ENZO THAUZER / ANALISTA DE DADOS · DESENVOLVEDOR FULL STACK

Dados queviram decisão.Código quevira solução.

Dados e processos transformados em decisões mais claras.

Atuo com BI, automação, engenharia de dados e desenvolvimento de aplicações. Conecto Power BI, SQL e Python para estruturar informações e apoiar decisões de negócio. Sou graduando em Ciência de Dados e desenvolvedor Full Stack.

Explorar projetos Entrar em contato

Fortaleza, CE · Brasil Ciência de Dados · UFC

FERRAMENTAS NO DIA A DIAPythonSQLPower BIETL / ELTGitAutomações

01 / TRABALHOS SELECIONADOS

Feitos para
funcionar de verdade.

Engenharia, automações, dashboards e interfaces. Cada projeto começa com uma pergunta, não com uma tecnologia.

Explorar GitHub
01 / PRODUTO / ANALYTICS
Versão demonstrativa 4.5 · repositório público

Margin Guardian

Diagnóstico de margens com importação CSV, comparativos históricos e explicações verificáveis. Um simulador permite testar alterações de preço, custo, comissão e volume antes de decidir.

Dados demonstrativos e regras analíticas rastreáveis. As explicações desta versão não dependem de IA generativa em tempo real; os resultados não representam ganhos homologados em produção.

Python · JavaScript · Analytics · CSVVer repositório ↗
02 / PRODUTO / PRECIFICAÇÃO
Projeto prático · repositório

System of Price

Uma ferramenta para apoiar análise de custos, regras comerciais e formação de preços, com foco na leitura de margens e no processo de decisão.

Problema: decisões de preço dispersas e ajustes pouco padronizados.

Python · Regras de negócio · AnalyticsVer código
03 / ENGENHARIA DE DADOS
Projeto de integração

Data Extract

Extração e tratamento de dados entre diferentes fontes para alimentar análises e rotinas operacionais mais consistentes.

Problema: integrar fontes e organizar fluxos de dados.

Python · SQL · BigQuery · OracleVer código
04 / QUALIDADE DE DADOS
Repositório público

Cadastrex — Cadastro de CNPJs

Padronização cadastral com validação de identificadores, conciliação de razão social e consultas por serviços externos.

Tratamento e padronização de dados cadastrais; código disponível no GitHub.

Python · APIs · Data QualityVer repositório ↗
05 / AUTOMAÇÃO
Repositório público

RPA — Fonts

Automação em Python para apoiar rotinas operacionais ligadas a arquivos e atualização de fontes de dados.

Problema: operações repetitivas e execução manual.

Python · RPA · LogsVer código
06 / ANALYTICS / APRENDIZAGEM
Projeto de estudo

Lab — Patologia

Estudo de análise laboratorial com foco em tratamento de dados, indicadores de SLA e experimentação com classificação de risco.

Modelagem experimental; não é solução clínica validada.

Python · SQL · Analytics · MLVer código
07 / INTERFACES / DESENVOLVIMENTO WEB
Projeto demonstrativo

Blue Print

Experiência web interativa para explorar hierarquia visual, navegação e composição de uma plataforma conceitual de serviços digitais.

Interface demonstrativa; sem alegação de clientes ou vendas.

HTML · CSS · JavaScriptVer código
08 / AUTOMAÇÃO
Repositório público

RPA — Archives

Scripts para organizar arquivos e simplificar etapas manuais no tratamento e preparação de informações.

Problema: tarefas repetitivas no fluxo de arquivos.

Python · AutomaçãoVer código
09 / ORGANIZAÇÃO / SOFTWARE
Projeto de interface

Kanban

Sistema de organização visual para acompanhar tarefas e prioridades durante o andamento de atividades.

Conceito de gestão visual, com foco em clareza de fluxo.

Desenvolvimento de software · UIVer código
10 / DADOS / OPERAÇÃO
Projeto de automação

Excel — Forms

Experimento para facilitar a transição de planilhas para processos de dados mais estruturados e consistentes.

Projeto em evolução: escopo e integração sujeitos a mudanças.

Excel · Python · AutomaçãoVer código

As composições dos projetos são representações visuais conceituais, não capturas de tela. Projetos internos e MVPs são identificados; resultados não verificados não são apresentados como métricas reais.

02 / LABORATÓRIO INTERATIVO

Raciocínio em ação.

Três cenários fictícios para explorar análise, indicadores e decisões. Cada estudo mantém filtros, detalhes metodológicos e download dos dados.

