About Me
OriginOrigem
My journey to data science did not begin in a computer lab — it began on a tennis court in Rio de Janeiro. As the #1 ranked junior player in the state and a top-20 national athlete, I spent years obsessing over performance. In sports, you can lie to yourself about how good you are, but the scoreboard never lies. That early exposure to objective, unforgiving measurement shaped my entire worldview: I trust results, not narratives. Minha trajetória até a ciência de dados não começou em um laboratório — começou em uma quadra de tênis no Rio de Janeiro. Como tenista #1 no ranking júnior do estado e atleta top-20 nacional, passei anos obcecado com desempenho. No esporte, você pode se enganar sobre o quanto é bom — mas o placar nunca mente. Essa exposição precoce a uma medição objetiva e implacável moldou minha visão de mundo: confio em resultados, não em narrativas.
What Drives MeO Que Me Move
The financial and economic sectors are saturated with methodologies that persist due to institutional inertia rather than empirical success — valuation models built on fragile assumptions, active management strategies that repeatedly fail to outperform passive benchmarks, risk frameworks that look rigorous on paper but crumble under real-world variance. Os setores financeiro e econômico estão saturados de metodologias que persistem por inércia institucional, não por sucesso empírico — modelos de valuation baseados em premissas frágeis, estratégias de gestão ativa que repetidamente falham em superar benchmarks passivos, frameworks de risco que parecem rigorosos no papel mas se desfazem diante da variância do mundo real.
The industry does not need more analysts who can recite textbook formulas. It needs people who can falsify them. My work is driven by that specific gap: replacing “this is how we’ve always done it” with “this is what the evidence proves.” A indústria não precisa de mais analistas que recitam fórmulas de livros. Precisa de pessoas que possam falsificá-las. Meu trabalho é motivado exatamente por essa lacuna: substituir “é assim que sempre fizemos” por “é isso que a evidência prova.”
How I WorkComo Trabalho
Building the model is half the job. The other half is making the output useful to the people who need to act on it. Construir o modelo é metade do trabalho. A outra metade é tornar o resultado útil para quem precisa agir com base nele.
In my role as Technology Director at Hexa Consulting, I learned that my most valuable skill was not writing Python — it was building a narrative around the output. If I tell a stakeholder “the model has a 0.78 F1-score,” it means nothing. But if I say “this model identifies the specific inefficiencies costing us 15% in wasted capital,” I have solved a problem. My goal is to present evidence so clearly that the correct decision becomes obvious to everyone in the room. No meu papel como Diretor de Tecnologia na Hexa Consulting, aprendi que minha habilidade mais valiosa não era escrever Python — era construir uma narrativa em torno dos resultados. Se digo a um stakeholder “o modelo tem F1-score de 0,78”, não significa nada. Mas se digo “este modelo identifica as ineficiências específicas que nos custam 15% em capital desperdiçado”, resolvi um problema. Meu objetivo é apresentar evidências com tanta clareza que a decisão correta se torna óbvia para todos na sala.
Technical FoundationFundação Técnica
Dual degree in Econometrics and Data Science from USF, GPA 3.89. Core stack: Python (PyTorch, Scikit-Learn, XGBoost, LightGBM, Pandas, SHAP, Optuna) and R (ggplot2, dplyr, caret). I build systems to test hypotheses, not just run existing tools. Dupla graduação em Econometria e Data Science pela USF, GPA 3,89. Stack principal: Python (PyTorch, Scikit-Learn, XGBoost, LightGBM, Pandas, SHAP, Optuna) e R (ggplot2, dplyr, caret). Construo sistemas para testar hipóteses, não apenas executar ferramentas existentes.
Two projects ground this in practice. In the Credit Risk Optimization Engine, I replaced accuracy as the objective with a custom profit function derived from the loan’s P&L structure — producing a 35.4% ROI lift over a naive baseline. In BreakPoint AI, I applied a Hybrid Siamese LSTM to ATP tennis forecasting, demonstrating that a deep learning architecture can learn momentum representations from raw sequential data without manual feature engineering. Dois projetos ilustram isso na prática. No Credit Risk Optimization Engine, substituí a acurácia como objetivo por uma função de lucro derivada da estrutura de P&L do empréstimo — produzindo um ganho de ROI de 35,4% sobre uma baseline ingênua. No BreakPoint AI, apliquei um Hybrid Siamese LSTM na previsão de partidas de tênis ATP, demonstrando que uma arquitetura de deep learning pode aprender representações de momentum de dados sequenciais brutos sem engenharia manual de features.
What I’m Looking ForO Que Estou Buscando
I graduated in May 2026 and am actively targeting Data Scientist and Quantitative Analyst roles at Brazilian banks, fintechs, and technology companies — institutions where rigorous quantitative thinking drives real decisions. My focus is on environments where the quality of a model is judged by its business impact, not its benchmark score. Me formei em maio de 2026 e estou buscando ativamente posições como Cientista de Dados e Analista Quantitativo em bancos, fintechs e empresas de tecnologia brasileiras — instituições onde o pensamento quantitativo rigoroso orienta decisões reais. Meu foco são ambientes onde a qualidade de um modelo é julgada pelo seu impacto nos negócios, não pela sua pontuação em benchmark.
I want to be a tool builder, not a tool user — someone who designs systems to solve problems that don’t have established solutions yet. Quero ser um construtor de ferramentas, não um usuário — alguém que projeta sistemas para resolver problemas que ainda não têm soluções estabelecidas.
Get in touch:Contato: condeg.rafael@gmail.com | LinkedIn | ← Home← Início