O que diferencia um portfólio que contrata
A maioria dos portfólios de ciência de dados para em um notebook. Os projetos que realmente fazem alguém ser contratado fazem diferente: começam com um problema de negócio e terminam com uma recomendação, mostrando cada etapa entre os dois. Um notebook não consegue provar — nem falsificar — o percurso completo do dado bruto até uma aplicação implantada.
Este guia usa um projeto real e gratuito para demonstrar o ciclo completo: a previsão de tempo de entrega do DoorDash, disponível no ambiente integrado da StrataScratch. A pergunta de negócio é limpa: dado um pedido, quanto tempo a entrega vai demorar? — e o enquadramento importa mais do que o algoritmo.
As nove etapas do projeto
1. Enquadrar o problema de negócio
Antes de qualquer código, decida o que está resolvendo. Um projeto chamado “Previsão de tempo de entrega” conta o que você fez pela empresa; um chamado “Demo de regressão XGBoost” mostra que você seguiu um tutorial.
2. Extrair os dados com SQL
Na vida real, os dados saem de um banco, e você escreve o SQL. Descreva as junções entre tabelas, os filtros WHERE que descartam linhas ruins e os GROUP BY — e puxe uma tabela pronta para análise, não um dump bruto.
3. Limpar os dados em Python
É a etapa que representa 60 a 80% do trabalho real e um dos sinais mais claros de inexperiência quando pulada. No caso, limpar significa computar o alvo (duração real da entrega) e tratar valores ausentes e impossíveis.
4. Explorar os dados (EDA)
Resuma com df.info() e df.describe(), visualize distribuições e relações, e anote o que surpreende. O objetivo é entender o que move aquilo que você está prevendo.
5. Engenharia de features
É onde o pensamento de domínio vira entrada de modelo. No projeto, criamos um busy_dashers_ratio (o quanto a frota está sobrecarregada) e usamos correlação e VIF para descartar features redundantes.
6. Construir o modelo
Comece por uma baseline ingênua (prever a média). Se seu modelo real não a vencer, algo está errado — e você quer saber cedo. Depois avance para Ridge e XGBoost.
7. Avaliar honestamente
Um único número de acurácia não prova nada. Use RMSE, validação cruzada e nunca ajuste o modelo contra o conjunto de teste — senão sua métrica vira ficção otimista.
8. Implantar o modelo
É onde a maioria para — e por isso ir além faz você se destacar. Serialize com joblib, envolva em uma API FastAPI com validação de request e empacote em Docker.
9. Construir um dashboard
Nem todo mundo vai chamar sua API. Dê algo para clicar com Streamlit, e termine onde bons projetos terminam: com uma recomendação de ação de negócio, não apenas uma previsão.
A lição central
A primeira metade (enquadrar, SQL, limpar, explorar) mostra que você transforma uma pergunta de negócio bagunçada em algo que um modelo aprende. A segunda metade (avaliar, implantar, dashboard) mostra que você tira o modelo do notebook e o coloca diante de quem decide. A maioria dos candidatos faz uma metade; quem faz as duas é raro — e é exatamente essa lacuna que um projeto completo fecha. Um único projeto percorrido de ponta a ponta vale mais na sua busca por vaga do que cinco notebooks que param no modelo.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
