Lucas Vinicius — Portfolio

Lucas Vinicius Oliveira Silva

Python | Data Analyst

23 anos Recife, PE — Brasil Física — UFPE

Transformo dados em decisões por meio de análise estatística e Machine Learning

Analista de Dados com sólida base em estatística e foco em visualização de dados, aliado à experiência em Machine Learning para geração de insights estratégicos e apoio à tomada de decisão.

GitHub LinkedIn Email

lucas@portfolio:~ perfil.py

# Portfólio — Lucas Vinicius Oliveira Silva

class DataAnalyst:

  def __init__(self):
    self.nome       = "Lucas Vinicius Oliveira Silva"
    self.titulo     = "Python | Data Analyst"
    self.idade      = 23
    self.localizacao = "Recife, PE — Brasil"
    self.faculdade  = "Física (bacharelado) — UFPE"
    self.disponivel = True

lucas = DataAnalyst()

# sobre mim

# habilidades

# stack de ferramentas

// projetos 4 ativos

MACHINE LEARNING · CLASSIFICAÇÃO · REGRESSÃO

Aprovação de Crédito com ML

📄 Notebook 📊 Ver dashboard 🧪 Testar o modelo

SOBRE O PROJETO

Automatiza a análise de empréstimos utilizando técnicas de Machine Learning, prevendo a aprovação e estimando a taxa de juros de acordo com o perfil do cliente. O projeto combina um modelo de classificação para a decisão de aprovação com um modelo de regressão para precificação de risco, baseando todas as decisões em dados quantitativos.

PythonScikit-learnRandomForestRegressão LinearFastAPIPandasMatplotlib

Random Forest

Ensemble de árvores de decisão para classificação de aprovação/negação com alta precisão.

Regressão Linear

Estima a taxa de juros proporcional ao risco real de cada cliente após a aprovação.

FastAPI

Aplicação backend para servir o modelo, recebendo os dados do cliente como entrada e retornando em tempo real a decisão de aprovação junto com a taxa de juros estimada.

RESULTADOS

Regras de negócio identificadas: idade mínima de 24 anos, score mínimo de 550, desempregados e clientes com mais de duas inadimplências não são aprovados, e comprometimento de renda acima de 50% reduz drasticamente as chances de aprovação.

As variáveis mais relevantes para a classificação foram score de crédito, status de emprego, histórico de inadimplências e percentual de renda comprometida.

A taxa de juros é influenciada principalmente pelo comprometimento de renda, existência de empréstimos ativos, número de parcelas definidas e score de crédito do cliente.

BUSINESS INTELLIGENCE · SQL ANALYSIS · DATA VISUALIZATION

Análise de Vendas — Dashboard & SQL

🗄️ SQL Analysis 📊 Ver dashboard

SOBRE O PROJETO

Projeto dual de análise de vendas: dashboard executivo interativo no Power BI e análise SQL completa via SQLAlchemy e Pandas. O dashboard entrega visão rápida para gestores, enquanto a análise SQL aprofunda com queries analíticas e visualizações prontas para apresentação. 247 mil transações consolidadas em 4 anos.

Power BIDAXPower QuerySQLAlchemyPandasMatplotlibSeaborn

Power BI + DAX

Dashboard com medidas dinâmicas de lucro, ticket médio e receita.

SQLAlchemy

Queries analíticas diretamente em Python sem exportar dados.

Pandas

Transformação dos resultados SQL em DataFrames para análise.

Power Query

ETL integrado — limpeza e transformação automática dos dados.

RESULTADOS

KPIs estratégicos desenvolvidos para monitorar o desempenho comercial: ticket médio, margem de lucro (%), quantidade vendida, gastos operacionais, faturamento e receita líquida.

Gráficos interativos com filtros dinâmicos por período, região e categoria de produto, permitindo análises segmentadas em tempo real.

Ranking de desempenho dos produtos e marcas mais vendidas, facilitando decisões de portfólio e estratégias de estoque.

MACHINE LEARNING · CLASSIFICAÇÃO

Análise de Churn Bancário

📄 Notebook 📊 Ver dashboard

SOBRE O PROJETO

Identifica clientes com alta probabilidade de cancelamento antes que saiam, permitindo ações proativas de retenção. Conta com um dashboard interativo em React que possibilita visualizar os principais fatores que levam ao cancelamento, trazendo transparência e apoio direto à tomada de decisão.

XGBoostMLflowSMOTESklearnReactPythonSeaborn

XGBoost

Gradient boosting — alta precisão com dados desbalanceados.

MLflow

Rastreamento automático de experimentos, métricas e parâmetros.

SMOTE

Balanceamento sintético da classe minoritária.

React + Vercel

Dashboard interativo com deploy em produção.

RESULTADOS

Variáveis como histórico de reclamações, score de satisfação, nível de atividade e tempo de relacionamento demonstraram alto poder preditivo para identificar clientes em risco de cancelamento.

Clientes insatisfeitos representam o grupo com maior propensão ao churn, indicando que estratégias de retenção e engajamento direcionadas a esse perfil podem reduzir significativamente a evasão.

A variável risco_composto — criada a partir de uma combinação ponderada de indicadores — apresentou correlação de 60% com os clientes que efetivamente cancelaram o serviço.

MACHINE LEARNING · CLUSTERIZAÇÃO · E-COMMERCE

Quem são seus clientes? Segmentação Inteligente com RFM

📄 Notebook

SOBRE O PROJETO

A segmentação de clientes é uma das estratégias mais importantes para empresas de e-commerce, permitindo compreender diferentes perfis de consumo, otimizar campanhas de marketing, melhorar retenção e aumentar o valor do cliente ao longo do tempo. Neste projeto, foi aplicada a metodologia RFM (Recency, Frequency, Monetary) combinada com técnicas de clusterização não supervisionada para segmentar clientes de um e-commerce real, utilizando o dataset Online Retail.

PythonKMeansPCARFMScikit-learnPandasMatplotlib