Olá! Meu nome é Daniela, sou de São Paulo e compartilho aqui meus conhecimentos em Dados por meio de projetos autorais focados em análise e geração de insights. Atualmente, curso o MBA em Data Science & Analytics pela USP/Esalq, onde aprofundo minha atuação na área.
Embedded Files
👩💻 SOBRE MIM
👩💻 SOBRE MIM
Sou apaixonada por aprender com os dados e transformar informações em ações concretas que geram valor. Com base em experiências anteriores em ambientes técnicos e de alta precisão, atualmente aprofundo meus conhecimentos em Análise de Dados por meio do Bootcamp da WoMakersCode em parceria com o Instituto Localiza, além de ter sido aprovada em outro programa promovido pelo Santander. Também estou cursando o MBA em Data Science & Analytics pela USP/Esalq.
Meu foco está no desenvolvimento de projetos práticos, com visualizações claras e análises que apoiem a tomada de decisões estratégicas. Acredito no poder dos dados para resolver problemas reais, impulsionar resultados e contribuir diretamente para o sucesso de equipes e organizações.
🧠 HABILIDADES TÉCNICAS
🧠 HABILIDADES TÉCNICAS
Linguagens de Programação:
Python · SQL
Ferramentas de Análise de Dados:
Pandas · NumPy · Pyodbc · Matplotlib · Seaborn · Excel · Google Sheets
Bancos de Dados:
MySQL · SQL Server · DBeaver
IDEs utilizadas:
Visual Studio Code (VS Code)
Versionamento de Código:
Git · GitHub
Visualização de Dados:
Power BI
Conhecimentos Complementares:
Exploração de Dados (EDA)
Extração, transformação e carga (ETL)
Estatística Descritiva e Inferencial
Storytelling com Dados
Modelagem de Banco de Dados
Análise Descritiva, Preditiva e Diagnóstica
🚖 PROJETO: ANÁLISE DE CORRIDAS DE TÁXI – WEBSCRAPING, PIPELINE E DASHBOARD
Ferramentas e Bibliotecas: Python (pandas, numpy, pyarrow, datetime, matplotlib, seaborn), Power BI
Descrição do Projeto:
Utilizando dados públicos de táxis de Nova York, desenvolvi um projeto completo de automação e análise de dados. Criei um processo de web scraping em Python para automatizar o download dos arquivos, seguido por um pipeline de tratamento e padronização dos dados, também em Python. Os dados foram convertidos para o formato Parquet, garantindo uma leitura mais rápida e eficiente no Power BI. A análise explora aspectos como duração das corridas, tipo de pagamento, localização de embarque e desembarque, além do comportamento de gorjetas e entre outras análises.
🔍 Valor dos insights:
Planejamento de frota e operação por região e horário
Análise de comportamento do cliente (gorjetas, frequência)
Apoio à gestão urbana e transporte
📌 Perguntas de negócio que o projeto responde:
Quais são os horários de maior movimento de corridas?
Existe sazonalidade no volume de corridas?
Quais áreas da cidade concentram mais corridas?
A gorjeta média varia por região ou horário?
Qual o ticket médio das corridas e como ele evolui com o tempo?
🎯 Impacto potencial:
Empresas de mobilidade, delivery e logística podem utilizar esse tipo de análise para otimizar rotas, turnos e campanhas locais. Gestores públicos também podem se beneficiar na avaliação de transporte urbano.
Fonte dos dados:
📺 PROJETO: NETFLIX ANALYSIS - PIPELINE E DASHBOARD
Ferramentas e Bibliotecas: Python (pandas, numpy, unidecode, matplotlib, seaborn), Power BI
Descrição do Projeto:
Desenvolvi um pipeline em Python para limpar e estruturar os dados de produções da Netflix. Após o tratamento, a base foi visualizada no Power BI com análise por país, gênero, nota e linha do tempo de lançamentos.
🔍 Valor dos insights:
Compreensão da estratégia de conteúdo da plataforma
Identificação de tendências globais de audiência
Suporte à expansão internacional de catálogo
📌 Perguntas de negócio que o projeto responde:
Quais países mais lançam conteúdo original?
Há concentração de determinados gêneros em algumas regiões?
Como evoluiu o volume de lançamentos ao longo do tempo?
Quais gêneros têm melhor avaliação média?
🎯 Impacto potencial:
Esse tipo de análise pode ser usado por equipes de conteúdo, marketing ou dados em empresas de mídia para direcionar decisões de catálogo, distribuição e promoção. Também demonstra domínio na preparação e visualização de dados reais.
Fonte dos dados:
🧪 PROJETO: ANÁLISE DE AGENDAMENTOS EM LABORATÓRIOS
Ferramentas: Power BI e Excel
Descrição do Projeto:
Análise com base estruturada de agendamentos médicos criada do zero em excel com agendamentos fictícios. Para a análise criei um dashboard que exploram padrões de faltas, agendamentos falsos e comparecimento por tipo de exame e unidade.
🔍 Valor dos insights:
Apoio à redução do absenteísmo
Otimização do agendamento e uso de recursos
Melhoria da experiência do paciente e da previsibilidade operacional
📌 Perguntas de negócio que o projeto responde:
Quais unidades têm maior taxa de falta?
Há dias ou horários com mais agendamentos falsos?
Qual o perfil dos exames com maior não comparecimento?
É possível prever a demanda futura com base no histórico?
O laboratório está operando próximo à sua capacidade?
🎯 Impacto potencial:
Esse tipo de análise ajuda laboratórios a melhorar a eficiência do atendimento, reduzir desperdícios com horas ociosas e elevar a experiência do paciente com um fluxo mais fluido e confiável.
Fonte dos dados:
📍 PROJETO: GEOLOCALIZAÇÃO POR CEP COM CÁLCULO DE DISTÂNCIA ENTRE PONTOS
Ferramentas e Bibliotecas: Python (pandas, requests, geopy, unidecode), APIs Nominatim e ViaCEP
Descrição do Projeto:
Criei um pipeline em Python para obter latitude/longitude de uma base de endereços via API. O sistema usa fallback entre duas APIs e calcula a distância entre pontos, considerando a distância em linha reta para adquirir a curvatura terrestre no cálculo.
🔍 Valor dos insights:
Entendimento da distribuição geográfica dos colaboradores em relação ao escritório
Apoio à definição de políticas de trabalho presencial e híbrido
Identificação de regiões com maior concentração de colaboradores para futuras decisões de infraestrutura ou mobilidade
📌 Perguntas de negócio que o projeto responde:
Qual é a distância média entre os colaboradores e o escritório?
Quais regiões estão fora do raio considerado ideal para trabalho presencial?
É possível priorizar novas unidades ou flexibilizar o modelo de trabalho com base na localização dos colaboradores?
Onde estão concentrados os maiores grupos de colaboradores da empresa?
🎯 Impacto potencial:
Empresas podem utilizar esse tipo de análise para otimizar políticas de trabalho presencial e híbrido, reduzir o tempo de deslocamento dos colaboradores, aumentar o engajamento e bem-estar, além de embasar decisões estratégicas sobre relocalização de escritórios, implantação de hubs regionais ou incentivos de mobilidade.
Visualização dos dados:
CONTATOS
CONTATOS
LinkedIn: http://linkedin.com/in/daniela-dartibali-elias-529022201
E-mail: danieladartibali.sp@hotmail.com
Telefone e Whatsapp: (11) 97360-9403
Page updated
Google Sites
Report abuse