Problema de Negócio:

• A Olist encontrou um desafio na gestão das suas receitas devido a flutuações imprevistas nas vendas.
• Esperava-se vender mais nesta época do ano e fatores externos tornaram difícil para a empresa antecipar sua situação financeira.

Objetivos:

• Para resolver este problema, a utilização da metodologia de Séries Temporais univariada ARIMA é uma boa escolha para prever a receita das duas semanas seguintes.
• O objetivo principal é fornecer ao Olist modelos de previsão robustos, capazes de prever receitas para os próximos 14 dias.

Resultados:

• Em geral, os modelos produziram bons resultados com pequenos erros relativos.
• Os modelos Auto ARIMA e SARIMA se destacam por serem capazes de capturar os movimentos de oscilação dos dados no futuro.
• Munida de modelos de previsão e insights, a Olist pode prever receitas a fim de melhorar sua organização financeira, otimizar os recursos necessários e planejar investimentos para o futuro.

Ferramentas Utilizadas:

• Decomposição sazonal
• Augmented Dickey-Fuller (ADF) e Kwiatkowski-Phillips-Schmidt-Shin (KPSS)
• Função de Autocorrelação (ACF) e Função Parcial de Autocorrelação (PACF)
• Auto ARIMA, ARIMA e SARIMA

Veja o projeto completo no GitHub: GitHub

Leia sobre o processo do projeto no Medium (english): Medium

Contexto:

• Neste projeto fictício, exploro a elasticidade-preço da demanda por laptops e computadores.
• A análise emprega princípios fundamentais de elasticidade de preços para descobrir insights que possam orientar a tomada de decisões estratégicas

Objetivos:

• Escolher a categoria mais vendida da loja com mais vendas para aplicar a análise
• Entender como as variações de preços impactam a demanda do consumidor por produtos elásticos

Resultados:

• Análise Exploratória de Dados com vários insights
• Tabela com nomes dos produtos elásticos, a renda que geram atualmente, a variação de faturamento que podem gerar em valores monetários e em porcentagem
• O projeto demonstra a importância da modelagem econômica para empresas

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn
• Análise Exploratória de Dados
• Statsmodels
• Streamlit App

Problema de Negócio:

• A loja de moda InStyle enfrenta desafios significativos em relação à experiência do cliente
• A equipe foi encarregada de treinar um algoritmo para classificar clientes entre "Satisfeito" e "Neutro ou Insatisfeito", prevendo clientes insatisfeitos para agir rapidamente e reverter o cenário

Objetivos:

• Gerar insights através dos dados
• Produzir informações visuais sobre a base de clientes
• Classificar e identificar clientes insatisfeitos através de um algoritmo de Machine Learning

Benefícios:

• Elevação da satisfação do cliente
• Fidelização e retenção
• Direcionamento eficiente de marketing
• Otimização de custos
• Otimização do fluxo de trabalho

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn
• Análise Exploratória de Dados
• Logistic Regression, RandomForestClassifier, XGBClassifier, LGBMClassifier
• Acurácia, Precisão, Recall, F1 Score, Classification Report e Matriz de Confusão
• Cross-Validation e Hyperparameter Tuning (RandomizerSearchCV)

Veja o projeto completo no GitHub: GitHub

Contexto de Negócio:

• Cardio Catch Disease é uma empresa de saúde especializada no diagnóstico de doenças cardiovasculares em estágios iniciais
• Seu modelo de negócio oferece esse diagnóstico precoce de doenças cardiovasculares por um determinado preço
• O problema é que a precisão do diagnóstico varia entre 55% e 65%, refletindo a sua complexidade e a limitada disponibilidade de médicos

Objetivos:

• Criar um modelo que melhore a precisão do diagnóstico de forma estável e eficiente para todos os clientes
• 1. Precisão do novo modelo
• 2. Qual a receita que o novo modelo retorna?
• 3. Quão confiáveis são os resultados da nova ferramenta?

