Linguagens de Programação e Banco de Dados
- Python e PySpark com foco em análise de dados
- SQL e SAS para extração de dados
- Spark, Banco de Dados SQL Server, PostgreSQL, MySQL e Hadoop
Meu nome é Victor, sou formado em Engenharia de Produção e trabalho com Business Analytics na Porto.
Atuo na Porto desenvolvendo painéis de indicadores da área de Sinistro Auto e realizando estudos analíticos ad-hoc com embasamento estatístico.
Trabalhei na Riachuelo Midway desenvolvendo soluções analíticas e produtos de dados, como modelos de propensão para oferta de produtos financeiros, a fim de melhorar a jornada e experiência do cliente.
Atuei por mais de 3 anos nas empresas do Grupo Itaú em projetos baseados em dados nas áreas do jurídico trabalhista, infraestrutura e manutenção das agências, logística, produtos de meios de pagamento e retenção de clientes. Também fui multiplicador e instrutor de SQL no programa de formação de estagiários no Itaú e Rede.
Além disso, trabalho com projetos pessoais sobre Ciência de Dados para adquirir cada vez mais experiência na solução de problemas de negócio e maior domínio sobre as ferramentas de análise de dados, técnicas de machine learning, estatística e visualização de dados.
Construção de soluções de dados para problemas de negócio, próximos dos desafios reais das empresas, utilizando dados públicos de competições de Ciência de Dados, onde eu abordei o problema desde a concepção do desafio de negócio até a publicação do algoritmo treinado em produção, utilizando ferramentas de Cloud Computing.
Saiba mais ao final desta página.
Criação, manutenção e monitoramento de painéis de indicadores gerenciais das áreas envolvidas no Sinistro. Desenvolvimento de um modelo de árvore de decisão para entendimento dos atributos do negócio mais relevantes para a nota de NPS dos clientes. Estudos analíticos ad-hoc para as áreas envolvidas no Sinistro e automatização de processos de ETL.
Desenvolvimento de modelos de propensão utilizando técnicas de Machine Learning para oferta de produtos financeiros aos clientes. Estudos analíticos ad-hoc. Execução, manutenção e monitoramento de modelos, processos e indicadores utilizados pela equipe de CRM.
Construção de painel indicadores de churn e mensuração dos impactos das iniciativas Rede na retenção de clientes, realização de estudos analíticos ad-hoc.
Desenvolvimento de um modelo de propensão à contratação de produtos utilizando técnicas de machine learning, realização de segmentação de clientes e outros estudos analíticos ad-hoc.
Instrutor de SQL do ciclo básico do programa de formação de estagiários e multiplicador da AcademiaOPS do Itaú.
Construção de um modelo de clusterização das agências, desenvolvimento de relatórios analíticos, criação de template da RFI e RFQ junto à área de Compras, análise de cenários das precificações dos fornecedores e criação de dashboard dos cenários.
Mapeamento dos processos logísticos, realização de benchmarking e visitas técnicas nos CDs, estudos analíticos para identificação de oportunidades, revisão e padronização dos contratos logísticos. Projeto top 3 do prêmio Pessoas Que Fazem a Diferença (PQFD).
Construção do painel de indicadores, cálculo de benefício do projeto, sustentação e melhorias do pipeline de dados (ETL), acompanhamento da operação assistida do modelo analítico.
Construção e operacionalização da ferramenta de precificação, construção do pipeline de dados (ETL) para cálculo dos indicadores e benefício do projeto, construção do painel de indicadores, acompanhamento da operação assistida do modelo analítico e sustentação do modelo.
Aplicação de algoritmos de Classificação para calcular a propensão de compra de cada cliente de uma seguradora à contratar um segundo seguro. Retornando para o time de negócio uma lista priorizada do cliente mais propenso até o menos propenso para ofertar o produto. O modelo sugerido é 2.66x melhor do que a lista aleatória de oferta.
Construção de um algoritmo de Machine Learning para prever vendas com 6 semanas de antecedência em uma rede de farmácias da Europa. O algoritmo de Regressão treinado possui 9,6% de MAPE.
Identificação de imóveis abaixo do preço médio de venda e definição do preço ideal de revenda, a partir de uma análise exploratória de dados em Python.
Sinta-se à vontade para entrar em contato: