Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/arkaniightt/analise_concorrentes-ai_streamlit
Dashboard interativo em Streamlit para analisar dados de concorrentes no Instagram, visualizando métricas e obtendo insights de marketing.
https://github.com/arkaniightt/analise_concorrentes-ai_streamlit
ai dashboard data-science instagram streamlit supabase
Last synced: 19 days ago
JSON representation
Dashboard interativo em Streamlit para analisar dados de concorrentes no Instagram, visualizando métricas e obtendo insights de marketing.
- Host: GitHub
- URL: https://github.com/arkaniightt/analise_concorrentes-ai_streamlit
- Owner: ArkaNiightt
- License: mit
- Created: 2024-12-04T15:14:18.000Z (about 1 month ago)
- Default Branch: main
- Last Pushed: 2024-12-18T20:52:27.000Z (20 days ago)
- Last Synced: 2024-12-18T21:35:25.260Z (20 days ago)
- Topics: ai, dashboard, data-science, instagram, streamlit, supabase
- Language: Python
- Homepage:
- Size: 55.7 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
ANALISE_CONCORRENTES-AI_STREAMLIT
Desbloqueando o poder da IA para Análise Competitiva no Instagram!
Construído com as ferramentas e tecnologias:
## 🔗 Índice
- [📍 Visão Geral](#-visao-geral)
- [🦾 Funcionalidades](#-funcionalidades)
- [📁 Estrutura do Projeto](#-estrutura-do-projeto)
- [📂 Índice do Projeto](#-indice-do-projeto)
- [🚀 Começando](#-comecando)
- [☑️ Requisitos](#-requisitos)
- [⚙️ Instalação](#-instalacao)
- [🤖 Uso](#-uso)
- [🧪 Testes](#-testes)
- [📌 Roteiro do Projeto](#-roteiro-do-projeto)
- [🔰 Contribuição](#-contribuicao)
- [🎗 Licença](#-licenca)
- [🤜 Agradecimentos](#-agradecimentos)
---
## 📍 Visão Geral
O projeto AnaliseConcorrentes-AIStreamlit é uma ferramenta poderosa para profissionais de marketing no Instagram, oferecendo insights profundos sobre desempenho de conteúdo e análise de concorrentes. Utilizando IA, ele identifica padrões de engajamento, sugere os melhores horários para postagem e fornece estratégias de marketing. Seus painéis interativos e relatórios para download tornam a análise de dados intuitiva. Este projeto é um divisor de águas para quem busca otimizar sua estratégia no Instagram.
---
## 🦾 Funcionalidades
| | Funcionalidade | Resumo |
| :--- | :---: | :--- |
| ⚙️ | **Arquitetura** |
- O projeto é estruturado em scripts Python, principalmente localizados no diretório `dashbords`.
- Utiliza uma arquitetura modular com scripts separados para diferentes funcionalidades, como `analise_top_20.py`, `app.py`, `analise_with_gpt.py` e `analise_dados_estatisticas_gerais.py`.
- O script `data_conection.py` lida com as conexões e a recuperação de dados do banco de dados.
| 🔩 | **Qualidade do Código** |
- O código é escrito em Python, seguindo as convenções padrão de codificação em Python.
- Utiliza bibliotecas Python para várias funcionalidades, garantindo um código eficiente e limpo.
- O tratamento de exceções é implementado em scripts como `analise_with_gpt.py` para garantir uma operação tranquila.
| 📄 | **Documentação** |
- O idioma principal do projeto é Python, com um total de 5 arquivos Python e 1 arquivo de texto.
- Comandos de instalação e uso são fornecidos na documentação, facilitando a configuração e o uso.
- As dependências são claramente listadas no arquivo `requirements.txt`.
| 🔌 | **Integrações** |
- O projeto integra-se com o banco de dados Supabase para recuperação e manipulação de dados.
- Utiliza o modelo OpenAI GPT para análise de dados baseada em IA.
