💻 Sobre Mim: Estudante de Análise e Desenvolvimento de Sistemas (2º semestre), com foco em aprender e aplicar conhecimentos em Python, lógica de programação, estruturas de dados, POO e Análise de Dados. Tenho noções iniciais de SQL e busco consolidar a prática por meio de projetos próprios, documentando minha evolução por aqui.
Esta seção apresenta alguns dos projetos que desenvolvi, demonstrando minhas habilidades em análise de dados e desenvolvimento de soluções baseadas em dados.
Este é meu primeiro projeto mais profissional, onde apliquei um pipeline completo de Data Science utilizando Python. O objetivo foi transformar dados brutos de vendas em insights acionáveis através de um sistema robusto e modular.
- Manipulação de Dados (Pandas): Carregamento, pré-processamento, limpeza e criação de métricas (ex:
Valor_Total_Venda). - Análise e Visualização (Matplotlib, Seaborn): Geração de insights por meio de agrupamentos e criação de gráficos claros para vendas por categoria, região e tendências mensais, com exportação para PNG.
- Persistência de Dados (SQLite): Implementação de um banco de dados para armazenamento e recuperação de informações, simulando um ambiente real de dados.
- Arquitetura POO: Estruturação do código em classes (
DataManager,DatabaseManager) para modularidade, escalabilidade e fácil manutenção.
Detalhes do Projeto:
- Acesse o Repositório Completo: Link para o repositório do projeto de E-commerce
- Explore a Documentação Detalhada (Jupyter Notebook): Link para o Jupyter Notebook no seu repositório
---
Este projeto foca na identificação e compreensão dos fatores que levam clientes a cancelar seus cartões de crédito em uma grande empresa. Utilizei Python para analisar dados de clientes e extrair insights acionáveis para estratégias de retenção.
- Identificar as principais razões por trás do aumento significativo no número de cancelamentos de cartões.
- Determinar quais perfis de clientes têm maior tendência a cancelar o cartão.
- Propor ações estratégicas para evitar o churn e minimizar prejuízos.
- Análise Exploratória de Dados (EDA): Visualização e interpretação de diversos atributos dos clientes (ex: categoria de cartão, tempo de cliente, inatividade, limite de crédito) para identificar padrões de cancelamento.
- Identificação de Fatores Chave: Descobri que a categoria do cartão (
Blue), o tempo de relacionamento (primeiros 35 meses), a inatividade, o número de contatos do banco e o limite de crédito são fatores críticos para o churn. - Recomendações Estratégicas: Com base nos insights, foram propostas soluções como revisão de benefícios, programas de retenção, ações de reativação para clientes inativos, otimização da comunicação e revisão da política de limites.
Detalhes do Projeto:
- Acesse o Repositório Completo: Link para o repositório do projeto de Churn
- Explore a Análise Detalhada (README do projeto): Link para o README do projeto de Churn
---
Este projeto concentra-se no desenvolvimento de um modelo de Machine Learning capaz de prever o preço de passagens aéreas, utilizando Python e bibliotecas como Pandas, Matplotlib, Seaborn e Scikit-learn. O objetivo principal é auxiliar na tomada de decisão estratégica para a compra de passagens, visando a otimização de custos.
- Construir um modelo preditivo robusto para estimar o preço de passagens aéreas com base em características do voo.
- Identificar os fatores mais influentes na precificação de passagens para fornecer insights de negócio acionáveis.
- Auxiliar empresas e indivíduos a planejar compras de passagens de forma mais econômica.
-
Análise Exploratória de Dados (EDA): Realizamos uma análise aprofundada para entender a distribuição dos preços e o impacto de fatores como companhia aérea, antecedência da compra (
days_left), horários de partida e chegada, cidades de origem e destino, e, principalmente, a classe do voo (Economy vs. Business).- Insights Chave: Descobrimos que a classe de voo é o fator com maior impacto (Business class é 8-9x mais cara); comprar com pouca antecedência encarece a passagem; e companhias aéreas como Vistara e Air India têm preços significativamente mais altos.
-
Pré-processamento de Dados: Aplicamos técnicas essenciais como transformação logarítmica na variável
price(para lidar com a assimetria), One-Hot Encoding para variáveis categóricas e escalonamento para variáveis numéricas. Uma etapa crucial foi a remoção da colunaflightpara reduzir a dimensionalidade e otimizar o modelo. -
Modelagem Preditiva: Desenvolvemos um modelo de Regressão Linear que, mesmo sendo um modelo linear simples, alcançou um R-quadrado (R2 Score) de mais de 91% na escala logarítmica. Na escala original dos preços, o modelo obteve um Erro Médio Absoluto (MAE) de aproximadamente R$ 4.573,64. Este MAE é um excelente resultado, considerando a ampla gama de preços das passagens, indicando que o modelo é altamente preciso para o contexto.
Detalhes do Projeto:
- Acesse o Repositório Completo: link para o repositório do projeto
- Explore a Análise Detalhada (README do projeto): LINK_PARA_O_README_DETALHADO_DO_PROJETO
- Confira o Código Fonte e a Metodologia Completa (Jupyter Notebook): LINK_PARA_O_JUPYTER_NOTEBOOK_DO_PROJETO
🌱 Atualmente aprendendo:
- Aprofundamento em Programação Orientada a Objetos e design de software.
- Técnicas avançadas de Análise e Visualização de Dados.
- SQL e otimização de consultas de banco de dados.
- Boas práticas de versionamento com Git para colaboração e organização de projetos.
💬 Vamos conectar! Aberto para colaborações e oportunidades de estágio onde eu possa contribuir e crescer como desenvolvedor.
