Руководитель отдела / Руководитель управления

Был больше месяца назад

По договорённости

33 года (родился 07 сентября 1992)

Москва

Занятость

полная занятость

Гражданство

Россия

Контакты

Телефон

Почта

Будут доступны после открытия

Профессиональные навыки

Python
Mathematical Modeling
Mathematical Statistics
SQL
Analytical skills
Machine Learning (ML)
Показать еще

Фото, имя и контакты доступны только авторизованным пользователям

Опыт работы 10 лет и 7 месяцев

- Сентябрь 2023 – работает сейчас
- 2 года и 4 месяца
Руководитель управления цифровых исследований и машинного обучения
Бургер Кинг Россия, Москва
http://rabota.burgerking.ru
Обязанности и достижения:
Ключевые направления и достижения: Разработаны и внедрены сервисы на основе ИИ для оптимизации ключевых бизнес-процессов компании, включая: - CRM-системы (прогнозирование LTV, оттока, uplift-модели для платных каналов коммуникаций) - Рекомендательные системы (онлайн и оффлайн-каналы) - Динамическое ценообразование - Планирование (предиктивные модели для управления ресурсами) - Улучшение гостевого опыта (NLP-анализ фидбека) Результаты и влияние на бизнес: - Повышение эффективности CRM и каналов продаж на 3-9% за счет внедрения моделей персонализации и автоматизации. - Рост эффективности бизнес-процессов на 6% благодаря исследованиям и пилотным тестам в ресторанном сегменте. Управление командой и процессы: - Руководство командой из 13+ специалистов (Data Scientists, ML-инженеры, аналитики данных). - Построение процессов Agile (Scrum/Kanban), приоритизация бэклога, контроль сроков и распределение ресурсов. - Развитие команды: внедрение системы менторства, регулярные performance-ревью, индивидуальные планы развития. Взаимодействие с бизнесом: - Аудит процессов и поиск инсайтов: проведение комплексного аудита данных и процессов, генерация гипотез совместно с владельцами процессов. - Поддержка внедрения: перевод бизнес-проблемы в техническое задание, определение совместно с заказчиком dod и dos, A/B-тестирование реализованного сервиса. - Контроль внедрения: от пилота (A/B-тесты) до промышленной эксплуатации, мониторинг бизнес-метрик - Оценка эффекта: мониторинг результатов и доработка моделей, создание регулярной отчетности для стейкхолдеров.
- Август 2019 – сентябрь 2023
- 4 года и 2 месяца
Начальник отдела
ОТП Банк, Москва
https://www.otpbank.ru
Обязанности и достижения:
Управление командой Data Scientist’ов (5 человек); Разбор бэклога. Приоритезация и распределение задач машинного обучения между членами команды. Контроль за выполнением. Приемка реализованного сервиса; Интервьюирование заказчика, работа с ожиданиями заказчика, презентация полученных результатов; Управление проектами по внедрению продуктов Big Data в текущие процессы компании; Подбор кандидатов в ML-команду; Управление разработкой алгоритмов машинного обучения; Разработка pipeline реализации ML сервисов – от этапа исследования данных до внедрения в production и мониторинга качества сервисов; Разработка архитектуры NBO-сервиса для ранжирования клиентов по отклику на банковские продукты; Построение ML моделей для повышения эффективности розничного кредитования и перекрестных продаж; Разработка архитектуры AutoML для сокращения Time-to-market моделей; Разработка аналитического сервиса, определяющего эластичность клиента к ставке по депозиту; Разработка генетического алгоритма поиска гиперпараметров.
- Октябрь 2017 – август 2019
- 1 год и 11 месяцев
Главный эксперт
ЮниКредит Банк, Москва
http://www.unicreditbank.ru
Обязанности и достижения:
Анализ запущенных кампаний по привлечению клиентов; Разработка стратегии жизненного цикла клиентов; Анализ и оценка эффективности существующих продуктов; Аналитическое исследование портфеля клиентов; Постановка ТЗ, формирование требований и инструкций; Разработка автоматизированной отчетности; Построение, мониторинг качества и поддержка скоринговых моделей по продуктам банка для сегмента SME в SAS EM, SAS EG и Python (Random Forest, XGBoost, LightGBM, CatBoost, Kmeans, DBSCAN, AgglomerativeClustering, GaussianMixture). Среди основных полученных результатов, можно выделить следующие: 1. Модель на привлечение клиентов (SME). Была построена модель, предсказывающая получение "положительного" ответа при продаже продукта SME новой базе, полученной из системы SPARK. Результат - количество привлеченных клиентов увеличилось на 20 - 25%. Каждое новое поколение привлеченных клиентов приносит банку дополнительный доход ~ 2.5 млн в год. 2. Модель оттока клиентов (SME). Построение модели, предсказывающей вероятность оттока клиентов сегмента SME через три месяца. Участие в формировании пилотной версии кампании по предотвращению оттока на основе результатов полученной модели. По оценкам, полученные результаты должны уменьшить уровень оттока на 10 - 15% и принести банку дополнительный доход ~ 0.5 - 1 млн в год с каждого поколения.
- Июнь 2015 – сентябрь 2017
- 2 года и 4 месяца
Старший аналитик
Т-Банк, Москва
https://l.tinkoff.ru/trabota
Обязанности и достижения:
Сбор и анализ статистических данных; Построение модели данных и диаграммы; Разработка стратегии взыскания; Сегментация портфеля просроченной задолженности; Анализ эффективности существующих процессов collection; Разработка отчетности collection; Проведение разнообразных аналитических исследований портфеля; Разработка тестов существующей стратегии; Построение, мониторинг качества и поддержка скоринговых и прогностических моделей (логистическая регрессия, линейная регрессия, Random Forest, XGBoost) в SAS, Python. Среди основных полученных результатов, можно выделить следующие: 1. Модель контактности (звонок). Для каждого типа телефона (Моб., Раб., Дом.) и каждого сегмента просрочки была построена модель предсказывающая вероятность дозвона до "нужного" лица. После этого, на основе полученной вероятности, была вычислена "полезность" звонка (ROI), которая также зависила от средней продолжительности разговора, стоимости и доходности звонка. Результат - отсортированный список телефонов по ROI для каждому клиенту. Данная модель позволилиа обогатить список телефонов для обзвона по каждому клиенту и поднять Success Rate (долю клиентов с дозвоном) на 10 - 15%. 2. Модель контактности (sms). Для каждого номера телефона была построена модель, предсказывающая вероятность недоставки sms с целью блокировки данного номера для отправки сообщения. Участие в формировании ТЗ и запуске модели. Результат - экономия ~3млн в год.

