--- title: "GamesUP - Plataforma E-Commerce de Jogos de Tabuleiro com Recomendacoes ML" description: "API backend completa para uma plataforma e-commerce de jogos de tabuleiro com motor de recomendacao KNN, seguranca JWT e 81% de cobertura de testes - construida com Spring Boot 3, Python FastAPI e Docker." locale: "pt" canonical: "https://portfolio.josedacosta.info/pt/realizacoes/gamesup-plateforme-ecommerce-ml" source: "https://portfolio.josedacosta.info/pt/realizacoes/gamesup-plateforme-ecommerce-ml.md" html_source: "https://portfolio.josedacosta.info/pt/realizacoes/gamesup-plateforme-ecommerce-ml" author: "José DA COSTA" date: "2024" type: "achievement" slug: "gamesup-plateforme-ecommerce-ml" tags: ["Java 17", "Spring Boot 3.3.4", "Spring Security 6", "JWT", "JPA/Hibernate", "MySQL 8.0", "Python 3.11", "FastAPI", "scikit-learn", "Docker Compose", "JUnit 5", "Mockito", "JaCoCo"] generated_at: "2026-04-23T15:46:40.486Z" --- # GamesUP - Plataforma E-Commerce de Jogos de Tabuleiro com Recomendacoes ML API backend completa para uma plataforma e-commerce de jogos de tabuleiro com motor de recomendacao KNN, seguranca JWT e 81% de cobertura de testes - construida com Spring Boot 3, Python FastAPI e Docker. **Date:** Setembro 2024 - Janeiro 2025 **Duration:** ~8 semanas de desenvolvimento ativo **Role:** Lead Tecnico & Desenvolvedor Solo (Assistido por IA) **Technologies:** Java 17, Spring Boot 3.3.4, Spring Security 6, JWT, JPA/Hibernate, MySQL 8.0, Python 3.11, FastAPI, scikit-learn, Docker Compose, JUnit 5, Mockito, JaCoCo ### Key Metrics - Linhas de codigo: **-** - Java + Python - Testes automatizados: **-** - 273 unitarios + 91 integracao - Cobertura de codigo: **-** - JaCoCo (97% nos servicos) - Endpoints API: **-** - Endpoints REST em 11 controllers ## Apresentacao _Definicao e escopo do projeto_ ### Domain E-commerce especializado em jogos de tabuleiro - gestao de catalogo, pedidos, recomendacoes, avaliacoes de usuarios ### Target Users Compradores de jogos de tabuleiro (B2C) e administradores da plataforma. Frontend (Angular) planejado mas nao incluido nesta fase (entrega somente backend). **Content:** **GamesUP** e uma API backend para uma plataforma e-commerce de jogos de tabuleiro que integra um **sistema de recomendacao por aprendizado de maquina** baseado no algoritmo K-Nearest Neighbors (KNN). O projeto foi realizado como estudo de caso profissional para uma certificacao de nivel 7 (Expert em Engenharia de Software) concedida pela ESIEA atraves da Visiplus Digital Learning. A plataforma cobre o ciclo completo de e-commerce: gestao de catalogo de produtos, pedidos multi-linhas com gestao de estoque, autenticacao JWT com controle de acesso baseado em papeis, recomendacoes personalizadas, avaliacoes e classificacoes, e listas de desejos. Um codigo pre-existente deixado por um estagiario foi avaliado e considerado abaixo dos padroes profissionais. A decisao foi **reconstruir todo o backend do zero**, aplicando rigorosamente os principios SOLID, arquitetura em camadas e testes abrangentes. **Domain:** Dominio **Target Users:** Usuarios alvo **Functional Scope:** Escopo funcional **Scope Catalog:** Catalogo de produtos (CRUD) **Scope Orders:** Pedidos multi-linhas & estoque **Scope Auth:** Autenticacao JWT & RBAC **Scope M L:** Recomendacoes ML (KNN) **Scope Reviews:** Avaliacoes & classificacoes **Scope Wishlist:** Gestao de wishlists **Scope Search:** Busca multi-criterios **Scope Docker:** Orquestracao Docker ## Objetivos, Contexto, Desafios & Riscos _Visao estrategica e restricoes_ ### Context O projeto nasceu de uma exigencia de certificacao profissional (ESIEA Nivel 7, Bloco 4 - Concepcao avancada de arquitetura de software). O backend existente gerava bugs recorrentes que impactavam a receita e a experiencia do usuario. Um estagiario havia sido encarregado de criar uma nova API Spring Boot, mas o codigo nao atendia aos padroes de qualidade. José DA COSTA assumiu o projeto com a missao de **reconstruir