- Amanda Cristina Martinez da Rosa
- Anny Jhulia Cerazi
- Catarina Sayuri Arashiro Braga Felipe
- Giorgia Rigatti Scherer
- Giovanna Neves Rodrigues
- Maria Clara Oliveira Santos
- Rayssa Guedes
- Bruna Mayer
- Cristiano Benites
- Geraldo Magela Severino Vasconcelos
- Marcelo Luiz do Amaral Gonçalves
- Pedro Teberga
O produto desenvolvido é um modelo preditivo de vendas, uma solução que transforma dados de lojas, produtos e clientes em análises estratégicas sobre o desempenho da categoria de óculos de grau. Ele apresenta os resultados por meio de gráficos e visualizações intuitivas, permitindo identificar padrões de consumo, acompanhar tendências e projetar cenários futuros de forma clara e confiável.
O foco do projeto é fortalecer a categoria de óculos de grau, que ainda possui baixa penetração em comparação ao reconhecimento da marca em armações e óculos de sol. A solução permite compreender as barreiras de consumo, detectar oportunidades de crescimento e apoiar a definição de campanhas direcionadas, experiências diferenciadas em loja e serviços que agreguem valor à jornada do consumidor.
O desenvolvimento do projeto ocorreu ao longo de dez semanas e foi conduzido por um grupo multidisciplinar de estudantes de Engenharia de Software, Engenharia da Computação, Sistemas de Informação e Ciência da Computação. Essa diversidade de formações possibilitou a criação de um modelo robusto, aliado à elaboração de visualizações baseadas em conceitos de UX e design da informação, garantindo que os resultados fossem estratégicos, acessíveis e fáceis de interpretar.
O diferencial da solução está em unir análises quantitativas a insights estratégicos, oferecendo uma ferramenta capaz de orientar decisões de negócio, ampliar o ticket médio e consolidar a presença da categoria de grau no mercado. O projeto combina ciência de dados e visão estratégica, tornando-se uma solução prática e escalável para apoiar o crescimento do segmento.
Link para vídeo demonstrativo: Acesse o vídeo demonstrativo
Dentre os arquivos presentes na raiz do projeto, definem-se:
-
readme.md: arquivo que serve como guia e explicação geral sobre o projeto (o mesmo que você está lendo agora).
-
assets: todas as imagens e mídias utilizadas nos notebooks e documentação são posicionadas aqui.
-
documents: aqui estarão todos os documentos do projeto. Há também uma pasta denominada extras onde estão presentes documentos complementares.
-
database: pasta para armazenar os conjuntos de dados (datasets) utilizados no projeto, como arquivos .csv.
-
notebooks: todos os Jupyter Notebooks criados para desenvolvimento do projeto.
Estrutura visual:
├── README.md # arquivo de documentação do projeto
├── assets # imagens e mídias
│ └── gráficos # gráficos gerados e utilizados na documentação
├── documents # documentos do projeto
├── database # datasets
│ ├── datasets_iniciais
│ └── datasets_gerados
├── notebooks # notebooks do projeto
│ ├── documentação # notebooks de documentação
│ ├── gráficos # notebooks de gráficos
│ ├── novas_features # notebooks de novas features
│ └── modelos # notebooks de modelos preditivos
│ ├── modelos_candidatos
│ └── modelo_final
├── gitignore # arquivos a serem ignorados pelo git
│
└── git attributes # arquivos com atributos especiais para o git
- Python 3.10+ (recomendado 3.11)
- Git
- VS Code com extensões: Python, Jupyter
- (Opcional) requirements.txt no repositório
Principais bibliotecas utilizadas (instale manualmente caso não exista requirements.txt): pandas numpy scikit-learn scipy statsmodels matplotlib seaborn plotly jupyter ipykernel notebook
- Clonar o repositório: git clone https://github.com/SEU_USUARIO/2025-2A-T17-IN03-G03.git
- Entrar na pasta: cd 2025-2A-T17-IN03-G03
- Criar ambiente virtual: python -m venv .venv
- Ativar:
- Windows: .venv\Scripts\activate
- Linux/Mac: source .venv/bin/activate
- Instalar dependências:
- Com arquivo: pip install -r requirements.txt
- Sem arquivo: pip install pandas numpy scikit-learn scipy statsmodels matplotlib seaborn plotly jupyter ipykernel
- Registrar kernel (opcional): python -m ipykernel install --user --name spyce-env --display-name "Spyce Env"
- Organizar dados: Colocar arquivos brutos em database/datasets_iniciais Arquivos derivados irão para database/datasets_gerados
- Abrir notebooks: code . Executar células em ordem (Restart & Run All ao validar)
- Exportar resultados (se aplicável) para pasta assets/gráficos ou database/datasets_gerados
- Abrir notebook desejado enviando-o para o Colab (Upload) OU arrastar da máquina.
- Salvar uma cópia em seu Drive: Arquivo > Salvar uma cópia no Drive (necessário para persistir alterações).