Cases demonstrativos com dados fictícios. Os indicadores abaixo ilustram cenários e não representam resultados obtidos em clientes ou empregadores.

CASE A / INDUSTRIAL IOTDADOS FICTÍCIOS

Manutenção Preditiva Industrial — IoT

Um cenário de sensores industriais para acompanhar confiabilidade e investigar sinais de degradação.

Manufatura · Indústria 4.0 · IoT Analytics & Confiabilidade

Tempo entre falhas

656 h

MTBF · acumulado do semestre

Tempo médio de reparo

4,1 h

MTTR · acumulado do semestre

Falhas registradas

157

Contagem sintética · jan–jun

Variação de falhas

−74%

Junho em relação a janeiro

Vibração média dos sensores

mm/s · janeiro a junho de 2026

0,01,83,55,37,0JanFevMarAbrMaiJunVibração média · Jan: 3,4 mm/sVibração média · Fev: 4,0 mm/sVibração média · Mar: 4,2 mm/sVibração média · Abr: 4,6 mm/sVibração média · Mai: 5,0 mm/sVibração média · Jun: 5,4 mm/s
Vibração médiaAlerta ilustrativo: 5 mm/s

Vida útil remanescente — cenário

Valores fictícios em junho · menor RUL, maior prioridade

Compressores85,0 h
Bombas77,0 h
Turbinas69,0 h
LEITURA DO CENÁRIO

No cenário, as falhas caem 74% entre janeiro e junho, enquanto a vibração média chega a 5,40 mm/s. Os sinais podem sugerir uma inspeção, mas não demonstram causalidade nem validam uma previsão de falha.

Análises complementares

Corretiva × preditiva

Horas de intervenção · dados de cenário

0100200300400JanFevMarAbrMaiJunCorretiva · Jan: 365,0 hCorretiva · Fev: 341,0 hCorretiva · Mar: 299,0 hCorretiva · Abr: 273,0 hCorretiva · Mai: 246,0 hCorretiva · Jun: 203,0 hPreditiva · Jan: 42,0 hPreditiva · Fev: 63,0 hPreditiva · Mar: 84,0 hPreditiva · Abr: 105,0 hPreditiva · Mai: 126,0 hPreditiva · Jun: 147,0 h
CorretivaPreditiva

Falhas por 1.000 horas operadas

Ranking por família · exposição normalizada

Turbinas1,9
Bombas1,6
Compressores1,1

Tendência de temperatura

°C · média mensal dos sensores fictícios

0255075100JanFevMarAbrMaiJunTemperatura · Jan: 68,0 °CTemperatura · Fev: 69,6 °CTemperatura · Mar: 70,6 °CTemperatura · Abr: 71,4 °CTemperatura · Mai: 72,5 °CTemperatura · Jun: 73,2 °C

Histórico de intervenções

Valores do recorte selecionado

Indicadores mensais do recorte selecionado, dados fictícios
MêsCorretiva (h)Preditiva (h)Temp. (°C)
Jan3654268,0
Fev3416369,6
Mar2998470,6
Abr27310571,4
Mai24612672,5
Jun20314773,2
Metodologia, premissas e dados

O problema

Como priorizar a manutenção de uma frota e acompanhar a evolução de falhas sem depender apenas de ações corretivas?

O que esta demo faz

Nesta demo, 24 equipamentos são agregados por família e mês. MTBF e MTTR são calculados a partir de horas operadas, falhas e reparos. Vibração e RUL são valores sintéticos de cenário.

Arquitetura proposta

Evolução proposta: Python, Pandas e NumPy; histórico em PostgreSQL; ingestão por Airflow; Random Forest/XGBoost e Lifelines para estimar risco e vida útil, com validação temporal.

MTBF = horas de operação ÷ falhas. MTTR = horas de reparo ÷ falhas. O limite de vibração de 5 mm/s é apenas ilustrativo. RUL e risco não foram inferidos por um modelo treinado. NASA C-MAPSS, AI4I e Azure Predictive Maintenance são bases sugeridas para uma versão futura; não foram usadas aqui.
Esta demonstração: dados fictícios gerados em Python, indicadores calculados no navegador e gráficos SVG. As arquiteturas Python/SQL/BI são propostas; não há modelo preditivo treinado ou relatório Power BI incorporado.

