Daniel Costa

Responsável pela previsão da procura ao nível da loja que alimenta o reaprovisionamento de 140 lojas e cerca de 30.000 SKUs.

• Substituiu um pipeline estatístico antigo por um modelo hierárquico de gradient boosting, melhorando o WAPE ao nível do SKU de 34% para 24%.
• As melhorias de previsão reduziram o desperdício de perecíveis em 18% e as ruturas de stock em 11%, num valor estimado de 6 milhões de euros por ano.
• Construiu monitorização de drift e backtesting automatizado; degradações silenciosas dos modelos passaram a ser detetadas em horas em vez de semanas.
• Conduz a revisão trimestral de previsão com a direção da cadeia de abastecimento, traduzindo o comportamento dos modelos em decisões de compra.

Previsão de curto prazo de carga e renováveis para um comercializador de energia a equilibrar uma carteira de 400MW.

• Melhorou o MAPE da previsão de carga para o dia seguinte de 4,1% para 2,9%, reduzindo os custos de balanço em cerca de 1,2 milhões de euros por ano.
• Construiu um modelo probabilístico de produção solar usado pela mesa de trading para dimensionar posições intradiárias.
• Introduziu padrões de feature store que reduziram o tempo de iteração de novos modelos de semanas para dias.

Analítica de clientes e sortido para clientes de retalho.

• Construiu um modelo de scoring de churn para um cliente de telecomunicações que multiplicou por 2,3 a conversão das campanhas de retenção face à seleção aleatória.
• Automatizou a stack semanal de reporte a clientes, libertando cerca de um dia de analista por semana.

Biblioteca Python que implementa reconciliação MinT e bottom-up com uma API compatível com scikit-learn.

• Mais de 700 estrelas no GitHub; usada em pelo menos quatro stacks de previsão de retalho em produção, segundo relatos de utilizadores.
• A suite de benchmarks reproduz resultados publicados de reconciliação em três conjuntos de dados públicos.

Workshop prático noturno sobre previsão em produção, realizado duas vezes por ano numa comunidade local de dados.

• Formou mais de 90 profissionais em quatro turmas, com uma avaliação média de 4,8/5.
• Todos os materiais em open source, incluindo um conjunto de dados sintético e realista de supermercado.