Estudo de caso
StreetSmart BH
Recomendação híbrida com ML e NLP para empreendedores locais
Objetivo
Aumentar a assertividade de vendas de empreendedores de rua em Belo Horizonte usando predição de produtos com maior probabilidade de lucro baseada em contexto.
Problema
Empreendedores locais perdem oportunidades de venda por não conseguir antecipar quais produtos terão maior demanda baseado em condições climáticas e eventos da cidade.
Impacto
O projeto prova viabilidade de recommendation engine acessível para pequenos negócios, combinando dados públicos (clima + eventos) com ML prático sem exigir infraestrutura cara.
Como foi desenvolvido
Modelo de ML treinado com dados históricos de vendas + variáveis externas (temperatura, chuva, tipo de evento).
Pipeline de NLP processa descrições de eventos para categorizar automaticamente (show, feira, feriado, etc.).
Recomendação híbrida combina predição do XGBoost com regras de negócio (ex: guarda-chuva se chuva > 50%).
Interface em Streamlit permite ao empreendedor inserir local e horário para receber top-3 produtos sugeridos.
Arquitetura clean com separação clara entre engines de predição, serviços externos e camada de apresentação.
Decisão técnica principal
A decisão central deste projeto foi tratar tecnologia como meio para resolver um problema de produto. A arquitetura foi pensada para manter clareza, evolução futura e boa experiência para o usuário final.