Olá, me chamo Matheus, sou engenheiro mecâncico formado pela UniEvangélica e cientista de dados certificado pela Data Science Academy e atualmente trabalho como Analista Administrativo. Além das atividades que desenvolvo dentro da empresa procuro realizar projetos práticos de data science como forma de estudo, com abordagens que me permitam explorar diferentes tipos de problemas enfrentados pelas empresas, propondo soluções através de ferramentas de Data Analytics como geração de insights e uso de Machine Learning. Os detalhes de cada projeto podem ser encontrados na seção abaixo.
Como profissional busco sempre estar aprendendo coisas novas de uma forma independente que possam agregar valor ao meu trabalho e aos meus estudos. Em meus projetos de ciência de dados procuro desenvolver soluções relevantes e eficientes para melhorar os resultados da empresa.
-
Coleta de dados:
-
Processamento e análise de dados:
-
Desenvolvimento:
-
Machine Learning:
( Classificação, Regressão, Clusterização)
-
Machine Learning Deployment:
Projeto para realizar uma previsão de vendas para uma rede de lojas para as 6 semanas futuras, utilizando algoritmos de machine learning e técnicas de regressão. Através do contexto de negócio buscou-se estudar os dados e entender seus impactos e assim poder modelá-los para realizar previsões e posteriormente analisar os resultados e os impactos causados no negócio com a aplicação da solução proposta. A performance do modelo resultaria em uma previsão de retorno de $286.841.799,00 de acordo com o modelo de negócios da empresa descrito na definição do problema. Os resultados do modelo podem ser acessados a partir de uma chamada via API ou diretamente pelo aplicativo de mensagens Telegram, através de um bot que retorna as predições do modelo.
Projeto com objetivo de usar dados de transações financeiras para, usando algoritmos e técnicas de machine learning, detectar fraudes e assim evitar que a empresa perca parte da receita com a indenização de clientes. Através de análises e estudo dos dados buscou-se entender quais fatores e atributos mais impactavam e quais características poderiam caracterizar uma fraude. Com uma detecção mais acertiva de atividades fraudulentas é possível obter um retorno finaceiro maior para a empresa e uma maior qualidade do serviço e segurança para os clientes. A performance obtida com o modelo resultaria em um lucro de $24.014.962,75, de acordo com o modelo de negócios da empresa descrito na definição do problema.
O projeto trata-se de uma análise sobre os leitos hospitalares no estado de Goias obtidos a partir do repositório DATASUS, observando a distribuição da capacidade hospitalar total durante os anos de 2019 a 2022, a evolução e declínio de leitos antes, durante e após a pandemia, comparação da quantidade de Leitos Totais e SUS. Será criado um dashboard acompanhando o período de Janeiro de 2019 a Novembro de 2022, mostrando os valores totais de Leitos Existentes, Leitos SUS e não SUS por Município.
Projeto o qual utiliza dados de uma seguradora de saúde que realizou uma pesquisa para verificar o interesse dos clientes em um possível seguro de automóvel. O objetivo então é analisar e estudar os dados para conseguir classificar e rankear os clientes de acordo com seu interesse, para que os clientes com maior probabilidade de adquirir o seguro sejam priorizados e colocados nas primeiras posições do ranking. Deste modo, otimizando o processo de contato da equipe comercial e auxiliando na tomada de decisões mais acertivas. Como resultado foi obtido uma performance que resultaria em uma assertividade quase 3 vezes maior do que com o uso de algum método aleatório para selecionar os clientes, de acordo com o modelo de negócios da empresa descrito na definição do problema. Os resultados do modelo podem ser acessados através de uma planilha do Google Sheets.
Projeto com intuito de criar uma ferramenta que dê uma previsão do valor de aluguel de imóveis na região Sudeste do Brasil, afim de agilizar as avalições para corretores imobiliários, sem que seja necessária a visita ao imóvel, fornecendo os dados necessários para a solução.