Machine Learning com contexto, engenharia e resultado.

Desenvolvi um modelo LightGBM para identificar clientes com maior risco de atraso, tratando o desbalanceamento dos dados e comparando o resultado com o modelo anterior utilizado como referência. A AUC passou de 0,719 para 0,764 e, numa simulação com 30.752 previsões, o novo modelo encontrou 218 clientes com atraso a mais, representando mais de ¥21,88 milhões em perdas potenciais identificadas.

Analisei o comportamento de 11.573 clientes bancários para entender o que estava relacionado ao cancelamento do cartão, depois comparei Decision Tree, Random Forest e XGBoost para antecipar esse churn. O XGBoost apresentou o melhor resultado, com 97,4% de acurácia, permitindo unir a previsão dos cancelamentos com a análise das variáveis mais importantes para cada modelo.

Construí um pipeline com Python e MySQL para converter, armazenar e analisar 158.366.934 registros do IMDb e TMDB, reunidos em aproximadamente 12,73 GB de dados. A partir dessa estrutura, desenvolvi 13 consultas analíticas e visualizações em Power BI sobre gêneros, avaliações, representatividade, regiões e desempenho financeiro, transformando uma base extensa num panorama da indústria cinematográfica.