[{"data":1,"prerenderedAt":98},["ShallowReactive",2],{"lang-switch-post-\u002Fprojects":3,"projects-index-pt":4},null,[5],{"id":6,"title":7,"body":8,"cover":3,"description":83,"extension":84,"meta":85,"navigation":86,"order":87,"path":88,"seo":89,"status":90,"stem":91,"tags":92,"__hash__":97},"projects\u002Fpt\u002Fprojects\u002Folist-ecommerce\u002Findex.md","Olist: um Case de E-commerce Brasileiro de Ponta a Ponta",{"type":9,"value":10,"toc":78},"minimark",[11,20,31,36,39,67,70],[12,13,14,15,19],"p",{},"Esse projeto é diferente de qualquer playlist daqui. Playlist é aula, um conceito de cada vez, post independente do anterior. Isso aqui é um ",[16,17,18],"strong",{},"case de ciência de dados de ponta a ponta",": eu pego um dataset real, sujo, com nove tabelas relacionadas entre si, e vou até o fim, EDA, visualização, engenharia de feature, treino de modelo, interpretabilidade e conclusão de negócio. Os capítulos se constroem uns em cima dos outros, o capítulo 3 assume que você já leu o 1 e o 2.",[12,21,22,23,30],{},"O dataset é o ",[24,25,29],"a",{"href":26,"rel":27},"https:\u002F\u002Fwww.kaggle.com\u002Fdatasets\u002Folistbr\u002Fbrazilian-ecommerce",[28],"nofollow","Brazilian E-Commerce Public Dataset, da Olist",", disponível no Kaggle. São dados reais (anonimizados) de mais de 100 mil pedidos feitos entre 2016 e 2018 num marketplace brasileiro de verdade, cliente, vendedor, produto, pagamento, avaliação, tudo interligado por chave. Todo o processamento pesado (pandas, scikit-learn, XGBoost, SHAP) roda num notebook que eu executo no Google Colab, com GPU T4 quando o capítulo precisar. Os resultados reais desses notebooks é que viram gráfico interativo aqui no blog, nunca um número inventado.",[32,33,35],"h2",{"id":34},"os-quatro-cenários","Os quatro cenários",[12,37,38],{},"Definidos já no primeiro capítulo, porque eles guiam o projeto inteiro:",[40,41,42,49,55,61],"ol",{},[43,44,45,48],"li",{},[16,46,47],{},"Previsão de atraso na entrega"," (classificação binária): o pedido chega depois da data estimada ou não?",[43,50,51,54],{},[16,52,53],{},"Previsão da nota de avaliação"," (classificação\u002Fregressão): quantas estrelas o cliente vai dar?",[43,56,57,60],{},[16,58,59],{},"Previsão do valor do frete ou do pedido"," (regressão): quanto vai custar?",[43,62,63,66],{},[16,64,65],{},"Segmentação de clientes"," (clustering, RFM): que tipos de cliente existem nessa base?",[12,68,69],{},"Cada um puxa um recorte diferente do mesmo dataframe, e o objetivo é te mostrar como a mesma base de dado serve pra perguntas de negócio bem diferentes.",[12,71,72,73,77],{},"Começa por ",[24,74,76],{"href":75},"\u002Fprojects\u002Folist-ecommerce\u002F01-intro-relational-model-eda","Capítulo 1: modelo relacional e primeira exploração",".",{"title":79,"searchDepth":80,"depth":80,"links":81},"",2,[82],{"id":34,"depth":80,"text":35},"Um case real de ciência de dados sobre o marketplace brasileiro Olist. Do CSV bruto até modelo treinado, atravessando EDA, engenharia de feature, treino de quatro modelos diferentes e interpretabilidade.","md",{},true,1,"\u002Fpt\u002Fprojects\u002Folist-ecommerce",{"title":7,"description":83},"published","pt\u002Fprojects\u002Folist-ecommerce\u002Findex",[93,94,95,96],"pandas","scikit-learn","xgboost","shap","ZaT33HNzlvJPuyvHZMJ8inWDeP5-5X8APJrwC_JiiRo",1787605212783]