Портфолио и кейсы фрилансеров по интеграции сервисов по API

Разработал backend-ядро системы принятия решений на основе набора формализованных правил. Система получает входные данные, проверяет ограничения, рассчитывает подходящие варианты и сохраняет объяснимый результат каждого решения. Реализовано: — отдельные слои eligibility, safety и scoring; — детерминированный движок бизнес-правил; — журнал принятых решений; — сохранение исходных входных данных; — версионирование логики; — возможность ручного изменения результата специалистом; — сохранение первоначального решения для аудита; — подготовка API для клиентского интерфейса. Архитектура позволяет изменять правила без переписывания всего приложения и сохраняет историю того, почему система выдала конкретный результат. Стек: Python, backend/API, rule engine, versioning, audit log. Проект опубликован обезличенно в связи с NDA.

Разработал Telegram Mini App с отдельным backend-сервисом и пользовательской авторизацией. Реализовано: — проверка Telegram WebApp initData и безопасная авторизация; — выдача JWT и изоляция данных пользователей; — backend API для работы с пользовательскими данными; — сохранение черновиков и автосохранение; — загрузка файлов и изображений; — публичные и приватные сценарии доступа; — обработка ошибок и проверка прав пользователя; — подготовка приложения к дальнейшему расширению. Backend построен отдельно от клиентской части, поэтому логику можно развивать независимо от интерфейса Mini App. Стек: Python, FastAPI, Telegram WebApp, JWT, API, Docker. Проект опубликован обезличенно в связи с NDA.

Реализовал AI-интеграцию для работы с данными корпоративной базы. Система позволяет использовать естественный язык для получения аналитики по данным бизнеса без ручной подготовки каждого отчёта. В рамках проекта решались задачи анализа показателей, расчётов по данным и получения ответов на прикладные бизнес-вопросы. Реализовано: — подключение AI к корпоративным данным; — обработка пользовательских запросов на естественном языке; — получение и интерпретация необходимых данных; — формирование понятного ответа для пользователя; — работа с аналитическими сценариями и расчётами; — обработка ошибок и некорректных запросов. Стек: Python, PostgreSQL, AI/LLM, SQL. Проект опубликован обезличенно в связи с NDA.

Разработал Telegram-бота для автоматизации первичной обработки входящих заявок. Бот ведёт пользователя по заданному сценарию, собирает необходимые данные, проверяет заполнение и передаёт структурированную заявку ответственному сотруднику. Реализовано: — пошаговый сценарий общения; — сбор и валидация данных пользователя; — формирование структурированной карточки заявки; — автоматическая передача менеджеру; — обработка повторных обращений и ошибок; — возможность расширять сценарий дополнительными этапами и интеграциями. Решение позволяет убрать ручной сбор первичной информации и стандартизировать обработку обращений. Стек: Python, Telegram Bot API, aiogram, API-интеграции.

Разработал систему автоматической сверки данных из документов и таблиц. Решение извлекает нужные значения, приводит данные к единому формату, сравнивает записи по заданным правилам и формирует итоговый отчёт с найденными расхождениями. Реализовано: — обработка Excel / CSV и документов; — нормализация значений перед сравнением; — сопоставление записей по нескольким признакам; — выявление несовпадений и пропусков; — формирование итогового отчёта; — обработка некорректных и неполных данных; — возможность менять правила сверки под конкретный процесс. Решение заменяет ручное сравнение большого количества однотипных данных. Стек: Python, обработка табличных данных, автоматизация. Проект опубликован обезличенно в связи с NDA.

Разработал аналитическую систему, которая получает данные из нескольких внешних торговых API, приводит их к единой модели и рассчитывает необходимые показатели. Реализовано: — интеграция с несколькими API с разными форматами данных; — обработка ограничений запросов и кэширование; — сбор и агрегация данных в единой модели; — backend на FastAPI; — web-интерфейс для работы с результатами; — формирование Excel-отчётов; — Docker-развёртывание; — автоматическое тестирование — 170 тестов. Архитектура позволяет подключать дополнительные источники без переделки основной логики. Стек: Python, FastAPI, HTTP API, Excel, Docker. Проект опубликован обезличенно в связи с NDA.

