Felipe Santana | Analista de Dados

Mapa do arquipélago

Todos os projetos

Seis projetos ponta a ponta com dados públicos, da pergunta de negócio à recomendação. Cada um tem o código completo no GitHub e pode ser reproduzido do zero.

Porto Olist

Atrasos na entrega derrubam a satisfação do cliente?

96 mil pedidos da Olist. Python, DuckDB, dbt, SQL, Tableau.

4,3 para 2,3nota média de adiantado para 4 a 7 dias de atraso

Ilha dos Ventos

Por que a energia fica cara quando para de chover?

240 mil registros horários do ONS. Python, DuckDB, dbt, SQL, Tableau.

5,6xmais cara com reservatório abaixo de 40%

Ilha do Mercado

O e-commerce está crescendo de forma saudável?

1 milhão de linhas de vendas. SQL, DuckDB, Python, Excel, GitHub Actions.

£42 a 80 milpor ano a cada 10 p.p. de reativação de clientes

Floresta Aleatória

Dá para prever quem vai dar nota ruim?

96 mil pedidos da Olist. KNIME, RFM, k-Means, Random Forest.

74%dos pedidos atrasados são avaliados antes de chegar

Ilha do Lakehouse

Em quais estados o etanol compensa mais que a gasolina?

950 mil coletas de preço da ANP. Databricks, PySpark, Delta Lake, Unity Catalog.

10 estadosonde o etanol compensa na semana mais recente

Ilha do Terminal

Onde estão os ônibus de São Paulo agora e a que velocidade andam?

Posição GPS da frota da SPTrans, a cada 30 segundos. Python, Apache Kafka, PostgreSQL, Streamlit, Docker.

4 de 4ônibus parados fora de terminal detectados no sample de demonstração, sem falso alarme em terminal

Quer saber mais sobre mim?

Porto Olist · E-commerce

Atrasos na entrega derrubam a satisfação do cliente?

96 mil pedidos do marketplace Olist, de jan/2017 a ago/2018. Quanto o atraso pesa na nota do cliente, onde o problema é mais grave e quanta receita está envolvida.

Python
pandas
DuckDB
dbt
SQL
Tableau

Abrir dashboard Ver código no GitHub

4,3 → 2,3Nota média quando o pedido chega adiantado contra 4 a 7 dias de atraso

54%dos pedidos atrasados recebem nota 1 ou 2, contra 9% dos pontuais

R$ 1,15 miem vendas passaram por pedidos atrasados no período

O que os dados mostram

A nota despenca a partir de 4 dias de atraso. Até 3 dias o cliente ainda tolera (3,75); depois cai para 2,30 e, com 8 dias ou mais, para 1,73.
O Nordeste atrasa 14,3% dos pedidos, o dobro do Sul (7,0%).
Móveis de escritório é a categoria com a pior nota (3,66).
Métricas por pedido, não por item, para não inflar médias em pedidos com vários produtos.

Recomendações

Prazos prometidos mais realistas para o Nordeste e o RJ.
Alerta operacional a partir de 4 dias de atraso, onde a nota desaba.
Investigar a operação de móveis de escritório.

Dashboard Olist com KPIs, mapa de atraso por estado, nota por faixa de atraso, pedidos por mês e nota por categoria — Visão geral do painel com todos os pedidos entregues.

Gráfico de barras da nota média por faixa de atraso — Nota média por faixa de atraso.

Dashboard Olist filtrado para a região Nordeste — Painel filtrado para o Nordeste: 14,3% de atraso e nota 3,97.

Próxima ilha: mesma arquitetura, outro setor.

Ilha dos Ventos · Setor elétrico

Por que a energia fica cara quando para de chover?

Seis anos de dados horários abertos do ONS, cerca de 240 mil registros de 2020 até hoje, cruzando custo da energia, nível dos reservatórios, chuva e geração por fonte nas quatro regiões do país.

