Dataanalytiker med fokus på innsikt og visualisering
Analytisk og nysgjerrig dataanalytiker med erfaring fra offentlig sektor og konsulentbransjen
Sterk kompetanse innen dataanalyse, statistikk og maskinlæring, med verktøy som Python, SQL, R og Power BI
God til å formidle komplekse sammenhenger til ulike målgrupper og skape beslutningsgrunnlag
Erfaring med datavask, visualisering og utvikling av automatiserte analyser
Fordypet meg i kvantitative metoder, statistikk og programmering
Skrev masteroppgave om sammenhengen mellom kollektivtilbud og boligpriser i Oslo
Erfaring med analyse av store datasett i R, Python og Stata
Utvikler og vedlikeholder analyser av norsk økonomi og befolkning
Bygger dashbord og rapporter for interne og eksterne brukere med Power BI og R Markdown
Bearbeider og validerer store datasett fra ulike kilder med Python og SQL
Presenterer resultater for ledergruppen og bidrar til datadrevne beslutninger
Gjennomførte kundeanalyser og ad-hoc-rapporter for privat og offentlig sektor
Automatiserte gjentakende analyser med Python, noe som reduserte manuelt arbeid med om lag 40 prosent
Samarbeidet med prosjektteam for å avklare kundens behov og levere skreddersydde analyseløsninger
Holdt øvingstimer i statistikk og veiledet studenter i bruk av R
Bidro til utvikling av oppgaver og eksamenssett i samarbeid med faglærer
Fikk pris for masteroppgaven 'Kollektivtilbud og boligpriser i Oslo' – en empirisk analyse med fokus på kausale sammenhenger.
Analyserer hvordan økt frekvens i kollektivtransporten påvirker boligprisene i Oslo
Bruker faste effekter og instrumentvariabler for å identifisere kausale sammenhenger
Funnene viser en signifikant, men moderat, positiv effekt på boligpriser i nærheten av holdeplasser
Utviklet en interaktiv rapport som visualiserer hvordan kollektivtilbudet varierer mellom bydeler
Benyttet Python for datavask og geografisk analyse, og bygget dashbord i Plotly Dash
Publisert på GitHub med åpen kildekode for gjenbruk
Bygget en regresjonsmodell med scikit-learn basert på data fra 356 kommuner
Identifiserte utdanningsnivå og alderssammensetning som viktigste prediktorer
Dokumenterte prosessen i en Jupyter Notebook med tilhørende forklaringer
Hjelper frivillige med å strukturere og analysere medlemsdata
Utvikler en enkel oversikt over aktivitetsnivå og rekruttering i Excel og Power BI