math-prog / leonardodsch

Leonardo Scheuermann

Sobre mim

Olá, me chamo Leonardo, sou estudante de Engenharia da Computação pela Universidade do Vale do Rio dos Sinos (Unisinos) e atualmente trabalho como Cientista de Dados. Além dos projetos que desenvolvo dentro da empresa procuro fazer projetos práticos como forma de estudo, com abordagens que me permitam explorar diferentes tipos de problemas enfrentados pelas empresas, propondo soluções através de ferramentas de Data Science como geração de insights e uso de Machine Learning. Os detalhes de cada projeto podem ser encontrados na seção abaixo.

Como profissional busco sempre estar aprendendo coisas novas de uma forma independente que possam agregar valor ao meu trabalho e aos meus estudos. Em meus projetos de ciência de dados procuro desenvolver soluções relevantes e eficientes para melhorar os resultados da empresa.

Ferramentas e tecnologias

• Coleta de dados:

• Processamento e análise de dados:

• Desenvolvimento:

• Machine Learning: ( Classificação, Regressão, Clusterização)

• Machine Learning Deployment:

Projetos

Store Sales Prediction

Projeto que busca fazer uma previsão de vendas para uma rede de lojas para as 6 semanas futuras, utilizando algoritmos de machine learning e técnicas de regressão. Através do contexto de negócio buscou-se estudar os dados e entender seus impactos e assim poder modelá-los para realizar previsões e posteriormente analisar os resultados e os impactos causados no negócio com a aplicação da solução proposta. A performance do modelo resultaria em uma previsão de retorno de $286.841.799,00 de acordo com o modelo de negócios da empresa descrito na definição do problema. Os resultados do modelo podem ser acessados a partir de uma chamada via API ou diretamente pelo aplicativo de mensagens Telegram, através de um bot que retorna as predições do modelo.

Insurance Cross Selling

Projeto que utiliza dados de uma seguradora de saúde que realizou uma pesquisa para verificar o interesse dos clientes em um possível seguro de automóvel. O objetivo então é analisar e estudar os dados para conseguir classificar e rankear os clientes de acordo com seu interesse, para que os clientes com maior probabilidade de adquirir o seguro sejam priorizados e colocados nas primeiras posições do ranking. Deste modo, otimizando o processo de contato da equipe comercial e auxiliando na tomada de decisões mais acertivas. Como resultado foi obtido uma performance que resultaria em uma assertividade quase 3 vezes maior do que com o uso de algum método aleatório para selecionar os clientes, de acordo com o modelo de negócios da empresa descrito na definição do problema. Os resultados do modelo podem ser acessados através de uma planilha do Google Sheets.

Insiders Clustering

Projeto que tem como objetivo usar técnicas de clusterização para agrupar clientes de um e-commerce que participarão de um projeto de fidelidade Insiders. A partir da análise e estudo dos dados é preciso determinar quem são os clientes elegíveis para participar do Insiders e de que forma esse grupo será formado, a partir do levantamento de hipóteses e respondendo perguntas de negócio que ajudarão a equipe de marketing e demais setores responsáveis a tomar melhores decisões sobre o que deve ser feito.

Financial Fraud Detection

Projeto que tem como objetivo usar dados de transações financeiras para, usando algoritmos e técnicas de machine learning, detectar fraudes e assim evitar que a empresa perca parte da receita com a indenização de clientes. Através de análises e estudo dos dados buscou-se entender quais fatores e atributos mais impactavam e quais características poderiam caracterizar uma fraude. Com uma detecção mais acertiva de atividades fraudulentas é possível obter um retorno finaceiro maior para a empresa e uma maior qualidade do serviço e segurança para os clientes. A performance obtida com o modelo resultaria em um lucro de $24.014.962,75, de acordo com o modelo de negócios da empresa descrito na definição do problema.

Churn Prediction

Projeto que visa criar um plano de ação para diminuir o número de clientes em churn e mostrar o retorno financeiro da solução para a empresa. Através de dados de uma empresa bancária, buscou-se utilizar ferramentas de análise, visualização e machine learning para encontrar clientes com mais probabilidade de churn e assim classificá-los, tomando medidas que possam diminuir a propensão ao churn, e então calcular o retorno financeiro desta solução para a empresa. A performance do modelo resultaria em um retorno de $938.235,39 a partir de um investimento de $9.800, de acordo com o modelo de negócios da empresa descrito na definição do problema.

Data Analysis - Insights Project

Projeto que tem como objetivo usar dados de venda de casas para gerar insights e ajudar o time de negócios na tomada de decisão. O projeto conta com uma análise exploratória de dados que busca responder as perguntas de negócio propostas, e traz os resultados em um web app construído com Streamlit. A análise feita e os insights gerados resultariam em um faturamento de $1.976.821.731,6 de acordo com o modelo de negócios da empresa descrito na definição do problema.