Projetos de Data & Analytics
Analytics engineering, machine learning e análise estatística — do dado bruto ao modelo limpo e ao insight acionável.
E-Commerce Data Platform — Olist Brazil
Pipeline de dados end-to-end sobre 100 mil+ pedidos reais do mercado brasileiro (Olist). PostgreSQL + dbt com 4 camadas de modelos: staging → intermediate → marts. Segmentação RFM, retenção por coortes, tendências de receita e desempenho de vendedores — tudo em SQL puro. Análise e documentação em português (C1). CI/CD com GitHub Actions.
-- mart_rfm_segmentation.sql (dbt model)
WITH rfm_base AS (
SELECT
customer_unique_id,
DATEDIFF('day', MAX(order_purchase_timestamp),
CURRENT_DATE) AS recency,
COUNT(DISTINCT order_id) AS frequency,
SUM(payment_value) AS monetary
FROM {{ ref('int_orders_enriched') }}
WHERE order_status = 'delivered'
GROUP BY 1
),
rfm_scores AS (
SELECT *,
NTILE(5) OVER (ORDER BY recency DESC) AS r_score,
NTILE(5) OVER (ORDER BY frequency) AS f_score,
NTILE(5) OVER (ORDER BY monetary) AS m_score
FROM rfm_base
)
SELECT *,
CASE
WHEN r_score >= 4 AND f_score >= 4 THEN 'Champions'
WHEN r_score >= 3 AND f_score >= 3 THEN 'Loyal'
WHEN r_score >= 4 AND f_score <= 2 THEN 'New Customers'
WHEN r_score <= 2 AND f_score >= 3 THEN 'At Risk'
ELSE 'Hibernating'
END AS segment
FROM rfm_scoresAthlete Performance Monitor — Demo Dataset
Dataset sintético de 6.500+ medições CMJ/IMTP gerado em Python. Faker + numpy com distribuições calibradas na literatura de sport science. Sistema de alertas neuromusculares com limiares dinâmicos p25/p75 e média móvel de 5 avaliações. IDs com hash desde a origem — zero dados pessoais reais.
# Distribuciones calibradas con normas publicadas
SPORTS = {
"Fútbol": {"cmj": (42, 6), "imtp": (1_800, 300)},
"Rugby": {"cmj": (45, 7), "imtp": (2_200, 350)},
"Atletismo": {"cmj": (50, 8), "imtp": (2_000, 300)},
"Basketball": {"cmj": (55, 8), "imtp": (1_900, 300)},
}
def hash_id(raw: str) -> str:
return "ATH" + hashlib.sha256(raw.encode()).hexdigest()[:6].upper()
# Faker genera nombre → se hashea → nombre descartado
raw_name = fake.name()
athlete_id = hash_id(raw_name + sport) # único, anónimo
# Fatiga modelada como ruido multiplicativo ±7%
fatigue = float(rng.normal(1.0, 0.07))
jump_h = max(15.0, base_cmj * fatigue + rng.normal(0, 1.5))
max_force = max(500.0, base_imtp * fatigue + rng.normal(0, 30))
967 atletas · 13 esportesPerformance Monitoring System — Ivolution
967 atletas monitorados em 13 esportes. Alertas de três estados (SUPERCOMPENSAÇÃO / ATENÇÃO / FADIGADO) com limiares dinâmicos por percentil (p25/p75), 10.000+ medições registradas e suporte multilíngue ES/EN/PT. O sistema continua em operação após minha saída — principal ferramenta de decisão da organização.
-- athlete_fatigue_alerts.sql (BigQuery + dbt)
WITH athlete_baseline AS (
SELECT
athlete_id,
exercise_type,
PERCENTILE_CONT(max_force, 0.25)
OVER (PARTITION BY athlete_id, exercise_type) AS p25,
PERCENTILE_CONT(max_force, 0.75)
OVER (PARTITION BY athlete_id, exercise_type) AS p75
FROM {{ ref('stg_measurements') }}
WHERE eval_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)
),
latest_eval AS (
SELECT DISTINCT ON (athlete_id, exercise_type)
athlete_id, exercise_type, max_force, eval_date
FROM {{ ref('stg_measurements') }}
ORDER BY athlete_id, exercise_type, eval_date DESC
)
SELECT
l.athlete_id,
l.exercise_type,
l.max_force,
b.p25, b.p75,
CASE
WHEN l.max_force >= b.p75 THEN 'SUPERCOMPENSACIÓN'
WHEN l.max_force <= b.p25 THEN 'FATIGADO'
ELSE 'ATENCIÓN'
END AS estado
FROM latest_eval l
JOIN athlete_baseline b USING (athlete_id, exercise_type)Segmentação de Usuários — Email Marketing
Segmentação não supervisionada sobre 212.292 registros reais de campanhas de e-mail. Aplica K-Means e MiniBatchKMeans com análise de Silhouette Score para encontrar o k ideal (6 segmentos). Redução de dimensionalidade com PCA para visualização. Saída: arquivo Excel com a atribuição de cluster e recomendações de estratégia personalizadas por segmento.
from sklearn.cluster import MiniBatchKMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
import pandas as pd
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[features])
# Silhouette analysis to find optimal k
scores = {}
for k in range(2, 11):
model = MiniBatchKMeans(n_clusters=k, random_state=42)
labels = model.fit_predict(X_scaled)
scores[k] = silhouette_score(X_scaled, labels, sample_size=5000)
optimal_k = max(scores, key=scores.get) # k=6
final_model = MiniBatchKMeans(n_clusters=optimal_k, random_state=42)
df['cluster'] = final_model.fit_predict(X_scaled)
# Cluster profiling
profile = df.groupby('cluster')[features].mean()
profile['size'] = df['cluster'].value_counts()IBM HR Analytics — Previsão de Turnover
Análise end-to-end do dataset oficial da IBM com 1.470 funcionários. Identifica os fatores de maior impacto na rotatividade usando Random Forest com matriz de confusão e métricas de classificação. Segmentação com K-Means e visualização de clusters com PCA. Gera insights acionáveis para reduzir o churn de RH.
