{"id":22873655,"url":"https://github.com/gabrieladados/analise-ecommerce","last_synced_at":"2025-03-31T12:27:02.858Z","repository":{"id":266850517,"uuid":"899529676","full_name":"gabrieladados/analise-ecommerce","owner":"gabrieladados","description":"Análise SQL para E-commerce: Estratégias de Crescimento para Impulsionar Vendas","archived":false,"fork":false,"pushed_at":"2024-12-28T20:31:35.000Z","size":25,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-06T18:45:25.211Z","etag":null,"topics":["bigquery","data-analysis","ecommerce","sql"],"latest_commit_sha":null,"homepage":"","language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/gabrieladados.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-12-06T13:06:37.000Z","updated_at":"2024-12-28T20:31:38.000Z","dependencies_parsed_at":null,"dependency_job_id":"78e9e130-0323-4c5b-8ed3-92e63fa93a09","html_url":"https://github.com/gabrieladados/analise-ecommerce","commit_stats":null,"previous_names":["gabrieladados/analise-ecommerce"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabrieladados%2Fanalise-ecommerce","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabrieladados%2Fanalise-ecommerce/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabrieladados%2Fanalise-ecommerce/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabrieladados%2Fanalise-ecommerce/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/gabrieladados","download_url":"https://codeload.github.com/gabrieladados/analise-ecommerce/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":246467571,"owners_count":20782335,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["bigquery","data-analysis","ecommerce","sql"],"created_at":"2024-12-13T14:29:44.638Z","updated_at":"2025-03-31T12:27:02.829Z","avatar_url":"https://github.com/gabrieladados.png","language":null,"funding_links":[],"categories":[],"sub_categories":[],"readme":"# Análise de Dados de um E-commerce com Big Query\n\n\u003e Este projeto demonstra como utilizar **SQL** para analisar dados de um e-commerce fictício, **The Look**, disponível no **Google BigQuery**. O objetivo é responder perguntas estratégicas sobre o negócio e fornecer insights para apoiar a tomada de decisões.\n\u003e\n\n\u003cbr\u003e\n\n## 🗂️ Base de Dados  \n\nA base de dados utilizada é a **The Look**, um conjunto de dados públicos hospedados no Google BigQuery.  \nEla contém informações relacionadas a:  \n- Clientes  \n- Produtos  \n- Pedidos  \n- Logística  \n- Eventos no site  \n- Campanhas de marketing\n\u003cbr\u003e\n\n### 📋 Tabelas Utilizadas  \nDas 7 tabelas disponíveis, 5 serão usadas nesta análise:  \n1. **Users**  \n2. **Products**  \n3. **Orders**  \n4. **Orders_Items**  \n5. **Events**  \n\nMais informações sobre como acessar a base de dados estão disponíveis [aqui](https://console.cloud.google.com/marketplace/product/bigquery-public-data/thelook-ecommerce?project=projeto-1-405620\u0026pli=1).\n\n\u003cbr\u003e\n\n## 🎯 Objetivo da Análise  \n\nResponder a **10 perguntas-chave** para a liderança do e-commerce, cobrindo faturamento, comportamento dos clientes, e eficiência de marketing.  \n\n1. **Faturamento**: Quanto faturamos nos meses de janeiro, fevereiro e março de 2024? Como esse valor se compara ao mesmo período de 2023?  \n2. **Ticket médio**: Qual é o valor médio por pedido?  \n3. **Desempenho por categoria e marca**: Quais marcas e categorias de produtos vendemos mais e menos?  \n4. **Devoluções e cancelamentos**: Quais são as marcas e categorias de produtos mais canceladas e devolvidas?  \n5. **Taxa de conversão**: Qual é a taxa de conversão de vendas?  \n6. **Perfil dos clientes**: Quem são nossos clientes? De quais países vêm os mais importantes? Qual faixa etária e gênero geram mais lucro?  \n7. **Marketing**: Em que canal de marketing estamos indo bem?  \n8. **Tempo entre compras**: Retorne o tempo em dias entre uma compra e outra para cada usuário. Qual usuário tem o maior tempo entre compras?  \n9. **Visão geral dos usuários**: Traga informações detalhadas de todos os usuários (tendo ou não realizado compras), incluindo:  \n   - ID do usuário  \n   - Quantidade de compras realizadas  \n   - Quantidade de itens comprados  \n   - Ticket médio  \n   - Quantidade de produtos distintos comprados  \n   - Quantidade de criações de carrinhos  \n10. **Top clientes**: Forneça uma lista com os IDs e e-mails dos 10 clientes com maior total de compras.  \n---\n\u003cbr\u003e\n\n## 📊 Análise do Faturamento  \n\n_Pergunta: Quanto faturamos nos meses de janeiro, fevereiro e março do ano de 2024? Comparado ao ano anterior, o faturamento é baixo ou alto?_\n\nPrimeiramente, analisamos o faturamento nos meses de **janeiro, fevereiro e março de 2023**, desconsiderando pedidos cancelados ou devolvidos.  \n\n### Consulta SQL: Faturamento 2023  \n```sql\nSELECT \n  FORMAT_DATE('%Y-%m', o.created_at) AS mes,\n  ROUND(SUM(o.num_of_item * oi.sale_price), 2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.order_items AS oi  \n      ON o.order_id = oi.order_id\nWHERE oi.status NOT IN ('Cancelled', 'Returned') \n  AND FORMAT_DATE('%Y-%m', o.created_at) BETWEEN '2023-01' AND '2023-03'\nGROUP BY mes\nORDER BY mes;\n```\n![eco1](https://github.com/user-attachments/assets/7d1593c2-416e-412a-af0e-3715d31ded36)\n\nAgora vamos ver como foi o faturamento nos mesmos meses do ano de 2024:\n\n```sql\nSELECT \n  FORMAT_DATE('%Y-%m', o.created_at) AS mes,\n  ROUND(SUM(o.num_of_item*oi.sale_price),2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.order_items AS oi  \n    ON o.order_id = oi.order_id\nWHERE oi.status NOT IN ('Cancelled', 'Returned') AND FORMAT_DATE('%Y-%m', o.created_at) BETWEEN '2024-01' AND '2024-03'\nGROUP BY mes\nORDER BY mes;\n```\n\n![eco2](https://github.com/user-attachments/assets/9bf0d784-d0bb-43d9-9508-41f15eaef5a8)\n\nOs resultados de 2024 comparado a 2023, mostram-que:\n\n* Em janeiro, houve um aumento de R$ 466.186,57, representando um aumento de **127,90%** em relação ao mesmo mês no ano anterior.\n* Em fevereiro, houve um aumento de R$ 569.989,74, representando um aumento de **158,12%**.\n* Em março, houve um aumento de R$ 840.269,93, o que equivale a um aumento de **219,88%**.\n  \nPortanto, comparado aos meses do ano anterior, o faturamento vem se mostrando crescente.\n\n\u003cbr\u003e\n\n## 🛒 Análise do Ticket Médio  \n\n_Pergunta: Qual é o ticket médio?_\n\nPara calcular o ticket médio, somamos o faturamento por mês e dividimos pela quantidade de compras realizadas no mesmo período. Isso nos dá uma média do valor gasto por compra.  \n\n### Consulta SQL: Ticket Médio  \n```sql\nSELECT \n  FORMAT_DATE('%Y-%m', o.created_at) AS mes,\n  ROUND(SUM(o.num_of_item * oi.sale_price) / COUNT(o.order_id), 2) AS ticket_medio\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.order_items AS oi \nON o.order_id = oi.order_id\nWHERE oi.status NOT IN ('Cancelled', 'Returned') \nGROUP BY mes\nORDER BY mes;\n```\n![eco3](https://github.com/user-attachments/assets/c29f80c6-2746-44d1-ade0-0b307cddd91d)\n\nO ticket médio do mês de março de 2024 é de $ 112,53.