Разработал систему автоматического сбора и унификации данных из 10+ независимых источников. У каждого источника была своя структура и логика получения данных, поэтому система построена модульно: отдельные адаптеры подключаются к общему ядру обработки. Реализовано: — сбор данных из разных источников и API; — нормализация в единую структуру; — валидация и контроль качества данных; — обработка ошибок и повторные попытки; — изоляция проблемных записей; — автоматические тесты; — возможность подключать новые источники без переделки ядра. Решение рассчитано на регулярную работу и дальнейшее масштабирование. Стек: Python, async I/O, HTTP/API, обработка данных, тестирование. Проект опубликован обезличенно в связи с NDA.

EIS Filter — production-проект для автоматизации мониторинга государственных закупок. Система регулярно проверяет публичные источники, обрабатывает новые данные по заданным правилам, исключает повторные события и отправляет релевантную информацию пользователю в Telegram. Что реализовано: * автоматический мониторинг источников; * обработка и фильтрация данных; * исключение дублей; * хранение состояния и пользовательских настроек; * Telegram-бот и уведомления; * запуск и эксплуатация на Linux/VPS; * отдельный сайт проекта. Результат: вместо постоянной ручной проверки пользователь получает автоматизированный процесс, который сам отслеживает новые события и передаёт нужную информацию в удобный канал. Стек: Python, Telegram Bot API, SQLite, RSS/Atom, HTTP/API-интеграции, Linux/VPS, Astro. Подход к работе: ручной процесс → данные → правила обработки → условие → действие. Могу решать похожие задачи: мониторинг сайтов и API, парсинг и обработка данных, Telegram-боты, уведомления, интеграции и небольшие автоматизации на Python.

Задача. Пищевое производство в Санкт-Петербурге готовило к передаче цех с оборудованием. Оборудование существовало в двух несвязанных видах: список позиций в таблице и папка фотографий без привязки к позициям. Собрать из этого каталог и предложение вручную — несколько дней работы с риском перепутать снимки. Что сделано. — Сопоставление списка с фотографиями: каждой позиции — свой снимок. — Инвентарная опись с ценовым коридором по позициям. — Генерация продающей страницы прямо из данных: при изменении списка страница пересобирается, а не правится руками. — Тексты офферов под разные площадки размещения. Результат. Более 30 позиций сведены в опись, каталог и страницу-оффер одним прогоном. Кому подойдёт: продаже оборудования и активов, каталогам товаров из таблицы, прайс-листам, которые надо регулярно пересобирать, любой задаче «данные есть, документа нет». Клиент и адрес объекта не называются.

Задача. Сверка с контрагентами собиралась вручную из банковских выгрузок по двум расчётным счетам. Выгрузки за разные периоды перекрывались, и пересечения приходилось вычищать глазами — иначе один и тот же платёж попадал в акт дважды. Что сделано. — Разбор выгрузок XLSX по обоим счетам, включая выписки прошлых периодов. — Отсев вложенных периодов: файл, чей период полностью лежит внутри другого, отбрасывается целиком. — Дедупликация строк по полному составу полей — страховка от частичных перекрытий, которые отсевом периодов не ловятся. — Свод по контрагентам: обороты, сальдо, период. — Генерация актов сверки в PDF, готовых к отправке. Результат. 17 актов сверки за один прогон вместо ручной сборки по каждому контрагенту. Кому подойдёт: бухгалтерии с регулярной сверкой, компаниям с несколькими расчётными счетами, любому процессу, где данные приходят перекрывающимися выгрузками. Сами акты не показываю: в них ФИО и ИНН контрагентов. На обложке — схема обработки.