🏭Как привлечь айтишников в промышленность

30 ноября в 17:00 соберёмся на вебинар Хабр Карьеры, Nimax и Северстали. Разберём, что IT-специалисты ценят в работодателях, как промышленным компаниям выстроить сильный HR-бренд и какие инструменты помогают привлекать кандидатов.

Зарегистрироваться→

Алексей Гаврилов (onlyanalyst), 33 года, Россия, Москва
Алексей Гаврилов (onlyanalyst), 33 года, Россия, Москва
Эксперт
Разбираюсь в данных, нахожу в них смысл и помогаю принимать правильные решения • Аналитик по данным • Продуктовый аналитик • Ведущий (Lead)
От 600 000 ₽ • Не ищу работу

Контакты

Войти
Возраст: 33 года
Опыт работы: 10 лет и 4 месяца
Регистрация: 22.05.2023
Последний визит: 3 недели назад
Гражданство:
Местоположение: Россия, Москва
Дополнительно: готов к переезду и к удаленной работе

Обо мне

Team Lead Data Analyst с 5-летним опытом использования Python, SQL и представления данных для достижения бизнес-результатов в различных доменах: издательство, производство, логистика и ретейл. 


Опыт успешного проектирования, внедрения и поддержания решений для обработки данных, что приводило к глубокому и действенному анализу данных.


Большой опыт в интерпретации сложных данных и эффективном доведении результатов до заинтересованных сторон, что приводило к принятию обоснованных бизнес-решений и повышению целевых метрик. 


Умение начинать инициативы, основанные на данных, от концепции до реализации, что приводило к существенному влиянию на бизнес и операционные процессы.

Открыт к сотрудничеству, open source и благотворительным проектам. 


Развиваю аналитическую культуру через видео и тексты:

Youtube

Telegram

Навыки

Выберите навык, чтобы посмотреть, какие тесты специалист уже прошел.

SQL
Python

Эксперт

43консультации
5
38 оценок

Работаю с квалификациями

Стажёр • Младший • Средний • Старший • Ведущий

Помогаю развивать навыки

Базы данных • SQL • Python • PostgreSQL • Английский язык • Анализ данных

Экспертность

Работаю Team Lead Data Analyst в Magnit Tech (EX Pearson, Sberbank, Leroy Merlin, EPAM). 

Более 90+ учеников, 400+ занятий и 50+ отзывов (все на 5 и 5+). Каждый мой ученик добился поставленных целей: поиск работы и прохождение собеседования, помощь на курсе или просто разбор темы.

  • Помогу Вам разобраться в сфере анализа данных. 
  • Разберу с Вами не только основные навыки: SQL, Python, Google Analytics и другие, но и научу как правильно выстраивать процессы и коммуницировать с бизнесом.
  • Подготовлю к собеседованию на вакансию аналитик данных (SQL, Python). Знаю требования индустрии к кандидату уровня junior-senior в РФ и на западе. Сам провожу технические собеседования в компании.
  • Объясню какие технологии сейчас актуальны и на что обратить внимание.
  • Покажу как грамотно презентовать результаты своей работы.
  • Составлю с Вами резюме, которое привлечет внимание HR.

Мои проекты: 

  • YouTube канал, в котором регулярно выходят видеоподкасты с экспертами из мира IT, психотерапии и анализа данных. 
  • Telegram канал, где делюсь полезными подборками и своими мыслями. 
  • Статья на Хабре в разделе IT-Guide о переходе в анализе данных из совершенно другой области (спойлер: пивоварение) 
  • Статья на Хабре, а точнее полный RoadMap о том как стать Аналитиком Данных. После нее ментор Вам скорее всего и не понадобится. 
Стоимость
5000 ₽/ час

Опыт работы

  • Компания, которая развивает самую популярную в России поисковую систему и десятки других сервисов
    Москва • Более 5000 сотрудников
    Руководитель аналитиков-разработчиков офлайн-метрик Поиска
    Март 2026 — По настоящее время (9 месяцев)

    Общая информация:

    Зона ответственности: офлайн-метрики Поиска опирались на краудсорсинговую разметку медленную и дорогую при растущих объёмах. Возглавил направление её замены на LLM и AI-агентов. Группу аналитиков-разработчиков формирую с нуля; до укомплектования веду проекты кросс-функциональной командой 5 человек.

    Организация работы: чтобы направление не распалось на разрозненные внедрения, веду его в Agile-формате: эпики и декомпозиция, дейли, брейнштормы, стратегические сессии. Там, где типовой подход не даёт результата, применяю нестандартные решения.

    Ключевой проект — перевод офлайн-метрик с краудсорсинга на LLM:

    Перевод разметки на LLM: разметка делалась краудом: минуты на единицу и расхождения с золотым бенчмарком. Принял незавершённый проект и помог довести до внедрения перевод основного объёма на LLM с выстроенным промптингом, покрыто около 80% объёма. Согласованность с эталоном выросла на однозначное число процентов относительно крауда, время получения разметки сократилось с минут до секунд, вырос потенциал гибкости и масштабируемости.

    Юнит-экономика направления: не было ответа, что дешевле при целевых объёмах: локальные модели, внешние API или крауд, и сколько GPU под это потребуется. Построил модель юнит-экономики, сопоставившую три варианта по стоимости единицы разметки. Модель стала основанием для выбора целевой конфигурации и планирования мощностей.

