VMPVanessa Schemes Martins Pinto
Estatística e Análise

Estatística aplicada para decisões mensuráveis.

vanessa.smartinsp@gmail.com+351 922 004 270
CV (PT)CV (EN)
SOBRE MIM

Vanessa Pinto

Analista Estatística e de Experimentação

Especialista em modelagem estatística, inferência causal e processamento de linguagem natural (PLN). Traduzo problemas complexos em hipóteses testáveis, delineando testes controlados e modelagem semântica para subsidiar decisões de alto impacto.

Rigor em Inferência Causal

Isolamento de efeitos incrementais reais sob incerteza explícita.

Desenho e Análise de Experimentos

Delineamento de testes A/B/n controlados e análise de poder.

Processamento Quantitativo de Texto

Modelagem semântica e representação vetorial de texto.

FORMAÇÃO ACADÉMICA

Pós-graduação em Processamento de Linguagem Natural

2024 – Em andamento
Universidade Federal de Goiás (UFG)

Especialização focada em redes profundas, embeddings vetoriais, arquitetura Transformer e fluxos de RAG.

Bacharelado em Estatística

2018 – 2023
Universidade Federal do Paraná (UFPR)

Foco em inferência matemática, modelos lineares (GLM), amostragem e regressão. Capstone em modelos estatísticos sob eventos raros.

Engenharia de Computação (Frequência Universitária)

2013 – 2017
Universidade Tecnológica Federal do Paraná (UTFPR)

Transição para estatística. Foco em algoritmos, estruturas de dados e programação.

Colegial Técnico, Engenharia Industrial e Eletrônica

2008 – 2012
Universidade Tecnológica Federal do Paraná (UTFPR)

Curso técnico integrado focado em instrumentação industrial, circuitos digitais e automação básica.

Projetos, Abordagens & Ferramentas

ExperimentaçãoDADOS DESCARACTERIZADOS

Experimentação Bayesiana em Promoções

Avaliação de eficácia entre desconto direto e pacote promocional em campanha de e-commerce utilizando modelagem de eventos raros sob perspectiva de decisão bayesiana.

O Problema

Necessidade de avaliar a rentabilidade líquida e taxa de conversão de duas mecânicas promocionais (desconto percentual direto versus pacote com brinde) sob cenários de tráfego controlado.

Testes A/BEventos rarosInferência bayesianaTeste ZIntervalos de credibilidadeProjeção de lucro
Ferramentas:
PythonRSQL
Conversão
Promoção A (Desconto 20%)2,04%
Promoção B (Pacote Camiseta)1,68%
0%1%2%3%
p-valor0,1828Frequentista
P(A > B)90,9%Probabilidade Bayesiana
Lucro esperadoR$ 3.876A vs B: R$ 3.192
Resultado

A modelagem bayesiana calculou uma probabilidade de 90,9% de superioridade para a mecânica A, oferecendo suporte quantitativo para o lançamento da promoção mesmo diante de um p-valor frequentista estatisticamente inconclusivo para o tamanho amostral acumulado.

Métodos

Testes A/BTestes multivariadosDesenho experimentalAnálise de poderInferência causalModelagem de incrementalidadeSéries temporaisPrevisãoAnálise de sobrevivênciaElasticidade de preçoMaxDiffAnálise conjuntaAnálise TURFAnálise de agrupamentoSegmentação RFMRotatividade (churn)Valor de vida do cliente (LTV)Retorno sobre o investimento (ROI)Análise de sentimentosModelagem de tópicosExtração de entidadesGeração aumentada por recuperação (RAG)Pesquisa vetorialTestes A/BTestes multivariadosDesenho experimentalAnálise de poderInferência causalModelagem de incrementalidadeSéries temporaisPrevisãoAnálise de sobrevivênciaElasticidade de preçoMaxDiffAnálise conjuntaAnálise TURFAnálise de agrupamentoSegmentação RFMRotatividade (churn)Valor de vida do cliente (LTV)Retorno sobre o investimento (ROI)Análise de sentimentosModelagem de tópicosExtração de entidadesGeração aumentada por recuperação (RAG)Pesquisa vetorial

Stacks

PythonRSQLPower BIExcelAWSPandasScikit-learnPLNModelos de Linguagem (LLMs)LangChainLangGraphn8nAPIsMarkdownPowerPointPythonRSQLPower BIExcelAWSPandasScikit-learnPLNModelos de Linguagem (LLMs)LangChainLangGraphn8nAPIsMarkdownPowerPoint