Carlos Quixadá Email & Phone Number

State Of Ceará, Brazil

- Otimização Calendário de Envio de Campanhas utilizando Python, PySpark, SQL e Algoritmos Genéticos. Impacto preliminar taxa de leitura 20% maior do que a baseline.- Identificação Usuários com o comportamento de vendedor, foi utilizado conceitos de Grafos, XGBoost e Clusterização. O impacto foi a identificação de grupo de usuários que apresentaram receita de R$ 635 milhões com precisão de 75%.- Identificar Usuários "Ofensores", foi utilizado conceitos de Grafos e LightGBMclassificar os usuários ofensores. Obtive alto índice de precisão, alcançando 85% de precisão.- Identificar Imagens Inadequadas no Perfil, foi utilizado OpenCV, para identificar similaridade entre imagens, e Regressão Logística para classificar se a foto era inadequada. O principal impacto foi a diminuição do tempo para detectar em 98%.

- Classificação de Sentimento e Categoria de Reviews dos Usuários foi utilizado Python, PySpark, SQL,conceitos de NLP, XGBoost e LightGBM, Airflow e a utilização de classificação hierárquica.- Estudo sobre Recomendação Customizada de Produtos foi utilizando Python, PySpark, Deep Learning, Filtragem Colaborativa, Filtragem por Conteúdo e Airflow.- Recomendação de Produtos Similares foi utilizado OpenCV para identificar similaridade entre imagens de produtos e baseado em um threshold a recomendação é realizada. Foi colocado em produção utilizando o Airflow

- Classificação de Reviews de Usuários foi utilizado Python, NLTK e Deep Learning para classificar sobre o que o usuário está comentando (Loja ou Produto).- Previsão de Tendência de Reclamações foi utilizado algoritmo de clusterização K-Means para identificar temas de reclamações que estavam crescendo com o tempo e identificar se é um problema pontual ou se pode se tornar um grande problema para a marca

- Classificação de Reviews de Usuários foi utilizado Python, NLTK e Deep Learning para classificar sobre o que o usuário está comentando (Loja ou Produto).