📊 Case Interview – Streamlit App

Este projeto implementa uma aplicação interativa em Streamlit para responder a um estudo de caso sobre Customer Success, automação de comunicação e análise de clientes. O sistema se conecta a um banco de dados SQLite e possibilita executar queries, visualizar métricas e até gerar recomendações de produtos usando KNN (K-Nearest Neighbors).

---

🚀 Funcionalidades

• Home – Apresenta as perguntas do estudo de caso e respostas conceituais.

• Q1 a Q5 – Abas dedicadas para responder questões com SQL e análises sobre:

  • Sistema de comunicação automático
  • Orçamento médio por usuário
  • Localização e perfil de clientes
  • Identificação de usuários mais propensos a aceitar ofertas
  • Classificação de churn (usuários ativos vs inativos)

• Q6 – Duas versões de recomendação de itens:

  • SQL Script com recomendações baseadas em produtos
  • KNN AI Model recomendando itens com base em similaridade entre usuários

---

🛠️ Tecnologias Utilizadas

• Streamlit – Interface web interativa
• SQLite – Banco de dados relacional (armazenado em test.db)
• Pandas – Manipulação e exibição de dados
• scikit-learn (NearestNeighbors) – Modelo de recomendação KNN
• Python 3.12+

---

📂 Estrutura do Projeto

.
├── app2.py                 # Código principal do Streamlit:contentReference[oaicite:4]{index=4}
├── initi_db.py             # Inicialização do banco de dados SQLite:contentReference[oaicite:5]{index=5}
├── recommendation_model.py # Sistema de recomendação KNN:contentReference[oaicite:6]{index=6}
├── test.db                 # Banco de dados SQLite
├── Introduction.txt        # Introdução e explicações:contentReference[oaicite:7]{index=7}
├── questions.txt           # Perguntas do case:contentReference[oaicite:8]{index=8}
├── Case Interview.pdf      # Enunciado do case:contentReference[oaicite:9]{index=9}
├── case responses.pdf      # Respostas escritas do case
└── README.md               # Este arquivo

---

▶️ Como Executar o Projeto

1. Clone o repositório

git clone https://github.com/seu-usuario/case-interview-streamlit.git
cd case-interview-streamlit

2. Crie um ambiente virtual (opcional, mas recomendado)

python -m venv venv
source venv/bin/activate   # Linux/Mac
venv\Scripts\activate      # Windows

3. Instale as dependências

pip install -r requirements.txt

4. Inicialize o banco de dados (se necessário)

python initi_db.py

5. Rode o app no Streamlit

streamlit run app2.py

O app abrirá em: http://localhost:8501

---

📊 Exemplo de Queries no App

• Clientes por localização

SELECT Location, COUNT(ID) AS Total_Users
FROM Users_Data
WHERE Location IS NOT NULL
GROUP BY Location
ORDER BY Total_Users DESC;

• Classificação Churn vs Ativos

WITH LastLogin AS (
    SELECT User_ID,
           MAX(date(substr(Logged_At, 7, 4) || '-' ||
                   substr(Logged_At, 4, 2) || '-' ||
                   substr(Logged_At, 1, 2))) AS Last_Active_Date
    FROM Users_Logs
    GROUP BY User_ID
)
SELECT u.ID AS User_ID,
       CASE
         WHEN l.Last_Active_Date IS NULL THEN 'Churned'
         WHEN julianday(DATE('now')) - julianday(l.Last_Active_Date) >= 30 THEN 'Churned'
         ELSE 'Active'
       END AS User_Status
FROM Users_Data u
LEFT JOIN LastLogin l ON u.ID = l.User_ID;

---

📌 Próximos Passos

• Melhorar o tratamento de dados inconsistentes (ex.: "Lisbon, Lisbon").
• Adicionar dashboards gráficos com Streamlit (matplotlib/plotly).
• Expandir o modelo de recomendação para considerar preço e disponibilidade em tempo real.

---

⚡ Desenvolvido como solução para estudo de caso de Customer Success & Data Analysis.