- Criar pasta no Colab /content/database/datasets_iniciais ou montar Drive: from google.colab import drive drive.mount('/content/drive')
- Upload dos datasets (Interface ou: !mkdir -p database/datasets_iniciais ) e mover/colocar ali.
- Instalar dependências na primeira célula: !pip install pandas numpy scikit-learn scipy statsmodels matplotlib seaborn plotly
- (Opcional) Ativar GPU se fizer sentido: Runtime > Change runtime type > GPU.
- Executar sequencialmente (Run all). Repetir execução após alterações de pré-processamento.
- Baixar artefatos (gráficos/datasets) manualmente ou mover para /content/drive para persistir.
No Colab, alterações só são mantidas se a cópia estiver salva no seu Drive. Upload simples do arquivo .ipynb não persiste edições após fechar a sessão.
- notebooks/documentação (contexto e exploração inicial)
- notebooks/gráficos (EDA visual)
- notebooks/novas_features (engenharia de atributos)
- notebooks/modelos/modelos_candidatos (comparação / tuning)
- notebooks/modelos/modelo_final (pipeline consolidado)
- Dados brutos: database/datasets_iniciais/arquivo.csv
- Dados processados: database/datasets_gerados/feature_set.parquet
- Gráficos: assets/gráficos/
- Modelo final (ex.): notebooks/modelos/modelo_final/modelo.pkl
- Fixar seeds: import numpy as np, random, os import torch # se usar SEED = 42 random.seed(SEED); np.random.seed(SEED)
- Documentar versões (pip freeze > versions.txt)
- Evitar executar células fora de ordem (usar Run All)
- Erro de kernel: recriar venv e reinstalar dependências.
- Módulo não encontrado no Colab: reinstalar na célula e reiniciar runtime.
- Divergência de métricas: confirmar seed e se o split train/test foi recriado inadvertidamente.
- Arquivo não encontrado: validar caminho relativo partindo da raiz do projeto.
- Publicação e padronização final
- Adequação geral aos critérios de publicação institucional
- Preparação do material para divulgação e entrega ao parceiro
- Modelo final e documentação
- Entrega do modelo preditivo final no Colab
- Preenchimento / revisão das Seções 2, 4.5 e 5
- Revisões finais
- Revisão completa (código + documentação) conforme apontamentos anteriores
- Consolidação de ajustes de clareza e consistência técnica
- Comparação e seleção de modelos
- Definição das métricas comparativas alinhadas ao problema
- Pelo menos três modelos candidatos com tuning de hiperparâmetros
- Registro estruturado das métricas obtidas
- Documentação e Colab
- Notebook de comparação de modelos
- Preenchimento da Seção 4.4
- Preparação e modelagem inicial
- Preparação de dados e definição de features
- Primeira modelagem (candidato inicial) e análise de métricas (≥3)
- Documentação e revisão
- Preenchimento das Seções 3 e 4.3
- Revisões conforme issues apontadas
- Cenários supervisionado / não supervisionado
- (Supervisionado) Justificativa das features e discussão dos resultados
- (Não supervisionado) Modelo candidato, definição e justificativa do K ou tipo de recomendação
- Abordagem híbrida
- Implementação de pipeline combinando modelo supervisionado (predição) e etapa não supervisionada (agrupamento/análise estrutural) para enriquecer as features e interpretação dos resultados
-
Exploração e pré-processamento
- Estatística descritiva (tipagem numérica/categórica)
- Limpeza: missing values, outliers; transformação: normalização / codificação
- Pelo menos 3 gráficos relacionando variáveis
-
Hipóteses e testes
- 3 hipóteses levantadas
- Testes de normalidade (3 variáveis) com hipótese, p-valor, conclusões e histogramas
-
Escalonamento
- Justificativa do método por variável
- Equações com substituição dos parâmetros
- Histogramas antes/depois + tabelas (originais x escalonadas)
-
Documentação e UX
- Preenchimento da Seção 4.2
- Inclusão das Jornadas de Usuário (Seção 4.1.7)
- Documentação inicial do negócio
- Seções 1, 4.1.1 a 4.1.5, 4.1.8 preenchidas
- Análises estratégicas
- Contexto setorial, 5 Forças de Porter, 3 concorrentes, tendências e modelo de negócio
- Análise SWOT em quadrante
- Planejamento e proposta
- Planejamento geral da solução (dados, uso, benefícios, critérios de sucesso)
- Value Proposition Canvas
- Riscos e compliance
- Matriz de Riscos
- Política de Privacidade (LGPD)
- Personas
- Seção 4.1.6 (personas) adicionada
MODELO GIT SPICE-GIRLS by Amanda da Rosa, Anny Cerazi, Catarina Sayuri , Giorgia Scherer, Giovanna Neves, Maria Clara Santos , Rayssa Guedes is licensed under a Attribution 4.0 International License.