Pô, mais um teste?

Devido à natureza remota da vaga e os desafios técnicos envolvidos, entendemos que uma das melhores —e mais justas— formas de saber quem você é, profissionalmente, seja através de uma amostra de seu trabalho 🤝

No entanto, sabemos que fazer testes para pleitear uma vaga envolve uma medida considerável de esforço. Mais esforço ainda se este é um trabalho que envolve análise e manipulação de dados: Estimamos que você possa gastar em torno de 10h para concluir o projeto a fim de cumprir com as expectativas. Portanto, em virtude do investimento realizado por sua parte, nos comprometemos a emitir uma avaliação detalhada do trabalho enviado, independentemente do resultado do processo seletivo.

O desafio envolve analisar campanhas de marketing de uma institiução bancária. Nas campanhas é vendido ao cliente um produto adicional de débito automático. Queremos saber se um determinado cliente se inscreve ou não ao produto. Portanto, é um problema de classificação:

1. ou o cliente se inscreve
2. ou o cliente não se inscreve

É importante ressaltar que não se trata de uma competição de problemas de machine learning: não queremos o melhor escore do modelo e sim a sua melhor análise. Portanto, o objetivo deste desafio não é escovar os 3% de otimização na performance. E sim, a análise mais clara e objetiva que vai, consequentemente, permitir aos stakeholders entender melhor os dados e quais são os possíveis planos de ação e suas respectivas argumentações.

Portanto, em termos claros, os objetivos —e entregáveis— deste desafio podem ser divididos em duas categorias:

1. Code:

   1. Implementar um modelo de classificação com uma performance aceitável

      1. O aceitável é explicitamente arbitrário. Aceitável de modo que viabilize uma análise estatisticamente fundamentada

   2. Conjunto de dados contendo a coluna da previsão, y'

2. Insight:

   1. Elencar e analisar quais features são determinantes para aderência de um cliente ao produto
   2. Descrever um plano de ação para futuras campanhas de marketing fundamentado na análise deste conjunto de dados

O que será avaliado pode ser dividido em duas categorias de capacidades

1. na exploração uni e multivariada dos dados
2. para correção e transformação de dados (quando for necessário)
3. para encontrar e responder às perguntas certas
4. para decidir quais visualizações devem ser feitas (e quais devem permanecer na análise)
5. para entender o comportamento estatístico das variáveis e seu peso na orientação das análises

1. na definição de quais métricas vão ser usadas para avaliar a performance
2. na apresentação e análise dos resultados obtidos
3. na avaliação do over-underfitting do(s) modelo(s) (e o que pode ser feito para minimizar estes efeitos)
4. no manuseio das features: avaliação de importância, da seleção e criação/transformação

O que você precisa para realizar as análises:

1. data/campaigns.csv: O conjunto de dados
2. data/campaigns-names.txt: Breve anotação das colunas, em inglês

O conjunto de dados não foi separado em treino e validação. No entanto, foi separada uma amostra aleatória com 10% do volume total dos dados. Esta amostra é o conjunto de teste e será usado para avaliação das entregas.

Disclaimer: Este conjunto de dados está disponível publicamente para pesquisa. Como não se trata de um artigo acadêmico, a citação será feita pela referência sugerida pela política de citação do centro de pesquisa: Dua, D. and Graff, C. (2019). UCI Machine Learning Repository.

1. Qualquer tipo de plágio e/ou cópia de análises e artigos é veementemente proibido e desclassificatório
2. O notebook deve ser no formato jupyter
3. A linguagem de implementação deve ser python, da versão 3.6+
4. É liberado (e encorajado) o uso de quaisquer framework e bibliotecas publicadas com licenças para uso e redistribuição
   1. auto-sklearn, pandas, numpy, plotly, etc
5. O idioma da análise pode ser português ou inglês

Temos um checklist pra isso:

• Fazer um fork deste repositório
• Prepare um café
• 🔬 Trabajo 🔬
• Certifique que o trabajo realizado cumpre os requisitos e segue as orientações
• Revise-o
• Esteja satisfeit@ com a revisão
• Abra um PR para este repositório e notifique a Zi

🤘 É isto. Boa sorte 🤘

Ficou com dúvida sobre alguma coisa? Mande um e-mail para [email protected]