Serhii Khlivnyi

Kraj: Ukraine

Lokalizacja: Dnipro, UA

Na Useme od 15 lipca 2026

O mnie

Analityk danych z ponad 4-letnim doświadczeniem w automatyzacji raportowania i analityce marketingowej (wcześniej 5 lat w SEO/digital). Buduję dashboardy w Looker Studio, piszę SQL w BigQuery, automatyzuję zbieranie danych w Pythonie (REST API: Allegro, Facebook Ads, Criteo, RTB House) i prognozuję sprzedaż oraz ruch modelami szeregów czasowych (BigQuery ML).

Typowe zlecenia: - dashboard w Looker Studio zamiast ręcznych raportów w Excelu - automatyczne pobieranie danych z API do BigQuery lub Google Sheets - prognoza sprzedaży/ruchu z uczciwą oceną dokładności (backtesting, MAPE)

Znam polski ekosystem e-commerce od strony danych — m.in. API Allegro. Komunikacja po polsku i angielsku.

Kategorie

Programowanie i IT > Projekty IT

Marketing > SEO

Marketing > Analityka internetowa

Prace biurowe > Bazy danych

Umiejętności

AI Allegro Analiza danych API Arkusze google Bazy danych E-commerce Excel Facebook Ads Google analytics Google Tag Manager Mysql Python Sql Web api

Portfolio

Integracje API: Allegro, Criteo, RTB House

Dwukierunkowa integracja Allegro ↔ BigQuery: zamówienia, eventy i katalog ofert do BQ, tracking przesyłek z powrotem; rotacja tokenów OAuth2. Publiczny kod na GitHubie. Podobne integracje in-house: Criteo, RTB House, Facebook Ads.

SQL w BigQuery — analiza marżowości

Fragment produkcyjnego zapytania liczącego marżowość produktów: kilka źródeł danych połączonych w jeden data mart zasilający raporty biznesowe. BigQuery, Standard SQL. Dane zanonimizowane.

Meta Conversions API (CAPI) — tracking server-side

Wysyłka zdarzeń zakupowych do Meta CAPI od strony serwera (z BigQuery): deduplikacja event_id web ↔ server, hashowanie danych klienta (SHA-256), kontrola jakości zdarzeń w Events Manager. Publiczny kod na GitHubie.

Dashboard marketingowy w Looker Studio (BigQuery)

Automatyczny dashboard dla e-commerce: ruch, kampanie i sprzedaż w jednym widoku. Dane z GA4 i platform reklamowych w BigQuery, raport odświeża się sam — zero ręcznego kopiowania. Praca in-house, dane zanonimizowane.

Prognoza sprzedaży — BigQuery ML (ARIMA_PLUS)

Prognoza dziennych zamówień: model szeregów czasowych z 95% przedziałem ufności, walidacja rolling-window backtestingiem (MAPE 4,2%). Metodę stosuję produkcyjnie w BigQuery ML (ARIMA_PLUS); wykres na danych syntetycznych — realne wdrożenia pod NDA.