Este projeto realiza uma análise completa de dados de vendas de 4 lojas de varejo para auxiliar na tomada de decisão estratégica sobre qual loja deve ser vendida. A análise é baseada em dados reais e utiliza técnicas de ciência de dados para fornecer insights acionáveis.
O proprietário das lojas (Sr. João) precisa decidir qual das 4 unidades deve ser vendida para otimizar recursos e focar nas operações mais rentáveis. Este projeto fornece uma recomendação fundamentada em dados.
- Faturamento Total por loja
- Volume de Vendas por categoria de produto
- Satisfação do Cliente (avaliações médias)
- Performance de Produtos individuais
- Custos Operacionais (frete médio)
- Coleta de Dados -> Dados históricos de vendas das 4 lojas, Informações de produtos, preços, avaliações e frete
- Análise Exploratória -> Estatísticas descritivas, Identificação de padrões e outliers e Análise de correlações
- Visualizações -> Gráficos comparativos entre lojas, Análise de distribuições e Identificação de tendências
Uma análise completa de dados de vendas de 4 lojas de varejo para auxiliar na tomada de decisão estratégica sobre qual unidade deve ser vendida. Este projeto aplica técnicas de Data Science e Business Intelligence para fornecer insights acionáveis baseados em dados reais.
Sr. João, proprietário de 4 lojas de varejo, precisa otimizar recursos e decidir qual unidade vender para focar nas operações mais rentáveis. Nossa análise fornece uma recomendação fundamentada em dados para essa decisão estratégica.
Determinar qual das 4 lojas deve ser vendida com base em indicadores de performance e rentabilidade.
- 💰 Faturamento Total por loja
- 📦 Volume de Vendas por categoria de produto
- ⭐ Satisfação do Cliente (avaliações médias)
- 🏆 Performance de Produtos individuais
- 🚚 Custos Operacionais (frete médio)
- 📉 Análise de Rentabilidade e eficiência
# Principais datasets analisados
- dados_vendas.csv # Histórico de vendas das 4 lojas
- produtos.csv # Informações de produtos e preços
- avaliacoes.csv # Avaliações e satisfação dos clientes
- custos_frete.csv # Custos operacionais de entrega- ✅ Estatísticas Descritivas - Medidas centrais e dispersão
- ✅ Identificação de Padrões - Sazonalidade e tendências
- ✅ Detecção de Outliers - Valores atípicos e anomalias
- ✅ Análise de Correlações - Relações entre variáveis
- ✅ Gráficos Comparativos entre lojas
- ✅ Análise de Distribuições de vendas
- ✅ Identificação de Tendências temporais
- ✅ Dashboards Interativos para tomada de decisão
- Faturamento total e médio por loja
- Margem de lucro por categoria de produto
- Custos operacionais comparativos
- ROI (Return on Investment) de cada unidade
- Volume de vendas mensal/trimestral
- Produtos mais vendidos por loja
- Sazonalidade das vendas
- Taxa de conversão e frequência de compra
- Avaliações médias por loja
- Net Promoter Score (NPS) estimado
- Análise de feedback qualitativo
- Taxa de retorno de clientes
- Market share de cada loja
- Posicionamento competitivo
- Potencial de crescimento
- Riscos operacionais
- 🏆 Loja com maior faturamento: Loja 1
- 📈 Crescimento YoY mais alto: [Não analisado no relatório atual – dados ausentes -fazer futuramente]
- ⭐ Melhor satisfação do cliente: Loja 3 (média 4,05 / 5,0)
- 💸 Menor custo operacional: *[Não analisado – considerar o frete médio da Loja 4 como proxy]
- 🎯 Categorias mais rentáveis por localização
- 📱 Produtos com maior potencial de crescimento
- 🗓️ Padrões sazonais identificados
- 🚨 Alertas de performance por unidade
- Pandas - Manipulação e análise de dados
- NumPy - Computação numérica
- Matplotlib - Visualizações estáticas
- Seaborn - Visualizações estatísticas
- Plotly - Gráficos interativos (se usado)
- Jupyter Notebook - Desenvolvimento interativo
- Git - Controle de versão
- GitHub - Repositório e colaboração
# Certifique-se de ter Python 3.8+ instalado
python --version-
Clone o repositório:
git clone https://github.com/Laviniamadeira/ChallengeAluraStore.git cd ChallengeAluraStore -
Instale as dependências:
pip install pandas numpy matplotlib seaborn jupyter
-
Execute o Jupyter Notebook:
jupyter notebook
-
Abra o arquivo principal:
- Navegue até
analise_alura_store.ipynb - Execute as células sequencialmente
- Navegue até
ChallengeAluraStore/
├── data/ # Datasets
│ ├── dados_vendas.csv
│ ├── produtos.csv
│ └── avaliacoes.csv
├── notebooks/ # Jupyter Notebooks
│ └── analise_alura_store.ipynb # Análise principal
├── images/ # Gráficos e visualizações
│ ├── faturamento_por_loja.png
│ └── satisfacao_cliente.png
├── results/ # Resultados e relatórios
│ └── recomendacao_final.md
└── README.md # Documentação
[Inserir aqui um resumo dos principais achados e a recomendação final]
Loja recomendada para venda: [Inserir resultado]
Justificativa:
- 📉 Menor performance financeira
- ⭐ Satisfação do cliente abaixo da média
- 💰 Custos operacionais elevados
- 📍 Localização com menor potencial de crescimento
- ✅ Análise Exploratória de dados complexos
- ✅ Visualização de dados eficaz
- ✅ Storytelling com dados
- ✅ Business Intelligence aplicado
- ✅ Pandas para manipulação de DataFrames
- ✅ Matplotlib/Seaborn para visualizações
- ✅ Análise estatística descritiva
- ✅ Limpeza e tratamento de dados
- ✅ Pensamento analítico estratégico
- ✅ Tomada de decisão baseada em dados
- ✅ Comunicação de insights técnicos
- ✅ Resolução de problemas de negócio
Este projeto foi desenvolvido como parte da Formação Modelagem de Dados com Python G8 do programa Oracle Next Education (ONE) em parceria com a Alura.
Objetivos da formação:
- 🎯 Aplicar conceitos de análise de dados em cenários reais
- 📊 Desenvolver habilidades de visualização e storytelling
- 💼 Resolver problemas de negócio com dados
- 🐍 Dominar ferramentas Python para Data Science
⭐ Se este projeto foi útil, deixe uma estrela! ⭐