Esta é a página sobre o teste prático para os candidatos ao processo seletivo de cientistas, analistas e engenheiros de dados para o time de Business Science & Analytics do olist.

BSA: um time de pessoas que vão além das ferramentas e números

O olist é a maior loja de departamentos dos marketplaces. Possui um catálogo com mais de 950 mil produtos, centenas de milhares de pedidos e uma rede de mais de 9 mil lojistas parceiros espalhados por todas as regiões do Brasil. Entendemos que a área de dados e inteligência é uma das principais alavancas de crescimento do negócio, por isso buscamos profissionais apaixonados por dados para integrar a nossa equipe de Business Science e Analytics (BSA).

Estamos o tempo todo gerando dados, dados e muito mais dados. Nosso cenário é de big data!

Considere que a figura abaixo seja a estrutura do nosso banco de dados de e-commerce e que cada tabela desse banco de dados esteja disponível como um dataset. Aqui estão os datasets. Perceba que os dados são amostrais e estão apresentados no modelo relacional, pois foram extraídos diretamente, sem qualquer tratamento, do ambiente transacional.

Bom, e aqui você pode observar como um produto é exibido na plataforma de e-commerce.

Esta plataforma de e-commerce transaciona dados do varejo brasileiro. Assim, as áreas de negócio da empresa estão com algumas dúvidas e desafios como:

• Será que nossos diferentes lojistas associados conseguem manter o preço do mesmo produto sem grandes discrepâncias?
• Podemos dar os mesmos benefícios para todos os lojistas (sellers)? Ou existe algum que merece destaque?
• Existe diferença no valor do frete praticado em regiões/cidades diferentes? Ou podemos aplicar as mesmas regras de subsídio de frete para qualquer localidade?
• Será que nosso catálogo de produtos é abrangente? Ou tem foco em categorias específicas?
• Será que sempre vendemos os mesmos produtos? Ou existem sazonalidades?
• Será que existe um modelo preditivo para nos preparar para o futuro?
• Será que o atual banco de dados vai suportar o nosso crescimento? Ou existe uma opção mais escalável?

Ficou confuso(a). Segue abaixo, dicas mais específicas para cada função.

• Que tal uma análise textual dos clientes que deixaram comentários sobre suas compras?
• Alguns clientes não escreveram um comentário. Mas por que eles estão satisfeitos?
• Com as informações da data de compra, você poderá prever vendas futuras!
• Você também poderá focar na logística e encontrar maneiras de otimizar os tempos de entrega.
• Esses dados possuem coordenadas de geolocalização. Há diferenças no padrão de consumo por regiões?
• Divirta-se descobrindo as categorias de produtos mais propensas à insatisfação do cliente.
• Crie recursos deste rico conjunto de dados, feature engineering ou anexe algumas informações públicas externas a ele.
• E um modelo para precificar os produtos do nosso catálogo? Modelagem matemática para otimizar rotas? Testes de hipóteses para validar algum questionamento?
• O que acha de escrever um relatório ou slides detalhando as suas descobertas?
• Fique livre para criar sua própria abordagem, caso considere que as dicas anteriores não sejam pertinentes.

• Pense em alguns KPIs para monitoramento. Talvez outros para direcionamento dos gestores!
• Um cruzamento dos dados poderia gerar relatórios interessantes. Afinal, quem são os Top 10 em vendas? Que tipo produtos eles vendem? Qual é o impacto deles para o negócio?
• Que tal realizar uma análise exploratória dos dados. E então? Algo lhe chama a atenção?
• Você poderia apresentar esses dados em um dashboard. Isso daria agilidade na tomada de decisão!
• Temos interesse em suas habilidades com matemática aplicada e estatística descritiva. O que você pode nos mostrar com os dados?
• O que acha de escrever um relatório ou slides detalhando as suas descobertas?
• Fique livre para criar sua própria abordagem, caso considere que as dicas anteriores não sejam pertinentes.

• Gostaríamos de analisar suas habilidades com SQL, modelagem dimensional e integração de dados. Mostre seus conhecimento em processos de ETL e conceitos de Data Warehouse. Que tal replicar nossos datasets, remodelar em um banco de dados e apresentar as melhorias realizadas em sua criação.
• É possível utilizar o modelo proposto em um ambiente cloud? Quais plataformas ou serviços você utilizaria? Quais as vantagens do modelo escolhido em questões de performance?
• Alguns membros do time dizem que a atual modelagem do banco de dados é adequada para o uso dos cientistas de dados e analistas de BI, porém, outros dizem que existem formas de modelar bancos de dados que trarão mais eficiência. Qual é a sua opinião sobre isso?
• Estamos preocupados com o vertiginoso aumento do volume em nosso banco de dados atual? Você consideraria uma opção mais escalável ou devemos manter a estrutura existente?
• Nossa ferramenta de visualização de dashboards está lenta e o nosso time detectou que o problema está na infraestrutura de dados. Como você abordaria esta situação do ponto vista de arquitetura de dados?
• Nosso banco de dados está hospedado na nuvem e nossas ferramentas de análise de dados são "on premisses". Você manteria este arranjo ou faria mudanças visando mais performance?
• Nossa área operacional necessita de informações em tempo real, porém os diretores da empresa, que acompanham somente informações de KPIs mensais, alegam que isso é desnecessário e acarretaria custos. Qual é o seu posicionamento sobre isso?
• Nosso time que está focado em Governança de Dados alega que documentar os processos é mais importante do que refatorar os mais de 500 scripts que estão funcionando com lentidão. Como você atuaria neste impasse, se tivesse que priorizar o trabalho?
• Aqui no olist, somos muito mão na massa! Como Engenheiro(a) de dados, mostre pra gente o que você consegue fazer na prática com esse nosso banco de dados. (Sabemos que é uma amostra, mas imagine que o todo pode ser petabytes de dados)
• O que acha de escrever um relatório ou slides sobre a sua abordagem na solução de alguns desses problemas?
• Fique livre para criar sua própria abordagem, caso considere que as dicas anteriores não sejam pertinentes.

Queremos entender sua proficiência técnica, raciocínio analítico e apresentação de resultados.

Você não precisa responder todas as perguntas ou dicas que foram listadas anteriormente, são apenas sugestões (mantenha o foco naquilo que você tem mais afinidade). Porém, queremos ter uma clara percepção sobre como você resolve problemas.

Para isso, fique a vontade para adotar softwares, processos e ferramentas que considerar adequados.

Você terá um prazo de até 7 dias e após a finalização do teste, nos encaminhe um relatório contextualizando o trabalho realizado e suas soluções. Pode ser em qualquer formato, queremos apenas entender como você apresenta os resultados do seu trabalho.

Não esqueça de indicar em seu relatório os links/endereços, caso tenha hospedado códigos/arquivos em algum repositório na internet.