Freelancer Analytics & Clustering Dashboard

Polski (PL) | English (EN)

---

English (EN)

Professional Business Intelligence (BI) analytics dashboard built with Next.js (App Router v16). This application performs unsupervised machine learning (K-Means Clustering) on real freelancer market data, using a 100% Node.js/TypeScript environment (no external Python microservices required).

🏗️ Architecture & Technologies

• Framework: Next.js (App Router v16)
• Language: TypeScript
• ML Engine: ml-kmeans (Server-side clustering)
• Visualization: recharts (ScatterChart, LineChart, RadarChart)
• Styling: Tailwind CSS v4 (Dark mode, neon glow, glassmorphism)
• Icons: lucide-react

📂 Modules

1. Cluster Explorer (/explorer): Multi-dimensional data exploration with:
   • Scatter Matrix: Visualize correlations (e.g., Hourly Rate vs. Earnings).
   • Elbow Plot: Mathematical diagnostics (SSE) to determine the optimal k.
   • Radar Chart: Advanced profiling of clusters (Earnings, Rate, Rating, Marketing, Success %).
   • Insight Presets: Predefined scenarios (ROI, Price Elasticity, Reputation).
2. What-If Simulator (/what-if): Predictive tool to simulate profile shifts by adjusting parameters like rates or marketing spend.
3. Methodology: Step-by-step breakdown of the data pipeline and research process.

⚙️ Data Pipeline

1. Input: Kaggle Freelancer Earnings CSV dataset.
2. Preprocessing: scripts/prepare-data.js script cleans and maps CSV to JSON.
3. Scaling: Server-side Min-Max Scaling (normalization to [0,1]) for balanced clustering.
4. Core: Dynamic clustering via runKmeans() in Next.js Route Handlers.

🚀 Setup

npm install
node scripts/prepare-data.js
npm run dev

---

Polski (PL)

Profesjonalny panel analityczny Business Intelligence (BI) zbudowany w ekosystemie Next.js (App Router v16). Aplikacja służy do nienadzorowanego uczenia maszynowego (K-Means Clustering) na rzeczywistych danych rynkowych dotyczących pracy freelancerów, bez konieczności integracji z zewnętrznymi mikroserwisami Pythona (np. FastAPI/Flask), co unifikuje architekturę całego systemu.

🏗️ Architektura i Technologie

• Framework: Next.js (App Router v16)
• Język: TypeScript
• Klasyfikacja (ML): ml-kmeans (silnik klastrowania po stronie serwera)
• Wizualizacja: recharts (ScatterChart, LineChart, RadarChart)
• Stylizacja: Tailwind CSS v4 (Dark mode, neon glow, szklany minimalizm)
• Icons: lucide-react

📂 Struktura Projektu i Moduły

1. Cluster Explorer (/explorer): Wielowymiarowe bindowanie danych:
   • Główny Wykres Matrix: Mapowanie punktów na siatce 2D.
   • Metoda Łokcia (Elbow Plot): Diagnostyka SSE pokazująca optymalną liczbę klastrów ($k$).
   • Wykres Radarowy (Spider Chart): Profilowanie średnich parametrów klastra.
   • Scenariusze Badawcze (Preset BI): Szybkie wglądy (np. Zwrot z Reklamy ROI).
2. What-If Simulator (/what-if): Narzędzie prognostyczne do symulacji przesunięć profili (Euclidean distance).
3. Metodologia: Opis potoku danych i procesu badawczego krok po kroku.

⚙️ Potok Przetwarzania Danych (Data Pipeline)

1. Dane Wejściowe: Zbiór Kaggle data/freelancer_earnings_bd.csv.
2. Preprocessing: Skrypt scripts/prepare-data.js parsuje CSV i mapuje zmienne na format JSON.
3. Skalowanie: Min-Max Scaling (normalizacja do $[0,1]$) w API /api/train.
4. Silnik Core: Klasyfikacja klastrów przez runKmeans() w route handlerze.

🚀 Instalacja i Uruchomienie

npm install
node scripts/prepare-data.js
npm run dev