Este repositório contém o desenvolvimento do Tech Challenge (Fase 1) da Pós-Tech FIAP. O objetivo do desafio proposto é analisar dados operacionais de um e-commerce para entender a variabilidade do Net Promoter Score (NPS) e propor uma abordagem preditiva para agir de forma preventiva na experiência do cliente.
O objetivo deste trabalho é analisar os dados operacionais de pedidos, logística e atendimento de um e-commerce para compreender os fatores que geram alta variabilidade no Net Promoter Score (NPS). O escopo compreende o diagnóstico dos principais gargalos e pontos de ruptura na jornada do consumidor, a definição conceitual e crítica da métrica de satisfação, e a formulação de uma abordagem analítica e preditiva baseada em inteligência artificial. Com isso, busca-se capacitar a empresa a antecipar a percepção do cliente antes da aplicação da pesquisa formal, convertendo dados operacionais em insights acionáveis para tomadores de decisão.
A base de dados histórica unifica informações de três grandes pilares operacionais de um e-commerce (pedidos, logística e suporte), totalizando 19 variáveis focadas na jornada do cliente. O conjunto de dados mapeia características do consumidor (customer_id, customer_age, customer_region, customer_tenure_months), detalhes financeiros e de volume da compra (order_id, order_value, items_quantity, discount_value, payment_installments), e métricas de eficiência logística (delivery_time_days, delivery_delay_days, freight_value, delivery_attempts). Além disso, contempla indicadores críticos de atendimento e fricção (customer_service_contacts, resolution_time_days, complaints_count), uma métrica de fidelidade (repeat_purchase_30d), o score interno de satisfação (csat_internal_score) e, por fim, a variável alvo principal (nps_score), que registra a nota de 0 a 10 atribuída pelo cliente após o encerramento da jornada.
A metodologia empregada para o desenvolvimento deste projeto foi o CRISP-DM (Cross Industry Standard Process for Data Mining), uma estrutura cíclica e robusta voltada para ciência de dados e negócios. O processo teve início com o entendimento do modelo de e-commerce e a definição do impacto do NPS na operação , seguido pela compreensão profunda da base de dados e a realização da análise exploratória (EDA). Posteriormente, os dados passaram pelas fases de preparação e modelagem preditiva, avaliando abordagens de classificação e regressão para prever a satisfação, garantindo que a entrega final estivesse alinhada com as necessidades estratégicas e de tomada de decisão.
Para reproduzir os resultados, basta realizar o clone deste repositório do GitHub diretamente em sua máquina local utilizando o comando git clone. Com o repositório pronto, navegue até a pasta de códigos e execute os scripts em Python desenvolvidos para a análise. Esses scripts automatizados serão responsáveis por carregar a base de dados, realizar todo o tratamento e a análise exploratória, gerando os gráficos e os resultados finais do projeto de forma 100% reproduzível.
- Fernanda Florêncio da Silva
- Leonardo Gomes de Azevedo
- Julianna Karina de Oliveira Siqueira
- Matheus Braga
- Matheus Crisóstomo
- dados - pasta com os dados do projeto.
- códigos - pasta com os scripts e notebooks do projeto.
- documentos - pasta com documentos auxiliares.