https://github.com/gabrieladados/analise-ecommerce
Análise SQL para E-commerce: Estratégias de Crescimento para Impulsionar Vendas
https://github.com/gabrieladados/analise-ecommerce
bigquery data-analysis ecommerce sql
Last synced: over 1 year ago
JSON representation
Análise SQL para E-commerce: Estratégias de Crescimento para Impulsionar Vendas
- Host: GitHub
- URL: https://github.com/gabrieladados/analise-ecommerce
- Owner: gabrieladados
- Created: 2024-12-06T13:06:37.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2024-12-28T20:31:35.000Z (over 1 year ago)
- Last Synced: 2025-02-06T18:45:25.211Z (over 1 year ago)
- Topics: bigquery, data-analysis, ecommerce, sql
- Homepage:
- Size: 24.4 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Análise de Dados de um E-commerce com Big Query
> 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.
>
## 🗂️ Base de Dados
A base de dados utilizada é a **The Look**, um conjunto de dados públicos hospedados no Google BigQuery.
Ela contém informações relacionadas a:
- Clientes
- Produtos
- Pedidos
- Logística
- Eventos no site
- Campanhas de marketing
### 📋 Tabelas Utilizadas
Das 7 tabelas disponíveis, 5 serão usadas nesta análise:
1. **Users**
2. **Products**
3. **Orders**
4. **Orders_Items**
5. **Events**
Mais 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&pli=1).
## 🎯 Objetivo da Análise
Responder a **10 perguntas-chave** para a liderança do e-commerce, cobrindo faturamento, comportamento dos clientes, e eficiência de marketing.
1. **Faturamento**: Quanto faturamos nos meses de janeiro, fevereiro e março de 2024? Como esse valor se compara ao mesmo período de 2023?
2. **Ticket médio**: Qual é o valor médio por pedido?
3. **Desempenho por categoria e marca**: Quais marcas e categorias de produtos vendemos mais e menos?
4. **Devoluções e cancelamentos**: Quais são as marcas e categorias de produtos mais canceladas e devolvidas?
5. **Taxa de conversão**: Qual é a taxa de conversão de vendas?
6. **Perfil dos clientes**: Quem são nossos clientes? De quais países vêm os mais importantes? Qual faixa etária e gênero geram mais lucro?
7. **Marketing**: Em que canal de marketing estamos indo bem?
8. **Tempo entre compras**: Retorne o tempo em dias entre uma compra e outra para cada usuário. Qual usuário tem o maior tempo entre compras?
9. **Visão geral dos usuários**: Traga informações detalhadas de todos os usuários (tendo ou não realizado compras), incluindo:
- ID do usuário
- Quantidade de compras realizadas
- Quantidade de itens comprados
- Ticket médio
- Quantidade de produtos distintos comprados
- Quantidade de criações de carrinhos
10. **Top clientes**: Forneça uma lista com os IDs e e-mails dos 10 clientes com maior total de compras.
---
## 📊 Análise do Faturamento
_Pergunta: Quanto faturamos nos meses de janeiro, fevereiro e março do ano de 2024? Comparado ao ano anterior, o faturamento é baixo ou alto?_
Primeiramente, analisamos o faturamento nos meses de **janeiro, fevereiro e março de 2023**, desconsiderando pedidos cancelados ou devolvidos.
### Consulta SQL: Faturamento 2023
```sql
SELECT
FORMAT_DATE('%Y-%m', o.created_at) AS mes,
ROUND(SUM(o.num_of_item * oi.sale_price), 2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi
ON o.order_id = oi.order_id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
AND FORMAT_DATE('%Y-%m', o.created_at) BETWEEN '2023-01' AND '2023-03'
GROUP BY mes
ORDER BY mes;
```
Agora vamos ver como foi o faturamento nos mesmos meses do ano de 2024:
```sql
SELECT
FORMAT_DATE('%Y-%m', o.created_at) AS mes,
ROUND(SUM(o.num_of_item*oi.sale_price),2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi
ON o.order_id = oi.order_id
WHERE oi.status NOT IN ('Cancelled', 'Returned') AND FORMAT_DATE('%Y-%m', o.created_at) BETWEEN '2024-01' AND '2024-03'
GROUP BY mes
ORDER BY mes;
```
Os resultados de 2024 comparado a 2023, mostram-que:
* Em janeiro, houve um aumento de R$ 466.186,57, representando um aumento de **127,90%** em relação ao mesmo mês no ano anterior.