\n\n\u003cbr\u003e\n\n## 🛍️ Análise dos Produtos Mais e Menos Vendidos  \n\n_Pergunta: Quais marcas e categorias de produtos vendemos mais e menos?_\n\n### Marcas \nPrimeiramente, vamos analisar as marcas dos produtos mais vendidos por uma ótica de produtos com maior faturamento gerado:\n\n\n```sql\nSELECT \n  p.brand,\n  ROUND(SUM(o.num_of_item * oi.sale_price), 2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\n    ON oi.order_id = o.order_id\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\nON oi.product_id = p.id\nWHERE oi.status NOT IN ('Cancelled', 'Returned')\nGROUP BY p.brand\nORDER BY faturamento DESC;\n```\n![eco4](https://github.com/user-attachments/assets/d7d327ad-05af-4dd1-a226-0bbaceafb501)\n\nAgora vamos analisar por perspectiva das marcas que possuem a maior quantidade de produtos vendidos.\n\n```sql\nSELECT \n  p.brand,\n  SUM(o.num_of_item) AS quantidade\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\n    ON oi.order_id = o.order_id\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\n    ON oi.product_id = p.id\nWHERE oi.status NOT IN ('Cancelled', 'Returned')\nGROUP BY p.brand\nORDER BY quantidade DESC;\n```\n![eco5](https://github.com/user-attachments/assets/d28f18da-13b8-4b06-a596-b43ddf7437d9)\n\nDestaque-se a marca Calvin Klein por apresentar o maior faturamento histórico da empresa e, também, ser marca em 2º lugar com o maior número de itens vendidos.\n\nUm ponto que merece destaque são os exemplos de marcas como a Diesel, que ocupa a 2ª posição em termos de faturamento, porém fica em 10º lugar na quantidade de itens vendidos. Uma estratégia para impulsionar ainda mais o faturamento dessa marca seria adotar a venda de kits de produtos, incentivando os clientes a adquirirem mais itens de uma só vez. Dessa forma, poderíamos elevar o ticket médio.\n\nAgora vamos analisar as marcas com menor faturamento:\n\n![eco6](https://github.com/user-attachments/assets/f0950a7e-d0c8-4db0-931c-c191ac2a4013)\n\nJá sobre uma perspectiva das marcas com menor quantidade de itens vendidos, temos:\n\n![eco7](https://github.com/user-attachments/assets/43131ac0-f1e9-47b7-bd15-c8b8988fa230)\n\nNo quesito faturamento, Marshal é a marca que gera menor resultado. Já em relação à quantidade de itens vendidos, percebe-se que uma quantidade considerável de marcas com apenas um item vendido (21 marcas ao total).\n\n\n### Categorias\n\nAs categorias que geram maior faturamento para a empresa são:\n\n```sql\nSELECT \n  p.category,\n  ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\n    ON oi.order_id = o.order_id\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\n    ON oi.product_id = p.id\nWHERE oi.status NOT IN ('Cancelled', 'Returned')\nGROUP BY p.category\nORDER BY faturamento DESC;\n```\n![eco8](https://github.com/user-attachments/assets/9d650b09-9942-4741-9dbb-6d55b04d9ef8)\n\nJá as categorias com maior número de itens vendidos são:\n\n```sql\nSELECT \n  p.category,\n  SUM(o.num_of_item) AS quantidade\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\nON oi.order_id = o.order_id\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\nON oi.product_id = p.id\nWHERE oi.status NOT IN ('Cancelled', 'Returned')\nGROUP BY p.category\nORDER BY quantidade DESC;\n```\n\n![eco9](https://github.com/user-attachments/assets/ad9fb087-4bb1-41a2-a050-dc33561e9fae)\n\nEm termos de faturamento, a categoria de Agasalhos \u0026 Casacos se sobressai, enquanto em termos de volume de vendas, roupas íntimas lideram, apresentando o maior número de itens vendidos.