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.

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.

O desafio deste projeto foi realizar uma análise de ponta a ponta em um dataset de vagas de IA, focando em Engenharia de Features avançada e um diagnóstico rigoroso do potencial preditivo dos dados. O processo envolveu duas etapas: primeiro, em SQL, criei features complexas usando Funções de Janela; segundo, em Python, identifiquei e corrigi um caso de Data Leakage antes de tentar otimizar o modelo. O resultado mais valioso não foi a performance do modelo, mas a prova analítica de que o dataset possuía um sinal preditivo fraco, um insight crucial em qualquer projeto de dados real.