Eu sou Erica Yumi Onoue, mas costumo usar Yumi no dia a dia.
Atualmente, sou estudante da Pós Tech - Pós Graduação em Data Analytics na FIAP e estou em transição de carreira para a área de Dados, trazendo comigo uma sólida formação acadêmica como mestre em Economia pela UEM e um forte interesse em análise de dados, econometria e estatística. Tenho experiência como auxiliar administrativo, o que me proporcionou vivência com organização, atenção aos detalhes e resolução de problemas. Tenho me dedicado a desenvolver as competências essenciais para atuar como Analista de Dados, com foco em Análise e Manipulação de Dados, Python, SQL, Git, GitHub, além de ferramentas de visualização de dados e Machine Learning.
Abaixo, você encontrará um resumo das minhas habilidades e alguns dos projetos que venho desenvolvendo.
Análise Climática e de Qualidade do Ar: Um Estudo com SQL
O principal objetivo deste projeto é realizar uma análise descritiva e exploratória de um conjunto de dados de clima e qualidade do ar. A análise visa identificar padrões e tendências nas condições ambientais de 10 cidades brasileiras ao longo de um período de 8 dias, utilizando consultas SQL.
O projeto tem como objetivo principal realizar um teste A/B para analisar o impacto da mudança do primeiro "gate" do jogo Cookie Cats (do nível 30 para o nível 40) na métrica de retenção de jogadores.
Projeto desenvolvido em Power BI com o objetivo de analisar o desempenho de vendas de uma cafeteria durante os seis primeiros meses de 2023. O painel visa facilitar a tomada de decisões estratégicas de forma visual e prática.
Análise Exploratória de um Marketplace
Este projeto visa oferecer ao CEO de um marketplace uma visão estratégica do negócio a partir de uma análise exploratória de dados. Utilizando Python, manipulação de dados e lógica de negócios, foi criado um dashboard interativo com Streamlit, hospedado em nuvem e versionado com GitHub. O painel apresenta métricas essenciais para suporte à tomada de decisão.
Modelo Preditivo usando TensorFlow
Mini-projeto desenvolvido no curso da Data Science Academy utilizando dados do Censo dos EUA sobre habitações em Boston. Aplicou-se Regressão Linear com TensorFlow para prever o valor médio das casas (MEDV), tendo como variável preditora o número médio de quartos por residência (RM). Os dados foram divididos em 80% para treino e 20% para teste, com análise dos resultados baseada em métricas de erro.
Projeto de análise exploratória com foco em dados da base IMDb, utilizando SQLite para consulta e bibliotecas Python como Pandas, Matplotlib e Seaborn para visualização. A análise aborda variáveis como avaliação dos filmes, gêneros e ano de lançamento, buscando identificar padrões e insights relevantes no universo cinematográfico.
Você pode me encontrar nas seguintes redes sociais e no e-mail que vou deixar aqui:
