CS2 Analytics: Python, SQL e Power BI

Abrir dashboard interativo

Extensão analítica de um TCC sobre predição pré-jogo de partidas profissionais de Counter-Strike 2. O projeto reorganiza bases consolidadas em um banco SQLite, responde perguntas com SQL e entrega dashboards em HTML e Power BI.

O foco deste repositório é o fluxo de análise de dados. O modelo preditivo permanece congelado e não é retreinado pelo dashboard.

Entregas

• banco relacional SQLite reconstruído por Python;
• esquema com dimensões, fatos, chaves e verificações de integridade;
• nove consultas SQL sobre equipes, tempo, ambiente, formatos, confrontos e ELO;
• cinco páginas de dashboard estático e um dashboard HTML interativo com tema escuro/claro;
• projeto Power BI versionável em formato PBIP/PBIR;
• previsões congeladas do holdout para análise do desempenho do modelo;
• 20 testes automatizados de dados, consultas, métricas, imagens e portabilidade.

Visão do dashboard

O painel HTML tem tema escuro/claro, tooltips em todos os gráficos e uma visão em tabela por gráfico. Na dispersão de equipes, o cursor identifica qualquer uma das 95 equipes com pelo menos 50 registros e mostra nome, volume, vitórias, derrotas e taxa de vitória.

Arquitetura

CSVs consolidados + modelo congelado
                  |
                  v
        validação e transformação em Python
                  |
                  v
       SQLite: dimensões + tabelas fato
                  |
        +---------+----------+
        |                    |
        v                    v
  consultas SQL       tabelas para Power BI
        |                    |
        v                    v
 resultados CSV      relatório com 5 páginas
        |
        v
 dashboard HTML/PNG + conclusões

A arquitetura, o modelo de dados e a operação dos dashboards estão resumidos na documentação técnica. As principais fórmulas do Power BI estão no catálogo de medidas DAX.

Tecnologias

• Python 3.12;
• pandas, NumPy, joblib e scikit-learn;
• SQLite e SQL;
• Matplotlib e SVG interativo gerado em Python;
• Power BI, Power Query e DAX;
• unittest e GitHub Actions.

Como executar

No PowerShell:

git clone https://github.com/ceegu1N/cs2-analytics.git
cd cs2-analytics
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
python run_all.py --rebuild

O comando:

1. valida os arquivos de entrada;
2. recria output/cs2_analytics.sqlite;
3. executa e exporta as nove consultas;
4. gera as seis tabelas consumidas pelo Power BI;
5. atualiza automaticamente o caminho DataRoot do projeto Power BI;
6. gera cinco imagens, o dashboard HTML e conclusões não técnicas.

Depois, abra:

• output/dashboard/index.html para o painel HTML;
• power_bi/CS2_Analytics.pbip para o relatório no Power BI Desktop.

Consultas SQL

Liste as consultas disponíveis:

python run_query.py --list

Execute uma consulta:

python run_query.py 02_desempenho_equipes.sql --limit 10

Exemplo do recorte analítico de equipes:

SELECT
    t.team_name AS equipe,
    COUNT(*) AS partidas_representadas,
    ROUND(AVG(f.win), 4) AS taxa_vitoria
FROM fact_team_match AS f
JOIN dim_team AS t ON t.team_id = f.team_id
GROUP BY t.team_id, t.team_name
HAVING COUNT(*) >= 50
ORDER BY taxa_vitoria DESC;

Granularidade dos dados

• fact_team_match: 20.527 perspectivas de equipe; uma partida pode aparecer por mais de uma equipe.
• fact_match: 14.028 partidas únicas.
• fact_model_match: 2.840 partidas do recorte experimental com 38 atributos pré-jogo.
• fact_prediction_holdout: 294 previsões do holdout feitas pelo modelo final congelado.

Essa distinção evita o erro de contar perspectivas de equipe como se fossem partidas únicas.

Testes

python -m unittest discover -s tests -v

Os testes conferem chaves, granularidade, integridade referencial, execução das consultas, reprodução das métricas do holdout, geração dos dashboards e configuração portátil do Power BI.

Origem e limites

Os dados consolidados derivam de páginas públicas da HLTV.org e foram preparados no contexto acadêmico do TCC. Os scripts de coleta não fazem parte deste repositório. A identidade dos mapas e os vetos não estão disponíveis nesta base, portanto o projeto não apresenta análises por mapa.

Este repositório não possui vínculo com a HLTV.org e não deve ser interpretado como sistema de apostas ou garantia de resultado.

A licença MIT cobre o código autoral. Os dados preservam sua origem e estão sujeitos às condições descritas em Dados utilizados e no aviso de atribuição.

Autor

Gabriel Herdy Rocha
Engenharia de Computação, UFSCar
LinkedIn | GitHub