Fast Analytics

Henrique Moura

Senior Business Intelligence & Analytics
Maceió/AL, BrasilMaceió, Brazil

Transformo dados em decisão: Power BI de ponta a ponta, automação de processos e Inteligência Artificial aplicada a negócios. Mais de 10 anos entre dados e negócios, nos setores de saúde, energia, estacionamentos e startup de mobilidade urbana. I turn data into decisions: end-to-end Power BI, process automation and AI applied to business. Over 10 years across data and business, in healthcare, energy, parking and an urban mobility startup.

LinkedIn Baixar currículoDownload CV (English)
Henrique Moura
99%assertividade do AUDIT-IA, auditoria com IA validada em campofield-validated accuracy of AUDIT-IA, my AI-powered audit
80+painéis Power BI versionados em GitPower BI dashboards versioned in Git
2.400+medidas DAX em produçãoDAX measures in production
1.000+transformações ETL (Pentaho PDI)ETL transformations (Pentaho PDI)
SobreAbout

Quem souWho I am

Henrique Moura — workspace

Sou profissional sênior de Business Intelligence & Analytics, criador do projeto AUDIT-IA, uma auditoria de receita com Inteligência Artificial que evoluiu de 95% para 99% de assertividade validada pelos auditores e mapeou mais de R$ 100 mil em perdas de receita em 7 semanas. I am a senior Business Intelligence & Analytics professional and the creator of AUDIT-IA, an AI-powered revenue audit that evolved from 95% to 99% accuracy validated by field auditors and mapped over R$ 100k in revenue leakage within 7 weeks.

Minha atuação cobre o ciclo completo do dado: ETL e modelagem (Power Query/M, Pentaho PDI, SQL), medidas DAX documentadas, governança e RLS no Power BI Service, automação com n8n e Power Automate, apps de campo no Power Apps e IA generativa com engenharia de prompt. My work covers the full data lifecycle: ETL and modeling (Power Query/M, Pentaho PDI, SQL), documented DAX measures, governance and RLS on Power BI Service, automation with n8n and Power Automate, field apps on Power Apps and generative AI with prompt engineering.

Especialista em Gestão e Análise Estratégica de Dados pela PUC Minas e graduado em Administração pela FAA-IESA, comecei no negócio antes do dado: 9 anos em uma operadora de saúde, de estagiário a analista de BI, passando por liderança de equipe. Entendo o problema antes de abrir a ferramenta. A PUC Minas specialist in Strategic Data Management & Analysis with a BBA from FAA-IESA, I started on the business side: 9 years at a healthcare company, from intern to BI analyst, including team leadership. I understand the problem before opening the tool.

Hubees | Netpark — Business Intelligence & Analytics · 2024 — atualpresent
Quality Software — BI alocado no Grupo Energisa (setor de energia)BI consultant at Energisa Group (energy sector) · 2024
Smile Saúde — de Estagiário a Analista de BI, com liderança de equipefrom Intern to BI Analyst, including team leadership · 2014 — 2024
Power BI · DAX · Power Query/MSQL (DQL/DML) Pentaho (PDI)n8n · Power Automate Power AppsIA generativa · Prompt Engineering PythonAzure SQL · PostgreSQL · Oracle
IA aplicada ao negócioAI applied to business

AUDIT-IA

Auditoria de receita com IA: toda semana, o motor analisa dados operacionais e financeiros da rede, nomeia a causa raiz de cada anomalia e prioriza os casos críticos. A triagem que exigia visitas exploratórias (2 estacionamentos por auditor ao dia) passou a sair em 10 minutos, e o auditor vai a campo com o diagnóstico em mãos. AI-powered revenue audit: every week the engine analyzes operational and financial data across the network, names the root cause of each anomaly and ranks critical cases. Triage that once required exploratory visits (2 sites per auditor per day) now takes 10 minutes, and auditors go to the field with the diagnosis in hand.

