Pular para o conteúdo

Analytics engineering · microsoft fabric

Christian Junior

Certificado pela Microsoft

Analytics Engineer | Fabric, Lakehouse & Big Data

Quando o pipeline pesa, o número não fecha com a operação ou a diretoria desconfia do painel, eu reorganizo ingestão, modelo e consumo. Objetivo simples: dado deixar de ser custo e virar algo em que dá para decidir, com SQL, PySpark, notebooks, OneLake, Power BI e automação onde o gargalo não é só ETL.

Ver casos Como eu entro Contato
Retrato profissional de Christian Junior

Onde eu costumo entrar

Soluções em que me chamam

É o tipo de coisa que aparece em e-mail às 18h ou quando o CFO pergunta “por que esse número mudou?”. Se reconhecer o cenário, o próximo passo costuma ser conversa técnica com patrocinador no loop.

Capacidade e janela de carga

Pipeline full enchendo SKU (ex.: F16), fila estourando, ambiente compartilhado sofrendo. Replanejo incremental, chave de atualização, ordem de processamento e o que precisa para reprocessar sem drama.

Número que não fecha

DRE, contábil, custo de projeto, RH: grão errado ou regra duplicada. Alinho fonte, definição e camada semântica para o BI parar de ser opinião com gráfico.

Migração para o Fabric

Sair de on-premise ou Report Server sem perder histórico nem confiança. Plano em ondas, workspaces, lineage e o que vira modelo semântico novo versus legado.

Lakehouse virou pântano

Bronze sem contrato, mesma entidade em formatos diferentes, consumo direto da camada errada. Endureço prata/ouro, contrato e dono do dado: Medallion de verdade, não só pasta bonita.

Semântica, Direct Lake e performance

Modelo pesado, refresh longo ou leitura executiva inconsistente com a operação. Decido o que fica no lake, o que fica no modelo e onde Direct Lake resolve de fato.

Automação e captura

Processo em e-mail e planilha, dado que nasce fora do sistema. Power Apps, Automate e destino no lake quando o gargalo é humano, não só transformação.

Como eu decido

Decisões e trade-offs que aparecem no mundo real

Trechos curtos do tipo de conversa que tenho com arquiteto, negócio e operação, sem slide de “inovação”.

  • Incremental em vez de full

    Quando a janela ou o SKU não aguentam repor tudo sempre, o desenho muda: watermark, chave de negócio, idempotência onde precisa e teste de reprocessamento.

    Trade-off: mais complexidade operacional e de teste em troca de capacidade estável.

  • Direct Lake em um lugar, import em outro

    Direct Lake quando latência e escala do modelo importam; import quando a flexibilidade DAX/transformação ainda compensa o refresh.

    Trade-off: acoplamento ao lake versus liberdade no modelo.

  • Governança mínima viável

    Sem dono de métrica, padrão de pasta e regra de promoção entre camadas, o ouro vira “arquivo compartilhado” e o BI vira debate eterno.

    Trade-off: um pouco de burocracia em troca de um único número oficial.

  • BI amarrado a ritual de decisão

    Painel sem comitê, dono ou cadência vira mural. Estruturo KPI e visual para sustentar reunião que já existe, ou para matar reunião que só existia por falta de dado.

    Trade-off: menos “liberdade criativa” no layout, mais adesão e uso.

  • Contrato na prata, não esperança no bronze

    Bronze ingere; prata padroniza e testa; ouro responde pergunta de negócio. Quem pula camada paga depois em reconciliação e retrabalho de BI.

    Trade-off: tempo maior até o primeiro “select” bonito em troca de menos surpresa depois.

  • Engenharia falando a mesma língua que a decisão

    Traduzo restrição técnica em impacto (prazo, risco, custo) e puxo o negócio para definir grão cedo. Evita BI que ninguém assina embaixo.

    Trade-off: reuniões mais duras no início em troca de menos refação no fim.

Sobre

Eu não vendo dashboard bonito. Vendo clareza sob pressão.

Trabalho com analytics engineering na stack Microsoft: Lakehouse, camadas, incremental, semântica, governança e consumo. Já estive com capacidade estourando no Fabric, migração saindo de on-premise / Report Server e modelo que só melhorou quando o grão e a camada certos existiram.

