📊 Inova.PCD — Dataset de Iniciativa de Inclusão

Dataset oficial do Projeto Final da Formação Full Stack do programa Inova.PCD da Telos.

Conjunto de dados curado para simular uma iniciativa corporativa real de inclusão de pessoas com deficiência (PCD) em uma empresa de tecnologia. Pensado para popular um sistema de gestão de atividades, alimentar dashboards e servir de entrada para análises em Python.

📚 Tudo neste README amarra ao que vocês já viram no curso. Especificamente nos Níveis 7 e 8 (Node + Express + Mongoose + MongoDB Atlas) e no Nível 5 (Pandas pra análise). Se travar, voltem nas aulas — não é matéria nova.

---

🎯 Para que serve

Este dataset apoia o projeto final em 3 fases (uma por semana):

Semana	Uso
Semana 1 — Back-end	Popular MongoDB Atlas via Compass Import (mesmo fluxo da Aula 09 · Nível 8) — 65 tarefas prontas
Semana 2 — Front-end	Alimentar dashboard com dados reais (não lista vazia)
Semana 3 — Python	Entrada para análise, métricas e visualizações

O schema foi desenhado para bater diretamente com a model Task esperada no back-end (Node.js + Mongoose):

Coluna do CSV	Campo da Task (exemplo)
titulo	title
descricao	desc
status	status (enum: pendente/andamento/concluida)
prioridade	prio (enum: alta/media/baixa)
categoria	story
data_criacao	created

Campos extras (responsavel, publico_alvo, estimativa_horas, horas_gastas, data_conclusao) não exigem mudança no schema — servem para análise.

💡 Atalho recomendado: deixem o schema da Task com os nomes em português (titulo, descricao, prioridade, ...). Assim os documentos importados via Compass batem direto com o schema, sem precisar renomear campo nenhum. Só mantenham o mesmo padrão no front e na API.

---

📁 Arquivos

data/
├── atividades.csv           65 linhas  | dataset principal
├── responsaveis.csv          8 linhas  | pessoas (para JOIN)
└── status_historico.csv    138 linhas  | transições de status no tempo

atividades.csv — Dataset principal

A "fonte da verdade". Use para popular o banco e fazer análises base.

Colunas (13):

Coluna	Tipo	Exemplo
id	int	1
titulo	string	Auditar contraste de cores no portal RH
descricao	string	Validar WCAG AA nos textos e botoes principais
categoria	string	Acessibilidade Digital
status	enum	pendente / andamento / concluida
prioridade	enum	alta / media / baixa
responsavel	string	Ana Ribeiro
papel_responsavel	string	Dev Front
publico_alvo	string	Visual / Auditiva / Motora / Intelectual / Geral
estimativa_horas	int	8
horas_gastas	int	9
data_criacao	date YYYY-MM-DD	2025-11-15
data_conclusao	date ou vazio	2026-01-08

Categorias (7 eixos da iniciativa):

• Acessibilidade Digital — WCAG, ARIA, leitores de tela
• Inclusao na Empregabilidade — Lei 8.213/91, processo seletivo
• Tecnologia Assistiva — Hardware/software adaptados
• Comunicacao Inclusiva — Libras, audiodescrição, linguagem acessível
• Capacitacao de Equipes — Treinamentos, sensibilização
• Adaptacao de Ambiente Fisico — Rampas, banheiros, sinalização tátil
• Plataforma Interna — Ferramentas, dashboards, automações

Distribuição:

Status:        46% concluída  |  34% pendente   |  20% andamento
Prioridade:    49% média      |  29% baixa      |  22% alta
Público-alvo:  43% Geral      |  23% Auditiva   |  14% Motora  |  12% Visual  |  8% Intelectual
Período:       novembro/2025 a maio/2026

responsaveis.csv — Para exercitar JOIN

Informações complementares dos 8 colaboradores responsáveis. Coluna nome é chave de junção com atividades.responsavel.