completamente o backend** em uma solucao profissional, funcional e escalavel. O projeto foi realizado individualmente ao longo de aproximadamente 8 semanas, com desenvolvimento assistido por IA (Claude Code) para implementacao sob a direcao tecnica e decisoes de arquitetura de José. ### Stake Quality Demonstrar dominio de concepcao avancada de software (SOLID, design patterns, arquitetura em camadas) atraves de uma aplicacao concreta ### Stake Innovation Integrar um sistema de recomendacao ML (KNN) em uma arquitetura e-commerce classica via comunicacao inter-API ### Stake Certification Validar 4 competencias do Bloco 4 do titulo RNCP Expert em Engenharia de Software (C.14, C.16, C.17, C.18) - Reconstruir a API Spring Boot com arquitetura em camadas e principios SOLID - Implementar Spring Security 6 com autenticacao JWT e gestao de papeis (ADMIN, CLIENT) - Desenvolver um sistema de recomendacao KNN via microsservico Python FastAPI - Atingir minimo 70% de cobertura de testes com JaCoCo, JUnit 5 e Mockito - Produzir documentacao UML completa (diagramas de classes, componentes, sequencia, arquitetura) **Objectives:** Objetivos **Context:** Contexto **Stakes:** Desafios **Stake Quality:** Qualidade arquitetural **Stake Innovation:** Inovacao tecnica **Stake Certification:** Certificacao profissional **Risks:** Riscos identificados **Risk1 Title:** Codigo do estagiario inutilizavel **Risk1 Desc:** O codigo existente nao atendia aos padroes de qualidade, exigindo uma reconstrucao completa. **Risk2 Title:** Modelo ML nao treinavel **Risk2 Desc:** Dados de producao insuficientes para treinamento KNN. Mitigacao: modo demo funcional com arquitetura pronta para treinamento futuro. **Risk3 Title:** Falhas de seguranca JWT **Risk3 Desc:** Uma implementacao JWT incorreta poderia expor a aplicacao. Mitigacao: implementacao rigorosa de Spring Security 6 + HMAC-SHA256. **Risk4 Title:** Cobertura de testes < 70% **Risk4 Desc:** Estrategia de teste sistematica necessaria para superar o limite JaCoCo de 70% por pacote. **Risk5 Title:** Complexidade inter-API **Risk5 Desc:** A comunicacao Java-Python via RestTemplate exigiu healthchecks e orquestracao Docker Compose. ## As etapas - O que eu fiz _Fases cronologicas e contribuicoes pessoais_ - Fase 1 - Arquitetura & UML - Fase 2 - Fundamentos JPA - Fase 3 - Camada Service com SOLID - Fase 4 - Seguranca & JWT - Fase 5 - Controllers REST & DTOs - Fase 6 - Sistema de recomendacao ML - Fase 7 - Testes & Qualidade **Phase1 Period:** Semanas 1-2 **Phase2 Period:** Semanas 2-3 **Phase3 Period:** Semanas 4-5 **Phase4 Period:** Semanas 5-6 **Phase5 Period:** Semana 6 **Phase6 Period:** Semana 7 **Phase7 Period:** Semana 8 ## Os atores - As interacoes _Colaboracao e partes interessadas_ ### Work Method O projeto ilustra um modo de trabalho **"desenvolvedor aumentado por IA"**: José desempenhou o papel de CTO/diretor de projeto definindo objetivos, tomando decisoes de arquitetura, identificando problemas e validando entregaveis. Claude Code desempenhou o papel de desenvolvedor executor, realizando toda a implementacao tecnica sob a direcao de José. Esta abordagem e coerente com a evolucao da profissao de desenvolvedor na era da IA generativa. **Content:** Este foi um **projeto individual** realizado com desenvolvimento assistido por IA. José DA COSTA atuou como **Lead Tecnico e Diretor de Projeto**, responsavel por todas as decisoes de arquitetura, revisoes de qualidade, analise de requisitos e validacao do entregavel final. **Claude Code (IA)** serviu como parceiro de implementacao, executando codigo sob a direcao de José com base em aproximadamente 100 prompts rastreados em 3 arquivos documentados. José identificou problemas (problemas de codificacao no PHPMyAdmin, inconsistencias na documentacao), tomou decisoes organizacionais (renomeacao de pastas, convencoes de estrutura de arquivos) e produziu o documento Word final para submissao a certificacao. O codigo original do estagiario foi avaliado e