O que aparece na reunião pode ser um painel; o que sustenta a decisão é contrato de dado, custo de pipeline, definição de métrica e quem opera depois que o projeto “acabou”. Por isso documento e padronizo: analytics sem operação vira arquivo morto.

Em time misto, costumo ficar entre negócio, plataforma e TI: traduzir restrição real (janela, SKU, política) em desenho técnico que não depende de herói.

  • Lakehouse em Fabric/OneLake: Medallion com regra clara por camada, sem consumo direto de bronze “porque era mais rápido”.
  • Semântica e BI: SQL, DAX e Direct Lake quando o problema é latência, confiança ou fechamento financeiro, não só visual.
  • Power Platform onde o dado nasce errado ou o processo é manual: Apps, Automate e integração com o lake quando faz sentido.
Trajetória completa

Casos

Problema real, decisão, entrega e o que mudou no negócio

Cada case é narrativa fechada: contexto, o que quebrava (capacidade, confiança, prazo), decisão de arquitetura, stack e impacto. BI entra quando sustenta comitê, DRE, operação ou RH, não como vitrine solta.

Casos em publicação. A lista completa abre em breve.

Soluções

Como eu entro em projeto

Depende do estágio: às vezes é diagnóstico de pipeline, às vezes Lakehouse, às vezes BI executivo com métrica oficial. O fio comum é fechar o ciclo entre engenharia e decisão, com entrega que outra pessoa sustenta.

Estruturação de dados para tomada de decisão

Transformo perguntas de negócio em métricas confiáveis, grãos corretos e narrativa analítica que sustenta comitês.

Entregas

  • Mapa de KPIs e dicionário inicial
  • Protótipo de modelo de dados / medidas
Detalhes da solução →

Construção de pipelines e ingestão de dados

Pipelines incrementais, contratos por fonte e observabilidade mínima: Fabric, notebooks ou stack equivalente.

Entregas

  • Desenho de pipeline e dependências
  • Implementação e documentação operacional
Detalhes da solução →

Implementação de Lakehouse no Microsoft Fabric

OneLake, lakehouse por domínio, notebooks PySpark e publicação para BI com governança leve e repetível.

Entregas

  • Blueprint de lakehouse + convenções
  • Primeiro domínio ponta a ponta (MVP)
Detalhes da solução →

Dashboards executivos e operacionais

Painéis conectados a decisões reais: hierarquia visual, KPIs acordados e performance que aguenta uso diário.

Entregas

  • Protótipo validado + modelo semântico
  • Publicação com padrões de performance
Detalhes da solução →
Ver escopos e detalhes

Trajetória

Trajetória

Da operação de TI a analytics engineering: infraestrutura, BI, projetos e, hoje, Fabric/Lakehouse com problema de negócio no centro.

  1. Analytics Engineer | Data & AI

    Inmetrics março de 2026 · atual

    São Paulo, Brasil

    Atuação em arquitetura analítica ponta a ponta com Microsoft Fabric, do desenho de ingestão e Lakehouse à camada de consumo executivo com BI e IA aplicada.

    • Estruturação de pipelines em Fabric com foco em governança, desempenho e confiabilidade
    • Uso de notebooks e PySpark para tratamento de dados em maior volume e regras complexas
    • Conexão entre engenharia, analytics e decisão executiva em soluções orientadas a negócio

  2. SR IT Project Analyst | Business Intelligence

    Cast group maio de 2025 · março de 2026

    São Paulo, Brasil

    Condução de projetos de BI e analytics com foco em padronização de métricas, evolução arquitetural e previsibilidade de entrega.

    • Planejamento e execução de frentes analíticas com múltiplos stakeholders
    • Estruturação de processos de dados para melhorar qualidade e governança dos indicadores
    • Aprimoramento da camada de consumo executivo com foco em decisão e não em volume de telas

  3. IT Project Analyst | Business Intelligence

    Cast group maio de 2024 · maio de 2025

    São Paulo, Brasil

    Atuação em iniciativas de BI com visão de projeto, integrando necessidades de negócio, modelagem analítica e qualidade de entrega.

    • Evolução de fluxos de reporting para modelos analíticos mais confiáveis
    • Alinhamento técnico entre áreas de negócio, dados e tecnologia
    • Apoio na organização de backlog, prioridades e governança dos indicadores

  4. Business Intelligence Analyst

    Cast group fevereiro de 2023 · abril de 2024

    São Paulo, Brasil

    Outsourcing para a Secretaria da Fazenda e Planejamento do Estado de São Paulo, com foco em confiabilidade analítica e suporte à gestão pública.

    • Consolidação de dados e indicadores para acompanhamento executivo
    • Apoio na estruturação de métricas consistentes entre áreas
    • Entregas com foco em clareza de leitura, contexto e decisão

  5. Business Intelligence Analyst

    Grupo Vamos janeiro de 2022 · fevereiro de 2023

    Mogi das Cruzes, São Paulo, Brasil

    Atuação em BI corporativo conectando performance operacional a indicadores de negócio para tomada de decisão.

    • Estruturação de relatórios e indicadores para áreas de operação e gestão
    • Melhoria da qualidade de dados para reduzir retrabalho analítico
    • Aprimoramento da leitura executiva com foco em KPI e ação

  6. Performance Analyst

    Grupo Vamos dezembro de 2021 · março de 2022

    Mogi das Cruzes, São Paulo, Brasil

    Evolução do suporte operacional para análise de performance, com foco em monitoramento de indicadores e eficiência de processos.

    • Análises de desempenho para apoiar decisões de curto prazo
    • Organização de bases e acompanhamento sistemático de KPIs

  7. Entry-Level IT Infrastructure Analyst

    Neobpo novembro de 2021 · dezembro de 2021

    Mogi das Cruzes, São Paulo, Brasil

    Atuação em infraestrutura e suporte técnico com foco em continuidade operacional, base para evolução posterior em dados e analytics.

    • Atendimento técnico e suporte a ambiente corporativo
    • Apoio em rotinas de infraestrutura e estabilidade de operação

  8. Entry-Level IT Assistant

    Neobpo janeiro de 2021 · novembro de 2021

    Mogi das Cruzes, São Paulo, Brasil

    Início da trajetória em tecnologia, com atuação operacional em suporte e rotina técnica que consolidou disciplina de processo e qualidade.

    • Suporte a usuários e resolução de incidentes de baixa e média complexidade
    • Acompanhamento de processos e documentação técnica básica

Credenciais

Certificações e certificados

Certificação não substitui entrega, mas mostra que jogo com exame e padrão de plataforma. Destaque para o que sustenta BI sério; o resto entra como trilha Microsoft, dados e método.

Badge da certificação Data Science Orientation

Data & Analytics

Data Science Orientation

IBM

2024

Badge da certificação ITIL® Foundation Certificate in IT Service Management

Governança & Métodos

ITIL® Foundation Certificate in IT Service Management

Código da credencial GR671531620CD

2023

Ver credenciais e links oficiais

Stack

Onde atuo

Stack organizada por frente de trabalho.

Engenharia de dados

Microsoft Fabric OneLake e arquitetura Lakehouse Data Factory e pipelines ETL/ELT PySpark e notebooks SQL e ingestão incremental Modelagem em camadas (Medallion)

Analytics & BI

Power BI Modelagem semântica DAX KPI framework e storytelling Dashboards executivos orientados à decisão

Automação & apps

Power Automate Power Apps AI Builder Integrações e workflows Automação orientada a processo

IA e inteligência aplicada

Fabric ML Modelos analíticos IA aplicada ao negócio Enriquecimento de processos e decisões

Governança e confiabilidade

RLS e segurança de acesso Organização de workspaces Padrões visuais e semânticos Confiabilidade analítica Conformidade e documentação operacional

Tem Fabric, dado sensível ou migração que não pode falhar?

Envie uma frase do problema (ex.: full derrubando capacidade, CFO sem confiança no DRE, saída de Report Server). Eu respondo com o que faria primeiro e o que não prometeria.

Abrir contato LinkedIn