Aleksei Klimov

Otevřen nabídkám · Praha · nástup ihned

AlekseiKlimov

Junior analytik dat · praxe v ERP a e-commerce

Rok praxe na pomezí IT, e-commerce a financí. Držel jsem v chodu datový tok 3 000+ SKU mezi ERP Pohoda a tržišti Allegro a eBay a hledal v datech chyby, které stály peníze. Studuji na Škoda Auto Vysoké škole.

Aleksei Klimov
Praha CS B2 · EN B2
3 000+SKU udržovaných mezi ERP a tržišti
500+položek vráceno do prodeje
2024–25praxe v ERP, financích a e-commerce
3 rokyvlastního e-shopu na tržišti

Kdo jsem

Moje práce byla z velké části práce s daty. Nahrávání listingů přes middleware je datový tok. Párování skladu a cen mezi ERP a tržištěm je kontrola kvality dat. Hledání nesrovnalostí u inkas je hledání anomálií.

Hledám pozici juniorního analytika dat — v BI týmu, ve financích nebo v e-commerce. Silné stránky: pokročilý Excel s Power Query, reálná praxe s ERP Pohoda a middlewarem Base, správa listingů na Allegro a eBay a párování skladu a cen mezi systémy. Rozumím tomu, co znamená marže, DPH a cash flow, protože jsem tři roky počítal jednotkovou ekonomiku vlastního e-shopu. Aktivně dobírám SQL a Power BI.

Hledám
Junior analytik dat · BI, finance nebo e-commerce
Dostupnost
Plný úvazek ihned
Lokalita
Praha
Jazyky
Ruština rodilý mluvčí · Čeština B2 · Angličtina B2
Studium
Škoda Auto VŠ · Podniková ekonomika a manažerská informatika

Případové studie

Dvě z reálné praxe a dvě vlastní — u obou vlastních je veřejný kód, data i to, co v datech nesedělo.

01

Sesouhlasení dat mezi ERP a tržišti

FRpneu s.r.o. prodávala stejný sortiment ze skladu v ERP Pohoda a zároveň na Allegru a eBayi. Katalog čítal přes 3 000 SKU a data mezi systémy si přestávala odpovídat — každý rozdíl byl buď ztracený prodej, nebo produkt, který se vůbec nedostal do nabídky.

Z praxe
SituaceCeny a skladové zásoby se mezi ERP a tržišti rozcházely. Stovky položek se kvůli chybám v datech vůbec nepodařilo vylistovat, takže se neprodávaly — a nikdo nevěděl které.
Co jsem dělalPřevzal jsem správu produktového toku přes middleware Base: nahrávání listingů, fotografií a cen. Prošel jsem přes 500 SKU, které kvůli chybným datům nešly vylistovat — u každé položky jsem dohledal příčinu, opravil ji a listing znovu vytvořil přes Base a ERP Pohoda. Zavedl jsem pravidelné párování skladu a cen mezi ERP a tržišti.
VýsledekPřes 500 dříve nedostupných položek se dostalo na web i na tržiště. Rozšířená nabídka se projevila na prodejích — přibyly produkty, které do té doby nešlo koupit. Rozdíly v datech se navíc začaly nacházet dřív, než se dostaly do objednávek.
3 000+ SKUERP PohodaBaseAllegroeBayExcel · Power Query
Dostupnost katalogu · před a po Před zásahem bylo z 3 000 SKU asi 500 nedostupných kvůli chybám v datech; po zásahu jsou dostupné všechny. PŘED 2 500 500 PO 3 000 0 POČET SKU
V prodeji Nedostupné kvůli chybám v datech
02

Jednotková ekonomika vlastního e-shopu

Tři roky jsem na tržišti prodával vlastní zboží v režimu FBO — sám jsem ho vyjednal u dodavatele, zaplatil, zabalil, polepil čárovými kódy a odvezl na sklad tržiště. Žádný zaměstnanec, žádný rozpočet na chyby.