- Streamlit é usado para visualização de dados e criação de painéis interativos.
| 🥩 | **Modularidade** |
- O projeto é altamente modular com scripts separados para diferentes funcionalidades.
- Código relacionado à conexão e recuperação de dados do banco de dados está encapsulado no script `data_conection.py`.
- A análise baseada em IA e a visualização de dados são tratadas por scripts separados, promovendo a reutilização e a manutenção do código.
| 🧪 | **Testes** |
- Os comandos de teste são fornecidos na documentação, sugerindo o uso de `pytest` para testes.
- No entanto, casos de teste específicos ou arquivos de teste não são visíveis nos detalhes fornecidos.
| ⚡️ | **Desempenho** |
- O projeto utiliza Python, uma linguagem de programação de alto nível conhecida por seu desempenho eficiente.
- Utiliza bibliotecas Python eficientes como pandas para manipulação de dados, garantindo desempenho ótimo.
| 🚡 | **Segurança** |
- Aspectos de segurança não são explicitamente mencionados nos detalhes fornecidos.
- No entanto, o uso de `python-dotenv` sugere que dados sensíveis, como credenciais do banco de dados, provavelmente são armazenados em um arquivo `.env`, promovendo boas práticas de segurança.
---
## 📁 Estrutura do Projeto
```sh
└── Analise_Concorrentes-AI_Streamlit/
├── LICENSE
├── README.md
├── dashbords
│ ├── __init__.py
│ ├── analise_dados_estatisticas_gerais.py
│ ├── analise_top_20.py
│ ├── analise_with_gpt.py
│ ├── app.py
│ └── database
│ ├── __init__.py
│ └── data_conection.py
└── requirements.txt
```
### 📂 Índice do Projeto
ANALISE_CONCORRENTES-AI_STREAMLIT/
__root__
requirements.txt
- O arquivo Requirements.txt serve como um manifesto para as dependências do projeto, especificando as bibliotecas Python necessárias para o funcionamento adequado da aplicação
- Inclui bibliotecas para operações de IA (openai), gestão de ambiente (python-dotenv), manipulação de dados (pandas), visualização de dados (streamlit, plotly-express), operações de banco de dados (supabase) e manipulação de arquivos Excel (XlsxWriter).
dashbords
analise_top_20.py
- O script 'analise_top_20.py' realiza uma análise detalhada do desempenho de conteúdo no Instagram
- Gera insights sobre as principais postagens, engajamento dos usuários e desempenho do tipo de conteúdo
- O script também utiliza inteligência artificial (GPT) para fornecer insights de marketing
- Os resultados são exibidos em vários formatos, incluindo gráficos de barras, data frames e arquivos Excel e JSON para download.
app.py
- App.py serve como o ponto de entrada principal para a aplicação de painéis, permitindo que os usuários selecionem entre as opções "Análise Geral" e "Top 20"
- Ele integra funcionalidades dos módulos 'analise_dados_estatisticas_gerais' e 'analise_top_20', fornecendo uma interface amigável para análise de dados e insights sobre concorrentes.
analise_with_gpt.py
- O script 'analise_with_gpt.py' no diretório 'dashboards' utiliza o modelo OpenAI GPT para analisar dados do Instagram, fornecendo insights de marketing
- Gera análises comparativas, identifica padrões de engajamento, sugere os melhores horários para postar e categoriza o conteúdo semanticamente
- O script também lida com exceções, garantindo uma operação tranquila.
analise_dados_estatisticas_gerais.py
- O arquivo 'analise_dados_estatisticas_gerais.py' no diretório 'dashboards' é uma aplicação de painéis que visualiza e analisa dados de usuários de um banco de dados
- Fornece análise de dados interativa, gera insights estatísticos e oferece sugestões de marketing baseadas em modelos de IA
- O painel também permite que os usuários filtrem os dados pelo nome de usuário e baixem os dados analisados como um arquivo Excel.
database
data_conection.py
- DataConnection em dashbords/database/data_conection.py estabelece uma conexão com o banco de dados Supabase, recupera e processa dados para vários casos de uso
- Recupera todos os dados, dados específicos com base no nome do proprietário, 20 principais registros e dados completos, incluindo URL
- Esses dados são essenciais para a funcionalidade do painel e interação do usuário.
