Desenvolvimento de um Painel Gerencial para Marketplace de Entregas com o Streamlit
Como parte do meu portfólio de projetos de Ciência de Dados, desenvolvi um painel gerencial utilizando as ferramentas de desenvolvimento web Streamlit e Github, com o objetivo de apresentar as principais métricas de uma empresa marketplace de delivery de comida na Índia.
Esse projeto exigiu a aplicação de diversos conceitos de Programação em Python, além de habilidades em manipulação de dados, pensamento estratégico e lógica de negócio. Além disso, a hospedagem do painel em um ambiente Cloud e a disponibilização através de um link web demonstraram minha habilidade em lidar com infraestrutura de tecnologia.
O resultado final foi um painel altamente interativo e intuitivo, acessível por qualquer dispositivo conectado à internet. Isso demonstrou minha habilidade em desenvolver soluções completas de Ciência de Dados, desde a concepção até a implementação e entrega.
As principais ferramentas utilizadas no projeto foram:
- Python.
- Jupyter Lab.
- Terminal.
- Streamlit.
- Streamlit Cloud.
- Github.
Explorando a Culinária Mundial: Uma Análise de Dados para Identificar os Melhores Restaurantes
Desenvolvi esse projeto utilizando minhas habilidades em programação em Python, manipulação de dados e pensamento estratégico para criar um painel gerencial que apresenta as principais métricas de uma empresa de avaliação de restaurantes de diversos países. Utilizei ferramentas de desenvolvimento web, como o Streamlit e o Github, para criar um painel de fácil acesso para usuários finais.
Após a conclusão do projeto, hospedei o painel gerencial em um ambiente Cloud e disponibilizei através de um link web, tornando-o acessível através de qualquer dispositivo conectado à internet. O painel permite que usuários visualizem e comparem as avaliações de restaurantes de diferentes países, fornecendo uma visão geral dos melhores estabelecimentos em cada região.
As ferramentas que utilizei foram:
- Python e Pandas.
- Jupyter Lab.
- Terminal.
- Streamlit.
- Streamlit Cloud.
- Github.
Previsão de vendas diárias para a Rossmann: Como a análise de dados pode otimizar o planejamento financeiro
Nesse projeto, aplicamos técnicas de análise de dados e machine learning para desenvolver um modelo de previsão de vendas diárias para a Rossmann. Utilizamos o algoritmo XGBoost e técnicas de fine-tuning para aprimorar a performance do modelo, que tem potencial para economizar US$ 9.943.482,57 em empréstimos.
O projeto resultou em um bot no Telegram que disponibiliza as previsões geradas e trouxe insights valiosos para outras melhorias na empresa.
As ferramentas utilizadas foram:
- Pyhton.
- Bibliotecas Pyhton: Pandas, Numpy, Scikit-learn, Matplotlib, Seaborn, Flask
- Visual Studio Code.
- Terminal.
- Anaconda.
- Render.
- Git e Github.
- Telegram.
Conduzindo ao sucesso: análise de dados para aquisição de seguro de carro
Neste projeto, o objetivo principal foi gerar um ranking dos clientes com maior probabilidade de adquirir seguro de carro. Para isso, aplicamos técnicas avançadas de análise de dados e machine learning, utilizando o algoritmo XGBoost e técnicas de finetuning. O resultado foi um modelo preciso e confiável, capaz de reduzir os custos operacionais em 72,13%, proporcionando uma economia significativa para a empresa..
Para tornar o projeto mais acessível, integramos a solução ao Google Sheets, possibilitando o compartilhamento e a visualização dos resultados em tempo real. Agora, os usuários podem facilmente acompanhar as previsões de clientes propensos a adquirir seguro de carros diretamente na plataforma do Google Sheets, tornando o processo mais conveniente e colaborativo.
As ferramentas utilizadas foram:
- Pyhton.
- Bibliotecas Pyhton: Pandas, Numpy, Scikit-learn, Matplotlib, Seaborn, Flask
- Visual Studio Code.
- Terminal.
- Anaconda.
- Render.
- Git e Github.
- Google Sheets.
