Este projeto foi desenvolvido para atender ao desafio de analisar a área de vendas de uma rede varejista. O objetivo central é fornecer à área de negócios uma aplicação interativa que permita o cruzamento ágil de informações, análises comparativas e visões temporais do negócio estatisticamente confiáveis.
A solução projetada é de ponta a ponta (End-to-End): engloba desde o fluxo de transformação de dados (ETL/ELT) até a construção de um painel (Dashboard) interativo com alta qualidade de design.
A pipeline de dados utiliza uma stack moderna, onde a transformação foi construída com Dbt, com foco em escalabilidade, controle e performance:
- Dbt: Responsável pela etapa de tranformação (ETL/ELT). O Dbt aplica as regras de negócio, realiza a limpeza dos dados, faz a modelagem do Data Warehouse em diferentes camadas (Staging, Marts) e finaliza exportando de maneira automatizada as tabelas em
.parquet. - Python: Utilizado de forma enxuta para a extração primária e orquestração do pipeline.
- DuckDB: Atua como o motor e banco de dados analítico (OLAP), processando as consultas de alta performance geradas pelo Dbt.
- Power BI: Camada semântica, cálculos em DAX e visualização de dados.
Os modelos processados geram arquivos .parquet otimizados para consumo analítico pelo Power BI:
- Fato:
mart_faturamento(Transações de Venda),mart_metas(Objetivos). - Dimensões:
mart_lojas(Locais físicos),mart_vendedores(Força de Vendas),mart_calendario(Tempo).
🌐 Clique aqui para acessar o Dashboard
O dashboard "Visão Geral - Análise Financeira" atende 100% os critérios solicitados pelo desafio:
- Analisar o faturamento: Totalizador claro de Faturamento Total (KPIs de topo) e distribuição percentual do faturamento conforme o "Porte da Loja".
- Analisar as unidades, de acordo com as metas: O total de "Unidades Vendidas" é monitorado cruzado com a "Meta", possuindo um medidor exato de preenchimento do alvo (% Meta). Há também um gráfico de linha do tempo com a Evolução Mensal do Faturamento Realizado vs Meta projetada.
- Analisar o histórico de vendas por vendedor: Aplicação de um Ranking dinâmico evidenciando os "Top 5 Vendedores em Faturamento".
- Analisar o salário dos colaboradores: Matriz analítica de detalhes contendo não apenas os Custos com "Salários" globais, mas também uma análise avançada elaborando o cálculo de ROI (Retorno sobre Investimento / Faturamento x Salário) por Loja.
- Ticket médio das lojas: Cartão dinâmico com Ticket Médio global e o ticket detalhado e visível individualmente por cada loja na tabela central.
- Análises Adicionais Livres: Visualização de impacto sazonal de faturamento dividido no 1º e 2º Trimestre comparando o desempenho por Estado.
- Clone o repositório para a sua máquina local.
- Crie e ative um ambiente virtual (VENV):
python -m venv venv source venv/Scripts/activate # No Windows: .\venv\Scripts\activate
- Instale as dependências:
pip install -r requirements.txt
- Rode a rotina completa de ETL no terminal:
(As tabelas finais tratadas serão exportadas como
python run_pipeline.py
.parquetna pastaoutput/parquet/).
Como o projeto baseia-se em uma arquitetura de dados escalável, ele pode evoluir em várias frente de negócios. Sugestões de próximas páginas para o Dashboard do Power BI:
- 🤝 Painel de Pelo de Desempenho (Profissional/RH):
- Um drill-down profundo construído em uma nova página focado unicamente na equipe: meta alcançada por cada funcionário, curva de aprendizado (relação salário vs faturamento com o tempo) e projeções de comissão.
- 📦 Mix e Rentabilidade de Produto:
- Ingestão de tabelas de categorias de produto do sistema de origem para o pipeline em Python/dbt.
- Entender qual o produto "A" (da curca ABC) que mais contribui pro Ticket Médio e para a Margem de Lucro dentro de cada "Porte de Loja" específico.
- 📈 Forecast Automatizado (Previsão Matemática):
- Aproveitar os dados de histórico dentro do Python para projetar estatisticamente no Power BI qual é a tendência calculada de faturamento para o 3º e 4º Trimestres com base nos algoritmos de previsão de série temporal (Time Series Analysis).
💡 Além destas melhorias citadas, a arquitetura escalável de dados construída no projeto abre portas para outras possibilidades analíticas e inovações a serem exploradas no futuro.