igornascalves / tech_challenge_fase04

Índice

• O Problema
• Cronograma
  • Tarefas
• Arquitetura
• Estrutura de pastas
• Referências

O Problema

Você foi contratado(a) para uma consultoria, e seu trabalho envolve analisar os dados de preço do petróleo brent, que pode ser encontrado no site do ipea. Essa base de dados histórica envolve duas colunas: data e preço (em dólares).

Um grande cliente do segmento pediu para que a consultoria desenvolvesse um dashboard interativo e que gere insights relevantes para tomada de decisão. Além disso, solicitaram que fosse desenvolvido um modelo de Machine Learning para fazer o forecasting do preço do petróleo.

Seu objetivo é:

• Criar um dashboard interativo com ferramentas à sua escolha.

• Seu dashboard deve fazer parte de um storytelling que traga insights relevantes sobre a variação do preço do petróleo, como situações geopolíticas, crises econômicas, demanda global por energia e etc. Isso pode te ajudar com seu modelo. É obrigatório que você traga pelo menos 4 in-sights neste desafio.

• Criar um modelo de Machine Learning que faça a previsão do preço do petróleo diariamente (lembre-se de time series). Esse modelo deve estar contemplado em seu storytelling e deve conter o código que você trabalhou, analisando as performances do modelo.

• Criar um plano para fazer o deploy em produção do modelo, com as ferramentas que são necessárias.

• Faça um MVP do seu modelo em produção utilizando o Streamlit.

Cronograma

Data	Semana	Atividade
13/11	Semana 9	Download base, montar cronograma e criar repositório
20/11	Semana 8	Análise exploratória
27/11	Semana 7	Análise exploratória
04/12	Semana 6	Modelo de Machine Learning
11/12	Semana 5	Modelo de Machine Learning
18/12	Semana 4	MVP Streamlit
25/12	Semana -
01/01	Semana -
08/01	Semana 3	Criar um dashboard
15/01	Semana 2	Criar relatório
22/01	Semana 1	Ajustes finais
26/01	Semana 1	Entregar o projeto
29/01	Semana 0	Data Final

Tarefas

• Download base
• Montar cronograma
• Criar repositório
• Base de dados
• Análise exploratória
• Criar um dashboard
• Modelo de Machine Learning
• Plano de deploy em produção do modelo
• MVP Streamlit
• 4 in-sights sobre o desafio
• Criar relatório
• Ajustes finais
• Entregar o projeto

Arquitetura

Estrutura de pastas

├── README.md               <- apresentação do projeto
│
├── data                    <- dados usados no projeto
│
├── notebooks               <- Jupyter notebooks
│
├── dashboards              <- arquivos de dashboard
│
├── relatórios              <- arquivos de relatório
│
├── src                     <- código-fonte do projeto
│
└── requirements.txt        <- pacotes utilizados no projeto

Referências

• Ipeadata
• Documentação Power BI
• Documentação Streamlit