Екатерина Соколова
- Телефон: +7 903 765 43 21
- Эл. почта: ekaterina.sokolova@email.com
- Местоположение: Москва, Россия
- LinkedIn: ekaterina-sokolova-stat
Резюме
Статистик с 6-летним опытом в разработке и применении статистических моделей для прогнозирования и анализа данных. Успешно руководила проектами по оптимизации бизнес-процессов, что привело к увеличению точности прогнозов на 20% и сокращению операционных расходов на 15%.
Опыт работы
Ведущий статистик, ПАО "Сбербанк" -- Москва, Россия
Март 2020 – настоящее время
-
Разработала и внедрила статистические модели для оценки кредитных рисков, что позволило снизить дефолты на 10% в течение двух лет.
-
Провела A/B тестирование новых финансовых продуктов, выявив оптимальные стратегии запуска, увеличившие конверсию на 8%.
-
Автоматизировала процессы сбора и анализа данных, сократив время подготовки отчетов на 30%.
Статистик-аналитик, ООО "Яндекс.Маркет" -- Москва, Россия
Сентябрь 2017 – Февраль 2020
-
Анализировала большие объемы данных о поведении пользователей для оптимизации рекомендательных систем, что привело к росту вовлеченности пользователей на 12%.
-
Построила предиктивные модели для прогнозирования спроса на товары, улучшив точность инвентаризации на 15%.
-
Участвовала в разработке методологии для оценки эффективности маркетинговых кампаний, повысив ROI на 7%.
Образование
Московский государственный университет имени М.В. Ломоносова, Магистр в Математическая статистика и актуарные расчеты -- Москва, Россия
Сентябрь 2015 – Июнь 2017
Московский государственный университет имени М.В. Ломоносова, Бакалавр в Прикладная математика и информатика -- Москва, Россия
Сентябрь 2011 – Июнь 2015
Навыки
Методы статистического анализа: Регрессионный анализ, дисперсионный анализ, временные ряды, кластерный анализ, факторный анализ, байесовские методы, проверка гипотез, A/B тестирование
Программное обеспечение и языки: Python (Pandas, NumPy, SciPy, Scikit-learn, Matplotlib, Seaborn), R (dplyr, ggplot2, caret), SQL, Excel, Tableau, Power BI, SPSS, SAS
Машинное обучение: Линейные модели, деревья решений, случайный лес, градиентный бустинг, SVM, нейронные сети
Базы данных и Big Data: PostgreSQL, MySQL, MongoDB, Hadoop, Spark
