Skip to content

README.md

Latest commit

 

History

History
167 lines (112 loc) · 4.06 KB

README.md

File metadata and controls

167 lines (112 loc) · 4.06 KB
Raw

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