Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/datalopes1/teste_analytics_andrelopes

Teste para a vaga de estágio em Analytics na QUOD
https://github.com/datalopes1/teste_analytics_andrelopes

Last synced: about 1 year ago
JSON representation

Teste para a vaga de estágio em Analytics na QUOD

Awesome Lists containing this project

README 

          
# Teste de Estágio em Analytics QUOD

![](doc/img/yfjoBtM1PTXsEnwgpGSL--2--tne4f.jpg)



#### Índice

- [Introdução](#-introdução)

- [Ferramentas](#️-ferramentas)

- [Dataset](#-dataset)

- [Resultados](#-resultados)

- [Como usar](#️-como-usar)



## 📝 Introdução

Este projeto faz parte do teste proposto pela equipe de Recuros Humanos da QUOD para o estágio em Analytics. Ele consiste em:



### Parte 1 - Python

1. Criar um dataset com pelo menos 50 registros, contendo as colunas - Id, Data, Produto, Categoria, Preço.

    1.1. Realização limpeza e manipulações necessárias nos dados;

   

    1.2. Calcular o total de vendas (Quantidade * Preço);

   

    1.3. Identificar o produto com maior total de vendas;

### Parte 2 - SQL

2. Com o mesmo dataset escrever consultas para:



    2.1. Listar o nome do produto, categoria e a soma total de vendas (Quantidade * Preço) para cada produto. Ordene o resultado pelo valor total de vendas em ordem decrescente.

   

    2.2. Identificar os produtos que venderam menos no mês de junho de 2024.



### Parte 3 - Interpretação de Resultados

3. Com base nas análises realizadas nas Partes 1 e 2, escreva um breve relatório (máximo de 300 palavras) resumindo os principais insights encontrados e sugerindo possíveis ações baseadas nesses insights.



## 🛠️ Ferramentas

- **Python 3.12+**

    - **Bibliotecas**: Pandas, NumPy, Faker, Matplotlib, Seaborn, openpyxl, tqdm,  sqlalchemy, Notebook, Jupyter.



## 📊 Dataset 



|Coluna|Descrição|

|---|---|

|``Id``|Identificador único da transação|

|``Data``|Data da transação|

|``Produto``|Nome do produto|

|``Categoria``|Categoria do produto|

|``Quantidade``|Quantidade vendida na transação|

|``Preço``|Preço do produto|



O script para criação dos dados se encontra na pasta ``scr``. 



## ✅ Resultados



### Análise Exploratória de Dados

#### Estatísticas descritivas

- Em relação o Preço (e por consequência o Total de Vendas) uma média maior que a mediana indica uma assimétria à direita.

- Já quanto a Quantidade de produtos comprados em cada transação, em 87,84% foi de apenas um produto. 



![plot](doc/img/plot_1.png)



![plot](doc/img/plot_2.png)



- O produto com a maior frequência de transações é o **BASIC Notebook**, e em relação a categoria foi a de **Laptops**.

- Setembro foi o mês com o maior número de transações. 



![plot](doc/img/plot_3.png)



![plot](doc/img/plot_4.png)



#### Explorando as features

##### Categoria x Faturamento & Volume de Vendas

![plot](doc/img/plot_5.png)



![plot](doc/img/plot_6.png)



Apesar do alto volume de vendas, os periféricos são os que deixam menor faturamento para a loja sendo a categoria de Desktop a com maior valor agregado e aquela que gera maior faturamento.



##### Produtos x Faturamento & Volume de Vendas

![plot](doc/img/plot_7.png)



![plot](doc/img/plot_8.png)



- A linha de produtos mais rentável é a **GAMER** tanto para Laptops quanto para Desktops, apesar da maior quantidade de unidades vendidas o Laptop **BASIC Notebook** é apenas o 6º em faturamento.

- O **GAMER Setup** é o produto com maior faturamento (Total de Vendas), R$ 9.687.528,57.



