Даниил Е. — Project Manager

Кейс 1: Платформа конкурентной разведки и динамического ценообразования - ИИ парсер. Задача: - Автоматизировать мониторинг сайтов телеком-конкурентов (мобильная связь, ШПД, ТВ) и создать интеллектуальный модуль, который не просто собирает цены, а проводит сравнительный анализ и генерирует оптимальную стратегию ценообразования для компании. Архитектура и стек: - Worker-модуль (Python): выступает как RabbitMQ consumer. Выполняет парсинг и предобработку сырых данных. - AI-ядро (OpenAI GPT-4 + DeepSeek): DeepSeek используется для быстрой и дешевой нормализации неструктурированных данных из HTML/текста в единый JSON-формат, а OpenAI GPT-4 — для семантического сравнения сложных скрытых условий тарифов и формированиярекомендаций по ценообразованию. - API-модуль (Python, FastAPI): REST API для выгрузки аналитики и управления пайплайнами. - Инфраструктура: PostgreSQL, RabbitMQ, Redis, MinIO. Два изолированных репозитория с готовым DevEx (.env.example и docker-compose.dev.yaml для локального старта в один клик). Мои действия как PM: - Выстроил гибридный пайплайн обработки данных, снизив затраты на API токен-трафик за счет связки DeepSeek (черновая обработка) и OpenAI (финальный стратегический анализ). - Спроектировал асинхронное взаимодействие между микросервисами для устойчивости к блокировкам со стороны сайтов-конкурентов. Достижения: - Время получения полной конкурентной сводки по рынку сократилось с 2 недель (ручной труд) до 15 минут. - Точность сопоставления «неочевидных» тарифных опций (звездочки, сноски, скрытые лимиты) с помощью AI достигла 96%. - Бизнес внедрил предложенную системой стратегию динамических скидок, снизив отток клиентов (Churn rate) на 1.2% в квартал. Кейс 2: AI-платформа транзакционного антифрода и AML-мониторинга (FinTech) Задача: - В условиях роста числа кибератак банку требовалась система сессионного и транзакционного антифрода в реальном времени, способная выявлять подозрительные цепочки операций (дропперы, отмывание средств) без ухудшения UX для честных клиентов. Стек технологий: Python (FastAPI), CatBoost / LightGBM (скоринговые модели), OpenAI API / LLM (автоматическая генерация отчетов по подозрительным операциям для регулятора), Apache Kafka (стриминг), Neo4j (графовая БД для отслеживания связей), PostgreSQL, Kubernetes. Мои действия как PM: - Выстроил архитектуру высоконагруженного конвейера (High-load ML pipeline), способного обрабатывать транзакции с жестким SLA по времени ответа (< 50 мс). - Управлял интеграцией ИИ-ядра с абсолютным соблюдением требований безопасности (115-ФЗ, PCI DSS), организовав закрытый контур для работы моделей. - Внедрил автоматическую генерацию AML-отчетов (Suspicious Activity Reports) на базе LLM: система сама описывала для офицера безопасности, почему транзакция помечена как фрод. Достижения: - Уровень ложных срабатываний (False Positives) снижен на 35%, что разгрузило первую линию безопасности и уменьшило количество ошибочных блокировок клиентов. - Скорость проверки одной транзакции составила 38 мс при пиковой нагрузке до 8 000 RPS. - Экономический эффект: предотвращено мошеннических операций на сумму > 60 млн рублей за первый квартал эксплуатации. Кейс 3: Система предиктивного обслуживания оборудования (Predictive Maintenance) для металлургического завода (Промышленность) Задача: - Внезапные поломки прокатных станков и промышленных насосов приводили к дорогостоящим простоям линии. Требовалось создать ИИ-систему, предсказывающую выход узлов из строя за 48–72 часа до инцидента на основе данных датчиков (вибрация, температура, давление). Стек технологий: Python, PyTorch (Autoencoders для поиска аномалий, LSTM-сети), Apache Kafka (сбор телеметрии с IIoT-датчиков), TimescaleDB (база данных временных рядов), Grafana (дашборды главного инженера), Docker / GitLab CI. Мои действия как PM: - Организовал сложную интеграцию программной части с промышленными контроллерами (SCADA / PLC-системы) совместно с инженерами АСУ ТП. - Провел CustDev с главными механиками завода, чтобы перевести «черный ящик» нейросети в понятные для инженеров алерты (внедрение принципов Explainable AI). - Выстроил процесс сбора и разметки исторических данных об авариях за последние 5 лет для обучения ML-моделей. Достижения: - Точность раннего прогнозирования дефектов подшипников и роторов достигла 89% за двое суток до потенциальной