Python
DuckDB
dbt
SQL
Tableau
Dados abertos

Abrir dashboard Ver código no GitHub

5,6xmais cara com reservatório do Sudeste abaixo de 40% (R$ 435/MWh) do que acima de 60% (R$ 78)

R$ 56 → 378custo ao meio-dia contra às 18h no ano atual, a "curva do pato" da energia solar

20%das horas deste ano com custo zero, por sobra de geração renovável

O que os dados mostram

O preço ainda é função da água. A correlação mensal entre reservatório e preço no Sudeste é de −0,45.
Crise hídrica de ago/2021: custo acima de R$ 3.000/MWh, reservatórios em 24% e chuva a 59% da média.
A solar saiu de 0,9% para 14,2% da geração e já mudou o formato do dia.
42 testes dbt garantem, por exemplo, que o balanço energético fecha e que não há hora duplicada.

Na prática

Quem compra energia pode acompanhar os reservatórios para se antecipar aos picos de preço.
Quem consome muito pode economizar deslocando consumo para o meio do dia.

Dashboard Energia no Brasil, página Preço, com CMO mensal e CMO por hora do dia — Página Preço: custo mensal da energia e o formato do preço ao longo do dia.

Dashboard Energia no Brasil, página Matriz — Matriz: geração por fonte.

Dashboard Energia no Brasil, página Reservatórios — Reservatórios: nível e chuva por região.

Próxima ilha: do setor elétrico ao varejo.

Ilha do Mercado · Varejo

O e-commerce está crescendo de forma saudável?

1 milhão de linhas de vendas reais de um e-commerce de presentes do Reino Unido, de dez/2009 a dez/2011. De onde vem a receita, quais clientes sustentam o negócio e quanto vale reativar quem está sumindo.

SQL
DuckDB
Python
Excel
GitHub Actions

Abrir dashboard Ver código no GitHub

+2,5%de receita no ano 2, com 4% menos pedidos: o crescimento veio só do ticket médio

94%dos clientes Campeões voltaram no ano seguinte e geraram 68% da receita, validando a segmentação

£42-80 milpor ano a cada 10 pontos percentuais de reativação do segmento Em risco

O que os dados mostram

A aquisição caiu 36%: 600 clientes novos em set-nov/2011 contra 940 no ano anterior. Cerca de 90% da receita vem de quem já era cliente.
22% dos clientes geram 64% da receita. O RFM foi aplicado em dez/2010 e comparado com o ano seguinte, e a ordem dos segmentos se manteve.
Clientes "Em risco" voltam, mas gastam metade: 62% compraram de novo, com receita por cliente 47% menor.
10 testes de dados e CI no GitHub Actions refazem tudo do zero a cada mudança e conferem os resultados publicados.

Recomendações

Reativação antes do pico de fim de ano, começando pelos 103 clientes que concentram metade da receita em risco.
Atendimento dedicado aos Campeões, com alerta após 30 dias sem compra.
Investigar a queda de aquisição antes que a base existente encolha.

Simulador da campanha de reativação: 10 pontos percentuais a mais reativam 65 clientes e geram de 42 a 80 mil libras — Simulador do dashboard: quanto vale reativar os clientes "Em risco".

Receita por cliente de cada segmento RFM antes e depois de dez/2010 — Validação do RFM: receita por cliente antes e depois.

Mapa de calor da retenção mensal por coorte de primeira compra em 2010 — Retenção por coorte: quem entra no fim do ano volta no Natal seguinte.

Próxima ilha: os dados da Olist, agora com machine learning.

Floresta Aleatória · Machine learning

Dá para prever quem vai dar nota ruim?

Os mesmos 96 mil pedidos da Olist, em quatro workflows do KNIME só com nós nativos: ETL, segmentação RFM com k-Means, modelo de avaliação ruim e painel de indicadores. Aqui a definição de atraso foi corrigida (data contra data), e a taxa cai de 8,1% para 6,8%.

