Analise de Eficiencia Jurisprudencial — STF

1. Descricao do Projeto

Este projeto aplica tecnicas de Ciencia de Dados e Analytics sobre dados publicos do Supremo Tribunal Federal (STF) para diagnosticar a performance processual da corte. Atraves de um pipeline de Data Wrangling em Python e um dashboard interativo desenvolvido em Streamlit, o projeto transforma dados brutos em inteligencia estrategica, permitindo a analise de gargalos operacionais e padroes de julgamento.

O projeto responde a perguntas criticas de negocio e gestao, tais como:

• Qual o lead time (tempo medio de julgamento) segregado por Ministro?
• Qual a distribuicao de decisoes finais por classe processual?
• Quais Ministros apresentam maior eficiencia relativa (volume de decisoes vs. tempo)?
• Quais padroes de produtividade emergem na serie historica analisada?

2. Tecnologias e Metodologias Aplicadas

2.1 Python e Data Wrangling (Pandas)

• Manipulacao de datasets complexos e tratamento de inconsistencias em dados juridicos.
• Preprocessamento e normalizacao de registros e conversao de tipos de dados.
• Feature Engineering: Criacao de metricas derivadas, como o calculo de tempo transcorrido ate o julgamento.
• Higienizacao de valores ausentes (NaN) e remocao de duplicatas para garantia da integridade analitica.

2.2 Visual Analytics (Streamlit e Plotly)

• Desenvolvimento de Data App para apresentacao de resultados em tempo real.
• Implementacao de filtros dinamicos (multiselect e sliders) para exploracao granular dos dados.
• Utilizacao de graficos interativos e analise de dispersao (Boxplots) para identificacao de outliers no tempo de julgamento.
• Monitoramento de KPIs atraves de metricas e indicadores de performance.

2.3 Engenharia e Boas Praticas

• Versionamento de codigo utilizando Git.
• Gerenciamento de dependencias e ambientes virtuais (venv).
• Otimizacao de processamento com feedback visual via TQDM.

3. Estrutura do Pipeline

Fase 1: ETL e Limpeza (limpeza_dados.py)

O script automatiza a leitura da base original, executa a padronizacao de colunas e valores, realiza o parsing de datas e exporta um dataset otimizado para consumo analitico (decisoes_stf_limpo.xlsx).

Fase 2: Business Intelligence (dashboard_stf.py)

Interface que consome o dado processado e permite a exploracao de insights, tabelas de eficiencia e visualizacoes estatisticas avançadas.

4. Como Executar

4.1 Clonar o repositorio

git clone https://github.com/joaohppenha/projeto-STF.git

4.2 Configurar ambiente virtual

python3 -m venv venv source venv/bin/activate # Linux/Mac venv\Scripts\activate # Windows

4.3 Instalar dependencias

pip install -r requirements.txt

4.4 Executar o processamento e o dashboard

python limpeza_dados.py streamlit run dashboard_stf.py

5. Estrutura do Repositorio

projeto-STF/ ├── limpeza_dados.py # Script de processamento e ETL ├── dashboard_stf.py # Aplicacao Streamlit ├── decisoes_STF.xlsx # Raw Data (Dados Brutos) ├── decisoes_stf_limpo.xlsx # Processed Data (Dados Limpos) ├── requirements.txt # Dependencias do projeto └── README.md # Documentacao

6. Insights e Resultados Obtidos

A analise permite identificar disparidades no tempo de julgamento entre diferentes classes processuais e perfis de produtividade por relatoria. A ferramenta serve como suporte para diagnosticos de eficiencia juridica, permitindo identificar quais classes demandam maior tempo de analise e como a carga de trabalho esta distribuida entre os Ministros.

7. Proximas Etapas e Escalabilidade

• Implementacao de analise preditiva para estimativa de desfechos baseada em series historicas.
• Migracao do armazenamento de arquivos Excel para Banco de Dados Relacional (PostgreSQL).
• Deploy da aplicacao em ambiente Cloud (Streamlit Cloud ou AWS).