Resultados alcançados:

• A precisão do modelo agora está em 75%
• Nova receita de $173.665.751,75
• O novo modelo gera um incremento de $68.665.751,75

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn
• Análise Exploratória de Dados
• Logistic Regression, ExtraTreesClassifier, RandomForestClassifier, LGBMClassifier
• Acurácia, Precisão, Recall, F1 Score, Classification Report e Matriz de Confusão
• Cross-Validation e Hyperparameter Tuning (RandomizerSearchCV)

Veja o projeto completo no GitHub: GitHub

Problema de Negócio:

• O CEO da rede de farmácias Rossmann planeja renovar as suas lojas pois a marca está passando por um rebranding, mas não sabe o quanto cada uma terá a disposição para investir nas reformas

Solução:

• Vários modelos de Machine Learning foram testados a fim de prever o faturamento das lojas para as seis semanas seguintes, com o objetivo de prever quanto dinheiro cada loja da Rossmann terá disponível para gastar em suas reformas

Resultados:

• Através de uma Análise Exploratória de Dados completa, a empresa obteve insights valiosos sobre os fatores que influenciam as vendas, fornecendo uma base sólida para a tomada de decisões
• O projeto entregou com sucesso um Modelo de Previsão de Vendas, a fim de otimizar a alocação de recursos para renovações de lojas Rossmann

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn, Scikit-learn
• Análise Exploratória de Dados
• Robust Scaler, Min-Max Scaler, Label Encoder
• Linear Regression, Lasso Regression
• Random Forest Regressor, XGBoost, LightGBM
• MAE, MAPE, MSE, R²
• Cross-Validation
• Hyperparameter Tuning

Veja o projeto completo no GitHub: GitHub

Contexto de Negócio:

• Com as novas tecnologias, a indústria de táxis precisou se reinventar para não ficar para trás em relação aos seus novos concorrentes
• Um dos desafios é o novo sistema eletrônico de despacho em tempo real, o qual não define o destino final das corridas
• Em razão desse problema, a proposta é desenvolver um modelo preditivo que seja capaz de inferir o destino final de corridas de táxi com base em suas localizações de coleta

Objetivos:

• Entender o problema de negócio
• Análise dos dados das viagens
• Modelo de previsão de ponto de destino
• Apresentação descrevendo o problema e conclusões

Performances:

• O modelo final (LightGBM) performou bem e com resultados satisfatórios, com erros menores que 1 km
• Minimização de quilometragem vazia
• Maior satisfação do cliente
• Otimização de recursos
• Mais viagens em menos tempo
• Planejamento operacional
• Vantagem competitiva frente aos aplicativos

Ferramentas Utilizadas:

• Pandas, Numpy, Math, Matplotlib, Seaborn
• Folium
• Análise Exploratória de Dados
• LGBMRegressor
• Erro Absoluto Médio, Erro Médio Quadrático
• Pickle
• Hyperparameter Tuning com GridSearch CV

Veja o projeto completo no GitHub: GitHub

Contexto de Negócio:

• O desafio central é aprimorar estratégias de negócios e marketing.
• Assim, realizando a clusterização dos clientes através do algoritmo K-Means, torna-se possível entender os comportamentos dos clientes e personalizar estratégias.

Objetivo Principal:

• Segmentar clientes em clusters distintos com o K-Means, entender seus comportamentos, preferências e aprimorar o direcionamento de estratégias para cada grupo.

Resultados alcançados:

• Insights sobre os clientes cadastrados e informações valiosas sobre os grupos de clusters.
• Estratégias de campanhas personalizadas para cada um, ajustes de produtos e preços de acordo com suas preferências e como abordar cada grupo de cliente.
• Cluster 0: Maior potencial; Cluster 1: Oportunidades de crescimento; Cluster 2: Alta rentabilidade; Cluster 3: Buscar engajamento

Benefícios:

• Os benefícios incluem estratégias de marketing mais eficazes, personalização de abordagens, melhor experiência para o cliente e otimização de recursos para potencializar o impacto nos negócios.

