Transformo dados operacionais em ativos analiticos confiaveis para decisao de negocio.

Atuacao tecnica: ETL, Data Warehouse, modelagem dimensional, qualidade de dados e orquestracao de pipelines.

• Como gero valor com dados
• Projetos em destaque
• Stack principal
• Em evolucao
• Contato

• Estruturo dados brutos em modelos analiticos consistentes para consumo de BI e analytics.
• Construo pipelines ETL reprodutiveis com foco em confiabilidade, rastreabilidade e manutencao.
• Projeto camadas de dados (staging, dimensoes e fatos) para consultas rapidas e metricas confiaveis.
• Mantenho a operacao com monitoramento e melhoria continua de qualidade de dados.

• Contexto: consolidacao de dados de e-commerce para analise confiavel.
• Stack: SQL Server, Python, Docker, Streamlit, modelagem dimensional.
• Evidencias: fluxo OLTP -> DW, ETL incremental com watermark, dimensoes e fatos monitorados.

• Contexto: consolidacao de arquivos JSON de vendas em base analitica unica.
• Stack: Python, Pandas, ETL batch, CSV, Parquet.
• Evidencias: leitura de varios JSONs, consolidacao em DataFrame e saida em csv/parquet.

• Contexto: estruturacao de ambiente BI para atacado com dados integrados.
• Stack: SQL Server, T-SQL, SSIS, SSDT, modelagem dimensional.
• Evidencias: camadas de Data Lake e DW, pacote SSIS de carga e modelo com fato/dimensoes.

• Contexto: organizacao de transformacoes analiticas por camadas.
• Stack: dbt, MySQL, Docker, SQL, Python.
• Evidencias: arquitetura Bronze/Silver/Gold com pipeline local de limpeza e padronizacao.

• Contexto: construcao de plataforma DW para consolidar fontes e suportar analytics.
• Stack: SQL Server, T-SQL, ETL, Data Warehouse.
• Evidencias: modelagem medallion, ingestao de fontes ERP/CRM e estrutura de consumo analitico.

• Linguagens: Python, SQL (T-SQL)
• Dados: ETL batch, modelagem dimensional (Kimball), Data Warehouse, qualidade de dados
• Orquestracao: Airflow (DAGs, scheduling, retries)
• Cloud/DevOps: Docker, AWS, GitHub Actions

• Dados: dbt para modelagem modular, testes de dados e documentacao tecnica
• Arquitetura: padronizacao de camadas medallion (Bronze, Silver, Gold)
• Orquestracao: observabilidade de pipelines (SLA, retry, falhas e reprocessamento)
• Cloud/DevOps: aprofundamento em Kubernetes e Databricks para escala operacional

• Confiabilidade de pipelines: elevar monitoramento e resposta a falhas em fluxos ETL.
• Qualidade de dados: ampliar testes automatizados em SQL/dbt para camadas analiticas.
• Padronizacao arquitetural: consolidar padroes de modelagem dimensional e camadas medallion.