LinkedInGitHubMedium

Bem vindo! 

Atualmente, Analista de Dados Freelancer e em busca de novas oportunidades. Sou graduado em Engenharia de Produção e apaixonado por processos e soluções, busco mostrar insights e segredos que os dados podem revelar sobre sobre negócios. 

Linguagens e Ferramentas

GitHubGitHubGitHubGitHubGitHubGitHub

Projetos

Analisando as Vendas da Maven Roasters

Com três unidades em Nova Iorque, a equipe da Maven Roasters solicitou uma análise do desempenho comercial da empresa no primeiro semestre de 2023. Para atender à demanda, utilizei consultas em SQL para responder a questões de negócio e, em seguida, desenvolvi um dashboard no Microsoft Power BI, permitindo um monitoramento detalhado e de alto nível dos resultados.

Ferramentas: SQL, DAX, Microsoft Power BI

Previsão de Churn em uma Empresa Telefônica

A retenção de clientes é um dos principais desafios do setor de telecomunicações globalmente. Para solucionar esse problema, desenvolvi um aplicativo web interativo com a biblioteca Streamlit, capaz de prever a probabilidade de cancelamento (churn) de contratos por meio de um modelo de Machine Learning. Além disso, elaborei um relatório analítico com insights estratégicos sobre os padrões de churn na empresa Telco Telecom, auxiliando na tomada de decisões.

Ferramentas: Python, Streamlit, Scikit-learn, CatBoost

Modelando um Data Warehouse para a Astarte Mining Co.

Com base em dados sintéticos gerados para simular o contexto operacional da Astarte Mining Company — empresa de mineração com atuação no Brasil —, projetei um Data Warehouse utilizando modelagem dimensional, garantindo uma estrutura organizada para análise de dados. Além disso, elaborei um dashboard para monitoramento em tempo real das atividades de manutenção, permitindo a identificação de padrões e a otimização de processos na operação.

Ferramentas: Python, PostgreSQL, Microsoft Power BI, dbt

Predição de Preços de Imóveis em São Petersburgo

São Petersburgo, a segunda maior cidade da Rússia, foi o cenário deste projeto. Com base em um dataset detalhado sobre o mercado imobiliário local, desenvolvi um modelo de regressão para prever o preço de imóveis com base em suas características relevantes, alcançando um erro médio absoluto (MAE) de apenas 14,23%. O modelo foi otimizado para oferecer alta precisão e auxiliar na avaliação estratégica de propriedades na região.

Ferramentas: Python, Scikit-learn, XGBoost

Contatos