Case Processo Seletivo

Este Repositório tem como objetivo descrever o case do processo seletivo para a Brick Seguros.

Skillset

O case tem como principal intuito avaliar algumas capacidades que serão utilizadas de forma recorrente na sua jornada na área de dados da Brick. Para isso, o case é divido em etapas e níveis de complexidade: cada candidato deve realizar o case até o nível que achar pertinente com o estado atual de seu conhecimento.

As skills a serem testadas em cada etapa são as seguintes:

• Extração, normalização e enriquecimento de dados
• Modelagem e treinamento de modelos de ML/DL para previsão da variável resposta
• Deploy, serving e life cycle managing dos modelos

O Problema a ser resolvido

Você se chama James, você é um gestor de frotas e gostaria de provisionar o valor de depreciação dos veículos da sua frota ao longo do tempo.

Hoje você usa uma média fixa de depreciação para seus veículos, independente de marca, tipo, categoria, modelo ou qualquer outra variável.

Sua frota é composta por veículos zero km e veículos comprados usados. Conforme gráfico abaixo, em um cenário real, a taxa de desvalorização dos ativos é diferente para veículos zero km e usados.

Você contará com a Brick para prever a depreciação dos seus veículos em um determinado período, dado os seguintes inputs:

• Código FIPE do veículo e ano do modelo
• Mês e ano de compra do veículo
• Comprado Zero km, ou, se não, qual mês e ano de compra.
• Mês e ano de venda estimado do veículo

O output deve ser a curva de depreciação acumulada do ativo ao final do período especificado.

OBS: Utilizar dados somente de Carros e Utilitários, sem necessidade de caminhões e motos

Etapas do case

Etapa 1: Extração e limpeza de dados

- Nível 1: Extrair dados da WEB de forma performática usando frameworks de WebScraping (Recomendado uso do Scrapy), normalizar e armazenar - Nível 2: Enriquecer os dados para melhorar a capacidade preditiva do modelo (tipo do veículo, potência, peso, combustível...) - Nível 3: Utilizar pipelines para orquestar atualizações destes dados mensalmente

Etapa 2: Criação de modelo preditivo

- Nível 1: Treinar modelo para previsão da depreciação acumulada no período disposto pelo usuário - Nível 2: Comparar diferentes tipos de modelo e arquiteturas de NNs para obter o melhor resultado

Etapa 3: Serving do modelo

- Nível 1: Servir o modelo para o usuário final em uma interface (Streamlit, Dash...) - Nível 2: Estabelecer pipeline de retreino e atualização dos modelos, com acompanhamento de métricas, challenging model, etc...

Referências

• Para extração dos valores de FIPE dos veíiculos: https://veiculos.fipe.org.br/ ou https://brasilapi.com.br/docs#tag/FIPE/paths/~1fipe~1marcas~1v1~1{tipoVeiculo}/get

• Para enriquecimento das informações dos veículos: https://tabelacarros.com/ (Grupo de Modelos e Categoria do veiculo)

• Informações adicionais de veículos: https://www.mobiauto.com.br/tabela-fipe/carros/marcas (Dimensões, Potência, itens de série...)

• Intro ao Scrapy: https://www.youtube.com/watch?v=mBoX_JCKZTE

• High performance Scraing (Browser Mimiking): https://www.youtube.com/watch?v=myHHRAXxhmk

• Artigo sobre NNs e Preços de carros usados: https://www.mdpi.com/2071-1050/14/15/8993

Dicas

• Seja objetivo com sua métrica de avaliação dos modelos: Seu tempo é seu maior ativo, não use variáveis que não fazem sentido ou cuja utilização não irá melhorar sensívelmente seu resultado

• Além da avaliação técnica, você será avaliado pela sua capacidade de traduzir um problema em requisitos: Pense bem no impacto de uma acuracidade maior ou menor no resultado final do James.