* Em fevereiro, houve um aumento de R$ 569.989,74, representando um aumento de **158,12%**.
* Em março, houve um aumento de R$ 840.269,93, o que equivale a um aumento de **219,88%**.
Portanto, comparado aos meses do ano anterior, o faturamento vem se mostrando crescente.
## 🛒 Análise do Ticket Médio
_Pergunta: Qual é o ticket médio?_
Para 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.
### Consulta SQL: Ticket Médio
```sql
SELECT
FORMAT_DATE('%Y-%m', o.created_at) AS mes,
ROUND(SUM(o.num_of_item * oi.sale_price) / COUNT(o.order_id), 2) AS ticket_medio
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi
ON o.order_id = oi.order_id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
GROUP BY mes
ORDER BY mes;
```
O ticket médio do mês de março de 2024 é de $ 112,53.
## 🛍️ Análise dos Produtos Mais e Menos Vendidos
_Pergunta: Quais marcas e categorias de produtos vendemos mais e menos?_
### Marcas
Primeiramente, vamos analisar as marcas dos produtos mais vendidos por uma ótica de produtos com maior faturamento gerado:
```sql
SELECT
p.brand,
ROUND(SUM(o.num_of_item * oi.sale_price), 2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON oi.order_id = o.order_id
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
GROUP BY p.brand
ORDER BY faturamento DESC;
```
Agora vamos analisar por perspectiva das marcas que possuem a maior quantidade de produtos vendidos.
```sql
SELECT
p.brand,
SUM(o.num_of_item) AS quantidade
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON oi.order_id = o.order_id
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
GROUP BY p.brand
ORDER BY quantidade DESC;
```
Destaque-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.
Um 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.
Agora vamos analisar as marcas com menor faturamento:
Já sobre uma perspectiva das marcas com menor quantidade de itens vendidos, temos:
No 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).
### Categorias
As categorias que geram maior faturamento para a empresa são:
```sql
SELECT
p.category,
ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON oi.order_id = o.order_id
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
GROUP BY p.category
ORDER BY faturamento DESC;
```
Já as categorias com maior número de itens vendidos são:
```sql
SELECT
p.category,
SUM(o.num_of_item) AS quantidade
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON oi.order_id = o.order_id
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
WHERE oi.status NOT IN ('Cancelled', 'Returned')
GROUP BY p.category
ORDER BY quantidade DESC;
```
Em termos de faturamento, a categoria de Agasalhos & Casacos se sobressai, enquanto em termos de volume de vendas, roupas íntimas lideram, apresentando o maior número de itens vendidos.
Agora, analisaremos as categorias que geram menor faturamento e vendas do número de itens.
Nota-se que Conjuntinhos de Roupas e Macacões são as categorias que apresentam tanto o menor faturamento como também o menor número de itens vendidos.
## 🚫 Análise dos Produtos Mais Cancelados e Devolvidos
_Pergunta: Quais são as marcas e categorias de produtos mais canceladas e devolvidas?_
Inicialmente, vamos analisar quais são as marcas com maior número de produtos cancelados ou devolvidos:
```sql
SELECT
p.brand,
SUM(CASE WHEN oi.status = 'Cancelled' THEN 1 ELSE 0 END) AS cancelado,
SUM(CASE WHEN oi.status = 'Returned' THEN 1 ELSE 0 END) AS devolvido
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
GROUP BY p.brand
ORDER BY cancelado DESC;
```
Nota-se que a Allegra K e Calvin Klein se destacam tanto na quantidade de cancelados como de devolvidos.