##### O desempenho no período analisando



![plot](doc/img/plot_9.png)



Observando a média móvel, o faturamento apresenta uma tendência de queda. Vamos analisar de forma mensal, para ter uma curva mais suave, além de observar também as tendências por cada Categoria de Produto.



![plot](doc/img/plot_11.png)



![plot](doc/img/plot_10.png)



Existe uma tendência de forte queda nas vendas, analisando mais detalhadamente por Categoria, a partir do segundo semestre a queda se acentuou. 



##### 3.3. Conclusões



- Analisando a performance de venas do ano de 2023 podemos observar que a linha **GAMER** é a que tem maior retorno financeiro tanto para laptops e desktops dentro da Informax. 

- Periféricos representam a maior quantidade de produtos vendidos, o que pode trazer potenciais clientes para compra de *hardware* com maior valor agregado.

- A tendência de queda nas vendas no segundo semestre, especial no mês de dezembro, precisa ser revertida e investigada de forma mais profunda. Novembro é mês da agora tradicional *Black Friday*, é um momento do ano ideal para promoções mais agressivas que podem levantar o faturamento, além de também poder ser adotada uma estratégia de descontos em uma margem menor mas extendendo até o mês de dezembro (que foi o que apresentou maior queda) para promoções especiais de Natal.



### Consultas SQL



```SQL

-- Pergunta 1

SELECT 

    v.Produto

    , v.Categoria

    , SUM(v.Quantidade * v.Preço) AS 'Total de Vendas' -- Calculo do total de vendas

FROM vendas v

GROUP BY v.Produto -- Agrupamento por Produto

ORDER BY 3 DESC; -- Ordenamento por Total de Vendas decrescente

```

![query](doc/img/query_1.png)



```SQL

-- Pergunta 2

/* Obs. Como na geração dos dados foram 

solicitados dados do ano de 2023

estou considerando Jun/2023 e não 2024 como no e-mail */



SELECT

    '2023-06' AS 'Mês' -- Flag do mês

    , v.Produto

    , SUM(v.Quantidade) AS 'Quantidade' -- Calculo da quantidade vendida

FROM vendas v

WHERE v.Data BETWEEN '2023-06-01' AND '2023-06-30' -- Filtro de vendas no período

GROUP BY v.Produto -- Agrupamento por Produto

ORDER BY 3 ASC; -- Odernamento do menor para o maior

```

![query](doc/img/query_2.png)



## ⚙️ Como usar

#### Estrutura do projeto

```plaintext

.

├── data/                  

│   ├── database.db                 # Banco de dados  

│   └── processed/                  # Dados que passaram por processamento

│       └── data_clean.csv          # Dataset da Parte 1

│

├── doc/                            # Documentos e imagens

│   ├── consultas_sql.sql           # Consultas da Parte 2 

│   ├── relatorio_insights.md       # Relatório da Parte 3

|   ├── explicacoes.md              # Explicações sobre o código

│   └── img/                        # Imagens geradas durante a análise

│

├── notebook/                       # Jupyter Notebook

│   ├── eda.ipynb                   # Análise da Parte 1

│   └── query.sql                   # Query para extração de dados

│

├── scr/                            # Scripts

│   └── generate_dataset.py         # Script Dados da Parte 1

│

├── poetry.lock                     

├── pyproject.toml          

├── readme.md               



```

#### Instalação

##### Instalação do poetry

```bash

pip install poetry

```

##### Clonar repositório

```bash

git clone https://github.com/datalopes1/Teste_Analytics_AndreLopes.git

cd Teste_Analytics_AndreLopes/

```

##### Instalação das dependências

```bash

poetry install

```

##### Ativação do ambiente virtual

```bash

poetry shell

```

##### Geração de um novo arquivo ``.db `` do SQLite

```bash

poetry run python scr/generate_dataset.py

```



## 📞 Contato

- LinkedIn: https://www.linkedin.com/in/andreluizls1

- Portfolio: https://sites.google.com/view/datalopes1

- E-mail: datalopes1@proton.me