Previsão de Vendas para a rede de farmácias Rossmann 💵
Projeto idealizado com o objetivo de desenvolver um modelo de Machine Learning de Regressão capaz de realizar a previsão de vendas pelas próximas 6 semanas da rede de farmácias Rossmann, de modo que o CFO provisione o valor que será investido por cada unidade de loja em um futuro processo de reforma. Como resultado final, tivemos umas predição do valor de venda de R$ 286,988,384.00 podendo variar entre R$ 287,742,483.83 ( Melhor cenário ) e R$ 286,234,315.47 ( Pior cenário ).
As ferramentas utilizadas foram:
- Git, Gitlab e Github
- Python, Pandas, Matplotlib e Seaborn
- Jupyter Notebook
- Random Forest Regressor, XGBoost Regressor, Cross Validation
- Conexão com Bot no Telegram via API
- Render Cloud
Previsão do Churn de clientes da empresa bancária TopBank 🔥
Projeto idealizado com o objetivo de desenvolver um modelo de Machine Learning de Classificação capaz de realizar a previsão do churn dos clientes da empresa TopBank, de modo que haja a maximização do ROI ( Return on Investiment ) por meio de estratégias estabelecidas após a análise profunda do problema. Como resultado final, obtivemos um valor de lucro, como média entre os cenários analisados, de R$ 2.785.202,00, o que representa um ROI de 361%.
As ferramentas utilizadas foram:
- Git, Gitlab e Github
- Python, Pandas, Matplotlib e Seaborn
- Análise de gráficos como Confusion Matrix, Curva ROC, Curva de Ganho Acumulativo e Curva Lift
- Jupyter Notebook
- Power BI
- Random Forest Classifier e XGBoost Classifier
- Render Cloud
Análise de Sentimentos: Detecção de Manchetes de Notícias Sarcásticas 📰
Nesse projeto, uma empresa de comunicação nomeada como BuzzFeed busca maneiras de realizar o diagnóstico de sarcasmo em suas manchetes de notícias, de modo a evitar possíveis desentendimentos dos leitores em algumas manchetes sarcásticas. Para cumprir o objetivo, foi utilizado técnicas de Processamento de Linguagem Natural (PLN) e Machine Learning, como o Word2Vec Embedding e Redes Neurais Recorrentes LSTM Bidirecionais. O modelo final escolhido apresentou excelentes métricas, como uma acurácia e AUC de 83%. Ademais, a consulta para detecção de títulos sarcásticos pode ser feita via Streamlit.
As ferramentas utilizadas foram:
- Git, Gitlab e Github
- Python, Pandas, Matplotlib, Seaborn e WordCloud
- Jupyter Notebook
- Lemmatization e Word2Vec Embedding
- MaxPooling1D e Bidirectional LSTMs
- Aprendizado profundo
- Análise de gráficos como Confusion Matrix e Curva ROC
- Streamlit Cloud
Programa VIP - Segmentação de clientes utilizando técnicas de Clusterização 🧍🏻
Projeto realizado com o foco na determinação do grupo de clientes mais relevantes financeiramente para um e-commerce de acordo com as definições modelo RFM. Nesse sentido, foram utilizados diversas técnicas de Clusterização em Machine Learning. Os produtos de dados desenvolvidos foram uma lista com a dados de todos os clientes e seus clusters, um relatório com questões abordadas pelo time de marketing e um dashboard no Metabase alimentado com dados atualizados através de serviços da AWS. A solução desenvolvida apresenta um grupo, formado por 7,2% da base de clientes, que detem 40,20% do faturamento total da empresa, e um faturamento médio de $15.332.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib, Seaborn e SilhouetteVisualizer
- Conceitos do modelo RFM
- Técnicas de Redução de Dimensionlidade (PCA, UMAP, t-SNE e Tree-based Embedding)
- Algoritmos de Clusterização (K-Means, Gaussian Mixture Model, Hierarchical Clustering e DBSCAN)
- Métricas de Performance de Algoritmos (Silhouette Score)
- Jupyter Notebook
- AWS Cloud, SQLite e Metabase
Sistema de Recomendação de Livros no Streamlit 📚
Projeto com objetivo de construir um sistema de recomendação de livros baseado no comportamento e preferências de cada usuário no que diz respeito ao histórico de compras e interações com livros. Foi utilizado técnicas de recomendação e Machine Leaning, como NearestNeighbours e Cossine Similarity. O modelo final escolhido foi a técnica de similaridade de cossenos, por ser mais simples ( não requer treinamento ) e apresentar alta eficiência computacional. A visualização de nomes e imagens de livros recomendados pode ser vista via Streamlit.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib, Seaborn
- Nearest Neighbors
- Cossine Similarity
- Jupyter Notebook
- Streamlit Cloud
Ranqueamento de Clientes para uma empresa de Seguros 🚙
