Extrair os dados das notas dos aprovados no concurso Serpro para o cargo de Analista de Tecnologia do Diário Oficial da União (DOU) e deixá-los prontos para análise. Por fim, analisar os dados e trazer insights relevantes sobre as notas. Observação: as notas analisadas são as dos primeiros 361 candidatos no DOU, que correspondem aos classificados em Ampla Concorrência (AC).
| Nota/AC |
|---|
| 250.00 |
| 249.00 |
| 248.00 |
- Qual a nota de corte?
- Qual a distribuição de notas dos aprovados?
- Qual a distribuição de porcentagem de acertos dos aprovados?
- Qual a relação entre porcentagem de acertos e quantidade de candidatos?
O projeto seguirá as fases do Data Analytics Lifecycle:
- Descoberta (Discovery): esta etapa consiste em aprender sobre o domínio do negócio, analisando o histórico da organização em análise de dados.
- Preparação dos dados (Data Preparation): esta etapa consiste em extrair os dados de um sistema-fonte, converter em um formato que possa ser analisado e armazenar em um armazém ou outro sistema.
- Planejamento do modelo (Model Planning): esta etapa consiste em determinar os modelos e técnicas a serem aplicadas.
- Construção do modelo (Model Building): esta etapa consiste em executar o planejamento da fase anterior em cima de uma base de dados menor e selecionada para a realização de testes e treinamento dos modelos.
- Comunicar os resultados (Communicate Results): esta etapa consiste em identificar os principais resultados, aferindo com o os objetivos de negócio levantados na etapa 1.
- Operacionalizar (Operationalize): esta etapa consiste nas entregas finais do projeto que podem ser relatórios, algoritmos, instruções e documentos técnicos.
- Descoberta : Nessa etapa foi compreendido o domínio do problema de análise das notas dos aprovados do concurso Serpro na modalidade Ampla Concorrência (AC). Além disso, foram delimitadas quais perguntas de pesquisa serão respondidas.
- Preparação dos dados: Os dados brutos foram obtidos, em formato analisável, a partir do código
extracao_csv.py. - Planejamento do modelo: Foram selecionadas as variáveis e métricas que melhor supriam as necessidades de pesquisa.
- Construção do modelo: A análise é realizada sobre uma base de dados reduzida. Tal análise é suficiente para responder as questões de negócio.
- Comunicar os resultados: A comunicação dos resultados é feita no próprio arquivo que contém código e análise.
- Operacionalizar: A análise é exportada em um formato viável para compartilhamento e execução por vários stakeholders.
A análise completa está presente no arquivo .ipynb, que pode ser visualizada no próprio github. Veja abaixo o histograma da porcentagem de acertos dos classificados em ampla concorrência.