    Автоматическая приёмка и разбор ошибок: качество LLM-разметки проверялось вручную: то есть упиралось в те же человеко-часы, ради экономии которых затевался проект. Внедрил LLM-as-a-judge для разбора ошибок и приёмки результата. Приёмка перестала быть узким местом и масштабируется вместе с объёмом.

    Инструменты качества и воспроизводимости: с ростом объёма всплыли три ограничения: неконтролируемое качество работы AI-тренеров, отсутствие регулярной оценки выходящих моделей и ручной подбор промптов. Под моим руководством команда реализовала систему контроля качества AI-тренеров, инструмент регулярного замера моделей на бенчмарках и автоматический подбор промптов; отдельно оптимизация стоимости и скорости инференса. Выбор модели и промпта стал воспроизводимой процедурой вместо экспертной оценки.

    Текущий фокус - агентские сценарии:

    Добор сложных кейсов агентами: оставшиеся ~20% объёма: кейсы, которые не берутся одним промптом: нужен многошаговый анализ и работа с внешними источниками. Под моим руководством разрабатываются AI-агентские сценарии анализа сложных документов на стеке browser-use, Playwright, Camoufox. Цель - закрыть направление полностью и вывести краудсорсинг из процесса.

    Бенчмарки и переквалификация команды: агентские сценарии нечем измерять, а AI-тренеры заточены под ручную разметку. Под моим руководством создаются бенчмарки для оценки сценариев и ведётся обучение тренеров новому инструментарию. Роль тренеров смещается с разметки на проектирование и приёмку это то, что делает замену крауда устойчивой, а не разовой.

    Технологии:
    Python, LLM API, локальные LLM, LLM-as-a-judge, prompt engineering, GPU-инференс, browser-use, Playwright, Camoufox

  • Объединяем IT и ретейл, чтобы совершать самые важные покупки было просто — во всех уголках страны
    Более 5000 сотрудников
    Analytics Team Lead
    Май 2024 — Март 2026 (1 год и 11 месяцев)

    Общая информация:

    • Взял новые зоны ответственности (после IC роли), включая 2 продукта, эффекты по которым защищал совместно с Product Lead на БИК. Продуктовый портфель достигает 8 продуктов по направлениям retail media, social commerce и web technologies. 
    • Защита и подтверждение бизнес-эффектов: cуммарный подтвержденный доход продуктов — более 1 млрд. ₽ в год.
    • Ведение единого бэклога кластера: все задачи приоритизируются по единому фреймворку. Горизонт декомпозированного планирования достигает квартала.

    Интересные проекты:

    • Тестирование и контроль событий: Внедрил процесс тестирования событий и стандарты логирования. Снизилось количество ошибок, повысилось доверие к данным и скорость релиза фичей.
    • BI-стандартизация: Ввел единые BI-стандарты, метрики и правила визуализации. BI стал единым источником правды для продуктовых команд кластера.
    • Интеграция аналитики в разработку: Встроил аналитику в SDLC и discovery-этап. Фичи стали data-driven, снизилось число переделок после релиза.

    Развитие команды

    • Развитие команды аналитиков: Выстроил mentorship, посещение конференций, чтение книг, 1-1 и планы развития. Команда ведет продукты end-to-end, выросла автономность и ответственность.
    • Data literacy в продуктовых командах: Проводил регулярные мастер-классы и разборы кейсов. Данные стали общим языком между продуктом, разработкой и аналитикой.
    Senior Data Analyst
    Апрель 2023 — Май 2024 (1 год и 2 месяца)
    • 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 
  • Меняем, изменяясь
    От 1000 до 5000 сотрудников
    Senior Data Analyst
    Май 2022 — Апрель 2023 (1 год)

    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. 

  • EPAM Systems Inc.
    Web & Digital Analyst
    Декабрь 2021 — Май 2022 (6 месяцев)
  • Мы продуктовая технологическая компания, создаём высоконагруженные проекты в сфере недвижимости
    Москва • От 1000 до 5000 сотрудников
    Аналитик продукта
    Ноябрь 2021 — Декабрь 2021 (2 месяца)
  • АО «ОДК»
    Аналитик
    Август 2019 — Ноябрь 2021 (2 года и 4 месяца)
  • Hiiumaa Pruulikoda
    Пивовар
    Август 2016 — Август 2019 (3 года и 1 месяц)

Высшее образование

  • LUT University

    Лаппеенранта • 39 выпускников
    School of Energy Systems
    Сентябрь 2014 — Июнь 2016 (1 год и 10 месяцев)

    School of Energy Systems, Sustainable Development and Business

  • Институт проблем энергетической эффективности; ИПЭЭФ
    Сентябрь 2010 — Июнь 2014 (3 года и 10 месяцев)

    Проблем энергетической эффективности, Высокотемпературных технологий

Дополнительное образование

  • Google Data Analytics Professional Certificate
    Май 2021 — Октябрь 2021 (6 месяцев)
    • Получил полное представление о практиках и процессах, используемых аналитиком данных в своей повседневной работе
    • Изучил ключевые аналитические навыки (очистка данных, анализ и визуализация) и инструменты (Excel, SQL, программирование на R, Tableau).
    • Освоил, как очищать и упорядочивать данные для анализа, а также выполнять анализ и вычисления с использованием Excel, SQL и R-программирования
    • Узнал, как визуализировать и представлять полученные данные в дэшбордах, презентациях и платформах визуализации