аварии. - Коэффициент внеплановых простоев оборудования (Unplanned Downtime) сократился на 24%. - Окупаемость проекта (ROI) составила 8 месяцев за счет предотвращения двух крупных аварий на основной производственной линии. Кейс 4: Разработка Единого Фронтенд-фреймворка для корпоративного сайта и внутреннего портала крупного банка. Задача: Банк имел 7 независимых систем: публичный сайт, портал для сотрудников, кабинет для МСБ, витрина приложений и другие. Это приводило к: - Раздутому техдолгу и расхождению UI/UX на 40%. - Затратам на поддержку 5 фронтенд-команд. - Сложностям при запуске общих компонентов (например, новых требований регулятора к дизайну форм). Действия и решение: - Архитектурный аудит и план миграции: 1 . Провел Due Diligence, выделив общие модули (авторизация, платежные виджеты, дизайн-система). 2. Разработал Roadmap на 12 месяцев с контрольными точками каждые 2 спринта. Создание единого ядра: - Запустили внутренний npm-реестр для компонентов. - Разработали дизайн-систему на Storybook с 50+ компонентами (кнопки, таблицы, модалки). - Внедрили монорепозиторий (Turborepo) для управления зависимостями. Внедрение и процесс: - Организовали кросс-функциональную команду из архитекторов, разработчиков и QA. - Запустили CI/CD (GitLab + Kubernetes) с автотестами на Cypress. - Настроили каналы обратной связи от пользователей через Hotjar. Результаты (за 8 месяцев): - Снижение стоимости разработки новых страниц на 35% - Ускорение time-to-market для обновлений интерфейса с 3 недель до 5 дней - Техдолг сокращен с 40% до 12% от кодовой базы - NPS внутренних пользователей (сотрудники банка) вырос с 3.1 до 4.5

Было реализовано несколько параллельных проектов. Ниже представлена малая часть из них. Продукт: корпоративный сервис видеоконференций Корпоративный мессенджер: чаты, обмен файлами, интеграции с контурами защиты информации (DLP InfoWatch); Задача: Крупные корпоративные заказчики использовали ВКС как "повседневный инструмент" (ежедневные конференции, чаты, совместная работа), а продукт требовалось: - масштабировать под рост нагрузки (участники/конференции/одновременные сессии); - обеспечить устойчивость качества видеопотоков при вариативности сетей и устройств; - развивать интеграции с ИБ‑контуром (DLP InfoWatch) и сохранять корректность обработки данных; - наращивать функциональность совместной работы (whiteboard, перевод, расшифровка) без деградации производительности. Действия и решения: - Взял на себя полный цикл развития: ВКС (до ~10 000 участников), корпоративный мессенджер и совместную работу (whiteboard, демонстрация экрана, перевод и ИИ‑расшифровка). - Спроектировал план релизов и бэклог: выделил ключевые сценарии (конференции большого масштаба, чаты/файлы, интеграции ИБ), определил критерии приёмки и тестовые контуры. - Организовал работу распределенной команды и подрядчиков: декомпозиция задач, контроль зависимостей, ежедневные статусы и управление изменениями. - Настроил цикл качества перед внедрением в прод: регресс, нагрузочные проверки, контроль задержек и устойчивости сессий; помогал с развитием кодеков под целевые условия (VP9/AV1). - Координировал интеграцию с контуром защиты информации DLP InfoWatch для мессенджера/файлов (сценарии обработки, совместимость и контроль рисков по данным). - Запустил развитие продукта: формализация артефактов подготовки и проведения совещаний, чтобы сокращать время "от идеи до встречи". Технологический стек проектов и ключевые компетенции: Product + Project Management: Product Vision & Strategy, (планирование, дорожные карты проекта) Roadmap Planning, Управление бюджетом (P&L Ownership, Unit Economics), A/B & Split Testing, Customer Development (CustDev), UI/UX. AI / ML: OpenAI GPT-4, Anthropic Claude, LangChain, LlamaIndex, XGBoost, LightGBM, CatBoost, TensorFlow, PyTorch, SageMaker. Backend & Data: Python (FastAPI/Django), Java Spring Boot, PostgreSQL, Redis, Kafka, Apache Spark, Airflow, Redshift, Hyperledger Fabric. Frontend: React.js, TypeScript, Next.js. Менеджмент и аналитика: Jira, Confluence, Amplitude, Tableau/PowerBI (опционально, добавьте если было). Менеджмент внедрения (Delivery): Agile (Scrum/Kanban), SAFe, SDLC, Resource Allocation, Budgeting, Time-to-Market Optimization AI/ML & Data: LLM Implementation, GenAI Productization, Prompt Engineering, Credit Scoring Models, Risk Management, Model Explainability, Bias Monitoring.

