Crio pipelines ETL/ELT end-to-end no Azure Data Factory + Databricks, estruturando Lakehouse (Bronze/Silver/Gold) com governança, qualidade e auditoria — sempre orientado a impacto de negócio.

• 🔭 Atual: automatizando ingestões em lote/stream para data lakehouse (Unity Catalog), versionando esquemas e PR-based deploy; automação de cálculos críticos (remuneração, cancelamentos, conciliações) em PySpark/SQL; monitoração e qualidade para evitar recorrência de erros.
• 🎯 Interesses: Lakehouse, Orquestração (ADF/Airflow), PySpark, Data Modeling, RAG para dados tabulares, custo/finops em Spark.
• 🧱 Stack: Databricks, PySpark/SQL, Delta Lake, ADF, Power BI, GitHub Actions, Docker, Airflow (básico).
• 📍 Brasil · 🌐 PT/EN · 💼 Aberto a remoto/híbrido.

📄 Currículo:

• 👀 Visualizar no GitHub (PDF, modo seguro)
• ⬇️ Baixar a versão mais recente (Release)
• LinkedIn

• Lakehouse Seguros (Demo com dados sintéticos) — ADF + Databricks + Delta + Unity Catalog
  Ingestão Bronze → curadoria Silver → métricas Gold; particionamento, schema evolution, SCD, e checkpoints de qualidade.
  azure-data-factory databricks pyspark delta-lake unity-catalog

• Orquestração de ETL com Airflow (Docker) — ELT incremental + testes de dados
  DAGs com backfills, SLA, retries, logs centralizados e Great Expectations.

• Churn Modeling (ML Ops leve) — feature store simplificada + tracking
  Pipeline de features em Spark, treino com MLflow e serving via FastAPI.

Linguagens/Compute: Python, PySpark, SQL • Orquestração: ADF, Airflow
Lakehouse/Storage: Databricks, Delta Lake, Unity Catalog, ADLS
Qualidade/Observabilidade: Great Expectations, checks de schema, logging
Dev/CI: GitHub Actions, testes, padrões de branch e PR com evidências

• Cheatsheets de PySpark/ADF, padrões de nomenclatura, templates de README.
• Estudos: modelagem de dados e particionamento para custos em Spark.

• 📧 Email
• 💬 Abra uma issue em qualquer repo, ou fale pelo LinkedIn.