Painel de auditoria semanalWeekly audit dashboard

⚠ dados fictíciosfictitious data
97%assertividade em operaçãoaccuracy in operation
▲ vs 93% na fase de validaçãovs 93% in validation phase
R$ 76,2 milreceita mapeada · 7 semanasmapped revenue · 7 weeks
38unidades priorizadasprioritized sites
12 mintempo de triagem por ciclotriage time per cycle

Receita perdida por semana (R$ mil)Lost revenue per week (R$ k)

14,2
S1
9,6
S2
11,8
S3
7,6
S4
11,1
S5
9,1
S6
12,8
S7

Fila priorizada da semanaThis week's prioritized queue

UnidadeSiteCausa raizRoot causeR$Status
127 - Torre AlfaAbertura manualManual gate open3.240EvasãoEvasion
204 - Plaza CentralCarga e descargaLoading bay2.110Em análiseReviewing
318 - Ed. AuroraDesconto indevidoImproper discount1.480Em análiseReviewing
092 - Mirante SulFalha de leituraReader failure920ResolvidoResolved
Receita perdida identificada pela IALost revenue identified by AI
🧠 Como funcionaHow it works

RAG com regras de auditoria + engenharia de prompt; a IA nomeia causa raiz entre 4 categorias e marca alto potencial de evasão.RAG with audit rules + prompt engineering; the AI names one of 4 root-cause categories and flags high evasion risk.

🔁 Loop de feedbackFeedback loop

Cada diagnóstico é validado pelos auditores em planilha de controle; divergências viram ajuste imediato do modelo.Every diagnosis is validated by auditors in a control sheet; divergences become immediate model adjustments.

📬 Entrega automáticaAutomated delivery

Fluxos no Power Automate publicam o relatório semanal e o bot de auditoria nos canais do time.Power Automate flows publish the weekly report and the audit bot to the team's channels.

Quer uma auditoria assim no seu contexto?Want an audit like this in your context?

WhatsAppWhatsApp LinkedIn
Power BI

PainéisDashboards

Recriações fiéis à arquitetura de painéis reais que desenvolvo, com nomes, marcas e números 100% fictícios. Cada um representa uma família de problema: funil comercial, mídia paga, retenção e financeiro. Faithful recreations of the architecture of real dashboards I build, with 100% fictitious names, brands and figures. Each one represents a problem family: sales funnel, paid media, retention and finance.

Captação de Parceiros · Visão TáticaPartner Acquisition · Tactical View

⚠ dados fictíciosfictitious data

Funil de conversão · acumulado (alimentado por app de campo)Conversion funnel · cumulative (fed by field app)

1 · MapeadoMapped · 480
2 · ContatoContacted · 342
3 · VisitaVisited · 236
4 · PropostaProposal · 158
5 · AtivadoActivated · 96
Conversão ponta a ponta: 20%End-to-end conversion: 20%

Ativações vs meta mensalActivations vs monthly target

160 JanFevMarAbrMaiJun
AtivaçõesActivationsMeta (12/mês)Target (12/mo)

Ranking por equipeRanking by team

Equipe Atlas
28
Equipe Vega
24
Equipe Órion
19
Equipe Lyra
14
Equipe Nova
11

Tempo médio parado por etapa (dias)Avg. idle time per stage (days)

ContatoContact
6
VisitaVisit
9
PropostaProposal
14
ContratoContract
7

Mídia Paga · AquisiçãoPaid Media · Acquisition

⚠ dados fictíciosfictitious data
R$ 84,2 milinvestimento no períodospend in period
R$ 312,6 milreceita atribuídaattributed revenue
R$ 38,70CAC
▼ 12% vs período anteriorvs previous period
3,7xROI

Investimento semanal (R$ mil)Weekly spend (R$ k)

9,8
S1
10,5
S2
11,2
S3
9,4
S4
10,9
S5
11,6
S6
10,2
S7
10,6
S8

CAC semanal (R$) — escala própriaWeekly CAC (R$) — separate scale

500 R$ 33,10 S1S8
CAC em queda com otimização de campanhasCAC declining with campaign optimization

Receita por origem (R$ mil)Revenue by source (R$ k)

Busca pagaPaid search
148
Display
84
Remarketing
53
ParceriasPartnerships
28
Busca pagaPaid searchDisplayRemarketingParceriasPartnerships

Cohort de Retenção · Produto DigitalRetention Cohort · Digital Product

⚠ dados fictíciosfictitious data

Retenção mensal por safra de primeiro uso (%)Monthly retention by first-use cohort (%)

M0
M1
M2
M3
M4
M5
Jan
100
58
44
37
33
30
Fev
100
61
47
39
34
Mar
100
55
42
36
Abr
100
63
48
Mai
100
60
Jun
100
Escala sequencial: mais escuro = maior retenção. Melhor M1 da série: 63% (Abr), efeito das melhorias de onboarding.Sequential scale: darker = higher retention. Best M1 of the series: 63% (Apr), an effect of onboarding improvements.

