Olá! Eu sou o BigLeno 👋
Sou Python Developer / Data Engineer na Confianca-FIDC — foco em pipelines de dados, ETL e integração de sistemas [2].
Tenho familiaridade com ambientes Linux para deploy, automação e administração de serviços em produção (Docker, bancos SQL, brokers de mensageria, web servers) [2].
Antes disso, trabalhei com hardware, IoT e prototipagem na UFRN (URA, inPACTA, GPH), o que me deu uma visão completa do ciclo de desenvolvimento, do silício até o deploy em produção [2].
📍 Natal, RN — Brasil
- Data engineering — pipelines ETL, CDC em tempo real, integração SQL Server ↔ PostgreSQL [2]
- Orquestração — Apache Airflow + Docker para DAGs de produção [2]
- Automação — Python para integração entre sistemas legados e modernos [2]
- Integração de IA — conexão de modelos ao ambiente produtivo [2]
- Análise & visualização de dados — SQL analítico, dashboards e modelos preditivos
🔧 Atual — cdc-sqlserver-postgres-kafka
Pipeline de Change Data Capture (CDC) em tempo real que replica alterações do SQL Server para PostgreSQL via Apache Kafka e Debezium.
- Captura de todas as alterações do banco de origem (INSERT, UPDATE, DELETE)
- Apache Kafka 4.3.0 em modo KRaft (sem Zookeeper)
- Debezium 3.5.2 com Source Connector e JDBC Sink Connector
- Replicação com upsert e propagação de deletes para o PostgreSQL
- Runbook operacional completo para diagnóstico e troubleshooting
- Filtragem automática de tabelas via regex (somente tabelas com PK)
📈 Dados & Mercado — streamlitPipeline
Dashboard financeiro interativo em Python para análise de carteiras de ativos do mercado brasileiro e internacional, com scraping automatizado, métricas de risco/retorno e gráficos interativos [3].
- Stack: Python, Streamlit, Plotly, SQLAlchemy, SQLite [3]
- Métricas: retorno acumulado, volatilidade, drawdown, médias móveis, RSI, MACD [3]
- Heatmap de correlação entre ativos e heatmap de retornos mensais [3]
- Thread em background para atualização periódica de preços [3]
🎓 Educação & Analytics — data-analytics-portfolio
Pipeline de análise de dados educacionais (cursinho pré-vestibular) — do dado bruto "sujo" à base analítica estruturada, com dashboard, SQL, validação e modelo preditivo.
- Pipeline em camadas (ETL): extração fiel → tratamento documentado → base em Parquet
- Camada analítica em SQL (DuckDB) e validação de schema com Pandera
- Dashboard interativo (Streamlit + Plotly, 6 abas) e score de propensão (scikit-learn)
- Ambiente reproduzível com Docker — roda o pipeline e sobe o painel sozinho
- Rigor: auditoria e documentação da limitação amostral dos dados
- 🇧🇷 Português — Nativo
- 🇺🇸 Inglês — Intermediário
- 🇪🇸 Espanhol — Básico