Data & Risk — crédito, seguros e analytics financeiro.

Engenheiro de Software pela Univates, técnico em Contabilidade e Finanças, pós-graduando em Ciência de Dados e Analytics pela PUC-Rio.

Desde 2021 analiso risco de crédito para aprovação de apólices e financiamentos imobiliários — e construo os sistemas que sustentam essa análise. Não são duas carreiras: é a mesma. O que me interessa é o ponto onde o modelo encosta na decisão financeira, porque é ali que errar custa dinheiro de verdade.

Se tem um fio comum no que eu construo, é este: desenhar sistemas onde a informação não pode divergir, porque as duas pontas se travam. Aprendi isso em contabilidade — partida dobrada não confia no lançamento, confia em que o balanço não fecha se ele estiver errado — e passei a aplicar em software.

📍 Santa Cruz do Sul, RS

ChequeDigital — Primitiva de liquidação condicional para o trilho instantâneo brasileiro

White paper. O Pix acertou o trilho e descartou o tempo; a proposta devolve o tempo como a variável que permite condicionar a liquidação a um fato verificável — nota fiscal emitida, propriedade transferida, mercadoria entregue. Nenhum componente é ficção: Pix, Drex, split payment, MED, Registrato e registradoras de recebíveis já existem em produção. A contribuição está na composição.

fintechpagamentosdesenho de mecanismo

ricarol-smart-contracts — Plataforma P2P de contratos digitais com validade jurídica

Contratos criados, assinados e arquivados de forma imutável, sem intermediário. Smart contracts em Ethereum, armazenamento em IPFS/Filecoin, assinatura digital e prova de execução on-chain. Prazos sensíveis ao clima se ajustam sozinhos por oráculo meteorológico.

A parte que não aparece na stack: a fundamentação jurídica é própria. A validade da assinatura vem da MP 2.200-2/2001 e da Lei 14.063/2020; a cláusula arbitral em contrato eletrônico se apoia no REsp 1608014/SP; e o STJ já dispensou testemunhas no art. 784, II do CPC quando há assinatura digital ICP-Brasil — o que faz do contrato gerado pela plataforma um título executivo extrajudicial, executável sem processo de conhecimento.

A conclusão mais útil é uma limitação: medi o custo real de gas e o deploy sai a R$ 657 contra R$ 58 por contrato criado. O custo fixo inviabiliza acordos de baixo valor sem soluções de camada superior — exatamente o público que mais se beneficiaria de dispensar o cartório.

PythonFlaskSolidityWeb3.pyIPFSCeleryRedisDockerTensorFlow

ml-rainfall-forecast — Previsão de chuva com protocolo honesto

Classificação binária com dados públicos do Open-Meteo: divisão temporal (não aleatória), baselines de persistência e classe majoritária, quatro modelos comparados, GridSearch com TimeSeriesSplit.

Nasceu de uma auditoria do meu próprio TCC. O pipeline original reportava 93,4% de acurácia — número alto demais para previsão a um dia, já que modelos numéricos operacionais, rodando em supercomputador, acertam entre 85% e 90%. Fui atrás e achei vazamento de alvo: a variável dependente estava entre as variáveis de entrada. Rastreei até a linha, documentei o mecanismo e refiz do zero.

O resultado honesto é F1 de 0,64 contra 0,578 da persistência — margem estreita, reportada como tal. Métrica boa demais é motivo para desconfiar, não para comemorar.

scikit-learnTensorFlowpandasJupyter

taskflow-backend-api — API REST colaborativa estilo Kanban

Boards, listas e cards com autenticação JWT, compartilhamento entre membros e documentação Swagger. Sobe inteiro com um docker-compose up: Flask e PostgreSQL conteinerizados.

O README documenta o modelo de permissões inclusive onde ele é limitado — todos os membros têm direitos iguais, sem papel de dono. Limitação declarada vale mais que limitação descoberta pelo usuário.

FlaskJWTPostgreSQLSQLAlchemyDockerSwagger

mvp-eda-avc — Análise exploratória e pré-processamento de base clínica

5.110 pacientes, predição de risco de AVC. Hipóteses formuladas antes de olhar os dados, desbalanceamento severo (4,87% de positivos) tratado como característica do fenômeno e não como defeito da base, e divisão treino/teste feita antes de qualquer transformação de escala.

pandasscikit-learnMatplotlibSeaborn

LinkedIn