Guilherme Assis

Analytics Engineer

São Paulo, BR —

Disponível para novos projetos

dim_tempo mês · trimestre dim_fonte ERP · planilhas dim_metrica definição única dim_area finanças · ops dim_dono responsável fato_decisao valorR$ metaR$ desvio%
fig. 01Star schema: a decisão no centro, cada dimensão com uma definição e um dono.

Sou analytics engineer. Construo a camada de dados por trás das decisões de finanças e operações.

Experiência em

  • Enel
  • Estapar
  • Escola Villa Happy
  • UNIP

01 — Em números

O que muda quando o número é confiável.

02 — Trabalhos

Do pipeline ao painel.

Engenharia para o dado chegar certo. Análise para ele virar decisão.

  1. 01 Camada analítica do portfólio de TI Enel Engenharia 2022–26
  2. 02 parking-claims-analytics Estudo de caso Engenharia 2026
  3. 03 Budget vs. realizado com alerta Enel Análise 2022–26
  4. 04 Sinistros e performance Estapar Análise 2022
  5. 05 Gestão por KPIs com o P&L nas mãos Villa Happy Análise 2013–21

03 — Sobre

Já fui dono do número.

Retrato de Guilherme Assis
Guilherme Assis · São Paulo

Por nove anos dirigi minha própria escola e decidi com planilhas que não batiam.

Levei esse incômodo para a Enel e para a Estapar. Hoje construo para finanças, controladoria e operações a camada que eu queria ter tido: modelos em que cada métrica tem uma definição, um dono e uma origem rastreável.

Como eu trabalho

  1. 01

    Definição antes do gráfico

    Granularidade e regra de negócio primeiro.

  2. 02

    Uma métrica, uma verdade

    Definida uma vez, usada em todo relatório.

  3. 03

    Tudo versionado

    dbt e Git do dado bruto ao painel.

  4. 04

    Feito para quem decide

    Menos telas. Mais decisão.

Percurso

  1. 2026 —Fundador e Analytics EngineerAssisium Analytics
  2. 2022–26BI e Análise de DadosEnel
  3. 2022Analista de DadosEstapar
  4. 2013–21Fundador e DiretorEscola Villa Happy
  5. 2009–13Comprador NacionalUNIP
Formação
Tecnólogo em Gestão Financeira · Mackenzie, 2021
Idiomas
Português · Espanhol fluente · Inglês profissional

04 — Stack

Stack de ponta a ponta.

Organizada pelas etapas do dado, da fonte à decisão.

  1. 01

    Linguagens

    O que eu escrevo todo dia.

    • SQL
    • Python
    • PySpark
    • Spark SQL
    • DAX
    • Power Query (M)
  2. 02

    Ingestão e orquestração

    Trazer o dado da fonte, no horário certo.

    • Azure Data Factory
    • Fabric Data Pipelines
    • Dataflow Gen2
    • Real-Time Intelligence
    • Apache Airflow
    • Apache Kafka
    • Databricks Workflows
    • Auto Loader
  3. 03

    Processamento e transformação

    Limpar, juntar e versionar a regra de negócio.

    • dbt
    • Apache Spark
    • Databricks
    • Delta Live Tables
    • Fabric Notebooks
    • pandas
  4. 04

    Lakehouse e warehouse

    Onde o dado mora, em camadas bronze, silver e gold.

    • OneLake
    • Fabric Lakehouse
    • Fabric Warehouse
    • Azure Synapse
    • Azure SQL Database
    • SQL Server
    • BigQuery
    • Delta Lake
    • Databricks SQL
    • DuckDB
  5. 05

    Modelagem e qualidade

    Um modelo que o negócio entende e que não quebra.

    • Kimball
    • Star schema
    • Dimensões conformadas
    • SCD
    • Arquitetura medalhão
    • Testes de dados
  6. 06

    BI e visualização

    O número na frente de quem decide.

    • Power BI
    • Direct Lake
    • TMDL
    • Looker Studio (Data Studio)
    • Excel avançado
  7. 07

    Governança e versionamento

    Quem acessa, de onde veio, o que mudou.

    • Git
    • Row-Level Security
    • Unity Catalog
    • Governança de dados
    • Linhagem e documentação
  8. 08

    Análise e negócio

    Transformar número em decisão.

    • Definição de KPIs
    • FP&A
    • Budget e performance
    • Análise preditiva
    • Self-service BI
    • Storytelling com dados
    • Capacitação de usuários

05 — Contato

Vamos fazer seus números baterem?

01 / 05

Próximo caso —
↑↓ navegar↵ abrir