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.
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.