Desarrollé una API utilizando Azure Function y automaticé procesos con Logic App, optimizando operaciones de soporte al cliente.

Construí un modelo predictivo para evaluar la probabilidad de que las solicitudes de moderación sean aceptadas, aumentando las tasas de aprobación en un 50%.

Mejoré la respuesta del bot con informes detallados, orientando a los analistas sobre cómo mejorar sus solicitudes de moderación, lo que ayudó a elevar la calificación de la empresa en la plataforma de "regular" a "bueno".

Aprendí a navegar eficientemente por las herramientas de Azure, construyendo una API escalable y un flujo de trabajo de automatización, a pesar de la falta de familiaridad inicial con la plataforma.

Diseñé modelos para detectar siniestros elegibles para subrogación, utilizando datos textuales y estructurados para mejorar la toma de decisiones.

Abordé desafíos como calidad limitada de datos y alto desequilibrio de clases, asegurando que los casos relevantes fueran identificados con precisión.

Permitió que la empresa recuperara aproximadamente R$ 3 millones por año, evitando pérdida de ingresos de siniestros desatendidos.

Fortalecí la experiencia en limpieza de datos, ingeniería de características y tratamiento de conjuntos de datos desequilibrados para mejorar la confiabilidad del modelo.

Desarrollé un modelo basado en árbol de decisión para segmentar asegurados según diferentes niveles de riesgo, ayudando a definir estrategias de precios y marketing.

Analicé una mezcla compleja de fuentes de datos estructurados y externos, incluidos indicadores socioeconómicos y comportamientos de siniestros anteriores.

Apoyé una reducción del 7% en las tasas de siniestros, proporcionando una base orientada por datos para ajustes de productos.

Obtuve una comprensión más profunda de la interpretabilidad del árbol de decisión y la integración de datos de múltiples fuentes.

Desarrollé modelos para hit-ratio (tasa de conversión después de una cotización) y loss-ratio (tasa de siniestro esperada), optimizando estrategias de precios para seguro de automóviles.

Creé un sistema de monitoreo en tiempo real para anomalías de conversión, ayudando a ajustar precios dinámicamente.

Aumenté las conversiones de clientes de bajo riesgo en un 9% y reduje las conversiones de alto riesgo en un 13%, mejorando el equilibrio de la cartera.

Enfrenté desafíos en la predicción granular de loss-ratio, asegurando insights significativos a pesar de pequeños segmentos de datos.