Indicadores mensais do recorte selecionado, dados fictícios
MêsFalhasMTBF (h)MTTR (h)Vibração (mm/s)
Jan43397,74,13,44
Fev33519,54,13,97
Mar28612,94,24,19
Abr25687,14,14,61
Mai171.012,44,15,04
Jun111.566,74,25,40
IoT AnalyticsConfiabilidadePython · proposta

CASE B / BACK OFFICEDADOS FICTÍCIOS

ROI de Automação RPA — Back Office

Volume processado, capacidade liberada e retorno econômico de quatro processos automatizados em um cenário fictício.

Bancos · Seguradoras · Shared Services · BPO

Horas economizadas

5.122 h

5,3 FTE equivalente por mês

Custo evitado potencial

R$ 215.126

Capacidade liberada × R$ 42/h

Volume automatizado

41.129

Execuções concluídas sem exceção

ROI potencial

113,4%

(Benefício − custos) ÷ custos

Payback simples

2,3 meses

Implantação ÷ benefício mensal médio

Taxa de exceção

5,1%

Exceções ÷ tentativas

Uptime dos robôs

98,1%

Horas disponíveis ÷ programadas

Investimento total

R$ 100.800

Implantação + operação no semestre

Do investimento ao retorno

Waterfall · R$ mil · saldo potencial acumulado

-72-252168114Invest.: -R$ 72.000Invest.Jan: R$ 15.783JanFev: R$ 20.950FevMar: R$ 26.129MarAbr: R$ 33.633AbrMai: R$ 41.359MaiJun: R$ 48.472JunSaldo: R$ 114.326Saldo
Benefício líquido mensalSaldo do período

Processos por impacto financeiro

Pareto · custo evitado potencial em R$ mil

00%2525%5150%7675%101100%Relatórios: 92,2 mil R$; acumulado 42,9%RelatóriosConciliação: 50,6 mil R$; acumulado 66,4%ConciliaçãoConferência: 43,3 mil R$; acumulado 86,5%ConferênciaCadastro: 29,0 mil R$; acumulado 100,0%Cadastro
Barras: mil R$Linha: % acumulado
LEITURA DO CENÁRIO

A automação libera 5.122 horas no cenário, equivalentes a R$ 215.126 de capacidade. O saldo após R$ 100.800 de custos é R$ 114.326. O ROI considera todo o semestre; esse valor é potencial e depende do aproveitamento da capacidade liberada.

Visão operacional e volume

Automatizado × manual

Área empilhada · exceções retornam ao fluxo manual

03.2506.5009.75013.000JanFevMarAbrMaiJun
Sucesso automatizadoFluxo manual

Motivos de exceção

Funil de distribuição · semestre

Dados inválidos
970 · 44,0%
Timeout de sistema
617 · 28,0%
Regra de negócio
397 · 18,0%
Outras causas
221 · 10,0%

Causas exclusivas de 2.205 exceções. Distribuição por motivo; não representa etapas consecutivas.

Visão operacional dos bots

Snapshot fictício no encerramento de junho de 2026 · filas são pendências para processamento futuro.

Indicadores mensais do recorte selecionado, dados fictícios
Bot / processoStatusFila pendenteSucessos no mêsExceçõesUptime
BOT-01 · ConciliaçãoOperacional232.5509398,9%
BOT-02 · RelatóriosOperacional282.5429298,9%
BOT-03 · CadastroOperacional332.6439699,0%
BOT-04 · ConferênciaAtenção382.4398899,2%
Metodologia, premissas e dados

O problema

Quais processos justificam investimento em automação e onde as exceções ainda consomem tempo da operação?

O que esta demo faz

Contagem mensal de tentativas, sucessos e exceções. Cada sucesso exige um minuto de revisão. Exceções voltam ao fluxo manual e não geram horas economizadas.

Arquitetura proposta

Evolução proposta: geração de eventos com Pandas, NumPy e Faker; tratamento e consolidação SQL; visão executiva e operacional no Power BI ou Looker Studio.

Horas liberadas = sucessos × (tempo manual − 1 min de revisão) ÷ 60. Valor da capacidade = horas × R$ 42/h; é potencial, não economia de caixa comprovada. ROI = (capacidade valorizada − implantação − operação) ÷ (implantação + operação). Payback simples = implantação ÷ benefício líquido mensal médio. FTE equivalente usa 160 h/mês.
Esta demonstração: dados fictícios gerados em Python, indicadores calculados no navegador e gráficos SVG. As arquiteturas Python/SQL/BI são propostas; não há modelo preditivo treinado ou relatório Power BI incorporado.

