Programa de Fidelidade para Clientes de E-Commerce

Objetivo:

Agrupar os mais de 5000 clientes por perfil de consumo, e identificar os valiosos, criando um programa de fidelidade.

Execução:

Implementei uma infraestrutura em cloud AWS, que recebe, classifica, e inclui os novos clientes no grupo correspondente ao seu perfil de consumo. Um dashboard no Metabase detalha cada perfil, e monitora sua performance.

Ferramentas utilizadas:

• Python com pacotes de Machine Learning: sklearn, scipy e yellowbrick.
• Serviços AWS: S3 (armazenamento), EC2 (servidor) e RDS (banco de dados).
• Jupyter Notebook, Git e Github.
• Crontab e Papermill
• Pandas Profiling, Metabase.
• Algoritmos de Clusterização e Redução de Dimensionalidade:
• K-Means, Gaussian Mixture Model, Hierarchical Clustering e DBScan.
• PCA, UMAP, t-SNE e Tree-Based Embedding

Resultados financeiros:

• Expectativa de 10% de aumento no número de clientes mais valiosos no programa de fidelidade "Loyals" no próximo ano.
• Em números, expectativa de incremento de faturamento de $280 mil no próximo ano.
• Detalhes (Github)

Sistema de Recomendação para Cross-selling de Seguros

Objetivo:

Criar um algoritmo de rankeamento de interesse em seguro veicular para novos clientes, a partir de dados de pesquisa de interesse realizada com clientes antigos.

Execução:

Criei uma funcionalidade em Google Sheets, que a partir de uma lista de clientes, consulta o algoritmo via API, e retorna em tempo real a lista ordenada destes clientes por interesse em aquisição de seguro veicular.

Ferramentas utilizadas:

• Python com pacotes de Machine Learning: sklearn e xgboost.
• Jupyter Notebook, Git, Github e Gitlab.
• Google Apps Script.
• Técnicas de seleção de atributos e redução de dimensionalidade.
• Heroku Cloud, Flask e Python API's.
• Algoritmos de Classificação e Regressão:
• KNN Classifier, ExtraTrees Classifier, XGBboost Classifier e Logistic Regression.

Resultados financeiros:

• Realizando 20 mil ligações, incremento previsto de 170% na receita com seguro veicular: US$ 131 milhões.
• Realizando 40 mil ligações, incremento previsto de 90% na receita com seguro veicular: US$ 139 milhões.

• Detalhes (Github)
• Demo (Youtube)

Previsão de Vendas de Rede Farmacêutica

Objetivo:

Criar um algoritmo de previsão de vendas para 1115 lojas, e disponibilizá-lo para acesso 24/7, via smartphone.

Execução:

Criei um robô no aplicativo de mensagens Telegram, que recebe o código da loja, consulta o algoritmo via API, e retorna em tempo real qual a previsão de vendas (faturamento) daquela loja para as próximas 6 semanas.

Ferramentas utilizadas:

• Python com pacotes de Machine Learning: sklearn e scipy.
• Jupyter Notebook, Git e Github.
• Técnicas de seleção de atributos e redução de dimensionalidade.
• Heroku Cloud, Flask e Python API's.
• Algoritmos de Classificação e Regressão:
• Linear Regressor, Linear Regressor Regularized, Random Forest e XGBoost Classifier.

Resultados financeiros:

• Redução da taxa média de erros das previsões de vendas de toda a rede de 36% para 4,65% em média (-31%).
• Após o 1º semestre da implantação, aumento de 1.9% no lucro líquido semestral da Rossmann.
• Em números, considerando o faturamento de 2020 de €10 bilhões, o projeto traz um resultado líquido semestral aproximado de €114 milhões.

• Detalhes (Github)
• Demo (Youtube)

Insights para Maximização de Lucro de Imobiliária

Objetivo:

1. Quais são os imóveis que deveríamos comprar, dos mais de 20 mil disponíveis?
2. Uma vez o imóvel comprado, qual a melhor sazonalidade para vendê-lo, e por qual preço?

Execução:

Respondi as questões através de uma análise exploratória de dados em Python. Para isto, construí um dashboard interativo acessível via navegador, que serve de base para a tomada de decisão do time de negócio. Ele contém:

• Métricas descritivas dos dados.
• Mapa de densidade dos imóveis e de preços por região.
• Gráficos variados de distribuição de preço e atributos dos imóveis.
• Relatório e mapa de imóveis recomendados para compra.
• Relatório contendo a melhor sazonalidade para venda, e preço de venda recomendado.

Ferramentas utilizadas:

• Python, Pandas, Numpy e Seaborn.
• Pycharm e Google Colab.
• Git e Github.
• Mapas interativos com Plotly e Folium.
• Streamlit Web App.
• Heroku Cloud.

Resultados financeiros:

Respeitando o alto padrão de qualidade exigido, apenas 5 imóveis foram sugeridos para a compra e revenda nesta primeira versão do projeto.
Caso implementada, a solução traria uma margem de aproximadamente 30% de lucro, equivalente a $544 mil dólares para a empresa.

• Detalhes (Github)

Insights para Análise de Performance de E-Commerce

Objetivo:

1. Quatro hipóteseses foram validadas, gerando insights sobre ticket médio, representatividade e lucro por UF e fornecedor.
2. Nove questões de negócio foram respondidas, envolvendo volume de vendas, faturamento e lucro por marketplace, fornecedor, UF, região do Brasil, mês, trimestre, entre outros.

Execução:

• Realizei o planejamento do projeto, coletei dados do Google Sheets anonimizando os sensíveis, e realizei sua limpeza e padronização.
• Apliquei estatística descritiva, criei 6 novas features (atributos dos dados) e iniciei a análise exploratória com a ferramenta de visualização Sweetviz.
• Validei as 4 hipóteses e respondi as 9 questões de negócio.
• Apresentei resultados aos sócios, compartilhando insights e lições aprendidas.

Ferramentas utilizadas:

• Python, Pandas, Matplotlib e Seaborn.
• Jupyter Notebook, Git e Github.
• Anonimização de dados com Hashlib.
• Limpeza e padronização nos dados com RegEx.
• Data Viz com Sweetviz.

Resultados:

Foram validadas as hipóteses dos sócios da empresa, e respondidas as suas questões de negócio.
A partir disso, poderão ter uma visão mais assertiva do business, e extrair lições aprendidas valiosas para o futuro.

• Detalhes (Github)