Case US Bank Desenvolvimento de API para consumo de dados do Machine Learning para aumentar o Upselling de vendas de seguro de carro.
Finalizado
Utilizaremos o método HTTP - Requisição
- Post : /predict (alteração de parâmetros para filtro do cliente)
Exemplo:
{
"Id": 4033,
"Age": 41,
"Job": 7,
"Marital": 1,
"Education": 2,
"Default": 0,
"Balance": 803,
"HHInsurance": 1,
"CarLoan": 0,
"Communication": 0,
"LastContactDay": 9,
"NoOfContacts": 4,
"DaysPassed": 316,
"PrevAttempts": 3,
"CarInsurance": 0,
"ConnectionTime": 592,
"DayPeriod": 2,
"LastContactMonthNum": 4
}
Main e Develop
É criado a partir da branch de desenvolvimento quando ele está pronto para ir para aprovação.Nesta branch trabalhamos com o controle de qualidade (tester/qa) corrigindo erros,fazendo melhorias e documentação.Depois de finalizado e testado é mesclado com a branch principal(master/main) e desenvolvimento, criando uma nova tag com a versão dela na branch principal e é feita a exclusão dessa branch de realese.
No caso da US Bank a API foi concluída apenas com uma versão.
Hotfix - Responsável pela manutenção não programada de erros críticos encontrados em produção. Neste sentido, essa branch só será criada a partir da main, com suas alterações compartilhadas somente com main e develop.
Equipe ciência de dados
A equipe de ciência de dados deve utilizar as branches de features ao realizar alterações no modelo utilizado para fazer as previsões na API.
Equipe de desenvolvimento
O time de desenvolvedores também deve utilizar as branches de features durante o desenvolvimento da API e ao realizar manutenções como implementação de novos endpoits .
-
Instalar dependências:
pip install -r requirements.txt
src/app main.py
python main.py
Link aplicação no Azure api-usbank-flask.azurewebsites.net
-
Python
-
Google Colaboratory
-
Machine Learning: Decision Tree
-
Postman
-
Documentação Swagger
-
Azure
-
Gitflow
Carambola - Trio Sagitário
Bianca Barros
Fernando Ascari
Valdinéia Silva