Πτυχιούχος Μαθηματικός ΑΠΘ με Πιστοποίηση Παιδαγωγικής Επάρκειας — διδάσκω μαθηματικά με τάξη και υπομονή, και αναλύω δεδομένα με Python με την ίδια λογική: αναζητώ πρότυπα και καταλήγω σε συμπεράσματα που στηρίζονται, όχι σε εντυπώσεις.
Αποφοίτησα από το Τμήμα Μαθηματικών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης τον Απρίλιο του 2026, με βαθμό πτυχίου 7.20 («Λίαν Καλώς») και ολοκληρωμένα 240 ECTS. Στη διάρκεια των σπουδών μου εμβάθυνα ιδιαίτερα σε Θεωρία Πιθανοτήτων, Στατιστική, Στοχαστικές Διαδικασίες και Στοχαστικές Μεθόδους στα Χρηματοοικονομικά (βαθμός 10) — το θεωρητικό υπόβαθρο που στηρίζει σήμερα τη δουλειά μου στην ανάλυση δεδομένων.
Παράλληλα, απέκτησα Πιστοποίηση Παιδαγωγικής και Διδακτικής Επάρκειας, κάτι που με βάζει στη διπλή θέση: μπορώ να αναλύω δεδομένα και να εξηγώ σύνθετες έννοιες με τρόπο κατανοητό — χρήσιμο τόσο σε ρόλους ανάλυσης όσο και σε διδασκαλία/φροντιστήρια.
Συνέχισα με την πιστοποίηση «Python for Data Analytics» (DeepLearning.AI, μέσω Coursera) και έκτοτε δουλεύω σε πραγματικά datasets — από Amazon reviews μέχρι HR attrition — εφαρμόζοντας Python, Pandas και exploratory data analysis σε ερωτήματα με επιχειρηματική αξία.
Ο συνδυασμός μαθηματικής αυστηρότητας με πρακτικά εργαλεία ανάλυσης δεδομένων.
Pandas, NumPy — καθαρισμός, μετασχηματισμός και διερευνητική ανάλυση δεδομένων.
Διαγράμματα που αναδεικνύουν πρότυπα, συσχετίσεις και outliers σε datasets.
Δομημένη, αναπαραγώγιμη ανάλυση από το ερώτημα μέχρι το συμπέρασμα.
Θεωρία Πιθανοτήτων Ι & ΙΙ, Στατιστική, Στοχαστικές Διαδικασίες (ΑΠΘ).
Στοχαστικές Μέθοδοι στα Χρηματοοικονομικά & Στοχαστικές Επιχειρησιακές Έρευνες.
Ικανότητα ανάλυσης & εξήγησης σύνθετων εννοιών σε μαθητές/ομάδες.
Οκτώ ολοκληρωμένα data analysis projects — από στατιστική & ανάλυση κινδύνου μέχρι exploratory data analysis, από ερώτημα μέχρι επιχειρηματική σύσταση.
Ανάλυση πάνω από 500.000 συναλλαγών λιανικής για τον υπολογισμό της αξίας ζωής πελάτη (CLV) — συχνότητα αγορών, μέση αξία παραγγελίας, έσοδα ανά πελάτη/χώρα/προϊόν, με στόχο στρατηγικές διατήρησης πελατών.
Τα έσοδα συγκεντρώνονται σε μικρή ομάδα πελατών · συχνότητα αγοράς = ισχυρότερος δείκτης CLVΣτατιστική ανάλυση ιστορικών τιμών για πάνω από 500 μετοχές (600.000+ παρατηρήσεις) — υπολογισμός daily returns, μεταβλητότητας (volatility) και risk-adjusted απόδοσης, για διαφορετικά επενδυτικά προφίλ.
Θετική αλλά μη τέλεια σχέση ρίσκου-απόδοσης · NVIDIA με την υψηλότερη συνολική απόδοσηΑνάλυση οικονομικών & προσωπικών χαρακτηριστικών δανειοληπτών για τον εντοπισμό παραγόντων κινδύνου αθέτησης δανείου — εισόδημα, ιστορικό απασχόλησης, ποσό & επιτόκιο δανείου, βαθμολογία πιστοληπτικής ικανότητας.
Το εισόδημα είναι ο ισχυρότερος προγνωστικός παράγοντας · η ηλικία έχει ελάχιστη επίδρασηΑνάλυση δεδομένων αποχώρησης πελατών τηλεπικοινωνιακής εταιρίας (Telco Customer Churn, Kaggle), με στόχο τον εντοπισμό των παραγόντων που οδηγούν σε churn — τύπος συμβολαίου, μηνιαία χρέωση, διάρκεια παραμονής, τεχνική υποστήριξη.
26.5% churn rate · month-to-month συμβόλαια = υψηλότερος κίνδυνοςΔιερευνητική ανάλυση του IBM HR Analytics dataset για τον εντοπισμό παραγόντων αποχώρησης εργαζομένων: υπερωρίες, μισθός, ικανοποίηση εργασίας, ισορροπία προσωπικής/επαγγελματικής ζωής, τμήμα και χρόνια προϋπηρεσίας.
Υπερωρίες & χαμηλή ικανοποίηση = ισχυρότεροι προγνωστικοί παράγοντες attritionΕξέταση της σχέσης ανάμεσα σε ratings, εκπτώσεις και engagement πελατών σε προϊόντα Amazon, με στόχο να φανεί αν η επιθετική τιμολόγηση όντως «χτίζει» καλύτερη αξιολόγηση.
Ασθενής συσχέτιση discount % ↔ rating · η ποιότητα προϊόντος μετράει περισσότεροΑνάλυση δεδομένων κρατήσεων ξενοδοχείου (City & Resort Hotels, Πορτογαλία) με στόχο την κατανόηση της συμπεριφοράς πελατών και τον εντοπισμό των κύριων αιτιών ακύρωσης κράτησης — lead time, τύπος πελάτη, εποχικότητα, ADR.
~37% ακυρώσεις · μεγαλύτερο lead time & transient πελάτες = υψηλότερος κίνδυνος ακύρωσηςΑνάλυση πωλήσεων λιανικής (Superstore) με στόχο τον εντοπισμό των βασικών παραγόντων εσόδων: κατηγορίες προϊόντων, περιοχές, πελάτες, τρόποι αποστολής και εποχικές τάσεις πωλήσεων.
Technology = κορυφαία κατηγορία · Νοέμβριος = ισχυρότερος μήνας πωλήσεωνΑν ψάχνεις κάποιον που συνδυάζει μαθηματική σκέψη, ανάλυση δεδομένων σε Python και ικανότητα να εξηγεί καθαρά — ας μιλήσουμε.