Data Scientist

На данный момент Data Scientist.

Мои компетенции и опыт

О себе

Data Scientist с 3 годами опыта и экспертизой в end-to-end разработке ML-решений в телеком-сфере. Единственный ML-инженер в команде: отвечаю за весь цикл — от feature engineering до продакшена моделей. Имею опыт работы с классическим ML, обработкой временных рядов, построением пайплайнов, контейнеризацией и интерпретацией моделей. Активно применяю A/B тестирование и статистический анализ. Интегрирую ML в бизнес-процессы, тесно взаимодействую с аналитиками, продуктами и разработчиками.

Опыт работы(Мегафон) - август 2022 по настоящее время

Система предсказания склонности абонентов к партнерским сервисам

Собрал фичи (трафик, ARPU, устройство, смена региона, история покупок и так далее)
Разработал CatBoost-модели на основе поведения и профиля абонентов для персонализированного таргетинга (отдельная модель для каждого продукта).
Реализовал скоринг-пайплайн (Airflow) с ежедневной выгрузкой в CRM (Ежедневное получение данных, их обработка в Airflow DAG, скоринг данных и выгрузка результатов в CRM систему).
A/B-тест показал +7% к конверсии и –5% к CPL против ручной сегментации; снижено количество нерелевантных коммуникаций.

Система предсказания релевантных предложений по тарифам и опциям

Обучил CatBoost-модели (по каждой акции — своя) на поведенческих, гео- и устройственных фичах (100+ признаков: перерасход, ARPU, подписки, смена регионов).
Собрал и внедрил full-cycle скоринг пайплайн (Airflow) с ежедневной выгрузкой в CRM.
A/B-тест дал +6% к конверсии и рост выручки, CPL ниже контрольной группы.

Персональный риск-скоринг для услуги "Обещанный платеж"

Обучил CatBoost модель для оценки вероятности дефолта при выдаче обещанного платежа. Использовал фичи из истории пополнений, расходов, задержек, смены устройств и активности.
Реализовал Airflow пайплайн с batch-скорингом и интеграцией в CRM: предложение рассылается только при низком риске.
Результат — снижение дефолтов на 11%, ROI по кредитной опции вырос на 4%.

Предсказание оттока и скрытого недовольства абонентов

Обучил многоклассовый CatBoost классификатор на поведенческих паттернах (интернет, звонки, обращения в поддержку, платежи) для выявления клиентов с высоким риском ухода или недовольства качеством связи.
Реализовал пайплайн в Airflow. Результаты интегрированы в CRM → менеджеры получают рекомендации по удержанию с учётом типа риска.
Итог: -8% оттока в целевых сегментах (целевой сегмент: B2С клиенты), прирост LTV.