Star Jeans

AVISO: Todos os problemas e premissas contextualizados no projeto são fictícios. Seu único objetivo é dar sentido para o desenvolvimento da solução.

1. Sobre a Star Jeans

Eduardo e Marcelo são dois brasileiros, amigos e parceiros de negócios. Depois de vários negócios de sucesso, eles planejam entrar no mercado de moda nos EUA como modelo de negócios de e-commerce. A ideia inicial é entrar no mercado com apenas um produto e para um público específico, neste caso o produto seria Jeans para o público masculino.

1.1. Problema de negócio

O objetivo é manter o custo operacional baixo e escalar à medida que conquistam clientes. Porém, mesmo com o produto de entrada e público definidos, os dois sócios não possuem experiência nesse mercado de moda e por isso não sabem definir coisas básicas como preço, tipo de calça e material para confecção de cada peça . Os principais concorrentes da empresa Star Jeans são as empresas americanas H&M e Macys.

Os dois sócios contrataram uma consultoria de Data Science para responder as seguintes perguntas:

• Qual é o melhor preço de venda para calças?
• Quantos tipos de calças e suas cores para o produto inicial?
• Quais são as matérias-primas necessárias para fazer as calças?
  
  

2. Estratégia de solução

1. Coletar dados dos principais concorrentes
   • H&M
   • Macys
     
     
2. Defina o formato de entrega (Visualização, Tabela, Frase)
   • Gráfico de barras com a mediana dos preços dos produtos, por tipo e cor nos últimos 30 dias.
   • Tabela com as seguintes colunas: id | product_name | product_type | product_color | product_price
   • Definição de esquema: colunas e seu tipo
   • Definição de infraestrutura de armazenamento (SQLITE3)
   • Design ETL (Extrair, Transformar e Carregar Scripts)
     
     
3. Entrega do produto final
   • Aplicativo com Streamlit
     
     
4. Ferramentas
   • Python 3.8.
   • Recuperando Bibliotecas (BS4, Selenium)
   • PyCharmName
   • Jupyter Notebook (Análise e prototipagem)
   • Agendador de tarefas
   • Iluminado
     
     

3. Lições aprendidas

• Noções iniciais de webscraping
• Tratamento de dados utilizando expressões regulares (Regex)
  
  

4. Próximos passos

• Utilizar os dados coletados para responder as perguntas dos sócios
• Análise exploratória de dados para gerar insights
• Estudar a viabilidade de aplicação de um modelo de machine learning