Hi there!

For this analysis, I've divided my studies into three main jupyter notebooks (Analise_1_TCE-RS, Analise_2_TCE-RS and Analise_3_TCE-RS, respectively) containing analysis from all city's purchaces (licitacao.csv) and all registered items (item.csv) from 2016 to 2021. I've focused mainly on these two files only for a brief exploratory analysis and I've let my considerations and conclusions available inside the notebooks through my discorery process.

The entire analysis dured only 48 hours, but if I had more time I would definitely improve the following points:

1. Since we're working with large datasets, I would've created a Entity–relationship model with the provided databases and search all data with SQL queries for time improvement;
2. Create/implement a classification/clustering model with NLP to organise purchases descriptions in a more concise way, since we're working with chunks of text - creating a K-Means/Naive Bayes classifier would be a good starting point;
3. Create more predictive analysis (tendency and seasonality analysis) from purchases by organ with a linear regression model;

Hope y'all enjoy 😄

Olá!

Para esta avaliação, dividi minha análise em três etapas em arquivos separados (Analise_1_TCE-RS, Analise_2_TCE-RS e Analise_3_TCE-RS respectivamente), contendo análises nos arquivos de licitações (licitacao.csv) e de itens registrados (item.csv) nos anos fornecidos. Mantive o foco apenas nestes dois arquivos com ênfase na análise exploratória e deixei minhas considerações e conclusões nos notebooks conforme desenvolvia minha linha de raciocínio.

Como pontos de melhoria, acredito que com mais tempo hábil poderia desenvolver os seguintes pontos:

1. Estruturação completa de um modelo entidade-relacionamento com as bases fornecidas, buscando por informações relevantes também nos outros arquivos disponíveis;
2. Criação/implementação de um algoritmo de classificação/clustering de texto com NLP para organizar as descrições dos objetos de maneira mais organizada, visto que é um campo dissertativo - com isso seria possível identificarmos as compras de licitações a nível de componentes/produtos e gerar novos insights;
3. Criação de análises preditivas (análise de tendência) de objetos licitatórios por orgão a partir de um modelo de regressão linear;
4. Maior estudo do processo em si para melhor entendimento para poder gerar KPIs de maior valor.

Espero que gostem! 😄