MC

São Paulo, SP

Mariana Costa

Cientista de Dados Sênior

Com 6 anos de experiência em análise de dados e machine learning, especializada em projetos de impacto social e otimização de processos para empresas de varejo. Defensora da diversidade em tecnologia e cofundadora do grupo Mulheres em Dados Brasil.

HABILIDADES

O que eu faço bem

Python95
Pandas92
Scikit-learn90
SQL94
Power BI88
TensorFlow85
Estatística90
ETL87

PROJETOS

Trabalhos em destaque

PROJETO

Previsão Vendas Express

Modelo de machine learning para previsão de demanda de produtos perecíveis em 120 lojas da rede de supermercados Express, reduzindo o desperdício de alimentos. Liderei todo o ciclo de desenvolvimento do modelo, da coleta de dados à implantação. ### Resultados do projeto - Redução de 38% no desperdício de produtos perecíveis - Aumento de 12% na margem de lucro da rede - Economia anual de R$ 2,7 milhões

Ver projeto →
PROJETO

Educação em Números

Plataforma pública de dados aberto que cruza informações de escolas públicas, nível de renda da população e desempenho no ENEM para identificar desigualdades educacionais por região. Coordenei a equipe de ciência de dados do projeto. ### Resultados do projeto - Mais de 50 mil acessos nos primeiros 6 meses - Utilização dos dados por 12 prefeituras para definir políticas de investimento em educação - Prêmio de melhor projeto de dados abertos de 2023 pela Open Data Brasil

Ver projeto →

DEMANDAS RELEVANTES

Projetos em que fiz a diferença

Data for Good BrasilMaio de 2024

Como usar dados para reduzir desigualdades: lições do projeto Educação em Números

Meu papel: Autor

# Como usar dados para reduzir desigualdades: lições do projeto Educação em Números Quando falamos de ciência de dados, é comum associar a área a projetos de lucro para grandes empresas, mas a ferramenta tem um potencial enorme para gerar impacto social. O projeto Educação em Números surgiu da minha percepção, durante um trabalho voluntário em uma escola pública de São Paulo, que muitas políticas de investimento em educação eram feitas sem base em dados concretos. Nosso primeiro desafio foi unir dados de fontes diferentes: o Censo Escolar do INEP, dados do IBGE sobre renda por bairro e resultados do ENEM por escola, tudo isso de forma anonimizada para proteger a privacidade dos alunos. Depois de limpar e estruturar os dados, criamos visualizações interativas que mostram claramente a correlação entre investimento por aluno e desempenho no ENEM, por bairro. O resultado foi que 12 prefeituras passaram a utilizar nossa plataforma para definir onde alocar recursos de forma mais justa, e conseguimos identificar que bairros com menor renda tinham até 3 vezes menos investimento por aluno do que bairros de classe alta. Uma lição que aprendi nesse projeto é que dados abertos e acessíveis são ferramentas poderosas para reduzir desigualdades, mas só geram impacto se forem apresentados de forma que pessoas sem formação em ciência de dados possam entender e utilizar.

O desafio

Criar uma plataforma de dados aberto que permitisse a gestores públicos identificar desigualdades educacionais de forma simples

Minha contribuição

Liderança da equipe de ciência de dados, modelagem dos dados, criação de visualizações interativas

Resultados e impacto

Plataforma utilizada por 12 prefeituras para definir políticas de educação, prêmio de melhor projeto de dados abertos de 2023

Dados abertosImpacto socialCiência de dados
Data Science BROutubro de 2023

Machine learning para previsão de vendas no varejo: um guia prático

Meu papel: Autor

# Machine learning para previsão de vendas no varejo: um guia prático A previsão de vendas é uma das aplicações mais comuns de machine learning no varejo, mas muitas empresas ainda não sabem por onde começar. No projeto Previsão Vendas Express, desenvolvemos um modelo de previsão de demanda para 120 lojas de uma rede de supermercados, e conseguimos reduzir o desperdício de produtos perecíveis em 38%. O primeiro passo para desenvolver um modelo de previsão de vendas é coletar dados históricos de vendas, além de dados externos como feriados, eventos locais e até previsão do tempo, que impactam muito no comportamento de compra. Depois, é importante testar diferentes algoritmos, como regressão linear, árvores de decisão e redes neurais, para encontrar o que tem melhor desempenho para o seu caso específico. Uma dica importante é não tentar criar um modelo único para todas as lojas: no nosso caso, criamos modelos específicos para cada região, pois o comportamento de compra em bairros de classe alta é muito diferente de bairros de periferia. O resultado foi que a precisão do modelo aumentou de 68% para 89%, o que gerou uma economia anual de R$ 2,7 milhões para a rede de supermercados.

O desafio

Desenvolver um modelo de previsão de vendas preciso para uma rede de 120 lojas de supermercados

Minha contribuição

Modelagem dos dados, desenvolvimento e testes de algoritmos de machine learning, implantação do modelo em produção

Resultados e impacto

Redução de 38% no desperdício de produtos perecíveis, aumento de 12% na margem de lucro, economia de R$ 2,7 milhões por ano

Machine LearningVarejoPrevisão de vendas

ARTIGOS

Ideias que compartilho

Como usar dados para reduzir desigualdades: lições do projeto Educação em Números

Quando falamos de ciência de dados, é comum associar a área a projetos de lucro para grandes empresas, mas a ferramenta tem um potencial enorme para gerar impacto social. O projeto Educação em Números surgiu da minha percepção, durante um trabalho voluntário em uma escola pública de São Paulo, que muitas políticas de investimento em educação eram feitas sem base em dados concretos. Nosso primeiro desafio foi unir dados de fontes diferentes: o Censo Escolar do INEP, dados do IBGE sobre renda por bairro e resultados do ENEM por escola, tudo isso de forma anonimizada para proteger a privacidade dos alunos. Depois de limpar e estruturar os dados, criamos visualizações interativas que mostram claramente a correlação entre investimento por aluno e desempenho no ENEM, por bairro. O resultado foi que 12 prefeituras passaram a utilizar nossa plataforma para definir onde alocar recursos de forma mais justa, e conseguimos identificar que bairros com menor renda tinham até 3 vezes menos investimento por aluno do que bairros de classe alta. Uma lição que aprendi nesse projeto é que dados abertos e acessíveis são ferramentas poderosas para reduzir desigualdades, mas só geram impacto se forem apresentados de forma que pessoas sem formação em ciência de dados possam entender e utilizar.

↗

Machine learning para previsão de vendas no varejo: um guia prático

A previsão de vendas é uma das aplicações mais comuns de machine learning no varejo, mas muitas empresas ainda não sabem por onde começar. No projeto Previsão Vendas Express, desenvolvemos um modelo de previsão de demanda para 120 lojas de uma rede de supermercados, e conseguimos reduzir o desperdício de produtos perecíveis em 38%. O primeiro passo para desenvolver um modelo de previsão de vendas é coletar dados históricos de vendas, além de dados externos como feriados, eventos locais e até previsão do tempo, que impactam muito no comportamento de compra. Depois, é importante testar diferentes algoritmos, como regressão linear, árvores de decisão e redes neurais, para encontrar o que tem melhor desempenho para o seu caso específico. Uma dica importante é não tentar criar um modelo único para todas as lojas: no nosso caso, criamos modelos específicos para cada região, pois o comportamento de compra em bairros de classe alta é muito diferente de bairros de periferia. O resultado foi que a precisão do modelo aumentou de 68% para 89%, o que gerou uma economia anual de R$ 2,7 milhões para a rede de supermercados.

↗