Проекты: Кейс 1: Разработка и внедрение чат-бота с AI-профилированием для розничного банка (5 млн+клиентов) Задача: Ручная обработка обращений в контакт-центре занимала до 72 часов. Банк терял клиентов из-за низкой скорости ответов. Решение: - Проектирование архитектуры: Выбрали стек: Python (FastAPI) + Dialogflow + PostgreSQL для хранения истории. - Интегрировали с банковским ядром через IBM MQ (безопасный обмен данными). - Реализовали модуль AI-профилирования на базе BERT (определение намерения + эмоциональный тон). Разработка и внедрение: - Обучено 15+ сценариев диалогов (баланс, переводы, блокировка карты, кредитная история). - Настроен автоматический эскалатор на живого оператора при сложных запросах. - Внедрили A/B-тестирование ответов для повышения конверсии. Безопасность и compliance: - Все диалоги шифруются и хранятся согласно 152-ФЗ. - Реализована двухфакторная аутентификация через СМС/приложение банка. - Прошли аудит службы безопасности банка. Результаты (первые 6 месяцев): - 24/7 доступность сервиса (SLA 99.95%) - Нагрузка на контакт-центр снижена на 45% - Точность распознавания намерений клиента: 92% - Обработано 1,2 млн диалогов без инцидентов безопасности - Среднее время решения проблемы клиента сокращено с 72 часов до 12 минут Кейс 2: Создание Витрины финансовых приложений (Marketplace) для экосистемы банка. Задача: Банк хотел создать единую точку входа для всех своих сервисов (кредиты, инвестиции, страхование) с персонализацией предложений. Действия: - Анализ и проектирование: - Провели CJM-сессии с 200+ клиентами банка. - Разработали архитектуру на основе микросервисов (Node.js + Go). - Спроектировали систему рекомендаций на основе коллаборативной фильтрации. Разработка ключевых модулей: - Личный кабинет с адаптивным дизайном (React + TypeScript). - Система платежей с поддержкой СБП и Visa/Mastercard. - Панель аналитики для менеджеров с Grafana/Tableau. - Мобильная версия как PWA (Progressive Web App). Внедрение и рост: - Поэтапный запуск: сначала для премиум-клиентов, затем массовый релиз. - Настроили каналы обратной связи: голосования, формы, чат поддержки. - Внедрили систему мониторинга Sentry + Prometheus. Результаты (год после запуска): - Увеличение кросс-продаж на 28% - Снижение bounce-rate на витрине с 65% до 32% - Время загрузки страницы < 1,5 секунды (Lighthouse Score 95+) - В топ-3 по удовлетворенности клиентов среди цифровых сервисов банка Кейс №3. Разработка BPM-системы с нуля, от создания ядра до запуска более 20 микросервисов: UI-портал, многоуровневая система уведомлений, печатные и документальные модули. Второй крупный проект — разработка ИИ-платформы для горнодобывающей отрасли с кастомными ML-модулями. Стек/инструменты: Jira, Confluence, Scrum, Agile, Kanban, KPI, диаграмма освоенного объема, матрица Голдратта, ABCDE-анализ, Proof of Concept, внутренние метрики производительности, таблицы принятия решений, коммуникация с международными заказчиками, искусственный интеллект, AI, LLM, Computer Vision. Задачи: - Полный цикл управления проектами: от инициации до завершения, с бюджетом, рисками и людьми - Сбор и уточнение требований, защита и пересмотр оценки, адаптация проектного объема - Формирование команд (10+ человек), выстраивание процессов, ведение нескольких проектов параллельно - Контроль сроков, внедрение проектных методик, аналитика спринтов, фасилитация ретро - Презентации для бизнеса, заказчиков и внутренних стейкхолдеров Кейс №4. Мобильная платформа для контроля качества монтажа изоляционных систем, оценки износа, доступа к документации и вызова экспертов. Задачи: - Миграция бэкенд-архитектуры с .NET → GoLang без потери функциональности - Внедрение новых модулей: 1. Рекомендательная система по ремонту изоляции 2. Система онлайн-консультаций с инженерами 3. Интеграция сервиса вызова специалистов на объект - Обеспечение стабильности при росте пользователей, переработка масштабируемой архитектуры с потенциальным распилом на микросервисы. За время работы в Компании, достижения: — Оптимизировал работу с рисками, внедрив новый формат реестра рисков и проработанной стратегией работы с ними, сократив просадки качества проектов, наступления рисковых событий и внедрил принцип превентивного реагирования на рисковые триггеры. — Выстроил методику оценки и контроля изменений, которая была позже заимствована в соседние команды — Настроил и руководил процессом переговорных поединков, что позволило поднять уровень переговорных навыков для ПМов, аккаунтов и тимлидов - тех групп специалистов, которые в первую очередь участвуют во встречах с клиентами.

