Raphael Dias /
Transformo dados brutos e problemas operacionais em análises, automações e pipelines que apoiam decisões reais.
Trabalhei em varejo de alta escala, liderando 40+ pessoas. Os números que importavam eram eficiência, desperdício e satisfação. Hoje uso SQL, Python, BI e pipelines nesse tipo de problema.
Resultados, súmulas, tabelas e dados editoriais existiam, mas não formavam uma visão integrada, comparável e transparente da temporada.
Um produto de dados estático que reúne campanha, elenco, projeções e análises de gestão em um snapshot validado e rastreável.
Cada fonte entrega schema, moeda e título de um jeito. Dólar numa, real na outra, DLC no lugar do jogo.
O evento existia na operação; o sinal para agir não.
Faltava indicador estável de atraso, cancelamento e perda.
SQL, Power BI, KPIs, modelagem dimensional e análise operacional.
Ver cases →Python, pipelines, Spark e Kafka.
Ver cases →Evidência por tecnologia em Stack.
McDonald's: time de 40+ pessoas e KPI de turno. Eficiência, desperdício, satisfação e rotatividade:
Trabalhei em varejo de alta escala e liderei 40+ pessoas. KPI no turno: eficiência, desperdício, satisfação.
Passei a usar SQL e modelagem para explicar o que a operação já via. Sem dado estável, o indicador não serve.
Hoje faço análise, BI e pipelines. Busco vaga de Data Analyst / BI. Engenharia de dados segue nos projetos.
Base em engenharia de software e SQL. Depois análise, modelagem e qualidade de dados.