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn
• Normalização, Atribuição de Pesos
• Método de Elbow
• K-Means

Veja o projeto completo no GitHub: GitHub

Sobre a empresa:

• A Rex London, uma varejista de comércio eletrônico no Reino Unido, busca aumentar o engajamento e aprimorar a experiência do cliente
• O desafio é entender quais produtos são frequentemente comprados juntos, visando construir um sistema de recomendação personalizado

Objetivos:

• Realizar uma Análise Exploratória de Dados para entender padrões de comportamento
• Utilizar a Análise de Cesta de Mercado para identificar associações entre produtos
• Desenvolver um Sistema de Recomendação baseado na similaridade entre clientes

Resultados:

• A EDA revelou insights sobre as compras, produtos, comportamento temporal dos consumidores e a relação entre preço e quantidade
• A Análise de Cesta de Mercado identificou padrões de associação entre os produtos, classificando aqueles frequentemente comprados juntos, potencializando as vendas de produtos
• O Sistema de Recomendação gerou sugestões de produtos para clientes com base na sua similaridade com outros, maximizando a relevância das recomendações.

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn, Scikit-learn
• Análise Exploratória de Dados
• Apriori, Association Rules
• Cosine Similarity

Sobre Credit Score:

• Ferramenta crucial para instituições financeiras avaliarem seus clientes e a quantidade de dinheiro envolvida
• A análise engloba vários fatores, como renda anual, situação de propriedade de casa própria, valor do empréstimo e taxa de juros cobrada

Objetivo:

• Executar uma análise de pontuação de crédito para aumentar a rentabilidade de um banco conservador
• Realizar uma Análise Exploratória de Dados detalhada para entender melhor a base de dados e sua distribuição

Resultado:

• O resultado final é uma tabela com os clientes separados em decis
• Informações mais relevantes em cada divisão incluem quantidade de clientes envolvidos, quantos são bons, quantos são ruins, porcentagem de maus clientes evitada e o lucro que cada seleção de clientes proporciona

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn, Scikit-learn
• Análise Exploratória de Dados
• Encoders
• KNN Imputer
• RandomForestClassifier
• LightGBM, CatBoost
• Confusion Matrix, Classification Report, Accuracy Score, ROC Curve

A importância da deteção de fraude:

• As repercussões da fraude vão além das perdas financeiras, incluindo danos à reputação, deterioração da confiança do cliente e possíveis ramificações legais

Objetivo:

• Construir um mecanismo de defesa para a instituição financeira fundamentado em técnicas de Ciência de Dados para fortalecer a infraestrutura de segurança e elevar a precisão dos processos de tomada de decisão

Resultado Final:

• O alto resultado de Recall dá confiança para seguir com esse modelo nas próximas etapas do projeto da instituição financeira, identificando uma fraude quando necessário

Ferramentas Utilizadas:

• Pandas, Numpy, Matplotlib, Seaborn, Graphviz
• Análise Exploratória de Dados
• SMOTE
• One-Hot Encoding, Label Encoder, Robust Scaler
• Logistic Regression, Decision Tree Classifier, Random Forest Classifier
• Confusion Matrix, Accuracy, Recall, Precision, F1 Score
• ROC Curve, ROC AUC Curve
• Hyperparameter Tuning, Randomized Search CV

Contexto de Negócio:

• Olist é uma empresa de e-commerce no Brasil que oferece uma ampla gama de produtos em sua plataforma
• A empresa reconhece a importância de melhorar sua eficiência operacional e o primeiro passo para isso é entender mais sobre o comportamento de seus consumidores, variações nos pedidos, padrões de vendas por região, diferenças em preços e fretes por estado, satisfação dos clientes e mais

Objetivo:

• Criar uma Análise Exploratória de Dados (EDA) com os dados da empresa cobrindo diferentes áreas do negócio, como pedidos, produtos, consumidores, regiões, a fim de prover informação de qualidade para tomadas de decisão estratégicas

Conclusão:

• A análise proporcionou vários insights de negócio, como descrição de preços, características de pedidos, tendências temporais, preferências de pagamentos, padrões regionais e diários, relação entre tempo de entrega e avaliação do pedido, etc.

Ferramentas Utilizadas:

• Pandas, Numpy, Plotly Express
• Análise Exploratória de Dados