Resultados e projetos desenvolvidos:1) Desenvolvimento de algoritmos de machine learning para classificação de leads, visando priorizar e personalizar comunicações e ações de marketing;2) Uso de algoritmos de clusterização para segmentação de personas;3) Desenvolvimento de algoritmos e sistemas de recomendação para personalização de recomendações de produtos;4) Melhoria contínua e construção de features de um produto de dados integrado a um CRM;5) Uso de algoritmos de regressão para previsão de receita;6) Construção de modelos para o mercado de cobrança, usando IA para identificar melhores pagadores;7) Uso de ferramentas de cloud (AWS, GCP) para armazenamento e consulta de dados utilizando linguagem SQL;8) Tratamento de grandes volumes de dados através da linguem Spark.

Projetos:1) Projeto Clusterização de Clientes: - Detecção dos clientes elegíveis a participar do programa de fidelidade. - Insights para o time de negócio e marketing sobre características dos clientes - Análise e expectativa de faturamento desses clientes para os próximos meses - Ações que o time de marketing pode tomar a partir dos resultados obtidos.2) Projeto Cross Sell: - Insights sobre atributos mais relevantes de clientes interessados em adquirir um seguro de automóvel; - Construção modelo de machine learning que consegue ordenar uma base de dados com 90% dos clientes interessados nos primeiros 40% da base total. - Modelo de machine learning com desempenho 2 vezes melhor do que um modelo com predições aleatórias. - Possiblidade de priorizar clientes com maior interesse e probabilidade de aquisição do seguro.3) Projeto Previsão de Churn: - Verificação e análise das métricas atuais de churn da empresa; - Construção modelo de machine learning que identifica 67% das pessoas que entram em churn; - Plano de ação para evitar que os clientes identificados entrem em churn; - Cálculo do retorno financeiro das detecções de clientes em churn; - Retorno quase 100 vezes maior do que o valor investido.4) Projeto Previsão de vendas: - Geração de insights a partir da análise e estudo dos dados; - Construção de algoritmos de machine learning para previsão de vendas de cada uma das lojas. - Métricas de desempenho (MAE, MAPE) muito satisfatórias. - Cálculo do retorno financeiro para a empresa considerando o melhor o pior cenário. - Disponibilização do modelo em produção para consultas via API.Ferramentas: Python, Jupyter, Flask, ScikitLearn, XGBoost, LIghtGBM, Cloud (AWS, Heroku), Linux, Git, Postgres