Exemplo da consolidação SQL por processo, compatível com os campos do CSV:

SELECT process,
       SUM(success) AS volume_automatizado,
       SUM(hours_saved) AS horas_liberadas,
       SUM(avoided_cost) AS custo_evitado_potencial,
       100.0 * SUM(exceptions) / NULLIF(SUM(attempted), 0) AS taxa_excecao
FROM rpa_events
GROUP BY process;
Indicadores mensais do recorte selecionado, dados fictícios
MêsSucessosExceçõesHorasCapacidade (R$)Saldo (R$)
Jan3.870315490,1R$ 20.583-R$ 56.217
Fev4.910353613,1R$ 25.750-R$ 35.267
Mar6.011377736,4R$ 30.929-R$ 9.138
Abr7.325394915,1R$ 38.433R$ 24.495
Mai8.8393971.099,0R$ 46.159R$ 65.854
Jun10.1743691.268,4R$ 53.272R$ 114.326
RPAPython + SQL · arquiteturaPower BI / Looker · arquitetura

CASE C / MANUFATURADADOS FICTÍCIOS

OEE — Eficiência Global de Equipamentos

Disponibilidade, performance e qualidade em três linhas de produção, com agregação ponderada por tempo e volume.

Indústria & Manufatura · BI Industrial · Lean Manufacturing

OEE consolidado

69,0%

Disponibilidade × performance × qualidade

Disponibilidade

83,0%

Tempo em operação ÷ planejado

Performance

87,6%

Ciclo ideal × volume ÷ operação

Qualidade

94,9%

Peças boas ÷ total produzido

Downtime

1.467,3 h

Paradas no recorte selecionado

Taxa de refugo

5,1%

38.740 unidades refugadas

Takt Time

0,549 min

Ritmo necessário para atender à demanda

Cycle Time

0,571 min

Tempo em operação ÷ unidades produzidas

Eficiência global do recorte

Gauge · produto dos fatores consolidados

69,0%OEE83,0% × 87,6% × 94,9%

Evolução do OEE

Visão mensal · janeiro a junho de 2026

0255075100JanFevMarAbrMaiJunOEE · Jan: 62,9 %OEE · Fev: 65,4 %OEE · Mar: 67,8 %OEE · Abr: 70,2 %OEE · Mai: 72,6 %OEE · Jun: 75,2 %
OEE no período
LEITURA DO CENÁRIO

Disponibilidade é o menor fator (83,0%). Setup concentra 43,0% das paradas. O ciclo médio está acima do takt, mas atender à demanda também depende de disponibilidade e qualidade.

Perdas, turnos e ritmo de produção

Paradas por motivo

Pareto · horas e participação acumulada

00%17425%34750%52175%694100%Setup: 631,0 horas; acumulado 43,0%SetupFalha mecânica: 425,3 horas; acumulado 72,0%Falha mecâ…Material: 249,3 horas; acumulado 89,0%MaterialOutras: 161,7 horas; acumulado 100,0%Outras
Barras: horasLinha: % acumulado

OEE por linha × turno

Heatmap · agregado por tempo e volume

OEE por linha e turno no recorte selecionado
LinhaManhãTardeNoite
Linha 0175,6%73,0%70,8%
Linha 0271,4%68,8%66,6%
Linha 0367,3%65,1%62,7%

Verde mais intenso indica OEE maior. Valores também disponíveis em texto.

Disponibilidade, performance e qualidade

Barras empilhadas · cada fator e sua perda relativa

Disponibilidade83,0%
Performance87,6%
Qualidade94,9%

Barras de 100%: fator e perda relativa. O OEE é o produto dos fatores, nunca sua soma.

Takt Time × Cycle Time

min/unidade · visão mensal

0,00,20,40,60,8JanFevMarAbrMaiJunTakt Time · Jan: 0,6 minTakt Time · Fev: 0,6 minTakt Time · Mar: 0,6 minTakt Time · Abr: 0,5 minTakt Time · Mai: 0,5 minTakt Time · Jun: 0,5 minCycle Time · Jan: 0,6 minCycle Time · Fev: 0,6 minCycle Time · Mar: 0,6 minCycle Time · Abr: 0,6 minCycle Time · Mai: 0,6 minCycle Time · Jun: 0,5 min
Takt: demandaCiclo: produção
Metodologia, premissas e dados

O problema

Qual componente limita a eficiência e quais motivos de parada merecem prioridade para melhorar o desempenho industrial?

O que esta demo faz

Uma base sintética diária combina linha, turno, produção, demanda e motivos de parada. Os componentes do OEE são calculados sobre os totais do recorte, evitando a média simples de percentuais.