Образование

- Кандидат наук
- Дневная/Очная
- 2019
Московский государственный университет им. М.В.Ломоносова
Факультет: Вычислительная математика и кибернетика

Фото, имя и контакты доступны только авторизованным пользователям

Похожие резюмеВсе 7 840 похожих резюме

Обновлено 2 декабря

Начальник отдела / Начальник управления / Начальник департамента250 000 ₽

Последнее место работы (2 года и 10 мес.)Главный специалистФевраль 2023 – работает сейчас

Обновлено 26 октября

Начальник отдела управления недвижимостьюз/п не указана

Обновлено 13 октября

Руководитель / Заместитель руководителя отдел документационного обеспечения управления (ДОУ)з/п не указана

Последнее место работы (3 года и 9 мес.)Заместитель генерального директора по общим вопросамМарт 2022 – работает сейчас

Обновлено 22 октября

Руководитель отдела управления товародвижения140 000 ₽

Последнее место работы (1 год и 11 мес.)Руководитель отдела управления товародвиженияОктябрь 2023 – сентябрь 2025

Обновлено 22 сентября

Начальник отдела управления даннымиз/п не указана

Последнее место работы (2 года и 11 мес.)Нач РОВД И УВД г. Ульяновска, науку проник без отрыва от службы Отечеству благодаря гражданских вузов, Омска, Ульяновска, Москвы, Чувашии и дрЯнварь 2023 – работает сейчас

Обновлено 25 августа