No painel real, a matriz é uma pivotTable com parâmetro de "meses seguintes", medidas de retenção % + quantidade, e recortes por zona, faixa de cobertura e perfil de cliente, com análises de cross-use entre produtos.In the real dashboard, the matrix is a pivotTable with a "following months" parameter, retention % + count measures, and slicers by zone, coverage tier and customer profile, plus cross-use analyses between products.

Débitos Veiculares · FinanceiroVehicle Debts · Finance

⚠ dados fictíciosfictitious data
12,4 milpagamentos no períodopayments in period
R$ 186ticket médioaverage ticket
34%conversão tela → pagamentoscreen → payment conversion
27%participação do parceladoinstallment share

Pagamentos por mês (mil)Payments per month (k)

1,6
Jan
1,8
Fev
2,1
Mar
2,0
Abr
2,3
Mai
2,6
Jun

% de pagamentos parcelados — escala própria% installment payments — separate scale

40%0 27% JanJun

Volume por canal de origemVolume by origin channel

App
46%
Site
31%
ParceirosPartners
23%
AppSiteParceirosPartners

O próximo painel pode ser sobre os seus dados.The next dashboard could be about your data.

WhatsAppWhatsApp LinkedIn
EngenhariaEngineering

Modelagem & CódigoModeling & Code

Amostras reais do meu padrão de trabalho, com tabelas e regras renomeadas: modelo estrela com role-playing de datas, medidas DAX sempre documentadas e Power Query avançado. Real samples of my working standard, with renamed tables and rules: star schema with role-playing dates, always-documented DAX measures and advanced Power Query.

Modelo estrela · Comissões de ParceirosStar schema · Partner Commissions

⚠ nomes fictíciosfictitious names
DIM_CALENDARIODIM_CALENDARDATA · ANO_SEMANADATE · YEAR_WEEK DIM_CONSULTORDIM_CONSULTANTCONSULTOR · URLCONSULTANT · URL DIM_PARCEIRODIM_PARTNERID · NOME · ZONAID · NAME · ZONE FT_PARCEIROS_ATIVOSFT_ACTIVE_PARTNERSDATA_ATIVACAO · CONSULTORACTIVATION_DATE · CONSULTANTBASE_COMISSAO · MULTIPLICADORESBASE_COMMISSION · MULTIPLIERS FT_PARCEIROS_CHURNFT_PARTNER_CHURNDATA_CANCELAMENTO · DIAS_ATIVOCANCELLATION_DATE · ACTIVE_DAYSISENTO_D180 · DEBITOD180_EXEMPT · DEBIT FT_COMISSOES_MENSALFT_MONTHLY_COMMISSIONSMES_COMPETENCIA · SALDO_D180ACCRUAL_MONTH · D180_BALANCECOMISSAO_LIQUIDA (List.Generate)NET_COMMISSION (List.Generate) *:1 *:1 inativa (USERELATIONSHIP)*:1 inactive (USERELATIONSHIP)

Fatos "espelho" (produção e churn) convergem no calendário por datas diferentes (role-playing) e a fato mensal, derivada em Power Query com List.Generate, fecha o triângulo por competência. Relação tracejada = inativa, ativada via USERELATIONSHIP nas medidas de churn."Mirror" facts (production and churn) converge on the calendar through different dates (role-playing), and the monthly fact, derived in Power Query with List.Generate, closes the triangle by accrual month. Dashed relation = inactive, enabled via USERELATIONSHIP in churn measures.

DAX · medidas documentadasdocumented measures
% Parceiros com Ocorrência =
DIVIDE(
    [Qtd Parceiros com Ocorrência],
    [Qtd Parceiros Visitados],
    0
)
-- Formato indicado: Porcentagem com 2 casas decimais
-- Métrica principal do BSC: % dos parceiros únicos visitados
-- no período que registraram ocorrência.
-- Measure branching: reaproveita as duas medidas base do modelo.

Churn com Débito (D180) =
CALCULATE(
    [Total Parceiros Cancelados],
    FT_PARCEIROS_CHURN[ZONA] = "PRIME",
    FT_PARCEIROS_CHURN[DIAS_ATIVO] <= 180,
    FT_PARCEIROS_CHURN[DATA_ATIVACAO] >= DATE(2026, 2, 1),
    FT_PARCEIROS_CHURN[ISENTO_D180] = "NÃO"
)
-- Formato indicado: Número inteiro
-- Cancelamentos que geram débito D180 no mês: só zona prioritária,
-- ativados após a regra vigente e fora da lista de isenções
-- mantida no Power Query.

