| Página 1: Predição com Filtragem | Página 2: Algoritmo Dinâmico |
 |
 |
| Página 3: Estratificação Histórica | Página 4: Performance Estatística |
 |
 |
Algoritmo robusto para predição de preços baseado em dados de mercado (Nielsen, Scanntech) e variáveis externas governamentais. No Discovery, foram analisados +30 KPIs de correlação para apoiar o time de Revenue Management na estratégia de SKUs e antecipação competitiva.
Nota de Confidencialidade: Devido a políticas de LGPD, dados sensíveis e nomes de colunas reais foram omitidos ou mascarados.
- Decision Making: 85% de contribuição direta nas decisões de repasse de preços de produtos.
- Competitividade: Vantagem estratégica via previsibilidade da concorrência.
- Stakeholder: 100% de satisfação da diretoria de Revenue.
- Advanced Analytics: Linguagem R e Minitab para modelagem estatística profunda.
- Data Engineering: Databricks, Azure Data Factory e Metabase.
- APIs: Sellout Nielsen Retail/Scantrack e Scanntech.
- Docs & Discovery: Discovery de Negócios e Dados documentado no Confluence.
- BI: Power BI e DAX para simulação de elasticidade de preço.
- Metodologia: Lean Six Sigma, SCRUM e SQL.
/visuals: Gráficos de dispersão, regressão e interface do simulador./metrics: Documentação dos coeficientes estatísticos e testes de acuracidade./documentation: Case Study de Revenue Management./results: Tabelas de performance e ganhos de margem.
Jessé Oliveira de Castro