Arquitetura proposta

Evolução proposta: ETL com Python e SQL; modelo dimensional no Power BI; medidas DAX de disponibilidade, performance e qualidade; análise por linha, turno e motivo de parada.

Disponibilidade = tempo em operação ÷ tempo planejado. Performance = ciclo ideal × unidades totais ÷ tempo em operação. Qualidade = unidades boas ÷ unidades totais. OEE = D × P × Q. Takt Time = tempo planejado ÷ demanda. Cycle Time = tempo de operação ÷ unidades produzidas. Ciclo ideal constante: 0,5 min/unidade. Factory OEE e Bosch são sugestões futuras, não fontes desta demonstração.
Esta demonstração: dados fictícios gerados em Python, indicadores calculados no navegador e gráficos SVG. As arquiteturas Python/SQL/BI são propostas; não há modelo preditivo treinado ou relatório Power BI incorporado.

Referência de implementação das medidas no Power BI:

Disponibilidade = DIVIDE(SUM(Producao[run_minutes]), SUM(Producao[planned_minutes]))
Performance = DIVIDE(
    SUMX(Producao, Producao[ideal_cycle_minutes] * Producao[total_units]),
    SUM(Producao[run_minutes])
)
Qualidade = DIVIDE(SUM(Producao[good_units]), SUM(Producao[total_units]))
OEE = [Disponibilidade] * [Performance] * [Qualidade]
Takt Time = DIVIDE(SUM(Producao[planned_minutes]), SUM(Producao[demand_units]))
Cycle Time = DIVIDE(SUM(Producao[run_minutes]), SUM(Producao[total_units]))
Indicadores mensais do recorte selecionado, dados fictícios
MêsDisponibilidadePerformanceQualidadeOEEParadas (h)
Jan80,0%83,9%93,8%62,9%288,4
Fev81,3%85,4%94,2%65,4%269,9
Mar82,4%86,9%94,6%67,8%252,9
Abr83,5%88,4%95,0%70,2%236,9
Mai84,8%89,8%95,4%72,6%218,4
Jun86,1%91,2%95,8%75,2%200,7
OEEPython + SQL · arquiteturaPower BI + DAX · arquitetura

03 / TRAJETÓRIA PROFISSIONAL

Resultado que nasce
do trabalho técnico.

Do suporte analítico à construção de ferramentas e indicadores para decisões comerciais e operacionais.

03

Meses consecutivos com metas de Receita e Lucro Bruto atingidas pela operação de Pós-Vendas acompanhada.

26%

Redução informada no tempo operacional de atualização de bases e relatórios com RPAs.

>30%

Redução informada no processamento e na consolidação de dados com automações Python.

Indicadores e reconhecimentos reportados no currículo profissional. Resultados da operação não significam atribuição exclusiva, e não correspondem aos cases simulados.

JUL 2026 — ATUAL

Dados & Pós-Vendas

Grupo Linhares · Tempo integral

Analista de Dados Jr.

Atuação no ciclo de analytics, desenvolvendo painéis executivos, integração de dados, automações e ferramentas internas para acompanhamento de indicadores comerciais e de Pós-Vendas.

  • Painéis executivos em Power BI, Star Schema e DAX para lideranças e stakeholders acompanharem Volume, Receita, Margem, Lucro Bruto e Ticket Médio.
  • Extração e transformação SQL em BigQuery, Oracle e PostgreSQL; validação e consolidação de bases com Python, Pandas e NumPy.
  • Evolução de RPAs com PyAutoGUI e win32com, validações, acompanhamento de execução e geração dinâmica de relatórios Excel.
  • Desenvolvimento de soluções internas, incluindo Sistema de Precificação, Kanban e utilitários voltados à eficiência dos processos.
  • 17% de aumento no indicador de Passagens dos três meses analisados, frente à média do ano anterior, no contexto do acompanhamento contínuo de KPIs; 13% de redução no KRI de No Show associado a dados inválidos, conforme os resultados relatados.
  • 26% de redução no tempo operacional de atualização de bases e relatórios por RPAs, conforme o currículo.
  • Atuação no Comitê de Inovação, liderando projetos de eficiência e integração; participação no protótipo apresentado à Vice-Diretora, com feedback positivo e continuidade.
  • Apoio à operação de Pós-Vendas que atingiu metas de Receita e Lucro Bruto por três meses consecutivos; resultado da operação acompanhada, sem atribuição exclusiva.
Power BI / DAXSQL / BigQueryPython / RPAKPIs e KRIs

JAN — JUL 2026

Business Intelligence

Grupo Linhares · Tempo integral

Assistente de Negócios (BI)

Estruturação de dados e relatórios para dar suporte ao planejamento comercial, com foco em confiabilidade da informação e automação de rotinas.