Coluna	Descrição
nome	Nome completo (chave)
papel	Cargo
departamento	Tecnologia, Produto, Pessoas e Cultura, Marketing
anos_empresa	Tempo de casa
formacao_acessibilidade	sim / nao

status_historico.csv — Linha do tempo das tarefas

Log de cada transição de status (pendente → andamento → concluida) com timestamp. Útil para análise de séries temporais.

Coluna	Descrição
task_id	ID da tarefa (FK com atividades.id)
status_anterior	Status antes da mudança (vazio na criação)
status_novo	Novo status
data_mudanca	Quando ocorreu (YYYY-MM-DD)

---

🚀 Como usar

Importar no MongoDB Atlas (via Compass) — método da Aula 09 · Nível 8

⚠️ Único método ensinado no curso. Sem mongoimport CLI, sem script Node/Mongoose extra. É o mesmo passo a passo da Aula 09 — Nível 8 (MongoDB Atlas).

1. Criar cluster no MongoDB Atlas (free tier M0 — basta e-mail)
2. Database Access → criar usuário com senha (anota a senha)
3. Network Access → liberar IP (em sala: 0.0.0.0/0 pra todo mundo conseguir conectar)
4. Connect → Compass → copia a connection string (mongodb+srv://...)
5. Abre o MongoDB Compass, cola a string, conecta
6. Cria o banco (ex: nome da squad) e a collection tasks
7. Na collection → ADD DATA → Import JSON or CSV file
8. Seleciona data/atividades.csv, marca CSV com First row is header, confirma

Pronto — 65 documentos importados, mesmo fluxo da aula.

💡 A mesma connection string vai no .env do back-end como MONGO_URI (igual ao que vocês fizeram na Aula 04 — Nível 8 com .env e na Aula 07 — Nível 8 ao conectar via Mongoose).

⚠️ Squad decide os nomes. Nome do banco, nome dos campos no schema da Task — escolhas da squad. Os nomes neste README são só exemplos.

Carregar em Python (Sprint 3)

import pandas as pd

ativ = pd.read_csv('data/atividades.csv')
resp = pd.read_csv('data/responsaveis.csv')

print(ativ.head())
print(ativ['status'].value_counts())

Carregar no navegador (Pyodide — opcional)

import pandas as pd
import io
from pyodide.http import pyfetch

resp = await pyfetch('/data/atividades.csv')
df = pd.read_csv(io.StringIO(await resp.string()))

Carregar no JavaScript (front-end — opcional)

const resp = await fetch('/data/atividades.csv');
const texto = await resp.text();
// Parser CSV: PapaParse ou split simples respeitando aspas

Abrir em Excel / Numbers / Google Sheets

• Excel/Numbers: duplo clique no .csv
• Google Sheets: Arquivo > Importar > Upload
• Encoding: UTF-8 (padrão)

---

🔧 Setup do back-end (cola pra Sprint 1)

📚 Vocês já estudaram tudo isso no curso. Esta seção só amarra o dataset ao que vocês fizeram nas aulas:

Aula	Pra que serve aqui
Nível 7 · Aulas 12–14	Estruturando uma API: rotas, CRUD de usuários, organização da aplicação
Nível 8 · Aulas 02, 03	Login + JWT
Nível 8 · Aula 04	Variáveis de ambiente (.env)
Nível 8 · Aulas 07, 10, 11	Mongoose: conexão, CRUD, hooks
Nível 8 · Aula 09	MongoDB Atlas (cluster + Compass)
Nível 8 · Aula 12	CRUD de Filmes — o gabarito mais próximo: troquem Filme → Task

1. Mapeamento CSV → schema Mongoose

O CSV vem em português. Quando vocês modelarem o schema da Task (igual fizeram com o de Filmes na Aula 12 N8), o caminho mais simples é manter os nomes em português pra bater direto com o CSV importado:

titulo       → titulo
descricao    → descricao
status       → status
prioridade   → prioridade
categoria    → categoria
data_criacao → data_criacao

Se a squad preferir nomes em inglês (title, desc, prio, story, created), também funciona — só lembrem que os documentos importados via Compass virão com os nomes do CSV, então vocês precisarão renomear (pelo Compass campo a campo, ou via updateMany no mongosh). Discutam em squad qual caminho preferem.