Agora vamos analisar as categorias:
```sql
SELECT
p.category,
SUM(CASE WHEN oi.status = 'Cancelled' THEN 1 ELSE 0 END) AS cancelado,
SUM(CASE WHEN oi.status = 'Returned' THEN 1 ELSE 0 END) AS devolvido
FROM bigquery-public-data.thelook_ecommerce.order_items AS oi
JOIN bigquery-public-data.thelook_ecommerce.products AS p
ON oi.product_id = p.id
GROUP BY p.category
ORDER BY cancelado DESC;
```
As categorias de roupas íntimas, tops & camisetas e jeans são as categorias com maior número de produtos cancelados e devolvidos.
## 📈 Análise da Taxa de Conversão de Vendas
_Pergunta: Qual é a taxa de conversão de vendas?_
Para calcular a taxa de conversão de vendas, vamos considerar o número total de pedidos realizados divido pelo número total de visitas realizas no site.
```sql
SELECT
ROUND((COUNT(DISTINCT o.order_id) / COUNT(DISTINCT e.id)) * 100, 2) AS taxa_conversao
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.events AS e
ON o.user_id = e.user_id;
```
Agora vamos analisar como foi a taxa de conversão dos últimos meses:
```sql
SELECT
ROUND((COUNT(DISTINCT o.order_id) / COUNT(DISTINCT e.id))*100,2) AS taxa_conversao,
FORMAT_DATE('%Y-%m', o.created_at) AS mes
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.events AS e
ON o.user_id = e.user_id
GROUP BY mes
ORDER BY mes
```
Analisando 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.
## 👥 Análise do Perfil dos Clientes
_Pergunta: Quem são os nossos clientes? De qual país são os nossos clientes mais importantes? Qual grupo de gênero e idade gerou mais lucro?
### Países
```sql
SELECT
u.country,
COUNT(DISTINCT o.user_id) AS total_clientes
FROM bigquery-public-data.thelook_ecommerce.users AS u
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON u.id = o.user_id
GROUP BY u.country
ORDER BY total_clientes DESC;
````
### Gênero
```sql
SELECT
u.gender,
COUNT(DISTINCT o.user_id) AS total_clientes,
ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.users AS u
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON u.id = o.user_id
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi
ON oi.user_id = u.id
GROUP BY u.gender
ORDER BY total_clientes DESC;
````
### Faixa Etária
```sql
SELECT
CASE
WHEN age >= 11 AND age <= 20 THEN "11-20"
WHEN age >=21 AND age <= 30 THEN "21-30"
WHEN age >= 31 AND age <=40 THEN "31-40"
WHEN age >= 41 AND age <= 50 THEN "41-50"
WHEN age >= 51 AND age <=60 THEN "51-60"
WHEN age >= 61 AND age<=70 THEN "61-70"
END AS FaixaEtaria,
COUNT(DISTINCT oi.user_id) AS total_clientes,
ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.users AS u
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi
ON u.id = oi.user_id
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON u.id = o.user_id
GROUP BY FaixaEtaria
ORDER BY FaixaEtaria;
````
Em 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.
## 📢 Análise do Canal de Marketing
_Pergunta: Em que canal de marketing estamos indo bem?_
Para 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.
```sql
SELECT
u.traffic_source,
COUNT(o.user_id) AS total_clientes
FROM bigquery-public-data.thelook_ecommerce.users AS u
JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON u.id = o.user_id
WHERE o.status NOT IN ('Cancelled', 'Returned')
GROUP BY u.traffic_source
ORDER BY total_clientes DESC;
```
Os 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).
## ⏳ Análise do Tempo para a Próxima Compra
_Pergunta: Retorne o tempo em dias entre uma compra e outra para cada usuário. Traga, depois, o usuário com maior tempo._
Para 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.
```sql
SELECT
u.id,
o.order_id,
o.created_at AS data_pedido_atual,
LAG(o.created_at) OVER(PARTITION BY u.id ORDER BY o.created_at) AS data_ultimo_pedido,
TIMESTAMP_DIFF(o.created_at, LAG(o.created_at) OVER(PARTITION BY u.id ORDER BY o.created_at), day) AS dias_ultima_compra
FROM bigquery-public-data.thelook_ecommerce.users AS u
INNER JOIN bigquery-public-data.thelook_ecommerce.orders AS o
ON u.id = o.user_id
ORDER BY dias_ultima_compra DESC;
````
## 📊 Resumo sobre os Usuários
_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._
Para obter essas informações, vamos combinar dados de usuários, pedidos, itens de pedido e eventos para calcular métricas chave para cada usuário.
