Guilherme Rodrigues

Este projeto ponta-a-ponta simula um desafio de negócio real: a análise de um dataset de vagas para construir um modelo preditivo de salários. O processo cobriu o ciclo completo, iniciando com Engenharia de Dados em SQL avançado, passando pela modelagem em Python (RandomForest) e finalizando na criação de um dashboard interativo no Power BI. O resultado é um produto de dados completo, com um modelo que alcançou um R² de 62% e um dashboard que traduz os insights em uma ferramenta de BI para análise estratégica.

Este projeto focado em Corporate Finance funciona como uma ferramenta de diagnóstico rápido para a diretoria. Desenvolvido no Power BI com uso de linguagem DAX avançada, o painel mapeia a saúde financeira, revelando "vazamentos" de caixa através de gráficos Waterfall (Cascata). O resultado permite aos gestores analisar a margem de lucro (37%) e a evolução da rentabilidade mensal de forma clara, guiando ações para estancar perdas operacionais e otimizar receitas.

Uma solução analítica focada na contenção de custos rescisórios e retenção de talentos através de People Analytics. Utilizando recursos de mineração visual como a Árvore de Decomposição no Power BI, o painel rastreia a raiz exata da rotatividade (Turnover de 7,26%). O cruzamento inteligente de dados demográficos entrega ao RH o diagnóstico de onde e quem (cargos, áreas e regiões) precisa de intervenção estratégica e engajamento antes do pedido de desligamento.

Desenvolvimento de um Produto de Dados vivo focado em mapear a realidade da comunidade (Modern Data Stack, adoção de IA e progressão de carreira). Atuei em toda a arquitetura da solução: desde a criação da interface de coleta (UX/UI) hospedada em domínio próprio, até a estruturação do banco de dados relacional em nuvem utilizando Supabase (PostgreSQL). O pipeline de ETL (Power Query) alimenta um dashboard no Power BI atualizado em tempo real, utilizando modelagem dimensional (Unpivot/Fato-Dimensão) e Linguagem DAX para contornar ambiguidades de múltiplas respostas e entregar insights dinâmicos para o mercado.

Desenvolvido para maximizar a eficiência logística e do "chão de fábrica", este dashboard aplica fundamentos da metodologia OEE (Eficiência Global do Equipamento). Cruzando indicadores de alta qualidade produtiva (99%) com a baixa disponibilidade de maquinário (77%), o painel comprova à gestão de que os gargalos de metas derivam de Downtime (máquina parada) e não de erro humano na linha. O painel traduz métricas brutas em direcionamento imediato para a equipe de manutenção preventiva.

Este projeto une Engenharia de Dados e Deep Learning para resolver um problema urbano real. Desenvolvi um sistema de monitoramento que utiliza Python, YOLOv8 e OpenCV para detectar veículos e identificar infrações (contramão) em tempo real via vídeo. O grande diferencial é a persistência de dados: o sistema transforma pixels em registros estruturados no PostgreSQL instantaneamente, permitindo análises de fluxo e reincidência. Um MVP completo que demonstra domínio sobre dados não-estruturados e automação.

Para resolver o problema da tradução manual de datasets em inglês, desenvolvi uma ferramenta web Full-Stack. A solução, construída com SvelteKit e PHP, permite o upload de um CSV, a tradução de colunas e conteúdo, e o download em múltiplos formatos (JSON, XLSX, DB). O projeto demonstra a capacidade de construir uma solução de ponta a ponta, da interface à lógica do servidor, para resolver uma dor real de analistas de dados.

Para resolver a dificuldade de prever a performance de um PC, desenvolvi este projeto de Data Science de ponta a ponta. O processo incluiu a criação de um dataset do zero, o treinamento de um modelo de Machine Learning (RandomForest) com alta precisão (R² de 0.89), e o deploy em um aplicativo web interativo com Streamlit. O resultado é uma ferramenta que transforma uma análise complexa em uma previsão de FPS instantânea.

O desafio deste projeto foi transformar dados transacionais brutos em uma base analítica de alta performance (Feature Store), essencial para alimentar modelos de Machine Learning. Para isso, construí um pipeline ETL completo utilizando exclusivamente SQL avançado, aplicando técnicas como CTEs e Funções de Janela para criar métricas complexas de comportamento. O resultado é uma tabela robusta que acelera o desenvolvimento de modelos preditivos, garantindo dados otimizados para análises mais rápidas e precisas.

Para otimizar os custos de viagem, desenvolvi um modelo de Machine Learning em Python capaz de prever com alta precisão os preços de passagens aéreas. O processo incluiu Análise Exploratória de Dados (EDA) para identificar fatores-chave (como a classe do voo) e a implementação de um modelo de Regressão Linear com Scikit-learn. O modelo alcançou um coeficiente de determinação (R²) superior a 91%, fornecendo uma ferramenta poderosa para decisões de compra mais estratégicas e econômicas.

O desafio deste projeto foi investigar as causas de um aumento drástico no Churn de clientes em uma plataforma de streaming. Conduzi uma análise ponta a ponta, utilizando SQL para exploração de dados e Python (Pandas, Plotly) para criar o storytelling visual. O principal resultado foi a descoberta de um padrão crucial: o comportamento de "Binge and Bolt" (Maratonar e Sair), que permitiu a recomendação de novas estratégias de engajamento para aumentar a retenção de clientes.

Para resolver o desafio da análise manual e demorada de dados de vendas, desenvolvi um pipeline de dados automatizado em Python. A solução executa o ciclo completo: ingere e trata os dados com Pandas, gera relatórios visuais com Matplotlib/Seaborn e armazena os resultados em um banco de dados SQLite. O resultado final é a transformação de dados brutos em insights acionáveis, permitindo uma tomada de decisão estratégica mais rápida e precisa.