Saulo Sapucaia

Contexto e Problema

O fluxo operacional exigia o monitoramento humano constante em sistemas web de terceiros para identificar a entrada de novos registros. Essa necessidade de verificações sistêmicas manuais e frequentes ao longo do dia consumia muitas horas da equipe e gerava atrasos na atualização da base de dados interna.

Processo e Solução

• Integração e Pipeline: Criação de pipeline em Python para consumo de APIs REST de terceiros, realizando a extração e o processamento automatizado dos novos cadastros (payloads em formato JSON).
• Cloud & Engenharia de Dados: Estruturação e gravação das informações capturadas em um banco de dados hospedado no Azure, orquestrado através do Microsoft Fabric.
• Automação de Comunicação: Integração direta com o Power Automate para o disparo automatizado de alertas, garantindo a notificação imediata das partes envolvidas a cada novo registro.

Entregáveis e Resultados

Um ecossistema de dados automatizado e robusto que entregou:

• Eficiência e Zero Falhas: Eliminação total do esforço operacional com as consultas repetitivas manuais, reduzindo drasticamente o tempo de resposta e garantindo que nenhum dado fosse perdido.
• Dashboard de Governança: Criação de um painel interativo no Power BI, consumindo os dados diretamente do banco no Azure, permitindo monitorar a volumetria recebida e acompanhar a saúde da automação em tempo real.

Contexto e Problema

Uma métrica chave de desempenho operacional apresentava distorções devido a uma falha no modelo de cálculo original, que não contabilizava corretamente as exceções e cancelamentos ocorridos no período. Isso comprometia a precisão das avaliações de produtividade da equipe.

Processo e Solução

• Refatoração em Python: Revisão e otimização de código legado, implementando novas lógicas para mapear, isolar e contabilizar as exceções operacionais no período vigente.
• Alinhamento de Regra de Negócio: Ajuste da modelagem matemática para garantir que a relação entre a demanda pendente e o esforço projetado refletisse a capacidade real da equipe.

Entregáveis e Resultados

A atualização do código garantiu altíssima precisão ao indicador. A métrica passou a refletir a realidade operacional de forma fidedigna, proporcionando uma base de dados segura e confiável para a tomada de decisão gerencial da liderança.

Contexto e Problema

O processo de input de dados e upload de pdf's em portais web era estritamente manual, consumindo elevada carga horária dos analistas. Devido ao alto volume de demandas e ao tempo de execução manual, a operação sofria com gargalos (backlog) e suscetibilidade a erros humanos, impactando o SLA de entrega.

Processo e Solução

• RPA com Python & Selenium: Desenvolvimento de um robô utilizando ActionChains para navegação complexa, interações sistêmicas avançadas e upload automatizado no portal web.
• Tratamento e Qualidade: Uso das bibliotecas Pandas e Numpy para ler, tratar e validar matematicamente os dados antes do input, garantindo a integridade da informação.
• Rastreabilidade com SQL: Integração com banco de dados para registrar logs, controlando com precisão quais processos já haviam sido concluídos para evitar duplicidades.

Entregáveis e Resultados

A substituição do trabalho manual pela automação transformou a operação:

• Escalabilidade: Aumento exponencial na capacidade de processamento diário, com o robô assumindo a demanda de forma otimizada e contínua, reduzindo o tempo de execução pela metade.
• Qualidade e Satisfação: Eliminação completa de erros de digitação, erradicação do backlog sistêmico e redução drástica do retrabalho, elevando o padrão de qualidade das entregas.

Contexto e Problema

A formulação de concreto de alta performance exige o balanceamento complexo de múltiplos materiais (cimento, escória, cinza volante, aditivos, etc.). O desafio era criar um modelo capaz de prever a resistência à compressão (MPa) baseando-se nas proporções químicas, com o objetivo de reduzir o tempo de testes físicos em laboratório (que demoram até 28 dias) e otimizar o custo financeiro da obra.

Processo e Solução

• Prevenção de Multicolinearidade: Aplicação de Feature Engineering para criar a variável "Fator Água/Cimento" (Lei de Abrams), blindando o modelo contra falsos R² (R² de vaidade) e dando sentido físico à IA.
• Modelagem Avançada: Avaliação contra baselines (Regressão Linear e Random Forest) e escolha do XGBoost, submetido a tuning de hiperparâmetros (RandomizedSearchCV) e Validação Cruzada (K-Fold).
• Explicabilidade da IA (SHAP): Utilização de SHAP values para abrir a "caixa-preta" do algoritmo, comprovando para os engenheiros quais materiais e lógicas a IA prioriza na hora do cálculo.
• Otimizador de Custos: Desenvolvimento de um algoritmo baseado em simulações de Monte Carlo que testa milhares de combinações para sugerir a receita comercial mais barata que atenda à resistência alvo.

Entregáveis e Resultados

O modelo XGBoost vencedor atingiu uma precisão impressionante com um R² de 0.9229 e um erro médio absoluto (MAE) de apenas 3.01 MPa. Para garantir usabilidade, o projeto não ficou apenas no Jupyter Notebook: foi "produtizado" em um laboratório virtual interativo, conectado a uma API RESTful em Python que calcula predições estatísticas e custos em tempo real.