```sql
SELECT
u.id,
COUNT(DISTINCT o.order_id) AS quant_compras,
SUM(o.num_of_item) AS quant_itens,
ROUND(SUM(o.num_of_item * oi.sale_price)/COUNT(o.order_id),2) AS ticket_medio,
COUNT(DISTINCT p.id) AS produtos_distintos,
COUNT(DISTINCT e.id) AS num_carrinhos
FROM bigquery-public-data.thelook_ecommerce.users AS u
LEFT JOIN bigquery-public-data.thelook_ecommerce.orders AS o ON u.id = o.user_id
LEFT JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi ON oi.user_id = u.id
LEFT JOIN bigquery-public-data.thelook_ecommerce.products AS p ON oi.product_id = p.id
LEFT JOIN bigquery-public-data.thelook_ecommerce.events AS e ON e.user_id = u.id
GROUP BY u.id;
````
## 🏆 Análise do Top 10 Clientes com Maior Total de Compras
_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._
Para identificar os 10 clientes com maior total de compras, vamos classificar os clientes com base no valor total gasto, calculando o faturamento por usuário.
```sql
SELECT
RANK()OVER(ORDER BY ROUND(SUM(o.num_of_item * oi.sale_price),2) DESC) AS rank_faturamento,
o.user_id,
u.email,
ROUND(SUM(o.num_of_item * oi.sale_price),2) AS faturamento
FROM bigquery-public-data.thelook_ecommerce.orders AS o
JOIN bigquery-public-data.thelook_ecommerce.order_items AS oi ON o.order_id = oi.order_id
JOIN bigquery-public-data.thelook_ecommerce.users AS u ON u.id = o.user_id
GROUP BY 2, 3
ORDER BY rank_faturamento;
````
# 💡 Principais Insights
A partir da análise da base de dados do The Look E-commerce, os principais insights encontrados foram:
- **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.
- **Estabilidade do Ticket Médio:** O ticket médio em **março de 2024** mantém-se estável, não apresentando crescimento significativo nos últimos 6 meses.
- **Liderança da Calvin Klein:** **Calvin Klein** destaca-se como a marca com **maior faturamento** e o **segundo maior número de itens vendidos**.
- **Categorias em Destaque:** **Agasalhos & Casacos** lideram em **faturamento**, enquanto **roupas íntimas** são líderes em **volume de vendas**.
- **Categorias com Baixo Desempenho:** **Conjuntinhos de Roupas** e **Macacões** apresentam o **menor faturamento** e **número de itens vendidos**.
- **Problemas com Cancelamentos e Devoluções:** **Allegra K** e **Calvin Klein** enfrentam desafios com **cancelamentos e devoluções**.
- **Desafios nas Categorias Populares:** **Roupas íntimas, tops & camisetas e jeans** enfrentam **problemas com cancelamentos e devoluções**.
- **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.
- **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**.
- **Canais de Marketing Eficientes:** **Mecanismos de pesquisa** são o **principal canal de marketing**, seguidos pelo **tráfego orgânico** e pelo **Facebook**.
---
# 🎯 Recomendações Estratégicas
Diante dessas informações, segue uma lista de recomendações visando o aumento de faturamento do E-commerce e uma melhor experiência do lead com a empresa.
1. **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**.
2. **Gestão do Estoque:** Avaliar a possibilidade de diversificar o estoque, especialmente em **categorias de alto desempenho** como **Agasalhos & Casacos** e **Roupas íntimas**.
3. **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**.
4. **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**.
5. **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.
---
## Contribuições
Muito obrigada por acompanhar meu projeto até aqui! 🎉
Contribuições são **muito bem-vindas**. Se você tem sugestões ou melhorias, fique à vontade para abrir uma **issue** ou enviar um **pull request**.
Gostou do projeto? Não esqueça de dar uma ⭐️!
**Meus Contatos:**
💻 [LinkedIn](https://www.linkedin.com/in/gabrielasantanamorais/)
📩 [E-mail](mailto:gabrielasmorais01@gmail.com)
**Até a próxima!** 🚀