О проекте: Разработка внутреннего приложения с элементами геймификации для международной компании. Цель — вовлеченность сотрудников и внутренняя мотивация через игровую механику и аналитические блоки/ Стек/инструменты: Agile, Scrum, Jira, Confluence, оценка рисков, реестр рисков, CI/CD-процессы, Google Sheets + Data Studio, коммуникация с международными заказчиками. Задачи: — Управление продуктом на всех этапах: аналитика, дизайн, разработка, внедрение — Ведение проектной документации и контроль качества разработки — Работа с оценкой задач, планированием релизов, координацией всех участников — Ведение стендапов, демо, ретроспектив, работа с техническим долгом — Настройка коммуникации с зарубежными заказчиками и бизнес-аналитиками Кейсы: — Внедрил расширенный реестр рисков, в котором отражались как причины возникновения, так и методы проактивного и реактивного реагирования. Это позволило сократить рисковый резерв на 5% и минимизировать инциденты — Построил прозрачную воронку задач, включающую раннюю фильтрацию гипотез и декомпозицию в связке с бизнес-целями — В условиях высокой неопределенности помогал принимать решения по фичам, опираясь на скоринг и совместные сессии оценки приоритетов Достижения: — Существенно снизил количество критичных рисков за релиз за счёт внедренного подхода — Повысил прозрачность roadmap и коммуникации с заказчиком, что позволило получать более точную обратную связь — Команда отметила удобство введённых изменений — подход был масштабирован на другие проекты в компании

О проекте: Разработка системы видеонаблюдения с элементами ИИ-аналитики для добывающей компании. Сложный интеграционный проект на стыке IoT, обработки видео и анализа поведения сотрудников в опасных зонах. Стек/инструменты: MS Project, Waterfall + гибридные методологии, Confluence, Excel, ABC-анализ, этапная декомпозиция задач, IoT, видеоаналитика, взаимодействие с ИТ-инфраструктурой клиента, коммуникация с международными заказчиками. Задачи: — Полный цикл управления проектом: планирование, реализация, контроль — Подготовка проектной документации, согласование сроков и бюджета — Координация команд разработчиков, аналитиков и подрядчиков — Регулярные встречи с заказчиком, защита решений, согласование изменений — Управление изменениями, прогнозирование рисков, декомпозиция задач Кейсы: — Внедрил подход уточняющей оценки: после каждого этапа (аналитика, дизайн и т.д.) производилось переоценивание с уточнением до задач ≤ 8ч, что повышало точность планирования — Этап разработки делился на микрофазы, что позволяло выявлять потенциальные риски и слепые зоны до старта фичи — Благодаря высокой точности оценки проект был завершен на 10% быстрее плана, а высвобожденные ресурсы использовали на проработку следующих фаз и проверку гипотез. Достижения: — Добился выполнения проекта с опережением графика без увеличения бюджета — Повысил предсказуемость процессов за счёт регулярного уточнения оценки — Улучшил доверие клиента к проектной команде благодаря устойчивым результатам и прозрачной методологии