Data Science @ FIAP — Machine Learning aplicado à decisão de negócio, com o pipeline inteiro: do EDA e da engenharia de atributos até o serviço em produção, o orquestrador e o dashboard.
O que me interessa é a pergunta depois do modelo: vale a pena agir sobre essa previsão, para este cliente?
Sistema que prioriza a ação de retenção por lucro esperado, não por threshold de probabilidade.
| Modelo | XGBoost vs Regressão Logística, CV estratificada, desbalanceamento por scale_pos_weight |
| PR-AUC | 0,969 (logística: 0,77) — classe rara de 16%, então acurácia seria enganosa |
| Explicabilidade | SHAP global e local por cliente, com código único entre treino e serviço |
| Decisão | CLV (margem, juros, anuidade) → política lift · p · CLV > custo por cliente |
| Resultado | EV ≈ $20,7k por cliente vs $19,0k do melhor corte global — e "reter todo mundo" é o pior caso |
| Stack | FastAPI · Supabase · n8n · Docker · Streamlit · pytest (67 testes) |
Dois detalhes de engenharia que a maioria dos projetos ignora: a mesma função de features roda no treino e no servidor (elimina train/serve skew), e o laudo SHAP é gravado por rodada do lote, então nunca fica defasado do modelo que gerou o score.
Pipeline de dados end-to-end com coleta contínua e relatório automatizado:
OpenWeather API → Apache Airflow (Docker) → Supabase/PostgreSQL
→ Streamlit + Plotly → Flask/ngrok → n8n (e-mail diário)
Segmentação de glioma em ressonância magnética (BraTS 2021) com U-Net 3D: treino, avaliação, visualização dos volumes estimados e app web local para upload de exame.
Ferramenta de estudo e pesquisa. Não é um dispositivo médico e não substitui avaliação clínica.
| Repositório | O que é |
|---|---|
| Analise-de-Marketing-VW | Marketing analytics em BigQuery + Power BI: CTR, CPC, CPM, ROAS, ROI, LTV e comparação de funis A/B |
| olist-ecommerce-analytics | Análise de vendas e customer experience do e-commerce brasileiro (SQL + Power BI) |
| crm-sales-eda | EDA e diagnóstico de saúde do pipeline de vendas (Jupyter) |
| SAC-DASHBOARD-PBI | Dashboard de Customer Service Analytics (Power BI) |
| teste_ab_projeto | Teste A/B de campanhas — WIP, a análise comparativa não está concluída |
Machine Learning XGBoost · SHAP · scikit-learn · Statsmodels · PyTorch (U-Net 3D) · pandas · NumPy Engenharia FastAPI · Flask · Apache Airflow · Docker · PostgreSQL · Supabase · n8n Dados e BI SQL · BigQuery · Power BI · Tableau · Streamlit · Plotly Prática pytest · Git · Linux
- Análise de sobrevivência (Kaplan–Meier / Cox) para estimar quando o cliente sai, não só se sai.
- Calibração de probabilidades e auditoria de fairness por gênero, idade e renda.
- Contextualização Brasil do domínio: concorrência de bancos digitais, portabilidade, cartão sem anuidade, com os valores em R$.
E-mail: LinkedIn: