Desenvolvi um modelo matemático proprietário para prever produtos expirados em lojas de varejo, sem depender de bibliotecas de machine learning pré-construídas.

Projetei uma estrutura de simulação de probabilidade que estimava riscos de expiração para milhares de SKUs, superando restrições computacionais por meio de processamento paralelo.

Ajudei a dobrar a base de clientes da empresa em dois meses, pois a solução se tornou um foco central de marketing.

Aprendi a projetar modelos estatísticos personalizados do zero e otimizar o desempenho computacional em aplicações de varejo em grande escala.

Melhorei a precisão de um modelo existente de detecção de ruptura de estoque, substituindo uma abordagem não supervisionada por um modelo baseado em XGBoost, aumentando a precisão de 30% para 70%.

Integrei taxa de rotatividade e dados históricos de vendas, melhorando a eficiência de reabastecimento de produtos.

Aprendi a fazer a transição de heurísticas baseadas em regras para aprendizado supervisionado, melhorando significativamente o desempenho do modelo.

Criei dashboards detalhados no Power BI, exibindo insights importantes como precisão do modelo, métricas de engajamento e impacto financeiro por loja.

Automatizei a coleta de dados de múltiplas fontes, melhorando a visibilidade das operações de varejo.