Nessa página você vai conhecer um pouco da minha trajetória e as minhas habilidades em Ciência, Análise e Engenharia de Dados, Inteligência Artificial e Infraestrutura na Nuvem, através de projetos com dados públicos.
Sou formado em Ciência de Dados na Uninter e trabalho como Engenheiro de Dados Pleno na Sapiensia Tecnologia. Abaixo você vai conhecer quais ferramentas e habilidades que possuo para resolver problemas através de Ciência de Dados, Análise de Dados, Engenharia de Dados, Inteligência Artificial e Infraestrutura, além de algumas experiências profissionais. Sinta-se à vontade para entrar em contato através dos links no final da página.
DP-203
AZ-900
DP-900
Astronomer
Implementação de pipelines de dados, dashboards, LLMs especializadas e automações com Python na arquitetura Serverless. Experiência em Azure, incluindo planos de recuperação de desastres e certificações.
Desenvolvimento de software de processamento de dados, modelos de previsão de churn e pipelines de ingestão de dados utilizando Python e Google Cloud.
Pipeline de dados completo voltado para engenharia de dados, com ingestão automatizada de informações públicas de todos os deputados federais. Os dados incluem biografia, mandatos, despesas e atividade parlamentar, extraídos via API oficial. A arquitetura implementa uma abordagem moderna de ELT com Snowflake e dbt. A ingestão incremental diária é orquestrada com Airflow e armazenada no S3 em formato Parquet. Transformações seguem padrões robustos de modelagem dimensional (SCD Type 2). O projeto garante escalabilidade, automação e qualidade de dados ponta a ponta.
Este projeto utilizou a arquitetura de Data Lakehouse no Databricks para gerenciar dados em camadas (Raw, Bronze, Silver e Gold) e simular cenários de ingestão com CDC (Change Data Capture). Os dados, oriundos de um dataset do Kaggle, foram enriquecidos para criar um pipeline completo, desde ingestão até análise de negócios. Implementei governança de dados com Unity Catalog, orquestração com Databricks Workflows, e integração contínua via GitHub Actions. O projeto consolidou habilidades em pipelines de dados, automação e análise com a arquitetura Medallion, otimizando o uso de dados para insights e aplicações analíticas.
Neste projeto, explorei ferramentas de Inteligência Artificial do Azure para construir um chatbot especializado em Azure utilizando o GPT-4. Copiei os dados da documentação do Azure no GitHub para o Storage Account, utilizei o Azure AI Search para fazer embedding e indexação do conteúdo, e o Azure OpenAI para construção do chatbot em um App no Azure. O objetivo é fornecer respostas precisas e contextualizadas sobre serviços e funcionalidades do Azure.
Neste projeto, explorei ferramentas de Inteligência Artificial do Azure para reconhecimento óptico de caracteres (OCR), como o Azure Computer Vision e o Azure AI Document Intelligence. Utilizei Python para desenvolver um bot no Telegram que processa imagens enviadas pelo usuário, retornando o texto extraído e o intervalo de confiança para cada palavra reconhecida. Iimplementei configurações dinâmicas no bot, permitindo ajustar parâmetros como o nível de confiança mínima para aceitar palavras e a aplicação de pré-processamento. Esse projeto demonstra habilidades em integração com APIs, tratamento de imagens e criação de interfaces interativas com bots.
Fui semifinalista no Data Challenge Stone 2022. Nesse desafio da Stone, minha tarefa foi utilizar dados históricos de um programa de empréstimos desde 2019 até abril de 2022 de 14,7 mil clientes. O problema de negócio era relacionado ao acionamento dos clientes que estavam com pagamento atrasado. A pergunta a ser respondida foi: Qual a curva ideal de vezes que devemos acionar um cliente? Para respondê-la utilizei Python e Power BI para responder a pergunta com a análise de dados.
Usei Python para fazer um modelo de Machine Learning para prever as vendas de cada loja, das 3 mil cadastradas, nas próximas 6 semanas. O modelo foi colocado em produção e pode ser requisitado via API pelo Telegram, bastando apenas ter acesso à internet para utilizá-lo. O modelo teve previsão de 90% do valor real, possibilitando o CFO de tomar decisões baseadas no faturamento futuro de cada unidade da loja e assim, poder fazer investimentos sem prejuízos.
Usei Python para fazer um modelo de Machine Learning para fazer o ranqueamento dos clientes mais propensos a adquirir um novo produto (estratégia de cross sell). Com uma precisão de 33,5% para os 20.000 primeiros clientes da base, o time comercial é capaz de atingir os interessados com muito menos custo.
Usei Python para fazer um modelo de Machine Learning para encontrar os "Insiders", os melhores clientes da empresa. O objetivo desse projeto foi agrupar clientes com comportamentos parecidos para o time de negócios conseguir construir ações personalizada, baseadas nas características de cada cluster.
Eu usei Python e Power BI para fazer uma análise exploratória de dados e com isso confirmei ou não algumas hipóteses sobre o negócio, tendo como resultado insights para melhor performance do negócio. A análise teve como objetivo aumentar a receita da empresa fictícia, House Rocket, que funciona com a compra e venda de imóveis, encontrando os melhores momentos para se comprar ou vender o imóvel.