De dados fragmentados a estratégia orientada a dados — quatro análises que revelam o que vender, quando agir, onde focar e para onde expandir.
Uma loja em crescimento, mas sem visibilidade real sobre sua própria performance.
A loja acumulava histórico de vendas, mas os dados existiam de forma isolada e não processada. A equipe de gestão tomava decisões de estoque por intuição, campanhas de marketing eram genéricas e a estratégia de expansão geográfica não tinha fundamento analítico.
O resultado: rupturas de estoque em produtos de alta rotação, verba de marketing mal direcionada e oportunidades logísticas não capturadas em regiões com demanda crescente.
O objetivo foi transformar o histórico de transações em diretrizes estratégicas acionáveis respondendo às quatro perguntas fundamentais de qualquer operação de e-commerce.
Da geração controlada à engenharia de atributos — cada etapa construída para maximizar a qualidade analítica.
| Coluna | Tipo | Descrição |
|---|---|---|
| ID_Pedido | int64 | Identificador único do pedido |
| Data_Pedido | datetime64 | Timestamp da transação |
| Nome_Produto | object | Nome do item vendido |
| Categoria | object | Segmento do produto |
| Preco_Unitario | float64 | Preço por unidade (R$) |
| Quantidade | int64 | Unidades vendidas (1–7) |
| ID_Cliente | int64 | Identificador do comprador |
| Estado | object | UF de entrega (7 estados) |
| Faturamento* | float64 | Criada: Preço × Qtd |
| Status_Entrega* | object | Criada: Rápida / Normal |
# ── Conversão de tipo temporal
df['Data_Pedido'] = pd.to_datetime(
df['Data_Pedido']
)
# ── Métrica principal: receita por linha
df['Faturamento'] = (
df['Preco_Unitario'] * df['Quantidade']
)
# ── Segmentação logística via lambda
sudeste = ['MG', 'RJ', 'SP']
df['Status_Entrega'] = df['Estado'].apply(
lambda x: 'Rápida' if x in sudeste
else 'Normal'
)
# ── Decomposição temporal para sazonalidade
df['Mes'] = df['Data_Pedido'].dt.to_period('M')
# src/utils.py → design system consistente
setup_style() # rcParams + palette 'husl'
save_fig(fig, 'top_10_produtos', dpi=150)Cada análise responde a uma pergunta de negócio com pandas, uma visualização e uma recomendação direta.
# Volume total por produto
ranking = (
df.groupby('Nome_Produto')['Quantidade']
.sum()
.sort_values(ascending=False)
.head(10)
)
# Viz: barh + FuncFormatter + tight_layout# Decomposição por período mensal
df['Mes'] = df['Data_Pedido'].dt.to_period('M')
fat_mensal = (
df.groupby('Mes')['Faturamento'].sum()
)
# Viz: line + markers + axhline(média)# Faturamento agregado por segmento
fat_cat = (
df.groupby('Categoria')['Faturamento']
.sum()
.sort_values(ascending=False)
)
# Viz: barh + FuncFormatter currency# Receita por estado com visual de calor
fat_geo = (
df.groupby('Estado')['Faturamento']
.sum()
.sort_values(ascending=False)
)
# Viz: sns.barplot(palette='magma')Ferramentas escolhidas pela maturidade, ecossistema e adequação ao problema analítico.
Quatro perspectivas analíticas, quatro descobertas, quatro recomendações estratégicas acionáveis.
| Perspectiva | Descoberta Principal | Recomendação Estratégica |
|---|---|---|
| 📦 Produtos | Mouse Sem Fio e SSD 1TB lideram o volume. Top 3 SKUs = 34% dos pedidos. | Garantir estoque prioritário e criar bundles de acessórios para aumentar ticket médio. |
| 📅 Sazonalidade | Pico de R$ 1,63M em Fevereiro — 15% acima da média. Variação mensal de 65%. | Escalar investimento em tráfego pago 15 dias antes dos picos de demanda projetados. |
| 🏷️ Categorias | Eletrônicos domina 58% do faturamento (R$ 3,02M). Hardware em segundo com 27%. | Expandir catálogo de Laptops e GPUs. Estratégia de upsell de acessórios em checkout. |
| 🗺️ Geografia | Eixo MG-RJ-SP concentra 41% da receita. Bahia cresce organicamente (R$ 820K). | Frete expresso no Sudeste + parceria de última milha no Nordeste (BA/CE). |
Ambiente reproduzível em 3 passos — sem dados externos necessários.