\n\nAgora, analisaremos as categorias que geram menor faturamento e vendas do número de itens.\n\n![eco10](https://github.com/user-attachments/assets/fed7d749-c537-41bb-8a85-651dc532739a)\n\n![eco11](https://github.com/user-attachments/assets/98c1a17c-88d3-401a-81dd-e80ce06c3124)\n\n\nNota-se que Conjuntinhos de Roupas e Macacões são as categorias que apresentam tanto o menor faturamento como também o menor número de itens vendidos.\n\n\u003cbr\u003e\n\n## 🚫 Análise dos Produtos Mais Cancelados e Devolvidos  \n\n_Pergunta:  Quais são as marcas e categorias de produtos mais canceladas e devolvidas?_ \n\nInicialmente, vamos analisar quais são as marcas com maior número de produtos cancelados ou devolvidos:\n\n```sql\nSELECT \n  p.brand,\n  SUM(CASE WHEN oi.status = 'Cancelled' THEN 1 ELSE 0 END) AS cancelado,\n  SUM(CASE WHEN oi.status = 'Returned' THEN 1 ELSE 0 END) AS devolvido\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\n    ON oi.product_id = p.id\nGROUP BY p.brand\nORDER BY cancelado DESC;\n```\n![eco12](https://github.com/user-attachments/assets/953e57d3-3715-4277-ba98-7478f62499f8)\n\nNota-se que a Allegra K e Calvin Klein se destacam tanto na quantidade de cancelados como de devolvidos.\n\nAgora vamos analisar as categorias:\n\n```sql\nSELECT \n  p.category,\n  SUM(CASE WHEN oi.status = 'Cancelled' THEN 1 ELSE 0 END) AS cancelado,\n  SUM(CASE WHEN oi.status = 'Returned' THEN 1 ELSE 0 END) AS devolvido\nFROM bigquery-public-data.thelook_ecommerce.order_items AS oi\nJOIN bigquery-public-data.thelook_ecommerce.products AS p\n    ON oi.product_id = p.id\nGROUP BY p.category\nORDER BY cancelado DESC;\n```\n![eco13](https://github.com/user-attachments/assets/d1763c59-dc22-40ce-8f3b-9488a86acc71)\n\nAs categorias de roupas íntimas, tops \u0026 camisetas e jeans são as categorias com maior número de produtos cancelados e devolvidos.\n\n\u003cbr\u003e\n\n## 📈 Análise da Taxa de Conversão de Vendas  \n\n_Pergunta: Qual é a taxa de conversão de vendas?_\n\nPara calcular a taxa de conversão de vendas, vamos considerar o número total de pedidos realizados divido pelo número total de visitas realizas no site.\n\n```sql\nSELECT \n  ROUND((COUNT(DISTINCT o.order_id) / COUNT(DISTINCT e.id)) * 100, 2) AS taxa_conversao\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.events AS e\n    ON o.user_id = e.user_id;\n```\n![eco14](https://github.com/user-attachments/assets/59f88f8e-1f41-4ec0-9687-5154a39982d7)\n\nAgora vamos analisar como foi a taxa de conversão dos últimos meses:\n\n```sql\nSELECT \n  ROUND((COUNT(DISTINCT o.order_id) / COUNT(DISTINCT e.id))*100,2) AS taxa_conversao,\n  FORMAT_DATE('%Y-%m', o.created_at) AS mes\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.events AS e\n    ON o.user_id = e.user_id\nGROUP BY mes\nORDER BY mes\n```\n\n![eco15](https://github.com/user-attachments/assets/ad65a380-3ca3-4fb4-a247-df17c7d7106e)\n\nAnalisando historicamente, a taxa de conversão do site é de 9,6%. Nos últimos meses, a taxa tem se mostrado crescente, chegando a 6,67% no mês de março de 2024.\n\n\u003cbr\u003e\n\n## 👥 Análise do Perfil dos Clientes  \n\n_Pergunta:  Quem são os nossos clientes? De qual país são os nossos clientes mais importantes? Qual grupo de gênero e idade gerou mais lucro?  \n\n### Países  \n    \n```sql\nSELECT \n  u.country,\n  COUNT(DISTINCT o.user_id) AS total_clientes\nFROM bigquery-public-data.thelook_ecommerce.users AS u\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\nON u.id = o.user_id\nGROUP BY u.country\nORDER BY total_clientes DESC;\n````\n![eco16](https://github.com/user-attachments/assets/926f9847-e33e-4cbd-9d67-24b21bd71843)\n\n### Gênero\n```sql\nSELECT \n  u.gender,\n  COUNT(DISTINCT o.user_id) AS total_clientes,\n  ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.users AS u\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\nON u.id = o.user_id\nJOIN bigquery-public-data.thelook_ecommerce.order_items AS oi\nON oi.user_id = u.id\nGROUP BY u.gender\nORDER BY total_clientes DESC;\n````\n![eco17](https://github.com/user-attachments/assets/4c8128d3-30e1-4fcd-9e46-2f95157c8826)\n\n\n\n### Faixa Etária \n\n```sql\nSELECT\n  CASE \n    WHEN age \u003e= 11 AND age \u003c= 20 THEN \"11-20\"\n    WHEN age \u003e=21 AND age \u003c= 30 THEN \"21-30\"\n    WHEN age \u003e= 31 AND age \u003c=40 THEN \"31-40\"\n    WHEN age \u003e= 41 AND age \u003c= 50 THEN \"41-50\"\n    WHEN age \u003e= 51 AND age \u003c=60 THEN \"51-60\"\n    WHEN age \u003e= 61 AND age\u003c=70 THEN \"61-70\"\n  END AS FaixaEtaria,\n  COUNT(DISTINCT oi.user_id) AS total_clientes,\n  ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento\n  FROM bigquery-public-data.thelook_ecommerce.users AS u\n  JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi\n  ON u.id = oi.user_id\n  JOIN bigquery-public-data.thelook_ecommerce.orders AS o \n  ON u.id = o.user_id\n  GROUP BY FaixaEtaria\n  ORDER BY FaixaEtaria;\n````\n![eco18](https://github.com/user-attachments/assets/87ab2ceb-915d-4dcc-8560-6b7d2305a80d)\n\nEm suma, os principais países em termos de número de clientes são: China (27.221), Estados Unidos (17.807) e Brasil (11.492). Já em relação a gênero, os resultados são bem equilibrados, sendo o gênero masculino um pouco maior em número de clientes e faturamento comparado ao gênero feminino. Por fim, no que tange à faixa etária, as que se destacam em número total de clientes e faturamento são de 21 a 30 e 31 a 40 anos.\n\n\n\u003cbr\u003e\n\n## 📢 Análise do Canal de Marketing  \n\n_Pergunta: Em que canal de marketing estamos indo bem?_\n\nPara identificar qual canal de marketing está trazendo mais clientes para a loja, vamos contabilizar o número de clientes por tipo de canal de marketing utilizado.  \n\n```sql\nSELECT  \n  u.traffic_source,\n  COUNT(o.user_id) AS total_clientes\nFROM bigquery-public-data.thelook_ecommerce.users AS u\nJOIN bigquery-public-data.thelook_ecommerce.orders AS o\n      ON u.id = o.user_id\nWHERE o.status NOT IN ('Cancelled', 'Returned')\nGROUP BY u.traffic_source\nORDER BY total_clientes DESC;\n```\n\n![eco19](https://github.com/user-attachments/assets/ea950b75-d0b2-496e-9764-ccbd14117f6f)\n\nOs mecanismos de pesquisas sobre o e-commerce representa o principal canal de marketing na geração de clientes (65.114), seguido pelo tráfego orgânico (14.172) e o Facebook (5.568).\n\n\n\u003cbr\u003e\n\n## ⏳ Análise do Tempo para a Próxima Compra  \n\n_Pergunta: Retorne o tempo em dias entre uma compra e outra para cada usuário. Traga, depois, o usuário com maior tempo._ \n\nPara realizar esse cálculo, vamos trazer a data do pedido atual, a data do último pedido e calcular a diferença em dias entre a data atual e a última compra do usuário.  \n\n```sql\nSELECT \n  u.id,\n  o.order_id,\n  o.created_at AS data_pedido_atual,\n  LAG(o.created_at) OVER(PARTITION BY u.id ORDER BY o.created_at) AS data_ultimo_pedido,\n  TIMESTAMP_DIFF(o.created_at, LAG(o.created_at) OVER(PARTITION BY u.id ORDER BY o.created_at), day) AS dias_ultima_compra\nFROM bigquery-public-data.thelook_ecommerce.users AS u\nINNER JOIN bigquery-public-data.thelook_ecommerce.orders AS o \nON u.id = o.user_id\nORDER BY dias_ultima_compra DESC;\n````\n\n![eco20](https://github.com/user-attachments/assets/952cb810-2ebc-45bf-bb9f-d35241f2a729)\n\n\n\u003cbr\u003e\n\n## 📊 Resumo sobre os Usuários  \n\n_Pergunta: Traga informações sobre os usuários (de todos, tendo ou não compras). Incluindo: Id do usuário, quantidade de compras realizadas, quantidade de itens comprados, ticket médio, quantidade de produtos distintos comprados e a quantidade de criações de carrinho._\n\nPara obter essas informações, vamos combinar dados de usuários, pedidos, itens de pedido e eventos para calcular métricas chave para cada usuário.  \n  \n```sql\nSELECT \n  u.id,\n  COUNT(DISTINCT o.order_id) AS quant_compras,\n  SUM(o.num_of_item) AS quant_itens,\n  ROUND(SUM(o.num_of_item * oi.sale_price)/COUNT(o.order_id),2) AS ticket_medio,\n  COUNT(DISTINCT p.id) AS produtos_distintos,\n  COUNT(DISTINCT e.id) AS num_carrinhos\nFROM bigquery-public-data.thelook_ecommerce.users AS u\nLEFT JOIN bigquery-public-data.thelook_ecommerce.orders AS o ON u.id = o.user_id\nLEFT JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi ON oi.user_id = u.id\nLEFT JOIN bigquery-public-data.thelook_ecommerce.products AS p ON oi.product_id = p.id\nLEFT JOIN bigquery-public-data.thelook_ecommerce.events AS e ON e.user_id = u.id\nGROUP BY u.id;\n````\n\n![eco21](https://github.com/user-attachments/assets/042f0d47-4d1e-4a96-826f-f6e59f97669a)\n\n\n\u003cbr\u003e\n\n## 🏆 Análise do Top 10 Clientes com Maior Total de Compras  \n\n_Pergunta:  Forneça uma lista de 10 IDs de clientes e e-mails com o maior total de compras. A equipe de marketing fornecerá um desconto._\n\nPara identificar os 10 clientes com maior total de compras, vamos classificar os clientes com base no valor total gasto, calculando o faturamento por usuário.  \n\n```sql\nSELECT \n  RANK()OVER(ORDER BY ROUND(SUM(o.num_of_item * oi.sale_price),2) DESC) AS rank_faturamento,\n  o.user_id,\n  u.email,\n  ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento\nFROM bigquery-public-data.thelook_ecommerce.orders AS o\nJOIN bigquery-public-data.thelook_ecommerce.order_items AS oi ON o.order_id = oi.order_id\nJOIN bigquery-public-data.thelook_ecommerce.users AS u ON u.id = o.user_id\nGROUP BY 2, 3\nORDER BY rank_faturamento;\n````\n\n![eco22](https://github.com/user-attachments/assets/c5c27cfa-7960-4a8f-b665-36607752fc3d)\n\n\n\u003cbr\u003e\n\n# 💡 Principais Insights  \nA partir da análise da base de dados do The Look E-commerce, os principais insights encontrados foram:\n\n- **Faturamento em Ascensão:** Os primeiros meses de 2024 revelam um crescimento expressivo, com março registrando um aumento de **219,88%** em relação ao ano anterior.\n  \n- **Estabilidade do Ticket Médio:** O ticket médio em **março de 2024** mantém-se estável, não apresentando crescimento significativo nos últimos 6 meses.\n  \n- **Liderança da Calvin Klein:** **Calvin Klein** destaca-se como a marca com **maior faturamento** e o **segundo maior número de itens vendidos**.