  • Desenvolvimento de dashboards Power BI com modelo dimensional e DAX; integração entre BigQuery, Oracle e PostgreSQL.
  • Criação de automações Python para padronização, validação de dados e relatórios em Excel, com redução reportada de mais de 30% no tempo de processamento e consolidação.
  • Centralização de diferentes fontes em ambiente analítico no BigQuery e redução do ciclo de relatórios de dias para horas, conforme o currículo.
  • Acompanhamento de KPIs e participação em iniciativas do Comitê de Inovação.
Power BIBigQueryETL / ELTPython

JUN 2025 — JAN 2026

Estágio

Grupo Linhares

Estagiário de Inteligência de Negócios

Consolidação de dados e apoio à visualização de indicadores comerciais e ao planejamento de operações.

  • Apoio a dashboards Power BI, extração SQL e consolidação de informações de BigQuery, Oracle e PostgreSQL.
  • Scripts em Python/Pandas para padronização de planilhas, identificação de inconsistências e documentação de workflows.
  • Participação em materiais analíticos apresentados ao Comitê, à Vice-Presidência e à Presidência.
  • Certificado de Excelência recebido após dois meses, assinado pelo supervisor, por dois vice-presidentes e pelo presidente, conforme o currículo.
Data QualitySQLPower BI

OUT 2024 — FEV 2025

Temporário

Grupo LD

Assistente Administrativo

Rotinas administrativas e financeiras com análises de indicadores e apoio à melhoria de processos.

  • Conferência e lançamento de contratos, relatórios financeiros, planilhas e gráficos gerenciais.
  • Apoio aos setores de Departamento Pessoal e TI em melhorias e automações de dados.
  • Resultados reportados de 20% de redução no tempo de análise de indicadores e 15% de aumento na eficiência administrativa.
ExcelPythonIndicadores

04 / SOBRE E ESPECIALIDADES

Entre dados, processos
e produto.

Sou Enzo Thauzer, graduando em Ciência de Dados pela Universidade Federal do Ceará e formado em Programação Full Stack pelo Grau Técnico. Minha experiência reúne Business Intelligence, análise de dados e automações aplicadas a operações empresariais.

No Grupo Linhares, atuo com o ciclo completo de analytics: extração, modelagem, análise e visualização, além de ferramentas internas como o System of Price e rotinas de RPA para apoiar equipes e lideranças.

Minha abordagem começa pelo entendimento do processo e da decisão que precisa ser tomada. Atualmente, aprofundo meus estudos em engenharia de dados, Machine Learning, Deep Learning e IA aplicada, sem confundir formação ou experimentação com experiência de produção.

Baixar currículo

05 / FORMAÇÃO & APRENDIZADO

Conhecimento técnico.
Em evolução constante.

Graduação em dados, formação prática em desenvolvimento e estudos contínuos em engenharia e inteligência artificial.

GRADUAÇÃO EM ANDAMENTOUFC

Bacharelado em
Ciência de Dados

Universidade Federal do Ceará

Março de 2025 — previsão curricular: julho de 2028

Programação em Python e R, estruturas de dados, estatística e probabilidade, matemática, bancos de dados, mineração, visualização e fundamentos de Machine Learning, IA, Big Data e governança.

Python / REstatísticaBanco de DadosIA
FORMAÇÃO CONCLUÍDA2026

Programador
Full Stack

Grau Técnico

Outubro de 2024 — março de 2026

Desenvolvimento web, Python, bancos de dados e SGBDs, consumo de APIs REST, Git, fundamentos de IA e desenvolvimento de bots e automações.

HTML5 / CSS3PythonAPIs RESTGit

Cursos & certificações

Data ScientistDataCampEM ANDAMENTO
Data EngineerDataCampEM ANDAMENTO
Análise de DadosHashtag TreinamentosMAR 2026
Gerenciamento de DadosEscola do Trabalhador 4.0MAR 2025
Administrando Banco de Dados — SQLFundação BradescoMAR 2025

06 / PRÓXIMA CONVERSA

Tem um problema
interessante? Vamos conversar.

Projetos em dados, BI, automação ou desenvolvimento web. Me conte o desafio e a gente conversa sobre o próximo passo.