Projeto idealizado com o objetivo de ajudar uma empresa de seguros de saúde no ranqueamento dos principais clientes em potencial para comprar um novo tipo de seguro para a empresa ( carro ) e, portanto, fazer um Cross-Sell. Para tanto, foi utilizado técnicas de Machine Learning e Learn to Rank, de modo que seja possível a consulta de uma lista de clientes com maior probabilidade de adquirir o seguro de carro via Google Sheets, facilitando a estratégia de comunicação da empresa e otimizando seu negócio. Por fim, decidiu-se por fazer ligações apenas para uma parte da base de clientes com maior propensão de compra ( 46% ) e o lucro total foi de R$3.878.010,00, o que representa uma solução 1.44 vezes melhor do que ligar para 100% da base.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib e Seaborn
- Técnicas de Learn to Rank
- Random Forest Classifier e XGBoost Classifier
- Otimização de parâmetros com Optuna
- Google Sheets
- Render Cloud
Previsão da elasticidade de preço dos produtos de um e-commerce e visualização de possíveis cenários no Streamlit 📈
Projeto idealizado com o objetivo de estudar o conceito de elasticidade de preços e, portanto, a profunda relação entre demanda e preço dos produtos. Nesse sentido, foi desenvolvido um modelo de Machine Learning relacionado à regressão linear, capaz de prever o quanto é aceitável aumentar/diminuir o valor dos produtos, impactando a demanda, para tentar saber se conseguiríamos aumentar a receita. A visualização dos possíveis cenários após um desconto ou aumento no preço podem ser visualizados via Streamlit.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib, Seaborn e Statsmodels
- Conceitos de Estatística
- Análise de gráficos como barcharts
- Regressão linear
- Jupyter Notebook
- Streamlit Cloud
Desenvolvimento de um Dashboard Gerencial para um Marketplace de restaurantes Indiano com o Streamlit 🍴
Nesse projeto, os conceitos de Programação em python, manipulação de dados, pensamento estratégico e lógica de negócio, junto com ferramentas de desenvolvimento web como o Streamlit e Github, foram usados para desenvolver um painel gerencial com as principais métricas de uma empresa de marketplace de comida. O resultado final do projeto foi um painel hospedado em um ambiente Cloud que auxilia o CEO nas possíveis tomadas de decisão por meio de insights gerados a partir da análise. O projeto é disponibilizado através de um link. O painel pode ser acessado por qualquer dispositivo conectado na internet.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib, Seaborn e Plotly
- Conceitos de ETL
- Análise de gráficos como Sunburn, pie and barchart
- Jupyter Notebook
- Streamlit Cloud
MyGameHub: Seu Hub Definitivo para o Mundo dos Jogos 🕹️
Nesse projeto, desenvolvi uma aplicação web utilizando Streamlit, focada em fornecer uma experiência completa para entusiastas de games. A aplicação foi construída com uma stack que inclui Python, Streamlit e frameworks para manipulação de LLMs, como o LangChain. O principal produto desenvolvido foi um chatbot com Gen AI e RAG, capaz de responder dúvidas e fornecer recomendações sobre os jogos mais populares na Steam. A aplicação também integra análise de sentimento utilizando modelos pré-treinados para avaliar as reviews dos usuários. Além disso, o projeto inclui funcionalidades de registro de reviews, consulta de notícias atualizadas sobre o mundo dos games, e um sistema seguro de login/registro com armazenamento de dados no banco de dados PostgreSQL, garantindo uma experiência fluida e integrada para os usuários.
As ferramentas utilizadas foram:
- Git e Github
- Python, Pandas, Matplotlib e Plotly
- Streamlit
- LangChain, OpenAI e Transformers
- PostgreSQL
- Streamlit Cloud
Paris Housing Price Prediction Pipeline 🏠
Neste projeto, desenvolvi uma pipeline para desenvolvimento de um modelo preditivo capaz de estimar os preços de casas em Paris, utilizando uma abordagem baseada em machine learning. A aplicação foi construída utilizando Python e frameworks como Scikit-Learn, PyCaret, Pandas e KubeFlow para manipulação de dados e desenvolvimento do modelo. A pipeline de machine learning foi projetada para processar dados históricos de preços, características dos imóveis e dados demográficos, visando prever o valor de mercado das propriedades. O modelo foi treinado e otimizado para alcançar alta acurácia, alcançando excelentes valores em métricas como MAE, MSE e R2. Além disso, foi implementado um fluxo de CI/CD para treinamento contínuo do modelo, utilizando serviços do Google Cloud Platform como Cloud Functions para garantir a escalabilidade e a disponibilidade do serviço.
As ferramentas utilizadas foram:
- Git e Github
- Python e Pandas
- Scikit-learn, Pycaret e KubeFlow
- Ruff
- Cloud Storage, Cloud Functions e Vertex AI
- Google Cloud Platform
