Здесь я исследую данные, создаю инструменты и развиваю собственные направления. Пять групп показывают разные типы работы: от анализа готового датасета до авторского медиа и систем сбора информации.
Футбольная аналитика, геополитический обзор и медиа о бизнесе и технологиях. В каждом направлении я формирую подход, структуру материала и формат результата.
ФУТБОЛЬНАЯ АНАЛИТИКА
Состав под игровую задачу
На примере «Спартака» разбираю, как роли игроков складываются в игровые сочетания. Для каждого решения фиксирую механизм, риск и способ проверки.
Авторский отчёт · срез 23.07.2026 · публичные данные
ПОЗИЦИОННАЯ АТАКАНаправление атаки ↑
Умяровстраховка
Жедсонпродвижение
Баркопоследний пас
ИГРА В СВЯЗКАХ
Угальде
Движение между защитниками, участие в комбинациях и занятие зон завершения.
Когда важны связи с созидателем
АТАКА ПРОСТРАНСТВА
Ливай
Мощный рывок за линию обороны и самостоятельная угроза удара.
Когда за защитой есть глубина
Положение игроков условное. Линия показывает связь функций, а не восстановленную траекторию передач.
ОПОРА В ДАННЫХ
Умяров и Жедсон: 16 совместных стартов в выборке из 19 матчей. Число относится к паре, не ко всей тройке.
Наблюдаемая связка · экспертная интерпретация
Продвижение с опорой за мячом
Умяров удерживает позиционную базу, Жедсон добавляет продвижение и второй темп, Барко отвечает за создание последнего паса.
ЧТО МОЖЕТ НАРУШИТЬ БАЛАНС
Одновременный рывок Жедсона и обоих крайних защитников оставляет центр уязвимым после потери.
КАК ПРОВЕРЯТЬ
Потери под прессингом, продвижение мяча и атаки соперника после потери. В отчёте задан ориентир: 8 стартов и не менее 600 совместных минут.
КАКОЕ РЕШЕНИЕ ПОДДЕРЖИВАЕТ
Закрепить игрока, остающегося за мячом. Если центр открывается, изменить высоты или добавить Литвинова для страховки.
Данные, метод и исходная матрица
От наблюдений к гипотезе
В отчёте объединены профили игроков, совместные старты, игровые роли и сценарии состава. Наблюдаемость отражает объём совместной практики; функциональная оценка описывает ожидаемое дополнение ролей.
Для сочетаний без совместных минут заданы показатели и ориентиры проверки. Пороги из отчёта являются рабочими ориентирами автора, а не расчётом статистической мощности.
Источники отчёта: публичный состав, материалы клуба, статистика FotMob/Opta и стартовые составы. Полные совместные минуты и tracking-данные в работе отсутствуют.
ОТДЕЛЬНЫЙ ПРОЕКТ
EPL Forecast
Исследование прогнозов матчей английской Премьер-лиги: больше 2,5 гола и голы обеих команд (BTTS). Признаки включают xG, форму, домашний фактор, отдых и Elo. В портфолио представлен подход; результаты оценки качества модели здесь не приведены.
xGформадома / в гостяхотдыхElo
КАРТА КОНТЕКСТАHTML-прототип
Geopolitical Dashboard
Многослойная панель для разбора геополитических событий по международным и локальным медиа, официальным источникам, аналитическим центрам и отраслевым публикациям. Структура ведёт от события к участникам, связям и возможным последствиям.
ПРИМЕР РАЗБОРА · УСЛОВНЫЙ СЦЕНАРИЙОграничения на экспорт чиповКак одно решение меняет цепочку поставок?
УЧАСТНИКИРегулятор, производители, покупатели
КОНТЕКСТТехнологическая зависимость и доступные альтернативы
ЧТО ОТСЛЕЖИВАТЬУсловия лицензий, сроки поставок, ответные решения
Сопоставление международных и локальных источников, хронология, карта участников и сценарный анализ.
Результат
Многосекционный HTML-прототип и структура регулярного обзора: событие, значение, связи, последствия.
АНАЛИТИЧЕСКОЕ МЕДИАМедиа запущено
Слой X
Медиа о бизнесе и технологиях в Telegram. Короткие публикации раскрывают логику события: что произошло, какие цифры важны, почему это имеет значение и за чем следить дальше.
СЛОЙ X · ПРИМЕР РЕДАКЦИОННОЙ ПОДАЧИВыручка растёт. Что с прибылью?
Разбор начинается с цифры, затем раскрывает её механику: цены, объём продаж, затраты и маржинальность.
