Sobre mim
Sou estudante de Estatística e Ciência de Dados na USP/ICMC. Minha história com dados não começou na faculdade — começou vendo decisões serem tomadas com planilhas bagunçadas em operações reais. Hoje construo ferramentas que transformam esse cenário.
“Dados confiáveis são infraestrutura. Antes de qualquer dashboard, modelo ou automação, existe uma pergunta: a base sustenta a decisão?”
A maioria dos problemas em análise e ciência de dados não decorre de modelos estatísticos complexos mal programados. Decorre de dados de entrada ruins. Quando a infraestrutura falha ou o processo operacional introduz ruído, a análise torna-se inconclusiva ou incorreta. Trabalho na camada que antecede a análise: qualidade de dados, evidência estatística, rastreabilidade, automação e produtos responsáveis que tornam decisões mais confiáveis.
Como penso e construo
Princípios de trabalho com dados
01 · Princípio
Problema real antes da interface
Antes de abrir o editor, entendo fluxo, usuário, origem do dado e decisão que precisa ser tomada.
Ex: no Form2Dashboard, o problema principal não era desenhar gráfico; era lidar com colunas sem nome, tipos misturados e respostas duplicadas antes da visualização.
02 · Princípio
Dados confiáveis como infraestrutura
Qualidade de dados não é detalhe. Sem validação, consistência e rastreabilidade, qualquer dashboard vira risco.
Ex: no DataFlow, o Health Score 82 existe para mostrar o quanto a base pode ser confiável antes da análise.
03 · Princípio
Estatística com responsabilidade
Inferência não é botão mágico. Testes estatísticos precisam de contexto, correção e limites metodológicos.
Ex: o DataFlow usa conclusões Bonferroni-aware para reduzir falsos positivos em múltiplas hipóteses.
04 · Princípio
Auditabilidade antes de elegância
Todo produto de dados precisa explicar o que fez, o que removeu, o que assumiu e onde pode falhar.
Ex: no DataFlow, issues, registros mascarados e PDF executivo fazem parte do produto — não são detalhes extras.
O que posso entregar desde o primeiro dia
Capacidades técnicas e operacionais estruturadas para agregar valor imediato à equipe de dados.
Skill → Prova
Onde usei cada skill
| Skill | Onde usei | Prova | |
|---|---|---|---|
| Python | DataFlow backend, profiling, inferência estatística | Case: DataFlow | Ver evidência |
| Pandas | Limpeza, transformação e profiling tabular | Case: DataFlow | Ver evidência |
| SciPy | Statistical Evidence Center (Welch, ANOVA, χ²) | Case: DataFlow | Ver evidência |
| TypeScript | Interfaces, dashboards e produto | DataFlow / Form2Dashboard | Ver evidência |
| Next.js | Dashboards e front-end de produto | DataFlow / Form2Dashboard | Ver evidência |
| FastAPI | API de análise, profiling e masking | Case: DataFlow | Ver evidência |
| Estatística | Testes A/B, inferência, Health Score | StatLab / DataFlow | Ver evidência |
| Qualidade de Dados | Profiling, validação, Health Score | DataFlow / DataHealth | Ver evidência |
| React Native | Apps mobile em produção | LançaEnsaio / Maestro | Ver evidência |
| SQL | Consultas, estruturação e análise | Projetos de dados | Ver evidência |
| Dashboards | DataFlow, Form2Dashboard, Aurea | Screenshots dos projetos | Ver evidência |
| Responsible Analytics | LGPD-aware masking, governança | DataFlow | Ver evidência |
DataFlow backend, profiling, inferência estatística
Limpeza, transformação e profiling tabular
Statistical Evidence Center (Welch, ANOVA, χ²)
Interfaces, dashboards e produto
Dashboards e front-end de produto
API de análise, profiling e masking
Testes A/B, inferência, Health Score
Profiling, validação, Health Score
Apps mobile em produção
Consultas, estruturação e análise
DataFlow, Form2Dashboard, Aurea
LGPD-aware masking, governança
Formação, projetos e experiência aplicada
Formação principal
Bacharelado em Estatística e Ciência de Dados
Universidade de São Paulo (USP) — ICMC
fev 2025 — dez 2028 (previsto)
Formação interdisciplinar que une estatística, matemática, programação, inferência, ciência de dados, bases de dados, visualização e aplicações em problemas reais. Credencial principal do meu posicionamento profissional.
Experiência complementar
Experiência aplicada em operação e dados
Analista de Operações e E-commerce
Disk Água Brunetti | Jan 2024 — Presente
- Foi aqui que entendi o problema real: dados operacionais bagunçados, decisões tomadas sem visibilidade e processos manuais que consumiam tempo. Comecei automatizando relatórios com Google Sheets e Python.
- Organizei dados de vendas, cadastro de clientes e processos internos — o mesmo tipo de limpeza e estruturação que hoje considero etapa anterior a qualquer análise.
- Aprendi que produto de dados não é sobre gráfico bonito: é sobre transformar um processo opaco em algo que qualquer pessoa da operação consegue consultar e confiar.
Participação
sEst — Semana da Estatística USP/UFSCar
Equipe de Financeiro e Infraestrutura
Participação em uma frente que exige organização, contato com parceiros, cotações, coordenação de estrutura e colaboração entre equipes.
Vamos trabalhar juntos?
Estou buscando oportunidades de estágio em dados, analytics engineering ou ciência de dados aplicada.