case-foco

Desafio Técnico para Vaga de Cientista de Dados na Foco Aluguel de Carros

Este documento README.md detalha a solução para o desafio técnico proposto pela Foco Aluguel de Carros para a posição de Cientista de Dados. O projeto foi desenvolvido seguindo todas as etapas de um pipeline de ciência de dados, desde a análise exploratória até a interpretação dos resultados.

Sobre a Foco Aluguel de Carros

A Foco Aluguel de Carros é uma empresa que, desde 2003, se destaca no mercado de aluguel de veículos por sua abordagem centrada no cliente. Fundada com a missão de simplificar o processo de locação de carros pela internet, a Foco se orgulha de oferecer um serviço de alta qualidade, preços justos e um atendimento que realmente entende as necessidades das pessoas. Com presença nas principais cidades do país, a empresa investe em uma frota de excelentes carros e na experiência do cliente, valores que correm em seu DNA empreendedor.

Objetivo do Desafio

O objetivo deste desafio foi utilizar uma base de dados histórica fictícia de contratos de locação para projetar, por loja e por mês, dois indicadores-chave de negócio:

1. Diárias Locadas: O total de diárias de locação por mês.
2. Diária Média: O preço médio das diárias de locação por mês.

O período da projeção abrange de julho/2024 a junho/2025.

---

Etapas do Projeto

O projeto seguiu o fluxo abaixo, com todos os detalhes e códigos documentados em um Jupyter Notebook.

1. Análise Exploratória e Descritiva dos Dados (EDA)

Nesta fase, a base de dados foi cuidadosamente examinada para compreender a sua estrutura e as características das variáveis. As análises incluíram:

• Distribuição das Variáveis: Visualização da distribuição de variáveis-chave como duracao_locacao, dias_antecedencia e diaria_media.
• Comparações de Agrupamentos: Análise das diferenças de desempenho entre lojas e categorias de veículos.
• Identificação de Tendências: Observação do comportamento de longo prazo dos indicadores ao longo do tempo.
• Padrões Sazonais: Análise de repetições de padrões em intervalos regulares (semanal, mensal, anual), como picos de locação em feriados ou meses específicos.

2. Modelagem Preditiva

Para a previsão dos indicadores, foram utilizados 4 modelos de machine learning, cada um com diferentes abordagens para séries temporais:

• Modelos de Regressão: Linear Regressor, Random Forest Regressor e XGBoost Regressor foram aplicados para capturar relações não lineares entre as variáveis e o tempo, utilizando técnicas de feature engineering para incluir a sazonalidade e a tendência.
• Modelos de Séries Temporais Clássicos/Avançados:
  • ARIMA: Um modelo estatístico clássico que utiliza a autocorrelação dos dados passados para fazer previsões.

Cada modelo foi avaliado com as métricas RMSE, MAE e MAPE, utilizando a técnica de backtesting para garantir uma validação rigorosa das projeções.

3. Interpretação e Insights

Nesta etapa, o foco foi transformar os resultados da modelagem em insights acionáveis para a Foco.

• Impacto das Variáveis: Foram identificadas e destacadas as variáveis com maior poder preditivo, como sazonalidade anual e mensal.
• Comparação de Modelos: Uma análise comparativa das métricas de desempenho foi realizada para entender as vantagens e desvantagens de cada modelo. O ARIMA, por exemplo, se mostrou eficaz em capturar a sazonalidade complexa.
• Recomendação Final: Com base nas métricas de avaliação e na interpretabilidade, foi recomendada a utilização de um dos modelos como a principal ferramenta de previsão, justificando a escolha para a tomada de decisão executiva.

---

Entrega

A entrega deste desafio consiste em dois documentos:

1. notebook.ipynb: Um Jupyter Notebook completo, com todos os códigos, gráficos e análises comentados, detalhando cada etapa do pipeline.
2. apresentacao_executiva.pdf: Um documento em formato PDF (ou slides) que resume os principais insights, resultados da modelagem e a recomendação final de forma clara e concisa, ideal para um público executivo.