Демонстрация формата публикации
01Фактчто произошло
02Контекстцифры и связи
03Значениечто меняется
Материал
Бизнес и технологии, факты и контекст
Методы
Отбор тем, сопоставление источников, выделение цифр и контекста, редактура и единая визуальная подача.
Результат
Опубликованные материалы о бизнесе и технологиях; позиционирование и редакционный формат Telegram-медиа.
02 / УНИВЕРСАЛЬНЫЙ ИНСТРУМЕНТ
Пять модулей. Один процесс.
Пять ноутбуков образуют воспроизводимый путь: первичная инспекция, очистка, исследовательский анализ, определение распределений и поиск числовых аномалий.
01 · ИНСПЕКЦИЯ
Быстрая карта качества таблицы
Размер, типы данных, пропуски, дубликаты, уникальные значения и строки, требующие внимания.
ВОЗМОЖНОСТИ МОДУЛЯ
Что сообщает первичная инспекция
Структура
Размер таблицы и тип каждого поля
Полнота
Пропуски, дубликаты и уникальные значения
Следующий шаг
Определить поля и строки, требующие подготовки
ВОЗМОЖНОСТИ МОДУЛЯ
Какие преобразования выполняются
Типы
Приведение полей к нужному формату
Пропуски
Выбор обработки для конкретного признака
Следующий шаг
Передать подготовленную таблицу в исследовательский анализ
ВОЗМОЖНОСТИ МОДУЛЯ
Что исследуется перед моделированием
Распределения
Форма числовых признаков и крайние значения
Связи
Категориальные срезы и парные зависимости
Следующий шаг
Выбрать признаки и проверки для дальнейшего анализа
SAVINGS · СОХРАНЁННЫЙ РЕЗУЛЬТАТ
Форма данных и качество приближения
Три кандидата из результата ноутбука
Распределение
RSS
Бета
4,936 × 10⁻¹¹
Гамма
1,021 × 10⁻¹⁰
Логнормальное
1,332 × 10⁻¹⁰
Меньший RSS означает более близкое приближение эмпирической плотности в этом сравнении. Среди трёх кандидатов лучшее значение у бета-распределения.
Синтетическая выборка · 1 000 строк. Это результат конкретного запуска, а не универсальный выбор модели. Оценки перенесены из сохранённого вывода ноутбука.
СОХРАНЁННЫЙ РЕЗУЛЬТАТ · СВОДКА ПО МЕТОДАМ
Одна таблица, разные сигналы
Isolation Forest145
LOF108
One-Class SVM67
Число отмеченных строк по каждому методу из сохранённой сводки ноутбука. Одна строка может получить несколько меток, поэтому значения не суммируются.
Параметры запуска: Isolation Forest contamination = 0,05; LOF n_neighbors = 20; One-Class SVM nu = 0,01. Флаг служит основанием для проверки наблюдения.
МЕТОДЫ АНОМАЛИЙIQR · LOF · Isolation Forest · One-Class SVM
ВЫХОДотчёт по качеству и таблица с признаками аномалий
03 / ПРИКЛАДНЫЕ ПРОЕКТЫ
От источника к полезному результату
Получение данных из API и Telegram, нормализация, хранение и обработка. На этой основе строятся поиск вакансий, новостные инструменты и исследование рынка труда.
АНАЛИЗ НОВОСТНОГО ПОТОКАПрототип
Viral News Pipeline
Новостной движок собирает публикации, рассчитывает вовлечённость и сортирует кандидатов. Затем исключает смысловые повторы и передаёт отобранные сюжеты на LLM-обработку.
РЕАЛЬНЫЙ ВЫВОД НОУТБУКА · 03.06.2025
Больше просмотров не всегда означает больший приоритет
Первые три строки сохранённого отбора
Публикация
Просмотры
Оценка
01
6 851
0,081594
02
48 199
0,078632
03
38 820
0,077666
Первая публикация выше в отборе благодаря вовлечённости относительно числа просмотров. Для неё сохранены 453 реакции, 34 пересылки и 7 комментариев.
Архивный результат ручной версии. Названия каналов и тексты публикаций не показаны.
Как отбор работает на простом примере
УСЛОВНЫЕ ПУБЛИКАЦИИ3 сообщения → 2 сюжета
Канал 1Компания представила новую модель ИИ1 000 просмотров · 40 реакций · 8 пересылок · 10 комментариевОценка: 0,090
Канал 2Вышла новая ИИ-модель той же компанииВторое сообщение об одном событииПовтор сюжета
Канал 3Открыта новая программа для разработчиков1 000 просмотров · 20 реакций · 4 пересылки · 5 комментариевОценка: 0,045
В ОЧЕРЕДЬ ОБРАБОТКИ
01
Новая модель ИИПервым идёт сюжет с большей вовлечённостью
0,090
02
Программа для разработчиковСохраняется отдельный сюжет
0,045
Повтор исключён. Дальше отобранные публикации передаются на LLM-обработку.