Data da Visita Anterior =
IF(
    ISEMPTY(FT_CHECKLIST), BLANK(),
    VAR DataAtual = MAX(DIM_VISITAS[DATA_VISITA_HORA])
    VAR Parceiro  = MAX(DIM_VISITAS[ID_PARCEIRO])
    RETURN
        CALCULATE(
            MAX(DIM_VISITAS[DATA_VISITA]),
            FILTER(ALL(DIM_VISITAS),
                DIM_VISITAS[ID_PARCEIRO] = Parceiro &&
                DIM_VISITAS[DATA_VISITA_HORA] < DataAtual)
        )
)
-- Formato indicado: Data (dd/mm/aaaa)
-- Visita imediatamente anterior do mesmo parceiro, para a trilha
-- de validação. Compara por data e hora para ordenar revisitas
-- no mesmo dia; ISEMPTY evita produto cartesiano.
% Partners with Occurrence =
DIVIDE(
    [Qty Partners with Occurrence],
    [Qty Partners Visited],
    0
)
-- Suggested format: Percentage, 2 decimal places
-- Main BSC metric: % of unique partners visited in the
-- period that logged an occurrence.
-- Measure branching: reuses the model's two base measures.

Churn with Debit (D180) =
CALCULATE(
    [Total Cancelled Partners],
    FT_PARTNER_CHURN[ZONE] = "PRIME",
    FT_PARTNER_CHURN[ACTIVE_DAYS] <= 180,
    FT_PARTNER_CHURN[ACTIVATION_DATE] >= DATE(2026, 2, 1),
    FT_PARTNER_CHURN[D180_EXEMPT] = "NO"
)
-- Suggested format: Whole number
-- Cancellations that generate the D180 debit in the month:
-- priority zone only, activated after the current rule and
-- outside the exemption list kept in Power Query.

Previous Visit Date =
IF(
    ISEMPTY(FT_CHECKLIST), BLANK(),
    VAR CurrentDate = MAX(DIM_VISITS[VISIT_DATETIME])
    VAR Partner  = MAX(DIM_VISITS[PARTNER_ID])
    RETURN
        CALCULATE(
            MAX(DIM_VISITS[VISIT_DATE]),
            FILTER(ALL(DIM_VISITS),
                DIM_VISITS[PARTNER_ID] = Partner &&
                DIM_VISITS[VISIT_DATETIME] < CurrentDate)
        )
)
-- Suggested format: Date (dd/mm/yyyy)
-- Immediately previous visit for the same partner, for the
-- validation trail. Compares by date and time to order
-- same-day revisits; ISEMPTY avoids a cartesian product.
Power Query (M) · padrões avançadosadvanced patterns
// Reincidência por parceiro: ordena, agrupa e numera as ocorrências
#"Linhas Ordenadas" = Table.Sort(Fonte,
    {{"PARCEIRO", Order.Ascending}, {"DATA_EVENTO", Order.Ascending}}),
#"Agrupadas" = Table.Group(#"Linhas Ordenadas", {"PARCEIRO"}, {
    {"Dados", each Table.AddIndexColumn(_, "REINCIDENCIA", 1, 1, Int64.Type)}
}),

// Protocolo de ação conforme o nível de reincidência
#"Protocolo" = Table.AddColumn(#"Expandida", "PROTOCOLO_ACAO", each
    if [REINCIDENCIA] >= 3 then "Escalonar avaliação da parceria"
    else if [REINCIDENCIA] = 2 then "Formalizar penalidade contratual"
    else "Orientação pelo time de atendimento", type text),

// Saldo devedor móvel por consultor: List.Generate itera mês a mês,
// abate o débito com teto de 30% da comissão e carrega o saldo.
CalculoLoop = List.Generate(
    () => [ Indice = 0,
        DividaTotal      = Debitos{0},
        LimiteDesconto   = Comissoes{0} * 0.30,
        DescontoAplicado = List.Min({DividaTotal, LimiteDesconto}),
        ComissaoLiquida  = Comissoes{0} - DescontoAplicado,
        SaldoAtual       = DividaTotal - DescontoAplicado ],
    each [Indice] < QtdLinhas,
    (estado) => let
        i        = estado[Indice] + 1,
        divida   = estado[SaldoAtual] + Debitos{i},
        limite   = Comissoes{i} * 0.30,
        desconto = List.Min({divida, limite})
    in [ Indice = i, DividaTotal = divida,
         LimiteDesconto = limite, DescontoAplicado = desconto,
         ComissaoLiquida = Comissoes{i} - desconto,
         SaldoAtual = divida - desconto ]
)
// Resultado: fluxo Bruta → Débito → Teto 30% → Líquida → Saldo,
// competência a competência, sem depender de coluna auxiliar no BD.
// Recurrence per partner: sort, group and number the occurrences
#"Sorted Rows" = Table.Sort(Source,
    {{"PARTNER", Order.Ascending}, {"EVENT_DATE", Order.Ascending}}),
#"Grouped" = Table.Group(#"Sorted Rows", {"PARTNER"}, {
    {"Data", each Table.AddIndexColumn(_, "RECURRENCE", 1, 1, Int64.Type)}
}),

