📈 Pricing Analysis API

Esse é um projeto que criei para praticar e aplicar conceitos de Ciência de Dados e Desenvolvimento Web Backend que venho estudando na faculdade. A ideia principal aqui é construir uma API Restful capaz de consumir dados históricos de preços, fazer transformações matemáticas e rodar simulações de cenários de precificação.

Stack Tecnológico

Escolhi um stack moderno para explorar performance e praticidade na manipulação de dados:

• Python 3: A linguagem do coração pra estruturar o backend e a lógica de dados
• FastAPI: Bizarramente rápido! Achei muito melhor estruturar a API com ele do que com Flask, principalmente por conta da documentação automática e a validação tipada.
• Pandas: A estrela principal! Usei para lidar com as transformações, cálculos de médias móveis e a lógica matemática de previsão e simulação dos cenários de preços.
• SQLAlchemy (SQLite): O famoso ORM. No momento está com SQLite só pra facilitar a prototipação e não precisar subir um Docker no meio da madrugada pra testar.
• Pydantic: Cuidando da validação dos dados das requisições e respostas.

🧠 Funcionalidades Principais

1. Extração e Transformação: Endpoints que vasculham tabelas com dados históricos e usam pandas por trás dos panos pra extrair insights rápidos (médias móveis, estatísticas de preços em determinados cortes de tempo).
2. Simulador de Margem (Core): A API tem uma rota POST que recebe um payload indicando novos custos ou aumento em % e avalia qual tem que ser a nova precificação para manter uma margem desejada.
3. CRUD Rest para Produtos e histórico na base.

⚙️ Como testar na sua máquina

Pra rodar local, segue aquele padrão de sempre de projetos Python:

1. Clone o repositório:

   git clone https://github.com/kaycke1337/pricinganalysis-api.git
   cd pricinganalysis-api

2. Cria sua virtual env (boas práticas não matam ninguém):

   python -m venv venv
   source venv/bin/activate  # No Windows é: venv\Scripts\activate

3. Instala as dependências:

   pip install -r requirements.txt

4. Deixei um script pronto pra popular o banco e a gente não testar no vazio:

   python seed.py

5. Sobe o servidor brabo:

   uvicorn main:app --reload

Aí a mágica acontece. O FastAPI gera a UI do Swagger pra gente brincar! É só abrir e testar todas as rotas de simulação por lá:
👉 http://127.0.0.1:8000/docs

🚧 Próximos Passos (A famosa lista do que dá pra melhorar)

Sempre tem onde aperfeiçoar, Coisas na minha wishlist pra quando der tempo entre uma prova e outra:

• Trocar o SQLite por um banco de verdade (PostgreSQL).
• Implementar testes mais pesados com pytest
• Meter tudo isso em um container do Docker para não ter o problema clássico de "na minha máquina funciona".
• Desenvolver um frontend simples para consumir e plotar uns gráficos.

Fiquem totalmente à vontade pra olhar o código e dar pitacos/sugestões na arquitetura. Toda crítica construtiva é super bem-vinda na rotina do estudante! 💻✨