\n  \n- **Categorias em Destaque:** **Agasalhos \u0026 Casacos** lideram em **faturamento**, enquanto **roupas íntimas** são líderes em **volume de vendas**.\n  \n- **Categorias com Baixo Desempenho:** **Conjuntinhos de Roupas** e **Macacões** apresentam o **menor faturamento** e **número de itens vendidos**.\n  \n- **Problemas com Cancelamentos e Devoluções:** **Allegra K** e **Calvin Klein** enfrentam desafios com **cancelamentos e devoluções**.\n  \n- **Desafios nas Categorias Populares:** **Roupas íntimas, tops \u0026 camisetas e jeans** enfrentam **problemas com cancelamentos e devoluções**.\n  \n- **Tendência de Conversão do Site:** Historicamente, a **taxa de conversão do site** é de **9,6%**. Nos últimos meses, apresenta uma **tendência crescente**, saindo de **5,27% em janeiro de 2024** para **6,67% em março** do mesmo ano.\n  \n- **Demografia dos Clientes:** Os principais **países em número de clientes** são **China, Estados Unidos e Brasil**, com o **gênero masculino** liderando em **clientes e faturamento** nas faixas etárias de **21 a 30** e **31 a 40 anos**.\n  \n- **Canais de Marketing Eficientes:** **Mecanismos de pesquisa** são o **principal canal de marketing**, seguidos pelo **tráfego orgânico** e pelo **Facebook**.\n\n\n---\n\u003cbr\u003e\n\n# 🎯 Recomendações Estratégicas \nDiante dessas informações, segue uma lista de recomendações visando o aumento de faturamento do E-commerce e uma melhor experiência do lead com a empresa.\n\n1. **Investimento em Marcas de Destaque:** Dada a liderança da **Calvin Klein** em faturamento e vendas, considere expandir a oferta de produtos dessa marca ou explorar **parcerias** para lançar **produtos exclusivos**.\n\n2. **Gestão do Estoque:** Avaliar a possibilidade de diversificar o estoque, especialmente em **categorias de alto desempenho** como **Agasalhos \u0026 Casacos** e **Roupas íntimas**.\n\n3. **Gestão de Cancelamentos e Devoluções:** Analise os motivos por trás dos **cancelamentos e devoluções**, especialmente para marcas como **Allegra K** e **Calvin Klein**, e implemente **medidas corretivas**, como melhorar as **descrições dos produtos** ou oferecer **políticas de devolução mais flexíveis**.\n\n4. **Segmentação de Mercado e Marketing:** Segmente a campanha de **marketing** de acordo com a **demografia dos clientes**, adaptando **mensagens e ofertas** para diferentes **faixas etárias** e **regiões geográficas**.\n\n5. **Canais de Marketing:** Aproveite os **canais de marketing comprovadamente eficazes**, como **mecanismos de pesquisa**, **tráfego orgânico** e **Facebook**. Além disso, experimente **novas estratégias**, como **marketing de influenciadores**, para ampliar o alcance da marca e atrair novos públicos.\n\n\n---\n\n\n## Contribuições\n\nMuito obrigada por acompanhar meu projeto até aqui! 🎉\n\nContribuições são **muito bem-vindas**. Se você tem sugestões ou melhorias, fique à vontade para abrir uma **issue** ou enviar um **pull request**.\n\nGostou do projeto? Não esqueça de dar uma ⭐️! \n\n\n**Meus Contatos:**\n\n💻 [LinkedIn](https://www.linkedin.com/in/gabrielasantanamorais/)  \n📩 [E-mail](mailto:gabrielasmorais01@gmail.com)\n\n**Até a próxima!** 🚀\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgabrieladados%2Fanalise-ecommerce","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fgabrieladados%2Fanalise-ecommerce","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgabrieladados%2Fanalise-ecommerce/lists"}