💡 Atalho recomendado: schema em português = zero conversão. Só mantenham o mesmo padrão no front e na API.

2. Estrutura de pastas recomendada (back-end)

Mesma convenção que vocês usaram no CRUD de Filmes (Aula 12 N8) — só trocando "Filme" por "Task":

backend/
├── server.js                  # Entrypoint: cria o Express, conecta no Mongo, escuta a porta
├── config/
│   └── db.js                  # Função connectDB() — encapsula mongoose.connect()
├── models/
│   ├── User.js                # Schema do usuário (name, email, password)
│   └── Task.js                # Schema da tarefa (titulo, descricao, status, prioridade, categoria, user)
├── routes/
│   ├── authRoutes.js          # POST /register, POST /login (públicas)
│   └── taskRoutes.js          # GET, POST, PUT, DELETE /tasks (protegidas por JWT)
├── controllers/
│   ├── authController.js      # Lógica de register e login (bcrypt + JWT) — Aula 02/03 N8
│   └── taskController.js      # Lógica do CRUD de tarefas — Aula 12 N8 (CRUD Filmes)
└── middlewares/
    └── auth.js                # Valida o JWT do header e anexa req.user

Princípio (igual à Aula 14 N7 — Organizando aplicação):

• routes/ só define URLs e aponta para o controller (zero lógica de negócio)
• controllers/ tem a lógica de negócio (regras, validações, chamadas ao banco)
• models/ define a forma dos dados (schema Mongoose)
• middlewares/ faz validação ANTES da rota (ex: checar JWT)
• config/ isola configurações (conexão DB, variáveis de ambiente)

3. .env mínimo (Aula 04 · Nível 8)

MONGO_URI=mongodb+srv://<usuario>:<senha>@<cluster>.mongodb.net/<nome-do-banco>?retryWrites=true&w=majority
JWT_SECRET=troque-isso-por-uma-string-longa-e-aleatoria
PORT=3000

⚠️ Nunca commite o .env. Adicione .env no .gitignore.

4. Fluxo JWT em uma frase

Usuário loga → backend valida senha → gera token → cliente guarda → manda token em toda request → middleware decodifica ANTES de chegar no controller.

Diagrama mental:

1) POST /login                            2) Toda request protegida
   email + senha                             Header: x-auth-token: <jwt>
        │                                            │
        ▼                                            ▼
   bcrypt.compare()                             middleware/auth.js
        │                                            │
        ▼                                            ▼
   jwt.sign({user:{id}}, SECRET)                jwt.verify(token, SECRET)
        │                                            │
        ▼                                            ▼
   Retorna { token }                            req.user = decoded.user
                                                     │
                                                     ▼
                                               controller executa

Pontos-chave:

• O token é assinado com JWT_SECRET (variável de ambiente) — qualquer alteração no token invalida a assinatura
• O token não é criptografado, é apenas codificado em base64. Nunca coloque senha no payload
• Padrão de payload: { user: { id: <ObjectId> } }, expiração 1h
• Sem token ou token inválido → o middleware retorna 401 e o controller nem é chamado

---

🎯 10 análises sugeridas (Sprint 3 — Nível 5)

Estatística descritiva (fácil)

1. Distribuição por status
2. Distribuição por categoria
3. Distribuição por público-alvo

Agregações com groupby (médio)

4. Taxa de conclusão por categoria
5. Horas estimadas vs reais (gap de estimativa)
6. Carga de trabalho por responsável

JOIN entre arquivos (médio)

7. Departamentos que mais entregam
8. Formação em acessibilidade × velocidade de entrega

Séries temporais (avançado — usa status_historico.csv)

9. Lead time médio mensal
10. Tarefas "presas" em andamento por muito tempo

Exemplos rápidos

# Taxa de conclusão por categoria
ativ.groupby('categoria')['status'].apply(
    lambda s: (s == 'concluida').mean() * 100
).round(1).sort_values(ascending=False)

