Ana Beatriz Carvalho

• Dissertação sobre seleção de atributos e interpretabilidade de modelos preditivos.

• Atuação como monitora nas disciplinas de estatística e aprendizado de máquina.

• Iniciação científica em modelos de sobrevivência aplicados à saúde pública.

• Participação em projetos de consultoria estatística para empresas locais.

• Lidero o desenvolvimento de modelos de previsão de churn e propensão de compra para clientes de varejo e finanças.

• Implementei um pipeline de MLOps que reduziu em 40% o tempo de deploy dos modelos em produção.

• Criei um framework de testes A/B e de validação offline que melhorou a confiabilidade dos experimentos.

• Supervisiono cientistas de dados júnior e contribuo com a definição da arquitetura de dados.

• Construí modelos de precificação e segmentação de clientes que elevaram a margem operacional em 12%.

• Desenvolvi painéis analíticos em Power BI para acompanhamento de metas e detecção de anomalias.

• Automatizei a coleta, limpeza e integração de dados de vendas e estoque com Python e SQL.

• Atuei na construção de relatórios gerenciais de risco de crédito e inadimplência.

• Realizei análises exploratórias para apoiar a área de crédito na definição de políticas de concessão.

• Elaborei indicadores para comitês executivos e apresentações de resultados.

Reconhecimento pelo projeto de MLOps aplicado à prevenção de churn em uma base com mais de 5 milhões de clientes.

Reconhecimento pela excelência no desempenho do curso de Estatística entre os concluintes daquele ano.

• Apresenta uma comparação entre regressão logística, florestas aleatórias e redes neurais para predição de inadimplência.

• Discute estratégias de balanceamento de classes e interpretabilidade de modelos em cenários reais de crédito.

Ana Beatriz combina sólida formação estatística com capacidade de liderança e comunicação. Foi fundamental para a evolução dos nossos modelos de machine learning.

• Utiliza Docker, Airflow e MLflow para orquestrar as etapas do ciclo de vida do modelo.

• Reduziu o tempo de atualização dos modelos de semanas para horas no ambiente de produção.

• Análise comparativa de acurácia entre abordagens clássicas e neurais.

• Desenvolvimento de um dashboard interativo em Streamlit para exploração dos resultados.

• Consolidou mais de 15 fontes de dados em um único painel gerencial.

• Facilitou a tomada de decisão semanal dos times comerciais.

• Mentoria de carreira para mulheres que estão ingressando na área de dados.

• Criação de conteúdos sobre machine learning e estatística para a comunidade.

• Atuação em projetos de análise de dados para organizações sem fins lucrativos nas áreas de educação e saúde.