Z praxe
SituaceMarže na tržišti je tenká: nákupní cena, doprava, balné a provize platformy sežerou většinu rozdílu. A protože jsem byl v celém řetězci jediný člověk, chyba v propočtu se neprojevila v reportu pro vedení — projevila se na mém účtu.
Co jsem dělalPřed každou objednávkou jsem vyjednal podmínky s dodavatelem a spočítal jednotkovou ekonomiku: nákup, doprava, balné, provize tržiště, cílová marže. Zboží jsem přebíral, balil, polepoval čárovými kódy a naskladňoval na sklad tržiště. Vedl jsem listingy, fotografie a ceník, zapojoval zboží do slevových akcí platformy a propagoval ho přes sociální sítě. Denně jsem sledoval zásoby a obrátku a podle toho doobjednával.
VýsledekObchod běžel tři roky se ziskem. Naučilo mě to věc, kterou ze školy nezískáte: cit pro to, kdy je číslo v tabulce špatně — protože za tím číslem byly moje vlastní peníze.
3 rokyFBOUnit economicsCenotvorbaŘízení zásobExcel
Cyklus, který jsem točil sám · a role, které to v firmě jsou Cyklus obchodu: nákup, propočet ekonomiky, balení a čárové kódy, naskladnění na FBO, listing a cenotvorba, propagace, sledování zásob — a zpět k doobjednání. DOOBJEDNÁNÍ — CYKLUS SE OPAKUJE Jednání s dodavateli a nákup NÁKUP Propočet jednotkové ekonomiky CONTROLLING Balení a polepení čárovými kódy SKLAD Naskladnění na sklad tržiště (FBO) LOGISTIKA Listing, fotografie a cenotvorba E-COMMERCE Akce, kampaně tržiště, sociální sítě MARKETING Sledování zásob a obrátky PLÁNOVÁNÍ
Každý z těch kroků je v běžné firmě samostatná role. Tři roky jsem je dělal všechny sám — proto vím, kde v řetězci marže mizí a co se stane, když se zásoba nedoobjedná včas.
03

Faktura AI — čtení faktur a kontrola v ARES

Nástroj, který přečte PDF fakturu, vytáhne z ní strukturovaná data, ověří IČO dodavatele proti veřejnému registru ARES a porovná částky se záznamy v ERP.

Vlastní projekt
ZadáníPřepisovat údaje z faktur ručně je pomalé a chybové. Chyba v IČO nebo variabilním symbolu se pozná až u nespárované platby.
ŘešeníPython: dva režimy čtení — deterministický parser bez klíče a extrakce přes Claude API, které se posílá celé PDF, takže zvládne i sken. Kontrolní součet IČO se ověřuje lokálně ještě před dotazem do registru ARES. Následuje kontrola součtu DPH, sazby, variabilního symbolu, datumů a párování s exportem závazků z ERP. Výstup je sešit XLSX se zjištěními v češtině.
VýsledekOsm testovacích faktur zkontrolováno za desetiny sekundy. Nástroj našel všech šest zaseknutých vad — včetně IČO s prohozenými číslicemi, které odhalí kontrolní součet bez jediného dotazu do sítě.
PythonClaude APIARES APIExcel
Kontrola 8 faktur · co nástroj našel Z osmi faktur má pět chybu, jedna varování a dvě jsou v pořádku. 5 s chybou 1 s varováním 2 v pořádku
Zachyceno: IČO s prohozenými číslicemi (kontrolní součet, bez dotazu do sítě), dodavatel, který v ARES neexistuje, DPH, které nedává součet, variabilní symbol mimo číslo faktury, částka rozcházející se s ERP a chybějící datum splatnosti.
Kód na GitHubu
04

Český trh: registrace nových vozidel

Analýza otevřených dat o registracích nových osobních vozidel v ČR: podíly značek, tempo elektrifikace a rozdíly mezi kraji.

Vlastní projekt
ZadáníUkázat práci s reálnými českými veřejnými daty od stažení a vyčištění až po závěr, který dává obchodní smysl.
ŘešeníPython a pandas nad otevřeným API Eurostatu, matplotlib na grafy. Před jakýmkoli závěrem ale kontrola dat: kategorie paliv se v tomhle datasetu překrývají, takže naivní součet nadhodnotí trh až o 22 %. Rozpad podle paliva navíc vůbec neexistuje před rokem 2020 a řada hybridů má zlom ve vykazování.
VýsledekČesko není jen pozadu za Rakouskem a Německem — v roce 2025 ho poprvé předběhlo Polsko a přírůstek podílu mělo nejnižší z celé pětice. Rozdíl se nezmenšuje, ale roste.
PythonpandasOtevřená data
Podíl elektromobilů na nových registracích · 2025 Rakousko 21,3 %, Německo 19,1 %, Polsko 7,2 %, Česko 5,9 %, Slovensko 4,7 %. Vpravo meziroční změna. Rakousko 21,3 % +3,7 pb Německo 19,1 % +5,6 pb Polsko 7,2 % +4,2 pb Česko 5,9 % +0,9 pb Slovensko 4,7 % +2,3 pb
Vpravo je meziroční změna. Rostou všichni, ale Česko nejpomaleji z celé pětice — a Polsko ho letos poprvé předběhlo. Rozdíl se tedy nezmenšuje.
Kód a grafy na GitHubu

Datový tok

Cesta, kterou produktová data denně urazila — a smyčka kontroly, která nesrovnalosti vracela zpět do ERP.

