1º lugar no Hackathon de Analytics do SENAI/SC - CTAI, em parceria com a empresa AMBEV, que ocorreu dia 02 e 03 de Agosto de 2019.

O case foi o “sortimento ideal para pontos de vendas” e o público alvo foram os vendedores da empresa e o atendimento dos mesmos aos pontos de vendas (PDVs) que já eram clientes da empresa. Os objetivos foram aumentar o volume de vendas dos produtos (SKUs) que já eram adquiridos pelo PDV e explorar a oportunidade de oferecer outros SKUs para complementar e maximizar o mix da marca no PDV.

A solução implementada foi uma aplicação web em Flask, onde para cada PDV o sistema gera uma sugestão do mix de produtos com o volume de vendas estimados com base em PDVs similares. Para isso foi realizada uma análise exploratória de cerca de 5 milhões de dados da base disponibilizada pela Ambev, tratamento dos dados e utilização de modelos de machine learning, entre eles o KNN para realizar a busca de similaridade entre PDVs e Random Forest para estimar o volume de vendas para o novo PDV.

2º lugar no Hackathon de BIG DATA do SENAI/SC - CTAI, em parceria com a empresa Confederação Nacional das Indústrias – CNI, que ocorreu dia 08 e 09 de Novembro de 2019.

O case apresentado pela CNI foi a “identificação do perfil dos empregados afastados da indústria” e o público alvo foram os colaboradores do SESI identificam problemas, investigam as causas e que oferecem soluções para indústrias conveniadas. O desafio então, foi identificar as causas do afastamento, prevenir e diminuir o absenteísmo por motivos de saúde dos empregados das indústrias brasileiras.

A solução implementada foi uma plataforma online de consultas e análises de indicadores sociais que permitam a apresentação de diagnósticos do impacto do perfil de um empregado no afastamento desse por questões de saúde. Para isso foram utilizados dados da RAIS dos anos de 2008 a 2011, aproximadamente 256 milhões de dados. Esses foram carregados em 4 Stages no hive através do PySpark e feito o particionamento em 200 blocos para viabilizar a manipulação dos dados. Também foram trabalhadas tabelas de dimensões das variáveis informativas, com suas descrições. A partir desses dados foi utilizado o modelo de machine learning Naive Bayes para através do perfil do empregado estimar a probabilidade de seu afastamento.