---
## 🚀 Começando
### ☑️ Requisitos
Antes de começar com o Analise_Concorrentes-AI_Streamlit, certifique-se de que seu ambiente de execução atenda aos seguintes requisitos:
- **Linguagem de Programação:** Python
- **Gerenciador de Pacotes:** Pip
### ⚙️ Instalação
Instale o Analise_Concorrentes-AI_Streamlit usando um dos seguintes métodos:
**Construir a partir do código-fonte:**
1. Clone o repositório Analise_Concorrentes-AI_Streamlit:
```sh
❟ git clone https://github.com/ArkaNiightt/Analise_Concorrentes-AI_Streamlit
```
2. Navegue até o diretório do projeto:
```sh
❟ cd Analise_Concorrentes-AI_Streamlit
```
3. Instale as dependências do projeto:
**Usando `pip`** [
](https://pypi.org/project/pip/)
```sh
❟ pip install -r requirements.txt
```
### 🤖 Uso
Execute o Analise_Concorrentes-AI_Streamlit usando o seguinte comando:
**Usando `pip`** [](https://pypi.org/project/pip/)
```sh
❟ python {entrypoint}
```
### 🧪 Testes
Execute a suite de testes usando o seguinte comando:
**Usando `pip`** [](https://pypi.org/project/pip/)
```sh
❟ pytest
```
---
## 📌 Roteiro do Projeto
- [X] **`Tarefa 1`**: Implementar a funcionalidade um.
- [ ] **`Tarefa 2`**: Implementar a funcionalidade dois.
- [ ] **`Tarefa 3`**: Implementar a funcionalidade três.
---
## 🔰 Contribuição
- **💬 [Participe das Discussões](https://github.com/ArkaNiightt/Analise_Concorrentes-AI_Streamlit/discussions)**: Compartilhe suas ideias, forneça feedback ou faça perguntas.
- **🐛 [Reporte Problemas](https://github.com/ArkaNiightt/Analise_Concorrentes-AI_Streamlit/issues)**: Envie bugs encontrados ou registre solicitações de funcionalidades para o projeto `Analise_Concorrentes-AI_Streamlit`.
- **💡 [Envie Pull Requests](https://github.com/ArkaNiightt/Analise_Concorrentes-AI_Streamlit/blob/main/CONTRIBUTING.md)**: Revise PRs abertos e envie seus próprios PRs.
Diretrizes de Contribuição
1. **Faça um Fork do Repositório**: Comece fazendo um fork do repositório do projeto na sua conta do github.
2. **Clone Localmente**: Clone o repositório forkado para sua máquina local usando um cliente git.
```sh
git clone https://github.com/ArkaNiightt/Analise_Concorrentes-AI_Streamlit
```
3. **Crie um Novo Branch**: Sempre trabalhe em um novo branch, dando um nome descritivo a ele.
```sh
git checkout -b nova-funcionalidade-x
```
4. **Faça suas Mudanças**: Desenvolva e teste suas mudanças localmente.
5. **Commit suas Mudanças**: Faça o commit com uma mensagem clara descrevendo suas atualizações.
```sh
git commit -m 'Implementada nova funcionalidade x.'
```
6. **Push para o GitHub**: Envie as mudanças para o repositório forkado.
```sh
git push origin nova-funcionalidade-x
```
7. **Envie um Pull Request**: Crie um PR contra o repositório original. Descreva claramente as mudanças e suas motivações.
8. **Revisão**: Assim que seu PR for revisado e aprovado, ele será mesclado ao branch principal. Parabéns pela sua contribuição!
Gráfico de Contribuidores
---