Data scientist who ships experiments, pipelines and computer vision, from SQL to p‑value. Data Scientist, der Experimente, Datenpipelines und Computer Vision umsetzt, von SQL bis zum p‑Wert.

Junior Data Analyst

Sidekick Health

• +14% feature adoption from A/B tests on in-app nudges and behaviour-change features, with higher overall engagement.
• Reduced manual reporting by automating engagement-tracking pipelines with scheduled transformations and quality checks.
• Built Tableau dashboards on cohort behaviour and feature adoption that drove data-backed feature prioritisation.
• Standardised core metric definitions by modelling analytics-ready SQL datasets from raw event data.
• Identified usage patterns and behaviour segments that informed the personalisation of chronic-condition care pathways.

• +14 % Feature-Nutzung durch A/B-Tests zu In-App-Nudges und Verhaltensänderungs-Features, bei insgesamt höherem Engagement.
• Manuelles Reporting reduziert durch automatisierte Engagement-Pipelines mit geplanten Transformationen und Qualitätschecks.
• Tableau-Dashboards zu Kohortenverhalten und Feature-Adoption gebaut, die eine datenbasierte Feature-Priorisierung ermöglicht haben.
• Metrikdefinitionen vereinheitlicht durch analysefertige SQL-Datenmodelle aus Rohdaten-Events.
• Nutzungsmuster und Verhaltenssegmente identifiziert, die in die Personalisierung von Versorgungspfaden bei chronischen Erkrankungen eingeflossen sind.

Master in Data ScienceMaster Data Science

University of PotsdamUniversität Potsdam · Thesis grade 1.7Note der Masterarbeit 1,7

Thesis:Masterarbeit: Treatment Effect Identification in Multimodal N-of-1 Trials: A Transfer Learning Approach

• Built deep-learning pipelines with CNNs and transfer learning for acne classification.
• Applied hypothesis testing with linear mixed models to identify treatment effects.
• Improved generalisation, robustness and interpretability through statistical validation and Grad-CAM explanations.

• Deep-Learning-Pipelines mit CNNs und Transfer Learning zur Akne-Klassifikation.
• Hypothesentests mit linearen gemischten Modellen zur Identifikation von Behandlungseffekten.
• Bessere Generalisierung, Robustheit und Interpretierbarkeit durch statistische Validierung und Grad-CAM-Erklärungen.

Mobility Exchange: Fundamentals of Data ScienceAustauschsemester: Fundamentals of Data Science

University of BarcelonaUniversität Barcelona

Bachelor in Electronics EngineeringBachelor Elektrotechnik / Elektronik

Tishreen University · Communications Engineering · 81.41% averageTishreen-Universität · Nachrichtentechnik · Durchschnitt 81,41 %