inteiramente substituido - nenhum elemento do entregavel final contem codigo da tentativa inicial. A contribuicao do estagiario limita-se ao cenario pedagogico que justifica a reconstrucao. **Team Composition:** Composicao da equipe **Team Jose:** José DA COSTA - Direcao tecnica, pilotagem, revisao de qualidade, decisoes de arquitetura, testes manuais, redacao do documento final **Team A I:** Claude Code (IA) - Implementacao do codigo, testes, documentacao, diagramas, configuracao Docker **Team Intern:** Estagiario (anonimo) - Desenvolvedor inicial (codigo inteiramente reconstruido) **Stakeholders:** Partes interessadas externas **Stakeholder Training:** Visiplus Digital Learning - Organizacao de formacao **Stakeholder Certification:** ESIEA - Instituicao certificadora (Nivel 7 - Expert em Engenharia de Software) **Stakeholder Block:** Bloco 4 - Concepcao avancada de arquitetura de software **Work Method:** Metodo de trabalho ## Os resultados - Para mim, para o projeto _Resultados mensuraveis e impacto_ **For Project:** Para o projeto **For Me:** Para mim ## Os desdobramentos do projeto _O que aconteceu apos a entrega_ **Content:** **Entrega imediata:** O projeto foi submetido como estudo de caso profissional completo (PDF, 20+ paginas) para a certificacao ESIEA Nivel 7, Bloco 4 - Concepcao avancada de arquitetura de software. O entregavel incluiu o codigo-fonte completo, configuracao Docker, diagramas UML, relatorios de cobertura de testes e um documento de reflexao critica. **Estado atual:** O backend e funcional e implantavel via Docker Compose. O modelo ML opera em modo demo (algoritmo KNN implementado mas nao treinado com dados de producao). O frontend Angular mencionado na arquitetura permanece nao construido, limitando a demonstrabilidade do produto final a testes no nivel da API. **Perspectiva a longo prazo:** As decisoes de arquitetura (SOLID, design em camadas, servicos baseados em interfaces) provaram seu valor em termos de testabilidade (81% de cobertura) e extensibilidade. O sistema de recomendacao foi projetado com um caminho de evolucao progressiva: V1 (filtragem colaborativa Java) -> V2 (KNN Python, pronto mas nao treinado) -> V3 (Deep Learning, futuro). A interface RecommendationService permite trocar implementacoes sem modificar o restante do codigo. **Repositorio:** O codigo-fonte e mantido em um repositorio GitHub privado com um mirror publico no GitFront para avaliacao. ## Meu olhar critico _Analise retrospectiva honesta_ ### Strength - [object Object] - [object Object] - [object Object] - [object Object] ### Improvement - [object Object] - [object Object] - [object Object] - [object Object] - [object Object] ### Would Do - Adotar TDD (Test-Driven Development) - os testes foram escritos apos o codigo na Fase 8, perdendo feedback de design precoce - Integrar seguranca desde a Fase 2 em vez da Fase 5, evitando problemas de configuracao de testes com Spring Security - Escrever user stories formais com criterios de aceitacao antes da implementacao - Usar MapStruct em vez de mappers manuais para reduzir boilerplate - Adicionar documentacao Swagger/OpenAPI para exploracao interativa da API ### Lesson - Os principios SOLID nao sao teoricos - sua aplicacao concreta melhora consideravelmente a qualidade, testabilidade e extensibilidade do codigo - Documentacao continua e mais eficaz que documentacao no final do projeto - escrever ao longo do caminho produz melhor qualidade - Testes permitem evolucao segura - com 81% de cobertura, refatoracao se torna mais segura - Seguranca deve ser projetada desde o inicio - adiciona-la depois cria problemas de integracao (ilustrado pelas falhas nos testes de controllers) - Um sistema de recomendacao ML pode ser integrado progressivamente - o padrao interface permite comecar simples e evoluir sem refatoracao major **Strengths:** O que funcionou bem **Improvements:** O que poderia ser melhorado **Would Do Differently:** O que eu faria diferente **Lessons:** Licoes duradouras