Uno experiência prática em materiais, MRO, PDM/BOM, estoque, suprimentos e ativos a Python, SQL, Machine Learning, estatística e visualização de dados.
Meu foco é transformar problemas operacionais reais em produtos analíticos interpretáveis, reproduzíveis e úteis para decisão. O diferencial está no encontro entre domínio industrial, rigor quantitativo e pensamento crítico.
| Projeto | Problema e contribuição | Tecnologias |
|---|---|---|
| Agent Lab Pascoal | Laboratório em evolução de engenharia de agentes aplicado à governança PDM/BOM, com baseline determinístico, métricas de erro, TDD e contratos estruturados | Python, Pydantic, unittest, Git |
| BOM Criticidade | Score multicritério interpretável para priorização de materiais MRO, risco de ruptura e decisões de estoque | Python, Pandas, JavaScript, análise multicritério |
| PDM Material Standardizer | Aplicação para padronização e validação de descrições técnicas de materiais | FastAPI, React, TypeScript, NLP |
| Follow-up Industrial | Dashboard para acompanhamento de pedidos, atrasos, criticidade, fornecedores e risco operacional | Python, Streamlit, Pandas |
| Sinop Agro-GIS | Análise territorial de uso do solo entre 2000 e 2024, integrando dados geoespaciais, agricultura e logística | GeoPandas, QGIS, Plotly, Folium |
| Agritech Optimization | Modelagem da aplicação de nitrogênio com comparação entre regressão linear e Random Forest | Python, Scikit-learn, Pandas |
| Área | Ferramentas e conhecimentos |
|---|---|
| Dados e programação | Python, SQL, Pandas, NumPy, Jupyter, Git |
| Machine Learning | Scikit-learn, regressão, classificação, séries temporais, avaliação de modelos |
| Visualização e produtos | Power BI, Plotly, Streamlit, Matplotlib, Seaborn |
| Engenharia e governança | PDM, BOM, MRO, qualidade de dados, classificação ABC, criticidade e estoque |
| Dados geoespaciais | GeoPandas, QGIS, Folium, Shapely |
| Ambientes corporativos | SAP, Oracle, SQL Server, indicadores e análise operacional |
Problema de negócio
↓
Coleta e qualidade dos dados
↓
Análise exploratória e hipóteses
↓
Modelo ou regra de decisão
↓
Validação, limitações e interpretação
↓
Dashboard, aplicação ou recomendação
Não trato uma métrica isolada como verdade absoluta. Resultados precisam de contexto, baseline, evidência reproduzível e uma pergunta de negócio claramente formulada.
- Evolução do portfólio para projetos end-to-end e reproduzíveis
- Aplicações de IA generativa e sistemas multiagentes
- Forecasting, otimização e análise preditiva para operações industriais
- Integração entre Ciência de Dados, filosofia e comunicação do conhecimento
- LinkedIn: Jakson Pascoal
- GitHub: Jk-Pascoal
Dados não falam sozinhos. Entre o dado e a decisão existe um modelo — e todo modelo precisa prestar contas à realidade.