Skip to content

TearG/PraticaPythonDSChallengeVan

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

5 Commits
 
 
 
 

Repository files navigation

📊 Projeto Alura Store: Análise Estratégica de Vendas

Analista de Dados: Vanessa Faria Ferramentas: Python, Pandas, Matplotlib, Seaborn Status: Concluído ✔️


🎯 Objetivo do Projeto

O objetivo deste desafio foi analisar os dados de vendas, logística e satisfação de 4 lojas da rede Alura Store para auxiliar o proprietário (Sr. João) a tomar uma decisão estratégica: identificar qual loja possui o menor desempenho e deve ser vendida para gerar capital de investimento.


🔍 Análise Exploratória e Métricas

Utilizando a biblioteca Pandas para manipulação de dados e Matplotlib para visualização, analisamos quatro pilares fundamentais:

1. Faturamento (Receita) 💰

O indicador financeiro foi o fator decisivo na comparação:

  • Loja 1: Apresentou o maior faturamento da rede, consolidando-se como a líder de vendas.
  • Loja 4: Apresentou o menor faturamento total, ficando significativamente abaixo das demais filiais.

2. Logística e Frete 🚚

Analisamos a relação entre o custo de envio e o volume de vendas:

  • Curiosamente, a Loja 4 possui o menor custo médio de frete.
  • Teoricamente, um frete barato deveria atrair mais clientes. O fato de a Loja 4 ter frete barato e ainda assim vender pouco indica uma baixa atratividade dos produtos ou ineficiência comercial.

3. Satisfação do Cliente (Avaliações) ⭐

  • A média de avaliações se manteve estável em torno de 4.0 para todas as unidades.
  • A Loja 1 teve uma nota levemente inferior (3.98), mas isso não impactou seu alto volume de vendas.
  • A Loja 4 manteve a nota 4.0, provando que o problema não é o atendimento, mas sim a conversão de vendas.

📍 BÔNUS: Análise de Desempenho Geográfico

Realizamos um estudo extra de Dispersão Geográfica (Latitude x Longitude) para entender a abrangência das lojas.

Insights do Mapa:

  • A análise revelou que a Loja 4, apesar de faturar como uma loja pequena, possui uma operação logística espalhada por todo o território (similar à Loja 1).
  • Isso aponta para uma ineficiência logística: a loja arca com a complexidade de entregar em locais distantes, mas não tem o volume de vendas massivo da Loja 1 para justificar essa operação.

💡 Conclusão e Recomendação Final

Com base na análise de dados quantitativa e visual, a recomendação estratégica para o Sr. João é:

🛑 VENDER A LOJA 4

Justificativa: A unidade apresenta o pior desempenho do grupo, caracterizado por:

  1. Baixo Retorno Financeiro: É a lanterna em faturamento.
  2. Ineficiência Comercial: Mesmo com fretes competitivos (baratos), não consegue converter vendas.
  3. Complexidade sem Retorno: Opera em território nacional (conforme análise geográfica) sem ter a densidade de vendas necessária para sustentar essa operação.

A venda desta unidade permitirá redirecionar capital e foco para as Lojas 1, 2 e 3, que demonstram maior solidez e potencial de crescimento.


About

Repositório para o Challenge da Alura de Python para Data Science.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

 
 
 

Contributors