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import pandas as pd
X = df.drop(columns=['Attrition'])
y = df['Attrition'].map({'Yes': 1, 'No': 0})
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42
)
rf = RandomForestClassifier(
n_estimators=200,
class_weight='balanced',
random_state=42
)
rf.fit(X_train, y_train)
print(classification_report(y_test, rf.predict(X_test)))
# Top drivers of attrition
importances = pd.Series(
rf.feature_importances_, index=X.columns
).sort_values(ascending=False)
# OverTime, MonthlyIncome, Age top 3NLP & Sentiment Analysis — Yelp Reviews
Pipeline completo de Processamento de Linguagem Natural sobre 27.290 avaliações reais do Yelp (2005–2015). Análise de sentimento com TextBlob, topic modeling com LDA (5 temas: restaurantes, hotelaria, varejo, comida casual, cozinhas especiais) e clustering semântico com K-Means sobre matriz TF-IDF. Insight principal: avaliações mais longas tendem a ser mais negativas.
from textblob import TextBlob
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import LatentDirichletAllocation
# Sentiment analysis
df['sentiment'] = df['text'].apply(
lambda x: TextBlob(x).sentiment.polarity
)
df['label'] = pd.cut(df['sentiment'],
bins=[-1, -0.1, 0.1, 1],
labels=['negative', 'neutral', 'positive']
)
# Topic modeling with LDA
vectorizer = TfidfVectorizer(max_features=5000, stop_words='english')
X = vectorizer.fit_transform(df['text_clean'])
lda = LatentDirichletAllocation(n_components=5, random_state=42)
lda.fit(X)
# Key insight: longer reviews → more negative sentiment
# corr(len(text), sentiment) = -0.18Pipeline de Pré-processamento — Weather AUS
Pipeline robusto sobre o dataset climático da Austrália do Kaggle. Imputação estratégica de valores ausentes, encoding de variáveis categóricas, feature engineering e padronização com StandardScaler. Base sólida e reproduzível, pronta para qualquer modelo de classificação de chuva.
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.compose import ColumnTransformer
num_pipeline = Pipeline([
('imputer', SimpleImputer(strategy='median')),
('scaler', StandardScaler()),
])
cat_pipeline = Pipeline([
('imputer', SimpleImputer(strategy='most_frequent')),
('encoder', LabelEncoder()),
])
preprocessor = ColumnTransformer([
('num', num_pipeline, numerical_cols),
('cat', cat_pipeline, categorical_cols),
])
X_train_processed = preprocessor.fit_transform(X_train)
X_test_processed = preprocessor.transform(X_test)
# Ready for any classifier — no leakageHouse Price Prediction — Kaggle
Modelo de regressão sobre o clássico dataset do Kaggle com mais de 80 features de imóveis residenciais. Pipeline completo: EDA, imputação de nulos, encoding, seleção de features e modelagem. Competição clássica de regressão supervisionada com SalePrice como variável alvo.
import numpy as np
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score
# Feature engineering
df['TotalSF'] = df['TotalBsmtSF'] + df['1stFlrSF'] + df['2ndFlrSF']
df['HouseAge'] = df['YrSold'] - df['YearBuilt']
df['RemodAge'] = df['YrSold'] - df['YearRemodAdd']
df['HasGarage'] = (df['GarageArea'] > 0).astype(int)
df['HasPool'] = (df['PoolArea'] > 0).astype(int)
# Log-transform skewed target
y_log = np.log1p(df['SalePrice'])
# Ridge regression with CV
model = Ridge(alpha=10)
scores = cross_val_score(model, X, y_log, cv=5, scoring='r2')
print(f"CV R² mean: {scores.mean():.4f}") # ~0.84Spotify Music Analysis — EDA
Análise exploratória de 2.000 músicas do Spotify (1998–2020) com 59 gêneros musicais. Correlação entre features de áudio: danceability, energy, valence, tempo, instrumentalness. Visualizações de tendências de popularidade por gênero e da evolução temporal das características musicais.
import seaborn as sns
import matplotlib.pyplot as plt
audio_features = [
'danceability', 'energy', 'valence',
'tempo', 'instrumentalness', 'acousticness'
]
# Correlation heatmap
corr = df[audio_features + ['popularity']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', center=0)
# Popularity trend by decade
df['decade'] = (df['year'] // 10) * 10
trend = df.groupby('decade')['popularity'].mean()
# Key findings:
# energy ↑ → valence ↑ (r=0.39)
# instrumentalness ↑ → popularity ↓ (r=-0.28)
# acousticness ↑ over 2010–2020 (+12%)Jupyter Notebooks & mais análises
Explore todos os meus notebooks e projetos de análise de dados no GitHub.