Repositório oficial do Versus Codecon: 1 dev sênior contra 3 devs juniors. 2 horas para extrair insights reais de 100 mil pedidos.
Dados brutos não dizem nada — até alguém fazer as perguntas certas.
Este desafio propõe exatamente isso: dado um dataset com 100 mil pedidos reais de um e-commerce brasileiro, você tem 2 horas para transformar números em decisões de negócio.
O dataset contém informações de clientes, vendedores, produtos, pagamentos, avaliações e localização. A partir dele, você precisa responder um briefing com 8 perguntas de negócio e apresentar os insights mais relevantes — não os mais fáceis, mas os que você colocaria numa reunião de diretoria.
Para cada insight, é obrigatório:
- O dado que embasa a conclusão
- Uma recomendação prática de ação
- ⏱️ 2 horas para desenvolvimento
- 🚫 Sem IA (raciocínio e código na raça!)
- 📊 Foco em qualidade dos insights, não quantidade de queries
- 🛠️ Qualquer stack de desenvolvimento (Python, SQL, R, etc.)
- Onde estão nossos clientes e onde estão nossas vendas? Quais estados são mais rentáveis?
- Quais categorias de produto sustentam o negócio?
- Nosso cliente volta a comprar?
- Quanto tempo leva pra um pedido chegar?
- Como os clientes avaliam a experiência?
- Como as pessoas pagam?
- Existe sazonalidade nas vendas?
/
├── seu-nome-aqui/ # 👈 Sua contribuição!
│ ├── src/
│ │ └── ...
│ ├── insights.md # 👈 Seus insights e recomendações
│ └── README.md
└── README.md
Acha que consegue extrair insights melhores? Mostre como você analisa dados!
- Fork este repositório
- Crie uma pasta com seu nome/username
- Faça sua análise sobre o mesmo dataset
- Documente seus insights no README
- Abra um Pull Request
Seu README deve incluir:
- Stack: Ferramentas e linguagens utilizadas
- Abordagem: Como você organizou a análise?
- Insights: Quais perguntas você priorizou e por quê?
- Recomendações: O que você diria ao dono do negócio?
- Aprendizados: O que funcionou? O que mudaria?
- Acionável: gera uma decisão ou recomendação concreta
- Embasado: tem o dado que prova a conclusão
- Relevante: responde o que o negócio realmente precisa saber
- Claro: qualquer stakeholder entende sem precisar de contexto técnico
- Responder o que é fácil, não o que importa
- Apresentar o dado sem a conclusão (ou a conclusão sem o dado)
- Não questionar outliers antes de incluí-los na análise
- Confundir correlação com causalidade
- Leia o briefing antes de abrir o dataset: saber as perguntas guia a exploração
- Priorize 3 ou 4 insights sólidos em vez de 8 rasos
- Valide os dados antes de concluir: valores nulos, outliers e inconsistências mudam tudo
- Decida o que vai apresentar nos últimos 20 minutos — não abra análise nova
Gostou do desafio? Apoie a criação de mais conteúdos como este!
- 🎫 Crachá especial na Codecon Summit
- 💬 Acesso ao grupo secreto no WhatsApp/Discord
- 🎬 Acompanhe os bastidores dos eventos
- 📧 Newsletter semanal exclusiva
- 🎨 Tema da Codecon para VSCode
Assine agora em codecon.dev/pro
- Instagram - @codecondev
- YouTube - Vídeos toda semana
- Site Oficial - Todos os eventos
Este projeto está sob licença MIT. Sinta-se livre para explorar, aprender e compartilhar!
Feito com 📊 e muita raça pela comunidade Codecon
#Versus #AnáliseDeDados #Codecon #DataScience