Ранжированный новостной поток; автоматическая и ручная версии
Как устроено ранжирование
В исходном прототипе оценка вовлечённости рассчитывается как (3 × комментарии + 2,5 × пересылки + реакции) / просмотры. При нулевых просмотрах оценка равна нулю.
После сортировки текст сравнивается с историей и уже отобранными публикациями. Порог косинусного сходства в показанной реализации — 0,85. Это настройки прототипа, требующие проверки на конкретных источниках.
ПЕРСОНАЛЬНЫЙ ИНСТРУМЕНТПрототип
Telegram AI Digestor
Прототип собирает сообщения из выбранных Telegram-каналов, хранит историю и отбирает публикации за нужный период для персонального дайджеста.
ПРИМЕР ПЕРСОНАЛЬНОГО ОБЗОРАЗа выбранные сутки
ТехнологииАналитикаПродукты
Сообщения за периодИстория каналов → отбор по времени → краткий обзор
ВАШ ДАЙДЖЕСТ
Две темы, к которым стоит вернуться
01 · Инструменты аналитика
Вышло обновление библиотеки: выделены изменения, влияющие на работу с данными.
Источник: канал «Аналитика»
02 · Продуктовые исследования
Собран короткий обзор нового исследовательского материала и его основных идей.
Источник: канал «Продукты»
Условный пример содержания и формата обзора.
Данные
Выбранные Telegram-каналы
Методы
Telethon, локальное хранение истории, отбор сообщений за период, обработка текста и Telegram-бот.
Результат
Прототип сбора сообщений и подготовки персонального дайджеста.
ПОИСК ВАКАНСИЙПрототип
AI Job Search
Прототип объединяет вакансии из hh.ru и Telegram в PostgreSQL. Нормализация, обновление записей и обработка дат готовят данные для AI-анализа и поиска через Telegram.
ПОДГОТОВКА ДАННЫХ
hh.ru + Telegram
Парсинг и нормализацияPostgreSQL
ПОИСК ПО БАЗЕ
Запрос пользователя
AI-обработка вакансийВакансии со ссылками
ЕДИНАЯ ЗАПИСЬ В БАЗЕ · СХЕМА
ВакансияИсточник и исходная ссылка
ТребованияТекст для анализа и первичной оценки
Дата публикацииСогласованный часовой пояс
Новая запись добавляется; существующая обновляется через upsert.
Данные
HH API и Telegram
Методы
HH API, Telegram, единая схема PostgreSQL, обновление записей через upsert, часовые пояса и LLM-анализ.
Результат
Централизованная база вакансий и прототип их первичной оценки через Telegram.
ИССЛЕДОВАНИЕ ВАКАНСИЙАналитический ноутбук
HH Data Analysis
Исследование различий в требованиях и условиях между группами вакансий на самостоятельно собранных данных HeadHunter.
Аналитический ноутбук для сравнения требований и условий в группах вакансий.
04 / ИССЛЕДОВАНИЯ ДАТАСЕТОВ
Вопрос, метод, вывод
Пять исследований: коммерческие метрики, удержание, сегментация и статистические связи. Графики взяты из сохранённых результатов ноутбуков; учебные реконструкции обозначены отдельно.
УДЕРЖАНИЕ И СЕГМЕНТАЦИЯ
Online Retail Cohort & RFM
Как меняется удержание и чем отличаются группы покупателей.
Архивная матрица показывает долю клиентов с записью в следующем месяце: 38,2% для когорты декабря 2010 и 24,0% для января 2011. Для бизнес-интерпретации нужны отдельные правила учёта возвратов и отмен.
Данные
Транзакции Online Retail: покупатель, счёт, дата, количество и цена.
Методы
Когортный анализ; давность последней покупки, число уникальных заказов и денежная сумма.
На выходе
Архивная матрица когорт и демонстрация корректного расчёта RFM ниже.
Как считается RFM
Учебный пример одного клиента · положительные покупки без возвратов · дата оценки 01.09.2026
Товарные строки
Заказ
Дата
Кол-во
Цена
R · дней
F · заказов
M · сумма
R: дней с последней покупки. F: уникальных заказов. M: сумма произведений количества на цену. Несколько товаров в одном заказе увеличивают его сумму.
