Data Analytcs

Seja muito bem-vindo (a) .


Você possui dados em sua empresa e ainda não os utiliza para montar sua estratégia de negócios?

Saiba que você está perdendo uma grande chance de aumentar seu faturamento simplesmente pôr achar que conhece:

  • O perfil do seu cliente;
  • Seus hábitos de compra;
  • Seus produtos preferidos.

Achar que sabe:

  • Quais as melhores e piores datas de venda;
  • Quais são seus produtos mais vendidos;
  • E quais produtos te entregam melhor retorno financeiro;
  • Quando, qual quantidade e que produto comprar para repor seu estoque.

As perguntas são muitas e as respostas corretas, obtidas através da análise dos ‘Dados’, vão gerar um aumento de faturamento ou uma diminuição das despesas, ambos aumentando seu lucro.


Dados

Estatísticas de vendas da loja Rossmann, saiba mais em Projetos de Ciência de Dados.

Quando desejamos saber mais sobre um fenômeno ou processo, coletamos dados.

Os dados representam uma pessoa, um negócio, um produto ou um período de tempo, como uma semana, além de outros exemplos.

As variáveis, que são os atributos de nossos dados, registram as medidas que nos interessam, idade, sexo e preferência de chocolate podem ser armazenados como variáveis.

Ao lado podemos ver as estatísticas de vendas da loja Rossmann, saiba mais em Projetos de Ciência de Dados.


Projetos

 

Lab Scholl

A aplicação deve contemplar os seguintes requisitos:

  • O sistema deverá ser desenvolvido em Java;
  • O sistema deve seguir o Roteiro da Aplicação;
  • Desenvolvimento das mensagens de saída, com espera da ação do usuário;
  • Captura da interação do usuário via entrada padrão;
  • O sistema deverá ser apresentado diretamente na linha de comando.

Veja mais...

Lab Scholl DBeaver

O projeto  deve contemplar os seguintes requisitos:

  1. Criação do modelo relacional utilizando algum software de modelagem
    1. Dica de software: Draw.io ou DBDesigner
  2. Criação dos scripts DDL necessários para:
    1. Criar o banco de dados
    2. Criar as tabelas
    3. Criar os relacionamentos
  3. Criação dos scripts DML necessários para preencher as tabelas
    1. Crie dados fictícios para utilizar no banco de dados
    2. Dica: Utilize o 4Devs para gerar dados
  4. Criação de scripts DML para realização de consulta no banco de dados
    1. Crie exemplos para realizar busca nas bases de dados
  5. Utilizar o banco de dados PostgreSQL
  6. Seguir o Roteiro de Projeto

Veja mais...

GitHub

Vendas da loja Rossmann

Prever vendas usando dados de loja, promoção e concorrentes.

As ferramentas utilizadas foram:

  • Git e Github
  • Python, Pandas, Matplotlib e Seaborn
  • Jupyter Notebook
  • Método de gerenciamento CRISP-DM;
  • Mindmap;
  • Feature Engineering;
  • Modelo de Média;
  • Linear Regression;
  • Linear Regression Regularized;
  • Random Forest Regressor;
  • XGBoost Regressor;
  • Fine Tunning;
  • Tradução e interpretação do erro;
  • MAE (Mean Absolute Error);
  • MAPE (Mean Absolute Percentage Error);
  • RMSE (Root Mean Squared Error);
  • MPE (Mean Percentage Error);
  • Tradução do erro para resultado de negócio;

Saiba mais...


Habilidades

  • Lógica de Programação e o Básico do Python;
  • Conceitos Intermediários de Programação com Python;
  • Pandas, Seaborn e Projetos;
  • Começando com Python;
  • Manipulação de Dados;
  • Estrutura de dados;
  • Estrutura de Controle;
  • Webscraping com Beautiful Soup, Estrutura básica do HTML, funcionamento de uma API;
  • Python Avançado, Funções Apply, Lambda, Map, Introdução ao REGEX, máscaras em REGEX;
  • Banco de Dados, Gerenciamento, Granularidade, Principais comandos;
  • Linguagem SQL, IDEs, consultas SQL em Python, fundamentos, operações, uniões e Subquery;

  • Pensamento Analítico, Método Cíclico, Método SAPE;
  • Modelo de Negócio e Mapa de Métricas;
  • Método de gerenciamento CRISP-DM;
  • Mindmap;
  • Feature Engineering;
  • Modelo de Média;
  • Linear Regression;
  • Linear Regression Regularized;
  • Random Forest Regressor;
  • XGBoost Regressor;
  • Fine Tunning;
  • Tradução e interpretação do erro;
  • MAE (Mean Absolute Error);
  • MAPE (Mean Absolute Percentage Error);
  • RMSE (Root Mean Squared Error);
  • MPE (Mean Percentage Error);
  • Tradução do erro para resultado de negócio;

  • Funções e Dashboards;
  • Dashboard com Streamlit;
  • Publicação do Dashboard;
  • Colocando o modelo em produção;
  • Storytelling;

  • Tipos de dados, Variáveis e constantes;
  • Estruturas de Decisão, Expressões Lógicas e Aritméticas;
  • Estruturas de Escolha, Estruturas de Repetição;
  • Estruturas de Dados – vetor, matriz, lista, fila e pilha;
  • Funções e Passagem de parâmetros, Classes e objetos;
  • Atributos e Métodos, Modificadores de Acesso e Construtores;
  • Sobrecarga e sobrescrita de método, Herança e Polimorfismo;
  • Associação, interfaces e Casting;
  • Diagrama de Classes e Testes;
  • SQL;
  • Modelo relacional, Overview do Postgre SQL, Instalação e configuração do ambiente, comandos DDL e DML;
  • Metodologias Ágeis, Scrum, Kanban e Trello;
  • Git e Github;

Meu nome é Fernando Andrada,

Que bom que você veio, para mais informações fique à vontade para entrar em contato através do botão do WhatsApp.

Em breve trago novos conteúdos.


Experiências Profissionais

Construção de soluções de dados para problemas de negócio, próximos dos desafios reais das empresas, utilizando dados públicos de competições de Ciência de Dados, onde eu abordei o problema desde a concepção do desafio de negócio até a publicação do algoritmo treinado em produção, utilizando ferramentas de Cloud Computing.

Vinte anos aplicando a Ciência de Dados instintivamente na administração de um bar e restaurante na Ilha de Santa Catarina.

Atualmente estudando nas instituições SENAI Florianópolis e Comunidade DS.


Entre em Contato

Sinta-se a vontade, aguardo seu contato.