Nikita Boyarkin

Режим просмотра: Менеджер Переключить: HR Коллега

Продуктовый аналитик

Решения по данным с измеримым эффектом

Считаю не отчёты, а решения: какой фикс включать, кого вернуть, где гипотеза не подтвердилась.

5 лет в данных

17 проектов в портфолио

+5.72 п.п. KYC-конверсия

€656K/год годовой эффект фикса

Бизнес-цифры — кейс портфолио Volta (синтетические данные), не результаты найма.

Стек

Анализ SQL Python DuckDB

Эксперименты A/B Causal Inference

Инфра GitHub Actions Supabase PostHog

Все проекты →

Volta Neobank — Product Analytics

Эксперименты

Volta Neobank — Product Analytics

Ситуация: «Volta» — вымышленный необанк, терявший пользователей на онбординге: у каждого отдела своя цифра, и ни одна не объясняла, где утекают деньги
Задача: Найти критический шаг онбординга и доказать вывод так, чтобы его нельзя было списать на удобную выборку
Действия: Одна петля discover → validate → measure → optimize: воронка, A/B прогресс-бара KYC, когорты, KMeans-сегментация, DiD-проверка причинности
Результат: KYC-фикс: +5,72pp конверсии (p<0,0001) → €656K/год при 44× ROI; M3-удержание +9,2pp

Pythonpandas / NumPy +4

Открыть проект

Демо GitHub

Causal / Uplift — CUPED and Individual Treatment Effects

Эксперименты

Causal / Uplift — CUPED and Individual Treatment Effects

Ситуация: Двухвыборочный t-тест не использует пред-период: эксперименты просят лишний трафик, а retention-акции уходят всем
Задача: Реализовать CUPED и uplift-моделирование и доказать отсутствие смещения там, где верный ответ известен заранее
Действия: CUPED на ковариате пред-периода и T-/S-лернеры на LightGBM; сверка с ground truth по AUUC и QINI
Результат: Стандартная ошибка меньше на ~26%; 5,6k пользователей на руку вместо 10k; новые реагируют ~10× сильнее возвращающихся

PythonLightGBM +5

Открыть проект

Cohort Analysis Dashboard

Аналитика

Cohort Analysis Dashboard

Ситуация: Когортный анализ удержания и LTV на синтетических данных: средний retention прячет динамику
Задача: Показать поведение каждой когорты отдельно, а не сглаженную среднюю по всей базе
Действия: Матрица удержания, ARPU и LTV по когортам, поправка на возраст наблюдения, выгрузка в Tableau (CSV + Hyper)
Результат: Когортная матрица вместо среднего retention: видно скорость оттока и расхождение монетизации с удержанием

Pythonpandas +3

Открыть проект

Демо GitHub

SQL Analytics Case Study

Аналитика

SQL Analytics Case Study

Ситуация: Нет продакшен-данных, а учебные задачи не показывают системное мышление: 25 кейсов на синтетическом датасете
Задача: Собрать кейсы, где каждый запрос отвечает на продуктовый вопрос и воспроизводится одной командой
Действия: Самодостаточный .sql на кейс, генератор данных на DuckDB, dbt-слой staging → marts, regression-тесты, живой отчёт на Pages
Результат: Воронка теряет 54% на add-to-cart → checkout; retention с ~21% (D1) до ~5% (D30); повторных покупок 3.5%; на real data возвращаются 72.4%

SQLdbt +4

Открыть проект

Демо GitHub

Churn Prediction — Leakage-Free Retention Model

Аналитика

Churn Prediction — Leakage-Free Retention Model

Ситуация: Модель оттока для подписочного продукта: случайный сплит подкладывает будущую активность в обучение
Задача: Оценить модель так, чтобы качество на тесте не было следствием утечки будущего
Действия: Признаки as-of, метка — будущее окно неактивности, хронологический сплит, решение по recall@top-decile и lift
Результат: В топ-10% самых рискующих модель ловит 53% реальных отточников при lift 3,07×

PythonLightGBM +5

Открыть проект

RFM Analysis of Bank Clients

Аналитика

RFM Analysis of Bank Clients

Ситуация: Банк накапливает транзакции клиентов, а маркетинг шлёт всем одинаковые предложения
Задача: Заменить единое предложение адресным: для каждого сегмента — своя стратегия удержания
Действия: Очистка транзакций, расчёт Recency, Frequency и Monetary, RFM-скоринг, сегментация и визуализация в Tableau
Результат: Четыре RFM-группы: малая доля high-value даёт непропорционально большую часть дохода; маркетинг перешёл к сегментированным сценариям

PythonSQL +1

Открыть проект

Демо GitHub

Product Analytics + A/B on Supabase

Продукт

Product Analytics + A/B on Supabase

Ситуация: Аналитическое портфолио показывает метрики на чистом CSV, а невидимой остаётся аналитика внутри multi-tenant продукта
Задача: Собрать слой целиком: авторизация, изоляция по организациям, приём событий и результат эксперимента, считаемый в базе
Действия: SQL-вьюхи считают funnel, cohort, MRR и DAU; v_results считает A/B в базе; RLS изолирует строки по организациям
Результат: Итог A/B: control 32.1% против treatment 37.2%, +5,1 пп при p = 0.0034 (χ²); метрики считаются в базе для любого клиента

PythonStreamlit +3

Открыть проект

Репозиторий приватный — доступ по запросу

TaskFlow — PostHog Product Analytics Pipeline

Продукт

TaskFlow — PostHog Product Analytics Pipeline

Ситуация: Аналитическое портфолио обычно начинается с готового CSV; здесь работа стартует раньше — с инструментирования приложения
Задача: Определить события без утечек PII, довести их до аналитического инструмента и превратить в решения
Действия: Каталог событий и скрабинг PII; A/B с chi-square, uplift, Wilson CI и SRM; SQL-зеркало метрик, Streamlit-дашборд, CI и Docker
Результат: Полный цикл аналитики: 7 анализов, типизированный каталог событий без утечек PII, метрики воспроизводимы и в Python, и в SQL

PythonPostHog +5

Открыть проект

Репозиторий приватный — доступ по запросу

This Portfolio Site

Инженерия

This Portfolio Site

Ситуация: Статическое портфолио на GitHub Pages: контент — проекты и посты — редактируется в Markdown, а не в разметке компонентов
Задача: Свести публикацию проекта к добавлению файла, без правки компонентов и ручных шагов между коммитом и продакшеном
Действия: Content collections с Zod-схемами, withBase() для base-path, inline-скрипт темы без flash, SEO-набор, деплой на Pages по push
Результат: Невалидный frontmatter ломает сборку, а не деплой; ни одна ссылка не хардкодит base; новый проект — без правки кода

AstroTypeScript +2

Открыть проект