// Action protocol based on the recurrence level
#"Protocol" = Table.AddColumn(#"Expanded", "ACTION_PROTOCOL", each
    if [RECURRENCE] >= 3 then "Escalate partnership review"
    else if [RECURRENCE] = 2 then "Formalize contractual penalty"
    else "Guidance from the support team", type text),

// Rolling debit balance per consultant: List.Generate iterates month
// by month, caps the discount at 30% of gross commission and carries
// the remaining balance forward.
CalcLoop = List.Generate(
    () => [ Index = 0,
        TotalDebt       = Debits{0},
        DiscountCap     = Commissions{0} * 0.30,
        AppliedDiscount = List.Min({TotalDebt, DiscountCap}),
        NetCommission   = Commissions{0} - AppliedDiscount,
        CurrentBalance  = TotalDebt - AppliedDiscount ],
    each [Index] < RowCount,
    (state) => let
        i        = state[Index] + 1,
        debt     = state[CurrentBalance] + Debits{i},
        cap      = Commissions{i} * 0.30,
        discount = List.Min({debt, cap})
    in [ Index = i, TotalDebt = debt,
         DiscountCap = cap, AppliedDiscount = discount,
         NetCommission = Commissions{i} - discount,
         CurrentBalance = debt - discount ]
)
// Result: Gross → Debit → 30% cap → Net → Balance flow,
// month by month, with no helper column needed in the database.

Precisa desse nível de engenharia nos seus dados?Need this level of engineering in your data?

WhatsAppWhatsApp LinkedIn
Power Apps

Apps de campoField apps

Aplicativos corporativos que conectam a operação de rua ao modelo de dados, com telas e nomes recriados de forma fictícia. Corporate apps connecting street operations to the data model, with screens and names recreated fictitiously.

📍 Auditoria de VisitasVisit Audit
Unidade: 127 - Torre AlfaSite: 127 - Torre Alfa
✅ Localização confirmada: 18 mLocation confirmed: 18 m
Auditor: preenchido via Office 365Auditor: filled via Office 365
Checklist dinâmico por softwareDynamic checklist by software
Salvar visitaSave visit

Auditoria de VisitasVisit Audit

Registro de visitas em campo com validação por geolocalização (fórmula de Haversine em Power Fx): o formulário só libera o envio a até 50 m da unidade, fechando o ciclo do AUDIT-IA com prova de presença. Field visit logging with geolocation validation (Haversine formula in Power Fx): the form only unlocks within 50 m of the site, closing the AUDIT-IA loop with proof of presence.

Power FxGPS + HaversineAutoria individualSolo build
🏗 Cadastro de ParceirosPartner Onboarding
ID automáticoauto · #1042
Coordenadas capturadas do GPSCoordinates captured from GPS
Bairro · classificação de zonaDistrict · zone classification
CadastrarRegister
AgendaSchedule

Cadastro GeorreferenciadoGeo-referenced Onboarding

App de captação que registra potenciais parceiros em campo com GPS automático, alimentando o funil comercial e os painéis de expansão em Power BI. Acquisition app registering potential partners in the field with automatic GPS, feeding the sales funnel and the expansion dashboards in Power BI.

GPSFunil → Power BIConstrução em equipeTeam build
🐝 Operação de CampoField Operations
Cadastrar visita · check-in GPSLog visit · GPS check-in
Atendimento ao proprietárioOwner support
SOS · formulário integradoSOS · integrated form
RelatórioReport
SOS

Gestão dos Agentes de CampoField Agent Management

Suíte de visitas, atendimentos e ocorrências dos agentes de rua, com check-in georreferenciado e trilha completa para os indicadores de cobertura. Suite for street agents' visits, support and incidents, with geo check-in and a full trail feeding coverage KPIs.

