метрике (CR, %). 
• Регулярно презентовал результаты спринтов на общекомандном Демо, что выводило продукты на высокий уровень фокуса в компании, благодаря чему ускорялись интеграции и решение общих вопросов. 

Технологии:

• Python: Airflow, Pandas, Numpy 
• SQL: Clickhouse, PostgreSQL, DB2, Trino 

Обязанности:

1. Ведение аналитической команды двух продуктов, отвечающих за организацию планирования транспортной логистики. 
2. Создать и поддерживать модели данных, архитектуру данных и диаграммы процессов. 
3. Разработка и внедрение алгоритмов: планирования необходимого количества транспорта, распределение заказов между транспортными компаниями.
4. Разработка в Docker-контейнере микросевисов на Python с использование FastAPI библиотеки для обеспечения REST API.
5. Прогнозирование необходимого количества транспорта с использованием Time Series. 
6. Создание образовательных материалов для команды и Data сообщества: презентации, мастер-классы и доклады. 

Результаты:

1. Время планирования снизилось с нескольких часов до нескольких секунд.
2. Оптимальность количества заказанного транспорта выросла на 10 процентов.