Matheus Neves da Silva

Sobre Mim

Engenharia de Dados

Construção de pipelines ETL robustos, automação de processos e arquitetura de dados escalável

Análise de Dados

Análise exploratória, visualização de dados e geração de insights para decisões estratégicas

Desenvolvimento

Scripts automatizados, APIs de dados e ferramentas personalizadas para otimização de processos

Com 1,5 anos de experiência profissional, desenvolvi soluções de dados que impactaram diretamente a eficiência operacional e a tomada de decisão. Especializado em transformar processos manuais em pipelines automatizados e dados brutos em insights acionáveis.

Projetos

Machine Learning & Data Science

Bike Sharing Demand — Regressão

Projeto end-to-end de regressão para prever a demanda horária de aluguel de bicicletas. Pipeline completo com EDA narrada, identificação de data leakage, transformação log do target e modelagem com Random Forest.

Python Pandas Scikit-learn Matplotlib Random Forest

R² de 0.85 e redução de 68% no erro vs baseline

Identificação e correção de data leakage (casual + registered)

EDA narrada com cada decisão técnica documentada

Ver Repositório

Machine Learning & Data Science

Sistema de Predição de Depressão

Pipeline completo de ML para identificação precoce de depressão, com acurácia de 94%. Análise de 2.556 casos incluindo EDA, feature engineering e modelagem preditiva.

Python Scikit-learn Pandas Plotly Random Forest

Acurácia de 94% e AUC ROC de 0.94

Classes customizadas para automação (PsyCleaner, PsyPreditor)

Visualizações interativas e análise de grupos de risco

Ver Repositório

Projetos em Desenvolvimento

Projetos ativos que demonstram meu processo de trabalho e evolução contínua em ciência de dados

Em Desenvolvimento

Machine Learning & Business Analytics

Previsão de Churn em Telecomunicações

Projeto end-to-end de ciência de dados para identificar clientes com alto risco de cancelamento. Análise exploratória completa revelou insights críticos: clientes Month-to-month com tenure < 12 meses apresentam taxa de churn de 57%, representando perda estimada de R$ 1,5M/ano.

Progresso do Projeto 40%

Status das Etapas

Análise Exploratória de Dados (EDA) - Completa

Identificação de Perfis de Alto Risco - Completa

Recomendações Estratégicas de Negócio - Completa

Feature Engineering - Em andamento

Modelagem (Regressão Logística, Random Forest, XGBoost)

Avaliação de Performance (Precision, Recall, F1-Score)

Deploy e Documentação Final

Principais Descobertas (EDA)

Perfil de Alto Risco

57% de churn em contratos Month-to-month com tenure < 12 meses

Impacto Financeiro

~R$ 1,5M/ano em receita perdida (27% de taxa de churn)

Método de Pagamento

Cheque eletrônico tem maior correlação com churn

Zona de Fidelização

Clientes com tenure > 12 meses têm baixa taxa de churn

Stack Tecnológica

Python Pandas NumPy Matplotlib Seaborn Scikit-learn Em breve: XGBoost

Valor de Negócio Entregue

▸ Identificação de 3 segmentos de risco críticos para ações de retenção
▸ Programa de retenção segmentado por tenure com potencial de reduzir 15-20% do churn
▸ Recomendações acionáveis: promoções iniciais, migração de método de pagamento, incentivo a contratos longos

Ver Repositório & EDA Completo