AdventureWorks DW2019 — SQL e visualização

Projeto de análise de vendas com o banco dimensional AdventureWorksDW2019, utilizando consultas T-SQL, integração entre Python e SQL Server e visualizações com Matplotlib.

O repositório demonstra um fluxo inicial e reproduzível:

SQL Server → consulta analítica → DataFrame Pandas → gráfico

---

Objetivo

Responder perguntas comerciais a partir do modelo dimensional da Microsoft:

• quais produtos geram maior quantidade vendida e receita?
• quais clientes acumulam maior receita?
• como a receita varia ao longo dos meses de 2013?

---

Conteúdo implementado

Produtos mais vendidos

O arquivo sql/01_analise_produtos_mais_vendidos.sql combina:

• FactInternetSales;
• DimProduct;
• DimProductSubcategory.

A consulta agrega quantidade e receita, retornando os cinco produtos com maior receita total.

Clientes com maior receita

O arquivo sql/02_analise_clientes_valiosos.sql combina:

• FactInternetSales;
• DimCustomer.

A consulta retorna os dez clientes com maior receita agregada, incluindo atributos de educação e ocupação.

Visualização com Python

O script data_viz/analise_viz.py:

1. conecta ao SQL Server com pyodbc;
2. executa consultas com pandas.read_sql;
3. cria gráficos de produtos, clientes e vendas mensais;
4. salva as visualizações na pasta images/.

---

Estrutura real do repositório

adventureworks-sql/
├── data_viz/
│   └── analise_viz.py
├── images/
├── sql/
│   ├── 01_analise_produtos_mais_vendidos.sql
│   └── 02_analise_clientes_valiosos.sql
└── README.md

---

Tecnologias

Camada	Tecnologia
Banco de dados	SQL Server
Linguagem SQL	T-SQL
Conexão	PyODBC / ODBC Driver 17
Análise	Python e Pandas
Visualização	Matplotlib
Modelo de dados	AdventureWorksDW2019

---

Conceitos demonstrados

• consultas em modelo dimensional;
• relacionamento entre fatos e dimensões;
• JOIN, GROUP BY, SUM, TOP e ORDER BY;
• agregação de métricas de vendas;
• conexão Python–SQL Server;
• transformação do resultado SQL em DataFrame;
• visualização de indicadores comerciais.

---

Como executar

1. Preparar o banco

Restaure o banco AdventureWorksDW2019 em uma instância do SQL Server.

2. Clonar o projeto

git clone https://github.com/Jk-Pascoal/adventureworks-sql.git
cd adventureworks-sql

3. Instalar dependências

pip install pandas matplotlib pyodbc

Também é necessário instalar o ODBC Driver 17 for SQL Server.

4. Configurar a conexão

No arquivo data_viz/analise_viz.py, substitua os valores locais:

server = "SEU_SERVIDOR"
database = "AdventureWorksDW2019"

A configuração atual utiliza autenticação integrada do Windows:

Trusted_Connection=yes

5. Criar a pasta de saída e executar

mkdir images
python data_viz/analise_viz.py

---

Limitações atuais

• servidor e banco ainda são configurados diretamente no script;
• não há arquivo requirements.txt;
• as consultas não possuem testes automatizados;
• a ordenação mensal usa o nome do mês e deve evoluir para uma chave numérica;
• resultados dependem da versão e do conteúdo local do banco restaurado;
• análise RFM, segmentação e CLV ainda não estão implementadas neste repositório.

As limitações são apresentadas explicitamente para separar o que já está reproduzível do roadmap futuro.

---

Próximas evoluções

• mover a configuração de conexão para variáveis de ambiente;
• adicionar requirements.txt;
• ordenar a série mensal por número do mês;
• ampliar a biblioteca de consultas;
• implementar análise RFM como etapa independente e reproduzível;
• criar testes básicos para as consultas e transformações;
• publicar um painel com os resultados.

---

Autor

Jakson Pascoal — GitHub