SharePointCheck-in GPSConstrução em equipeTeam build

Um app assim resolveria a sua operação de campo?Would an app like this solve your field operations?

WhatsAppWhatsApp LinkedIn
n8n · Power Automate · Pentaho

Automação & ETLAutomation & ETL

Mais de 20 fluxos de automação em produção e um repositório ETL corporativo com mais de 1.000 transformações e 230 jobs no Pentaho (PDI), integrando Oracle, Azure SQL, PostgreSQL e APIs REST/JSON. Exemplos com nomes fictícios: Over 20 automation flows in production and a corporate ETL repository with 1,000+ transformations and 230 jobs in Pentaho (PDI), integrating Oracle, Azure SQL, PostgreSQL and REST/JSON APIs. Examples with fictitious names:

🤖 Relatório de Auditoria com IAAI Audit Report

Publica o diagnóstico semanal do AUDIT-IA para o time, sem intervenção manual.Publishes the weekly AUDIT-IA diagnosis to the team, no manual steps.

⏰ Agendamento semanalWeekly schedule→🧠 Motor de IA (API)AI engine (API)→📄 Compor relatórioCompose report→💬 Teams→✉ E-mail

🚨 Alerta de Novos TicketsNew Ticket Alerts

Varredura periódica da base; tickets críticos disparam notificação em tempo real.Periodic database sweep; critical tickets trigger real-time notifications.

⏰ A cada 15 minEvery 15 min→🗄 Consulta SQLSQL query→🔀 Condição: crítico?Condition: critical?→💬 Notificação TeamsTeams notification

🛠 Falhas de Atualização do Power BIPower BI Refresh Failures

Nenhuma atualização quebrada passa despercebida: o erro chega ao canal antes de o usuário sentir.No broken refresh goes unnoticed: the error reaches the channel before users notice.

⚡ Falha de atualizaçãoRefresh failure→📋 Detalhes do datasetDataset details→💬 Canal de dadosData channel

🔄 Sincronização CRM ↔ Data WarehouseCRM ↔ Data Warehouse Sync

Upsert diário mantém o CRM dos apps de campo e o DW analítico consistentes.Daily upsert keeps the field apps' CRM and the analytical DW consistent.

⏰ DiárioDaily→📚 SharePoint→🗄 Upsert · Azure SQL→🧾 Log

📬 Notificações dos Apps de CampoField App Notifications

Novos registros nos apps disparam avisos e agendamentos automáticos para os responsáveis.New app records trigger automatic alerts and scheduling for owners.

⚡ Item criadoItem created→👤 Identificar responsávelIdentify owner→💬 Notificar + agendaNotify + schedule

Pentaho (PDI) · exemplo de transformaçãotransformation example

⚠ nomes fictíciosfictitious names
🗄 Table Input · PostgreSQL→🧹 Select Values→🔤 Replace String→🔀 Filter Rows→🗄 Table Output · Azure SQL→✉ Mail (erro)(on error)
1.000+ transformaçõestransformations 230 jobs 9.300+ passossteps Oracle · Azure SQL · PostgreSQL 440+ chamadas RESTREST calls 760+ leituras JSONJSON reads

Quantas horas a sua equipe ainda perde com rotinas manuais?How many hours does your team still lose to manual routines?

WhatsAppWhatsApp LinkedIn
FormaçãoEducation

Formação & CertificaçõesEducation & Certifications

PUC Minas

Pós-graduação Lato Sensu · Gestão e Análise Estratégica de Dados (2026)Postgraduate specialization · Strategic Data Management & Analysis (2026)

SQL, Python, Estatística, ETL/ELT, Modelagem Dimensional, Governança de Dados (DMBoK, LGPD), Machine Learning, IA Generativa, Data Storytelling.SQL, Python, Statistics, ETL/ELT, Dimensional Modeling, Data Governance (DMBoK, LGPD), Machine Learning, Generative AI, Data Storytelling.

FAA-IESA · Graduação em Administração (2022)BBA, Business Administration (2022)

Certificações e cursosCertifications & courses
Automação com n8n e Agentes de IAAutomation with n8n and AI Agents · 2026 Agentes de IA com n8nAI Agents with n8n · 2026 Power Apps · 2024 SQL para Análise de Dadosfor Data Analysis · 2024 Microsoft Fabric · 2023 Azure Data Fundamentals · 2023 Banco de Dados e SQLDatabases & SQL · 2023 Master Power BI: DAX, M e Modelagem& Modeling · 2022 Power BI comwith DAX · 2022