ERP Pohoda → Base middleware → Allegro a eBay, se zpětnou kontrolou, která posílá nesrovnalosti zpět do ERP.

Data Lab

Rekonstrukce případové studie 01, kterou si můžete projít sami. Dvě tabulky — sklad z ERP a listingy z tržišť — a pět kroků, jak najít zboží, které se nikdy nedostalo do prodeje. SQL běží ve vašem prohlížeči, žádný server v tom není.

Zeptej se dat

Otázka česky, odpověď čísly. Nahraný je jen převod otázky na SQL — ten potřebuje model za API klíčem, a klíč do prohlížeče nepatří. Samotný dotaz se spouští naživo nad stejnou databází jako konzole výše — a v té konzoli si můžete napsat vlastní dotaz.

Data jsou syntetická. Vygeneroval je skript v repozitáři — struktura odpovídá reálné situaci, čísla ne. Exporty zaměstnavatele nezveřejňuji.

Nástroje

Úrovně slovy, ne procenty. Co se právě učím, je označené — a je vidět proč.

01

Data a analýza

Excel používám jako nástroj analýzy, ne jako tabulku: kontingenční tabulky, Power Query, čištění a spojování zdrojů. SQL a Power BI dobírám právě teď, protože je chce prakticky každá česká pozice v BI.

MS Excel · Power Query pokročilý Python středně pokročilý Analýza dat středně pokročilý SQL základy · dobírám Power BI základy · dobírám
02

Systémy a provoz

Rok jsem pracoval uvnitř ERP a middlewaru, ne vedle nich. Vím, jak vypadá produktový feed, kde se v něm rodí chyby a co se stane se skladem, když se dva systémy rozejdou.

ERP Pohoda středně pokročilý Base middleware z praxe Allegro · eBay z praxe Fakturace · párování plateb středně pokročilý CMS základy
03

AI a automatizace

AI používám na rutinu — extrakci dat z dokumentů, přípravu skriptů, kontrolu dat — a umím vysvětlit, co přesně kód dělá. Nástroj na kontrolu faktur je toho příkladem: model čte PDF, ale všechny kontroly jsou napsané ručně a ověřitelné, protože model nesmí nic dopočítávat.

AI agenti a automatizace středně pokročilý Claude API z praxe HTML · CSS · JS základy C++ začátečník
04

Právě se učím

Otevřený plán, ne hotový seznam. Každá položka končí veřejným výstupem na tomhle webu, ne řádkem v životopise.

SQL probíhá Power BI a základy DAX probíhá Python — pandas, vizualizace probíhá Certifikace PL-300 v plánu

Zkušenosti

2024 — 2025

IT projektový manažer & finanční operace

FRpneu s.r.o. · stáž / praxe

  • Správa produktového datového toku přes Base: listingy, fotografie, ceny na Allegro a eBay.
  • Párování skladových zásob a cen mezi ERP a tržišti; oprava chyb v datech.
  • Koordinace IT týmu pro firemní web; drobné opravy kódu a troubleshooting.
  • Reporty o skladu a prodejích v Excelu (kontingenční tabulky) pro vedení.
  • Vystavování faktur v ERP Pohoda; řešení nesrovnalostí u přímých inkas.
2021 — 2024

Vlastní obchod na tržišti

Samostatná výdělečná činnost

  • Kompletní správa e-shopu od výběru produktu po prodej.
  • Výpočet jednotkové ekonomiky: nákup, logistika, provize tržiště, cílová marže.
  • Tvorba a optimalizace listingů; akce a sezónní cenotvorba.
  • Analýza prodejní statistiky a úprava cen podle dat a konkurence.

Bakalářský program

Škoda Auto Vysoká škola o.p.s.

  • Obor: Podniková ekonomika a manažerská informatika.
  • Předměty: programování, práce s daty, SQL, statistika, finanční účetnictví, marketing.
  • Bakalářská práce: využití cloudových úložišť v malém a středním podnikání.

Kontakt

Nejrychleji e-mailem. Rád si popovídám o pozici, i když ještě nevypsali inzerát.

LinkedIn GitHub Stáhnout CV