Brent Vision

Descrição do Projeto

Este repositório contém o projeto desenvolvido para o Tech Challenge - Fase 4 da Pós Tech. O objetivo principal é analisar os dados históricos do preço do petróleo e desenvolver soluções que auxiliem na tomada de decisão de um grande cliente do setor energético.

O projeto inclui:

• Um dashboard interativo com insights relevantes para análise estratégica.
• Um modelo de Machine Learning para previsão diária dos preços do petróleo.
• Um MVP funcional implementado com Streamlit.
• Um storytelling que conecta as análises e previsões com eventos geopolíticos e econômicos.

Objetivos

1. Criar um dashboard interativo que apresente insights sobre a variação do preço do petróleo.
2. Desenvolver um modelo preditivo de Machine Learning utilizando séries temporais.
3. Implementar o deploy do modelo em produção com ferramentas adequadas.
4. Apresentar um MVP funcional utilizando Streamlit.
5. Elaborar um vídeo explicativo de até 5 minutos detalhando o desenvolvimento do projeto.

Estrutura do Repositório

📂 ouro-negro-insights/
├── 📁 data/ # Base de dados histórica (não incluída, consulte as instruções para download)
├── 📁 notebooks/ # Notebooks Jupyter utilizados na análise exploratória (EDA)
├── 📁 src/ # Scripts principais (modelos, pré-processamento, etc.)
├── 📁 dashboard/ # Código relacionado ao dashboard interativo (Streamlit)
├── 📁 docs/ # Documentação adicional e relatórios
├── 📁 videos/ # Vídeo explicativo do projeto\

Tecnologias Utilizadas

As principais ferramentas e bibliotecas utilizadas no projeto são:

• Python: Linguagem principal para análise de dados e desenvolvimento do modelo.
• Pandas e NumPy: Manipulação e análise de dados.
• Matplotlib e Seaborn: Visualização de dados.
• Scikit-learn: Desenvolvimento e avaliação dos modelos de Machine Learning.
• Statsmodels ou TensorFlow/Keras: Para modelagem de séries temporais (ARIMA, LSTM, etc.).
• Streamlit: Deploy do MVP interativo.
• GitHub Projects: Gerenciamento das tarefas.

Para mais detalhes sobre o modelo ou a análise, consulte os notebooks na pasta notebooks.

Insights Relevantes no Dashboard

O storytelling no dashboard apresenta os seguintes insights:

1. Impacto de eventos geopolíticos no preço do petróleo (ex.: guerras, sanções).
2. Relação entre crises econômicas globais e a volatilidade dos preços.
3. Tendências sazonais ou padrões anuais nos preços históricos.
4. Influência da demanda global por energia nas flutuações dos preços.

Modelo Preditivo

O modelo preditivo foi desenvolvido utilizando técnicas de séries temporais, como ARIMA ou LSTM, para prever o preço diário do petróleo Brent com base nos dados históricos.

Avaliação do Modelo

O desempenho foi avaliado utilizando métricas como:

• RMSE (Root Mean Squared Error)
• MAE (Mean Absolute Error)

Os resultados detalhados estão disponíveis no notebook notebooks/.

Deploy em Produção

O deploy foi planejado para ser realizado com Streamlit, permitindo que o cliente visualize os insights e previsões em tempo real.

Como Acessar o MVP:

Após executar o comando streamlit run, acesse o endereço local fornecido no terminal (ex.: http://localhost:8501).

Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests.

Licença

Este projeto é apenas para fins educacionais e não possui licença específica.

---

Desenvolvido por [TIME 1] como parte do Tech Challenge da Pós Tech - Fase 4 🚀.