# JOIN: formação × lead time
ativ = pd.read_csv('data/atividades.csv')
resp = pd.read_csv('data/responsaveis.csv')
df = ativ.merge(resp, left_on='responsavel', right_on='nome')
c = df[df['status'] == 'concluida'].copy()
c['data_criacao']   = pd.to_datetime(c['data_criacao'])
c['data_conclusao'] = pd.to_datetime(c['data_conclusao'])
c['lead_time']      = (c['data_conclusao'] - c['data_criacao']).dt.days
c.groupby('formacao_acessibilidade')['lead_time'].mean()

---

✅ Aderência ao escopo oficial

O dataset foi desenhado para casar diretamente com os requisitos do Projeto Final da Formação Full Stack — Inova.PCD.

Atende ao documento oficial do projeto

Requisito do documento	Como o dataset atende
Cenário de "tarefas" (um dos 3 sugeridos)	Tarefas reais de iniciativa de inclusão PCD
Atributos: identificação do item	Coluna id
Atributos: categoria/tipo	Coluna categoria (7 eixos)
Atributos: valores numéricos	estimativa_horas, horas_gastas
Atributos: datas (criação, atualização, conclusão)	data_criacao, data_conclusao + status_historico.csv (linha do tempo de atualizações)
Atributos: status	Coluna status (enum)
"Base personalizada visando adaptar ao contexto"	Tema alinhado ao propósito do programa Inova.PCD
"Base pode ser populada ainda mais pelos colaboradores"	Schema documentado, fácil de estender

Atende às análises sugeridas para a Semana 3

Análise sugerida no documento	Onde está no dataset
"Média de tarefas concluídas"	(df['status'] == 'concluida').mean() aplicado a atividades.csv
"Visualização básica"	10 análises sugeridas no README + estrutura compatível com Chart.js e Matplotlib

Alinhamento com o Trello do projeto

O dataset apoia diretamente vários cards do Trello do projeto (tanto na versão sequencial quanto na em paralelo):

Card do Trello	Como o dataset apoia
Modelar Banco de Dados (Users e Tasks)	Schema das colunas valida a model Task escolhida — o import via Compass (Aula 09 N8) carrega o CSV direto na collection
Implementar CRUD de Tarefas	65 tarefas reais como volume de teste para o CRUD
Implementar Script de Análise de Dados em Python	Entrada direta do script — sem precisar criar dados de teste
Gerar Primeiras Métricas de Produtividade	Métricas naturais: taxa de conclusão, lead time, sobrecarga por responsável
Criar Visualizações de Dados da Plataforma	10 análises sugeridas no README cobrem distribuições, agregações e séries temporais
Testar API Completa no Postman/Insomnia	Dataset populado ajuda nos testes de GET /tasks (lista não-vazia, filtros)

💡 Importante: o Trello organiza o backlog da squad (tarefas de desenvolvimento). O dataset entrega os dados de domínio que vão ser geridos pela aplicação. São camadas diferentes — e por isso se complementam sem sobreposição.

---

⚠️ Limitações e premissas

• Dataset sintético plausível: tarefas fictícias baseadas em práticas reais de iniciativas de inclusão em empresas brasileiras de tecnologia. Não representam empresa específica.
• Período curto (~6 meses): suficiente para análise descritiva, limitado para tendências de longo prazo.
• Nomes de responsáveis são fictícios: não são pessoas reais.

---

📚 Referências contextuais

• Lei Brasileira de Inclusão (LBI) — Lei 13.146/2015
• Lei de Cotas — Lei 8.213/91, Art. 93
• WCAG 2.1 — Web Content Accessibility Guidelines (W3C)
• eMAG — Modelo de Acessibilidade em Governo Eletrônico

---

📄 Licença

Dataset distribuído sob licença MIT — uso livre para fins educacionais e comerciais, mantida atribuição.

---

Mantido por: Telos — Programa Inova.PCD Versão: 1.0 (maio/2026)