Системный аналитик

Мобильное приложение для клиентов охранно-сервисной системы: запуск/постановка/снятие с охраны автомобиля, тревожная кнопка, тарифы, мониторинг. ~500 000 активных пользователей, iOS + Android. Команда: тимлид, аналитик (я), 2 бэка (Java, Spring Boot), 2 фронта (Swift, Kotlin), QA, дизайнер. Основные задачи: — Полный цикл системного анализа: сбор требований у бизнеса, согласование с дизайнером, проектирование решения, постановка задач команде (iOS, Android, бэк), проверка реализации и приёмка. — Разработка функциональных и нефункциональных требований, согласование с командой разработки. — Проектирование REST API (новые методы и доработка существующих), схем БД (ER), бизнес-логики и пользовательских сценариев. — Разработка хранимых процедур PostgreSQL (plpgsql) — реализация бизнес-логики на уровне БД, передача разработке готового решения. — Спецификации в Confluence по корпоративному шаблону: бизнес-требования, Резюме обновлено 24 мая 2026 в 20:49 функциональные требования, нефункциональные требования, API-контракты (запросы, ответы, коды ошибок), модель данных, BPMN-процессы, UML Sequence, критерии приёмки. — Проработка интеграционных взаимодействий: REST + WebSocket для in-app, Firebase FCM для пушей, RabbitMQ для интеграций между сервисами бэка. — Поддержка обратной совместимости при изменениях API: версионирование через заголовки. — BFF-слой для мобильного клиента: агрегация ответов от микросервисов под нужды приложения. — Настройка продуктовой аналитики в AppMetrica. — Поддержка пользовательской документации на приложение при выкатке фич — обновление мануалов и инструкций под актуальное поведение системы. — Поддержка 3-й линии: разбор инцидентов от поддержки — локализация проблемы на уровне фронта, бэка или БД (пример: некорректная работа климат-контроля — проблема выявлена на фронте, сформированы задачи на разработчиков). Достижения и результаты: — A/B-тест: замена транзакционных SMS на push-уведомления — экономия ~2,4 млн ₽/год (по оценке бизнеса). Спроектировал эксперимент на зрелой аудитории (когорта пользователей 2018–2024 гг.). Сначала провёл AA-тест для валидации однородности контрольной и тестовой групп; обнаружил методологическую проблему (часть пользователей без push-токенов не получала уведомления вообще) — пересобрал тест с корректной фильтрацией. Контрольные метрики: рост обращений в 1-ю линию поддержки и тональность отзывов в магазинах приложений. По итогам теста статистически значимого ухудшения не зафиксировано — SMS об операциях с балансом отключены на всей базе. — Эпик «Тарифы»: проектирование коммерческой тарифной модели, жизненного цикла подписки, маркетинговых поп-апов с апсейлом; изменения в контрактах взаимодействия с сервисами биллинга. — Фича «Автозапуск по звонку»: резервный сценарий для зон глушения связи — рост использования автозапуска по звонку ~33% после релиза. — «Климат-контроль»: проектирование хранения пользовательских пресетов, привязки к автозапуску; прототипирование экранов в Figma. Фича в проде, ~122 000 активных пользователей. — Вывод из эксплуатации legacy-раздела «Мой стиль»: Перед отключением — анализ всех потребителей микросервиса в распределённой архитектуре, координация с командами смежных сервисов, согласованное отключение для зависимых компонентов. — 9 эпиков и доработок в продакшене за 6 месяцев, 5 релизов мобильного приложения. Стек: PostgreSQL, DBeaver, REST API, WebSocket, RabbitMQ, Firebase FCM, JWT, OpenAPI/Swagger, Postman, Charles Proxy, Jira, Confluence, Figma, Draw.io, PlantUML (UML, Sequence, BPMN 2.0, ER), AppMetrica, Git, Docker, LLM в работе (Claude Code, ChatGPT) для чтения кода и ускорения документации.

Проект 1. СГДО — Система глобальной динамической оптимизации нефтеперерабатывающего завода. Заказчик: «Инфраструктура ТК» (нефтепереработка, партнер Лукойла). Система в реальном времени рассчитывает оптимальные уставки для установок завода, чтобы максимизировать экономическую эффективность производства. Команда: 7 человек (тимлид, тестировщик, разработчики); я — единственный аналитик. Зона ответственности: — Полный цикл системного анализа: сбор и формализация требований у заказчика, разработка ТЗ, ревью архитектуры с разработчиками, постановка задач команде, контроль реализации. — Проектирование клиент-серверной архитектуры, описание API, ER-диаграммы БД. — Проектирование gRPC-контракта (.proto) между клиентом и сервисом оптимизации. Сервис передаётся заказчику для встраивания в его инфраструктуру с разными клиентами поверх единого протокола. — Моделирование процессов: BPMN, Use Case, UML Sequence, DFD. Прототипирование UI в Figma. Написание SQL-запросов. Достижения: — Система внедрена в ПО заказчика. — Проект сдан в срок, в полном соответствии с ТЗ. Проект 2. Пульт управления прокатным станом с цифровым двойником. Заказчик: Выксунский металлургический завод (ВМЗ). Команда: 7 человек (разработчик SCADA, разработчик ПО на Python, инженер, 2 стажёра); я — руководитель проекта и ведущий аналитик. Зона ответственности: — Руководство командой из 7 человек: распределение задач, контроль реализации, административное сопровождение. — Системный анализ полного цикла: User Stories, Use Cases, BPMN, UML Sequence, DFD. Проектирование архитектуры решения, БД, UI-прототипов. — Интеграция программируемого логического контроллера (ПЛК) с математической моделью и SCADA-системой; самостоятельно написал программу для ПЛК. Достижения: — Пульт управления с цифровым двойником сдан в эксплуатацию в срок, в полном соответствии с ТЗ. Стек: Confluence, ядро Wiki, Git, WEEEK, Agile, Scrum, Google Docs, MS Office, PostgreSQL, REST API, Postman, Swagger, gRPC, Figma, Draw.io, генераторы UML, ER, BPMN, DFD. LLM (ChatGPT, Grok, Курсор, Copilot)

Проект: система обмена данными между заказчиком и поставщиком. Зона ответственности: — Разработка тестовых сценариев, написание тест-кейсов и use case-диаграмм. — Написание автотестов на Python (PyTest, Selenium), настройка запуска и анализ результатов, подключение Allure для отчётов. — Ведение баг-репортов, тестирование по разработанным сценариям. Стек: Python (PyTest, Selenium), Allure, Jira, GitLab, Draw.io

Проект. Виртуальный анализатор для прогнозирования качества продукции (исследовательский R&D с применением методов предиктивной аналитики). Зона ответственности: — Полный цикл аналитики: сбор и формализация требований у заказчика, конкурентный анализ методов, разработка ТЗ, организация работы команды. — Реализация ML-модели на Python (scikit-learn, pandas, numpy): Random Forest. Предобработка и нормализация данных, тестирование модели. Достижения: — Создан рабочий прототип модели прогнозирования качества с требуемой точностью. — Подготовлен исследовательский отчёт со сравнительным анализом методов предиктивной аналитики. Стек: Python (scikit-learn, pandas, numpy, PyTest), Jupyter, Confluence, WEEEK, Draw.io, Git, GitHub.