ВОРОНКА И МЕТРИКИ
Retail Funnel & Metrics
На каких этапах меняются продажи и какие срезы объясняют динамику.
Доля Approved в Gross составляет около 96,5% в обоих годах. Доля Net в Gross: 22,6% в 2023 и 22,0% в 2024. Это отношение денежных сумм этапов в датасете; конверсию покупателей нужно рассчитывать отдельно.
Методы
Воронки, Purchase Rate, AOV, ASP, UPT
Результат
Метрики в рублях и штуках по периодам и категориям
СЕГМЕНТАЦИЯ
Mall Customers
Сегментация 200 покупателей по годовому доходу и spending score, показателю покупательского поведения в датасете.
В двумерном анализе выбрано пять кластеров. На сохранённом графике максимум коэффициента силуэта также приходится на пять групп.
Методы
K-means, метод локтя, коэффициент силуэта
Результат
Обоснование числа кластеров и профили сегментов
РЕГРЕССИОННЫЙ АНАЛИЗ
Life Expectancy
Какие факторы связаны с ожидаемой продолжительностью жизни.
В сохранённой модели 193 наблюдения. Интервалы для расходов на здравоохранение и показателя ВИЧ/СПИД пересекают ноль. Интерпретация учитывает остальные признаки модели; причинный эффект из этих оценок не следует.
Сравнение спецификаций регрессии и проверка ограничений интерпретации коэффициентов.
Данные и спецификация модели
Перед оцениванием показатели агрегированы медианами по стране и статусу за доступные годы. В подготовке использовалось медианное заполнение пропусков, включая целевую переменную. 193 наблюдения относятся к этой агрегированной выборке.
Фрагмент сохранённого расчёта от 02.12.2024: OLS с константой, стандартизированными признаками и целевой переменной. Показаны 6 из 11 признаков. R² = 0,913 на выборке оценивания; проверка на отложенных данных здесь не представлена. Интервалы используют обычную оценку ковариации ошибок. Диагностика указывает на отклонение остатков от нормальности.
ИССЛЕДОВАТЕЛЬСКИЙ АНАЛИЗ
Spotify Data
Как связаны популярность треков, коллаборации и аудиопризнаки.
В рейтинге по полю исполнителя первые три позиции занимают The Weeknd (14,2 млрд), Taylor Swift (14,1 млрд) и Ed Sheeran (13,9 млрд прослушиваний). Значения относятся к трекам в исследованной выборке.
Методы
Описательная статистика, корреляции, регрессия
Результат
Рейтинг артистов внутри выборки и диагностика связи признаков трека с прослушиваниями.
Как читать рейтинг и результаты модели
Прослушивания суммируются по исходному полю artist(s)_name. Совместные записи образуют отдельные группы и не распределяются между участниками. Рейтинг описывает выбранный датасет.
На диагностических графиках регрессии заметны отклонения в хвостах и неоднородный разброс остатков. Это ограничивает интерпретацию оценок модели; причинный эффект признаков песни здесь не установлен.
05 / ПРОГРАММНЫЕ ЭКСПЕРИМЕНТЫ
Правила, состояния и случайность
Проекты, в которых я создаю саму модель: повторяющиеся игровые сессии в симуляции и мир текстовой RPG.
СИМУЛЯЦИЯ
Roulette · симуляция сессий
Как меняется результат стратегии при многократных повторениях.
В пересчитанной демонстрации средний результат 2 000 сессий составляет −1 242 условные единицы. Результат считается относительно начального баланса.
Методы
Симуляция и вычислительные эксперименты
Результат
Распределения исходов и траектории результата
Условия демонстрации
Реконструкция упрощённой модели из ноутбука: начальный баланс 5 000, ставка 500, выплата при выигрыше 1,9 ставки, вероятность выигрыша 50%, до 50 шагов, остановка при балансе ниже ставки. Фиксированное зерно 42. Это учебная модель без сектора 0, а не модель стандартной рулетки.
ИГРОВАЯ ЛОГИКА
ChatRPG
Текстовая RPG на Python: выбор героя, исследование миров, бои и развитие персонажа.
3класса героев
3мира
ChatRPG · устройство игры
ПЕРСОНАЖКласс · здоровье · инвентарь
Исследовать мирВступить в бойУлучшить снаряжение
Выбранное действие меняет состояние героя и открывает следующий шаг.
Схема игровой механики
Данные
Собственная игровая модель: герои, предметы, противники и события
Методы
Управление состоянием, ветвление сценариев, случайные события, боевая система и игровая экономика
Результат
Игра с боссами, магазином, союзниками, загадками и мини-играми
