Diagnóstico, engenharia de dados e modelos preditivos para empresas que já têm dado suficiente para decidir melhor — e ainda decidem por intuição.
Na maioria das empresas com que conversamos, o dado existe: está no sistema de agendamento, no ERP, na planilha do financeiro, no histórico do WhatsApp. O que falta é a ponte entre esses silos e a decisão que precisa ser tomada na segunda-feira. Contratar um cientista de dados sênior em regime integral é inviável para a maior parte dessas operações, e a alternativa comum — a consultoria que entrega uma apresentação bonita e desaparece — deixou uma desconfiança justificada no mercado.
Nosso trabalho começa, portanto, pela tradução: entender qual pergunta de negócio está sem resposta, verificar se os dados disponíveis conseguem respondê-la e dizer com franqueza quando não conseguem. Só então vem a engenharia — pipelines, integração, modelagem — porque construir antes de saber o porquê é a forma mais cara de errar.
O critério de sucesso é sempre externo ao modelo. Não interessa a acurácia se a métrica não muda a operação; interessa o ganho que a empresa consegue medir depois que o modelo entrou em produção. Por isso a entrega não termina no deploy: ela continua na relatoria mensal, que mantém a decisão ancorada em evidência e não em memória.
Pipelines, integração entre sistemas, normalização e a base sobre a qual qualquer análise séria se apoia.
Classificação, regressão, agrupamento e séries temporais aplicados a uma pergunta de negócio concreta.
Diagnóstico que separa o que o dado sustenta do que é achismo — inclusive quando a resposta contraria a expectativa.
Documento recorrente com métrica, leitura e recomendação. O gestor lê e decide, sem intermediário técnico.
Do notebook ao serviço em produção, com monitoramento, versionamento e plano de reversão.
RoPA, RIPD, bases legais por operação e contratos de tratamento — parte do projeto, não um anexo posterior.
A porta de entrada é um diagnóstico de uma a duas semanas. Se não houver caminho, a gente diz — e você economizou um projeto inteiro.
Uma a duas semanas para mapear a pergunta, os dados disponíveis e a viabilidade real.
Engenharia, modelagem e integração aos sistemas que a empresa já usa.
Relatoria recorrente, medição do ganho e iteração com base em evidência.
Problemas de dado e de ML com ROI verificável, integração com os sistemas em uso, pesquisa aplicada e produtos de IA com dono e prazo.
Fábrica de software, projetos de infraestrutura de TI, dashboards cosméticos sem decisão por trás e trabalho fora do eixo dado/ML.
Agente de atendimento em produção, cruzamento entre a base de conversas e a agenda do sistema da clínica para medir conversão real, relatoria mensal de desempenho e frente de pesquisa em modelagem preditiva aplicada à área vascular.
Caixa de entrada com auditoria de atendimento por IA, documentação completa de LGPD (RoPA e RIPD) e presença digital — do diagnóstico da operação à página no ar.
A escolha por verticais distintas não é acidental. Saúde especializada e locação de equipamentos não têm nada em comum no negócio, e é justamente isso que valida o método: o que se repete de um caso a outro não é o setor, é a forma de olhar o dado. Some-se a isso a ponte com a academia — a atuação é conduzida em diálogo com a formação em Inteligência Artificial e Analytics Aplicadas a Negócios na FGV, o que dá aos projetos em saúde um duplo valor: comercial e publicável.
Comece pelo diagnóstico. Prazo curto, escopo definido e uma resposta honesta no fim.