KNIME
ETL
RFM
k-Means
Random Forest
Decision Tree

Ver código no GitHub Baixar os workflows

74%dos pedidos atrasados foram avaliados antes da entrega, e 75% dessas avaliações são ruins

31%da receita vem dos "Inativos de alto valor", 16% dos clientes, sem comprar há mais de um ano

8xmais avaliações ruins encontradas pelo Random Forest do que pela regra "atrasou = ruim"

O que os dados mostram

A pesquisa de satisfação sai perto da data prometida. 94% das avaliações feitas antes da entrega foram criadas na data prometida ou depois dela.
97% dos clientes compraram uma única vez. Por isso a frequência do RFM virou binária e o valor recebeu log antes do k-Means.
Modelo sem vazamento: pedidos avaliados antes da entrega ficam de fora. O Random Forest sinaliza 15% dos pedidos e encontra 35% das notas ruins, com AUC de 0,66.
Limiar escolhido na validação, métricas só no teste, com partição estratificada 60/20/20.

Recomendações

Disparar a pesquisa na entrega confirmada, e não na data prometida.
Avisar antes do prazo os clientes cujo pedido corre risco de atrasar.
Campanha de reativação para os Inativos de alto valor, com ticket médio de R$ 317.

Gráfico mostrando que 74% dos pedidos atrasados foram avaliados antes da entrega, com 75% de notas ruins — O achado central: quem recebe com atraso avalia enquanto ainda espera o produto.

Gráfico de barras da receita por segmento RFM — Receita por segmento RFM.

Workflow do modelo de avaliação ruim no KNIME — Workflow do modelo: baseline, árvore de decisão e Random Forest no mesmo teste.

Próxima ilha: engenharia de dados em escala, no Databricks.

Ilha do Lakehouse · Engenharia de dados

Em quais estados o etanol compensa mais que a gasolina?

Pipeline ponta a ponta no Databricks com os preços de combustíveis que a ANP publica todo mês: 950 mil coletas de jan/2025 a set/2026, nas 27 UFs. Os dados passam por uma arquitetura Medallion (Bronze, Silver e Gold) e chegam a um dashboard que atualiza sozinho toda semana.

Databricks
PySpark
Delta Lake
Unity Catalog
Lakeflow Pipelines
Asset Bundles
SQL
GitHub Actions

Ver código no GitHub Ler a arquitetura

10 estadoscom etanol abaixo de 70% do preço da gasolina na semana mais recente; o MT lidera, com paridade de 0,60

R$ 7,57pela gasolina em Roraima, a mais cara do país; a Região Norte lidera o ranking

950 milcoletas de 20 arquivos mensais, ingeridas e validadas por um job serverless agendado

O que o projeto mostra

Ingestão que se adapta à fonte. A ANP muda o nome dos arquivos todo mês, até com erro de digitação. O job lê a página oficial, descobre os links e baixa só o que é novo.
Medallion com Lakeflow Declarative Pipelines. Auto Loader incremental no Bronze, tipagem e deduplicação no Silver, três tabelas de negócio no Gold, tudo em Delta Lake no Unity Catalog.
5 regras de qualidade de dados checadas a cada execução: data válida, preço positivo e plausível, CNPJ com 14 dígitos e UF válida.
Infraestrutura como código. Schema, volume, pipeline, job e dashboard declarados em Databricks Asset Bundles, com ambientes de dev e produção.
7 testes de PySpark e CI no GitHub Actions a cada mudança, com as transformações escritas como funções puras e testáveis.

Na prática

Quem abastece carro flex pode consultar a paridade do seu estado antes de escolher o combustível.
O pipeline roda sozinho toda segunda às 8h; quando a ANP publica um mês novo, ele entra no dashboard sem intervenção.

Dashboard no Databricks com a paridade etanol/gasolina por UF: 10 estados abaixo de 0,70 — Dashboard AI/BI: em azul, os estados onde o etanol compensa.

Grafo do pipeline no Databricks: bronze_precos, silver_precos e três tabelas gold, todas concluídas — Pipeline Bronze → Silver → Gold rodando no Databricks.

