Elasticidade de Preço aplicada ao E-commerce
Projeto com objetivo de entender a relação entre a demanda de produtos e suas alterações de preço para uma empresa de e-commerce. O projeto realiza um cálculo detalhado da elasticidade de preço para cada produto e simula cenários variados de alterações de preço para prever o impacto na demanda e na receita. A implementação do projeto permite à empresa otimizar seus preços de acordo com a sensibilidade da demanda, potencialmente maximizando a receita e a lucratividade.
As ferramentas utilizadas foram:
- Python, Pandas, Numpy, Statsmodels.
- Streamlit para visualização interativa.
- Git e Kedro.
- Machine learning para previsão de demanda e cálculo de elasticidade de preço.
- Minimos quadrados ordinários (OLS) para regressão.
- Estratégias de simulação para prever o impacto de alterações de preço.
Teste Multi-Armed Bandit para otimização de página
O projeto teve como objetivo implementar e executar um experimento online utilizando a abordagem Multi-Armed Bandit para otimizar a interação do usuário em um site de e-commerce. O experimento expôs usuários a diferentes versões de uma página da web, cada uma com botões de cores diferentes, e adaptou a frequência dessas versões com base nos cliques dos usuários.
As ferramentas utilizadas foram:
- Python, Pandas, Numpy.
- Flask para a implementação do servidor web e fornecimento de diferentes versões da página da web.
- Selenium para automatizar a navegação na web e simular cliques de usuários.
- Threading para executar o servidor web e a coleta de dados simultaneamente.
- Git e Kedro.
- Multi-Armed Bandit para otimização online.
Classificação da primeira reserva para novos usuários da Airbnb
Classificação dos novos usuários para a sua primeira reserva dado uma quantidade de países disponíveis, utilizando de técnicas para multi-classes e desbalanceamento.
As ferramentas utilizadas foram:
- Git e Github.
- Python, Pandas, Matplotlib e Seaborn.
- VSCode.
- Redes Neurais.
Construção de um programa de fidelidade com clusterização de clientes
Utilização de Python, Estatística e técnicas não-supervisionadas de Machine Learning para segmentar um grupo de clientes com base em suas características
de performance de compra, a fim de selecionar grupos de clientes para formar um programa de fidelidade com o objetivo de aumentar a receita da empresa.
O resultado da solução, caso fosse implementado, seria de aproximadamente R$ 15MM de dólares de receita anual.
As ferramentas utilizadas foram:
- Git, Gitlab e Github.
- Python, Pandas, Matplotlib e Seaborn.
- Jupyter Notebook e VSCode.
- K-Means, K-Medoids, Gaussian Mixture Model, Hierarquical Clustering, DBScan e HDBScan.
- AWS Cloud (ECS, S3, Postgress, SQLite).
- Metabase Visualization.
Cross-sell aplicado ao Rank to Learn
Projeto com objetivo de classificar os clientes para uma empresa de seguro de saúde que estuda ofertar seguros veiculares, a empresa precisa dentro de todos
os clientes realizar ligações para os 20.000 clientes mais propensos a aceitar a oferta.
O projeto classifica e ordena os clientes com maiores propensões e entrega a solução via google sheets, a implementação do projeto pode entregar um ganho financeiro
de 10.34M para 27.54M, um aumento de 2,66x o valor.
As ferramentas utilizadas foram:
- SQL, Dbeaver e Postgres.
- Python, Pandas, Numpy, Matplotlib e Seaborn.
- Git, Github, Gitlab.
- Balanceamento de dados.
- Rank-to-learn machine learning.
- Flask API.
- Heroku e Google Sheets.
Previsão de vendas utilizando Regressão
Projeto ponta a ponta com foco na previsão de vendas das próximas 6 semanas para as lojas do Grupo Rossmann com o objetivo de auxiliar nas escolhas
de lojas que passarão por reformas com base na expectativa de vendas.
O resultado do projeto permite previsões com margem de erro apróximada em 9%.
As ferramentas utilizadas foram:
- Git, Gitlab e Github.
- Python, Pandas, Numpy, Matplotlib e Seaborn.
- Jupyter Notebook.
- Algoritmos de regressão.
- Heroku Cloud.
- Streamlit e Telegram App.
Web Scraping para companhia de Jeans
Este projeto possui o foco em coletar dados referente a Jeans masculino com os objetivos de identificar o melhor preço, tipos de jeans e
materiais utilizados e também para gerar Insights.
O processo utiliza da técnica de Web scraping, limpeza de dados, armazenamento em Banco de dados SQLite e análise exploratório dos Dados.
O projeto será entregue a companhia via acesso Webapp (Streamlit) permitindo acesso a relatórios e tabelas com as informações das análises.
As ferramentas utilizadas foram:
- Git e Github.
- Python, Pandas, Numpy, Matplotlib e Seaborn.
- Jupyter Notebook.
- SQLite, DBeaver.
- Heroku Cloud.
- Streamlit.
Análises e estratégias para compra e venda no mercado de renda variável
Análises do mercado de petróleo e gás, sua volatilidade, rendimentos e impactos de indicadores financeiros e aplicação de estratégias de compra e venda para composição de portfólio.
O resultado compõe um retorno total de aproximadamente 19.90% para a melhor estratégia e um prazo de 1 ano e 10 meses. Também foi aplicado modelos de Time Series para previsão da volatividade
das ações diárias com erro médio de 1,4%.
As ferramentas utilizadas foram:
- Git, Github.
- Python, Pandas, Matplotlib e Seaborn.
- VSCode.
- ARIMA Model.
- Backtesting for strategies.
Identificação de imóveis para compra e revenda a fim de maximizar o lucro
Identificação de imóveis abaixo do preço médio de venda e definição do preço ideal de revenda, a partir de uma análise exploratória de dados em Python
As ferramentas utilizadas foram:
- Python, Pandas, Numpy e Seaborn.
- Anaconda, Pycharm e Jupyter Notebook.
- Mapas interativos com Plotly e Folium.
- Heroku Cloud.
- Streamlit Python framework web.
