АО
Арустамян О.
Мужчина, 30 лет
Армения, Ереван, UTC+4
Ставка
3 266,23 Р/час
НДС не облагается
Специалист доступен с 14 сентября 2025 г.
Добавьте подходящих специалистов в список и оформите заявку для предварительного бронирования времени специалистов. После оформления заявки ваш персональный менеджер организует прохождение всех необходимых проверок с вами и каждым кандидатом из заявки. Специалист привлекается к проекту только после окончательного подтверждения его выхода с вашей стороны.
Подробнее
О специалисте
Специализация
Data аналитик
Грейд
Навыки
Отрасли
Знание языков
Русский — B2
Английский — B2
Армянский — C2
Главное о специалисте
Data Scientist с опытом разработки и внедрения моделей машинного
обучения. Специализируюсь на анализе больших данных, построении
скоринговых моделей, предсказании оттока, антифрод-решениях .Опыт
работы с текстовыми данными: анализ клиентских отзывов, автоматическая
классификация, извлечение смысловой информации.
Умею строить end-to-end ML-проекты: от ETL и feature engineering до
настройки гиперпараметров, развертывания моделей и мониторинга качества.
Имею практический опыт использования облачных сервисов AWS (S3, EC2,
SageMaker) для разработки и деплоя моделей.
Работаю в связке с аналитиками, бизнесом и разработчиками — помогаю
превращать данные в бизнес-результат.
Ключевые навыки: Python, SQL, scikit-learn, AWS (S3, EC2, SageMaker),
ETL, риск-анализ, мониторинг моделей, работа с большими данными ,
Linux , Git , Tensorflow-Keras
Проекты
(5 лет 7 месяцев)
NDA
Роль
Data Analyst/Scientist
Обязанности
Проект: Внедрение новых моделей для предсказания дефольта клиентов.
Основной фокус был на исторических данных по кредитам — анкеты
клиентов, транзакции, поведение по счетам, история просрочек.
Я организовал процесс ETL: собрал и очистил данные, написал сложные
SQL-запросы для извлечения признаков, сделал feature engineering.
Затем построил и обучил несколько моделей классификации —
логистическая регрессия, Random Forest, XGBoost — для предсказания
вероятности дефолта.
Настроил подбор гиперпараметров, провёл кросс-валидацию и A/B
тестирование.
После обучения внедрил модель в продакшн: настроил мониторинг
метрик качества и автоматический алертинг, чтобы модель не
деградировала со временем.
В результате банк смог более точно оценивать риск клиентов и снизил
уровень просроченной задолженности.
Обязонности и достижении:
Организовал ETL исторических данных клиентов для формирования
обучающих выборок.
Выполнил анализ просроченной задолженности по портфелю, определил
ключевые факторы дефолта.
Написал сложные SQL-запросы для извлечения признаков и подготовки
датасетов.
Провёл анализ и проверку качества данных, обработку пропущенных
значений и аномалий.
Разработал и обучил модели классификации кредитного риска на основе
алгоритмов машинного обучения (логистическая регрессия, Random Forest,
XGBoost).
Настроил гиперпараметры моделей и провёл подбор оптимальных
параметров (Grid Search, Cross-Validation).
Реализовал интерпретацию результатов модели (важность признаков,
SHAP values) для соответствия требованиям регулятора.
Организовал процесс развертывания модели в продуктивной среде и
настроил автоматический мониторинг ключевых метрик качества .
Сотрудничал с командами риск-аналитиков и IT для интеграции модели в
бизнес-процессы.
Результат: повысил точность оценки кредитного риска, снизив долю
дефолтных кредитов на 10%
-Имею навыки применения методов теории вероятностей и математической статистики;
- Есть опыт работы с большими объемами данных в том числе неструктурированных;
- Есть опыт поиска, визуализации и интерпретации полезных сигналов и аномалий в данных;
-Есть опыт формирование требований для витрин данных.
Стек специалиста на проекте
Git, Docker, SQL, Python, Linux, Pandas, Matplotlib, Scikit-learn, Seaborn, XGBoost
Отрасль проекта
RnD
Период работы
Ноябрь 2023 - Август 2025
(1 год 10 месяцев)
NDA
Роль
Data Scientist
Обязанности
Проект: Разработка системы предсказания оттока и рекомендации
персонализированных предложений для онлайн-магазина. Основная
задача — сократить отток клиентов и увеличить повторные покупки.
Для этого я собрал данные о заказах, визитах на сайт, транзакциях и
отзывах. Построил модель предсказания оттока, настроил сегментацию
пользователей по RFM и запустил систему персонализированных
акций.
Модели были развёрнуты через AWS SageMaker, данные хранили в S3.
В результате бизнес смог повысить удержание клиентов и увеличить
выручку за счёт персонализированного маркетинга
Функциональные обязанности:
Провёл сбор и предварительную обработку данных о заказах,
корзинах, транзакциях и пользовательской активности на сайте.
Выполнил RFM-анализ (Recency, Frequency, Monetary) для сегментации
клиентской базы и выделения групп с высоким риском оттока.
Разработал и обучил модель предсказания оттока (churn prediction) для
оценки вероятности ухода клиента.
Построил систему генерации персонализированных рекомендаций скидок
и акций на основе результатов модели.
Использовал сервисы AWS (S3 для хранения данных, SageMaker для
обучения моделей) и Python (pandas, scikit-learn) для подготовки данных и
построения моделей.
Написал SQL-запросы для извлечения данных и формирования признаков
(feature engineering).
Подготовил визуализации и отчёты для бизнеса с ключевыми выводами и
рекомендациями
Стек специалиста на проекте
Git, Docker, SQL, Python, Linux, Pandas, Matplotlib, Scikit-learn, Seaborn, XGBoost
Отрасль проекта
RnD
Период работы
Февраль 2020 - Ноябрь 2023
(3 года 10 месяцев)
Формат работы
Тип занятости
Фулл-тайм
Формат работы
Удаленно
Командировки
Не готов
Релокация
Не готов
Готов работать на зарубежных проектах
Нет
Образование
Высшее
Учебное заведение
ЕГУ
Специальность
Информатика и прикладная математика
Завершение учебы
2017 г.