Setembro/2022 - Janeiro/2025
Como Cientista de Dados na Zurich Insurance Group, liderei projetos focados em análise de risco e conversão para segmentação de clientes. Desenvolvi modelos de propensão para produtos e análises de marketing, além de liderar projetos de NLP que geraram impactos significativos nos resultados da empresa.
Desenvolvi uma API usando Azure Function e automatizei processos com Logic App, otimizando operações de suporte ao cliente.
Construí um modelo preditivo para avaliar a probabilidade de solicitações de moderação serem aceitas, aumentando as taxas de aprovação em 50%.
Aprimorei a resposta do bot com relatórios detalhados, orientando analistas sobre como melhorar suas solicitações de moderação, o que ajudou a elevar a classificação da empresa na plataforma de "regular" para "bom".
Aprendi a navegar eficientemente pelas ferramentas Azure, construindo uma API escalável e fluxo de trabalho de automação, apesar da falta de familiaridade inicial com a plataforma.
Tools: Python, Azure Function, Logic App, NLP techniques, predictive analytics.
Projetei modelos para detectar sinistros elegíveis para ressarcimento, usando dados textuais e estruturados para melhorar a tomada de decisões.
Abordei desafios como qualidade limitada de dados e alto desequilíbrio de classes, garantindo que casos relevantes fossem identificados com precisão.
Permitiu que a empresa recuperasse aproximadamente R$ 3 milhões por ano, evitando perda de receita de sinistros negligenciados.
Fortaleci a expertise em limpeza de dados, engenharia de recursos e tratamento de conjuntos de dados desbalanceados para melhorar a confiabilidade do modelo.
Tools: Python, Databricks, data balancing techniques.
Desenvolvi um modelo baseado em árvore de decisão para segmentar segurados com base em diferentes níveis de risco, ajudando a definir estratégias de preços e marketing.
Analisei uma mistura complexa de fontes de dados estruturados e externos, incluindo indicadores socioeconômicos e comportamentos de sinistros anteriores.
Apoiei uma redução de 7% nas taxas de sinistros, fornecendo uma base orientada por dados para ajustes de produtos.
Obtive uma compreensão mais profunda da interpretabilidade da árvore de decisão e da integração de dados de múltiplas fontes.
Tools: Python, Databricks, decision tree analysis.
Desenvolvi modelos para hit-ratio (taxa de conversão após uma cotação) e loss-ratio (taxa de sinistro esperada), otimizando estratégias de preços para seguro de automóveis.
Criei um sistema de monitoramento em tempo real para anomalias de conversão, ajudando a ajustar preços dinamicamente.
Aumentei as conversões de clientes de baixo risco em 9% e reduzi as conversões de alto risco em 13%, melhorando o equilíbrio do portfólio.
Enfrentei desafios na previsão granular de loss-ratio, garantindo insights significativos apesar de pequenos segmentos de dados.
Tools: Python, Power BI, Databricks, predictive analytics.