Painel de expectations da tabela silver_precos com as 5 regras e 0% de falhas — As 5 regras de qualidade da camada Silver.

Próxima ilha: dados em tempo real, com Kafka.

Ilha do Terminal · Streaming

Onde estão os ônibus de São Paulo agora e a que velocidade andam?

Pipeline de streaming que lê a posição GPS da frota da SPTrans (API Olho Vivo), publica cada leitura no Apache Kafka, calcula velocidade, métricas por linha em janelas de 5 minutos e alertas de ônibus parado, e mostra tudo em um dashboard ao vivo. Sobe com um comando (make up) e tem um modo de demonstração que não precisa de token.

Python
Apache Kafka
PostgreSQL
Streamlit
pydeck
Docker Compose
pytest

Ver código no GitHub Ler a arquitetura

319 testesunitários e de pipeline, mais 6 testes ponta a ponta contra a stack completa no Docker

4 de 4ônibus parados fora de terminal geram alerta no sample de demonstração; os 4 parados em terminais, nenhum

3 tópicosno Kafka (posições, métricas e alertas) e 3 consumers que gravam no PostgreSQL

O que o projeto mostra

Tempo de evento, não do relógio. Velocidade (distância de haversine entre leituras), janelas e alertas usam o horário do GPS. Por isso o replay acelerado dá os mesmos resultados do tempo real.
Offset só depois de gravar. Entrega at-least-once com banco idempotente: chave única por veículo e instante, upsert por janela e alerta com identificador determinístico.
Mensagem ruim não derruba o serviço. Leitura malformada é registrada e ignorada; falha de Kafka ou PostgreSQL tem retry com backoff e encerramento limpo.
Janelas com watermark por partição. Uma janela só fecha quando todas as partições passaram dela, então um consumer que atrasa não perde leituras.
Reprodutível por qualquer pessoa. O modo replay reproduz um arquivo de coletas no mesmo formato da API, e o make record grava dados reais para usar no lugar do sample.

Na prática

Quem clonar o repositório roda make up e vê o dashboard e o Kafka UI funcionando, sem token.
O sample versionado é sintético, então os números do dashboard em replay não representam a cidade real. Para dados reais, basta um token gratuito da SPTrans e make live.

Dashboard com 495 ônibus ativos, velocidade média da cidade e mapa ao vivo de São Paulo — Dashboard ao vivo: indicadores da cidade e posição dos ônibus.

Rankings das 10 linhas mais lentas e das 10 mais rápidas na última janela de 5 minutos — Linhas mais lentas e mais rápidas da última janela.

Kafka UI com os tópicos bus-positions-raw, bus-metrics e bus-alerts — Os três tópicos no Kafka UI.

Fim da rota. Que tal conhecer o capitão?

Ilha do Farol · Sobre mim

Felipe Gabriel Coelho de Santana

Analista de Dados em São Paulo, tecnólogo em Ciência de Dados pela FIAP (2024–2026). Antes da área de dados, fiz estágio de suporte de TI, onde automatizei tarefas recorrentes e montei relatórios de indicadores internos.

Busco uma vaga de Analista de Dados ou BI júnior, com interesse especial nos setores financeiro e de seguros.

Falar comigo no LinkedIn Ver meu GitHub

Como construo cada projeto

Pergunta. Um problema de negócio com uma decisão em jogo.
Ingestão e limpeza. Perfil, tratamento e validação dos dados em Python.
Modelagem e testes. Camadas em DuckDB e dbt, com testes automáticos de qualidade.
Resposta. Dashboard com os achados e recomendações práticas.

Ferramentas

Linguagens: SQL, Python
Dados: pandas, DuckDB, PySpark
Modelagem: dbt, modelo estrela
Visualização: Tableau, Power BI
Plataformas: Databricks, Kafka, Git, KNIME, DBeaver
Também: Excel, ETL, streaming, machine learning

Comece pela primeira ilha.