Winicius B. Faquieri

-Liderança técnica da equipe, promovendo treinamentos e disseminando boas práticas em ciência de dados e engenharia de dados; -Coordenação de projetos de Data Analytics, assegurando a entrega de soluções eficazes, escaláveis e orientadas por dados;
-Concepção e implementação de uma arquitetura escalável de Data Lake no Azure Synapse Analytics, utilizando uma abordagem em múltiplas camadas (zonas Bronze, Silver e Gold) para garantir qualidade, governança e acessibilidade dos dados voltadas a Business Intelligence e análises avançadas;
-Desenvolvimento e otimização de procedures SQL e Teradata, garantindo cálculos precisos de indicadores e melhoria do desempenho dos bancos de dados;
-Desenho e implementação de pipelines ETL/ELT com Python e Apache Airflow, automatizando o processamento de dados armazenados no Azure Blob Storage e o carregamento de indicadores no MongoDB;
-Implantação e gerenciamento da conteinerização de aplicações com Docker, assegurando portabilidade, consistência e facilidade de implantação em diferentes ambientes;
-Desenvolvimento de soluções de clusterização semântica, utilizando modelos de embeddings da OpenAI combinados com HDBSCAN e Python, possibilitando análises de texto avançadas e geração de insights;
-Aplicação de Modelos de Linguagem de Grande Escala (LLMs) para o desenvolvimento de soluções corporativas inovadoras.

Na Red, fui responsável por desenvolver análises e relatórios que apoiavam as áreas de negócios, impactando as decisões operacionais e estratégicas. Desenvolvi dashboards em Shiny para visualização de dados em tempo real e monitoramento contínuo de modelos de Machine Learning em produção, alinhados às práticas de MLOps.

Estudei e apliquei ferramentas de monitoramento para garantir a qualidade dos dados e a observabilidade dos modelos. Também otimizei e mantive dashboards interativos em R e Shiny, contribuindo para a visualização de KPIs e a tomada de decisões.

Participei da implementação de modelos de Machine Learning em produção, utlizando a linguagem Python e bibliotecas como Scikit-learn, LightGBM, XGBoost, FastAPI e Plumber. Também colaborei na otimização de consultas SQL, melhorando a eficiência das análises de dados.

No IBRE, realizei análises de dados utilizando as linguagens R, Python e SQL para gerar insights significativos. Desenvolvi e implementei modelos de Machine Learning em projetos ad hoc, aplicando técnicas estatísticas para resolver problemas complexos.

Criei dashboards interativos para storytelling, apresentando informações de maneira atraente e intuitiva. Explorei grandes volumes de dados com BigQuery, gerando insights relevantes para a tomada de decisão.

Desenvolvi soluções tecnológicas para automatizar processos e aumentar a produtividade das áreas de negócio. Também colaborei em estudos setoriais e representei a instituição em reuniões e eventos, comunicando questões técnicas de forma acessível a diferentes partes interessadas.

Atuei em projetos de pesquisa em micro e macroeconomia, com foco na análise econométrica dos efeitos fiscais dos royalties do petróleo sobre o gasto público e o bem-estar municipal. Realizei coleta e tratamento de microdados (RAIS, ANP, FINBRA, entre outros) e estimativas de modelos com dados em painel (efeitos fixos), utilizando R, Stata e Excel.

Atuei como palestrante convidado no painel “Aprimoramento das Políticas Públicas com o uso de Inteligência Artificial”, representando a Macroplan Consultoria e Analytics. Durante a palestra (3h de duração), destaquei como a IA pode apoiar políticas públicas quando aliada a:

• Dados de qualidade;
• Adaptação ao contexto local;
• Capacitação de servidores.

O evento reuniu gestores públicos e especialistas em inovação governamental para discutir ética, transparência e proteção de dados no uso de IA.
Foi uma excelente oportunidade de trocar experiências e contribuir para o avanço da transformação digital no setor público.

Apresentei minha dissertação de mestrado sobre modelos estocásticos aplicados a finanças, destacando a relevância da variável “conveniência” na precificação de commodities no contexto da financeirização.

Durante o curso, desenvolvi uma série de projetos práticos, incluindo algoritmos supervisionados para classificação, engenharia de Machine Learning e processamento de linguagem natural com Python. Também trabalhei em mineração de texto utilizando Stack Elk e desenvolvi redes neurais e modelos de Deep Learning com Tensorflow.

Outros projetos envolveram a aplicação de algoritmos não-supervisionados para clusterização e a validação desses modelos. Utilizei diversas ferramentas e tecnologias, como Python, Tensorflow, Jupyter, Elastic Search, Pandas, NLP, Scikit-Learn, redes neurais, AutoML, Dash, SVM, Plot.ly, MLflow e Kedro.

Durante meu mestrado em Economia Aplicada, com ênfase em Finanças Quantitativas e Análise de Risco, adquiri uma sólida formação em modelagem financeira e análise de séries temporais, utilizando o software R. Através de minhas publicações, aprofundei-me na aplicação de modelos estocásticos para a análise de risco e estratégias de hedging, além de explorar a relevância de diferentes variáveis financeiras, como a taxa de juros e a volatilidade, para a previsão de preços e a gestão de portfólios.