Постановку задач давал и результаты принимал ведущий отдела аналитики. ● Сквозная аналитика e-commerce на данных GA4 — полный цикл, итог — дашборд в Looker Studio. ● SQL в BigQuery по данным GA4 за 3 мес. (~319 тыс. пользователей): анализ воронки, retention и каналов. referral — лучшая конверсия (2,27%) и выручка на пользователя ($1,50), платный cpc — худшие (1,07% / $0,58); главная точка потерь — оплата (доходит 45,5%). ● A/B-тест (588 тыс. пользователей): двухвыборочный z-тест для долей — конверсия +0,77 п.п. (+43%) при p < 0,001; рекомендация с оценкой ROMI. ● Продублировал анализ на ClickHouse: движок MergeTree, нативные windowFunnel и retention, оконные функции (running total выручки, ранжирование каналов). ● Система из 18 метрик для внутренней LMS-платформы онбординга — спроектировал с нуля. ● Определил ключевые события, конверсию между этапами воронки прохождения курсов, точки оттока и сложность вопросов; для каждой метрики задал событие-источник в PostgreSQL — дал продукту измеримость, которой не было. ● Провёл конкурентный анализ 8 платформ рынка и 5 интервью с разработчиками; подготовил отчёт с приоритетами развития продукта.

Единственный аналитик в компании — построил аналитику с нуля. Выручка ~20 млн ₽/год. ● Нашёл причину годового убытка ~919 тыс ₽: в Python помесячно разложил расходы и увидел, что доля ФОТ в выручке скачет с 28% в сезон до 77% в декабре — постоянные затраты не масштабировались под спрос. Собрал финмодель с планом сокращения. ● Построил управленческую отчётность с нуля: свёл разрозненные ручные таблицы в единый датасет и автоматизировал дашборд в Yandex DataLens (P&L, расходы, маржинальность, KPI с фильтром по периоду). ● Настроил сквозную аналитику каналов под запуск новой точки (UTM, Яндекс.Метрика, VK Ads): считал ROMI, CAC, LTV, ДРР — бюджет стал распределяться по окупаемости каналов, а не по интуиции. ● Измерил событийную воронку «анонс → визит» (13–18%) и сделал ставку на работающие форматы — выручка в дни событий выше обычных на 30–40%.