🛒 Alura Store — Análise de Desempenho de Lojas

🎓 Projeto acadêmico | Challenge Data Science – Alura + Oracle ONE

Análise comparativa das quatro lojas do e-commerce Alura Store para identificar qual loja possui o pior desempenho e deve ser recomendada para venda.

🌐 Ver Projeto Online (GitHub Pages)

🎯 Sobre o Projeto

Este projeto foi desenvolvido como parte do Challenge Data Science do programa Oracle Next Education (ONE) em parceria com a Alura.

Contexto do Desafio

O Sr. João possui uma rede de 4 lojas de e-commerce (Alura Store) e deseja vender uma delas para investir em um novo negócio. Como analista de dados, fui contratado para analisar o desempenho das lojas e recomendar qual deve ser vendida.

Objetivo

Analisar as seguintes métricas para cada loja e identificar a de pior desempenho:

💰 Faturamento total
📦 Categorias mais vendidas
⭐ Avaliação média dos clientes
🏆 Produtos mais e menos vendidos
🚚 Custo médio do frete

🚀 Minha Jornada

Sou gestor financeiro com 20 anos de experiência em gestão empresarial, atualmente em transição de carreira para Data Science e Cloud Computing. Este projeto faz parte da minha formação no programa Oracle Next Education (ONE) e do MBA em IA & Análise de Dados (SENAC).

Neste desafio, apliquei análise exploratória de dados para resolver um problema real de negócio: identificar qual loja de uma rede deveria ser vendida. Minha experiência em gestão me permitiu ir além dos números, contextualizando a recomendação com visão estratégica.

Como iniciante em programação, busco aprender continuamente e trocar conhecimento com a comunidade. Este repositório representa um passo concreto na construção do meu portfólio técnico — com transparência sobre meu nível atual e compromisso com a evolução constante.

📊 Principais Resultados

Faturamento por Loja

Loja	Faturamento Total	Participação	Ranking
Loja 1	R$ 1.616.347	26,1%	1º
Loja 2	R$ 1.567.773	25,4%	2º
Loja 3	R$ 1.542.048	24,9%	3º
Loja 4	R$ 1.458.253	23,6%	4º

Métrica utilizada: Faturamento Total = Preço + Frete

Avaliação dos Clientes

Loja	Média	Mediana
Loja 3	4,05	5,0
Loja 2	4,04	5,0
Loja 4	4,00	5,0
Loja 1	3,98	5,0

A mediana 5,0 em todas as lojas indica alta concentração de avaliações máximas, sem diferencial competitivo claro.

Categorias Mais Vendidas

Categoria	Participação
Móveis	20%
Eletrônicos	19%
Brinquedos	14%
Eletrodomésticos	12%

Mix pulverizado, sem categoria dominante.

📈 Visualizações

1. Faturamento por Loja

A Loja 4 apresenta o menor faturamento, com R$ 1.458.253 (23,6% do total).

2. Vendas por Categoria

Mercado diversificado, com móveis (20%) e eletrônicos (19%) liderando.

3. Avaliação das Lojas

Diferença entre a melhor e pior média é de apenas 0,07 ponto (~1,8%).

4. Top 10 Produtos por Volume

Liderança pulverizada: "Cômoda" lidera com apenas 2% do volume.

5. Frete Médio por Loja

Frete médio varia de R$ 31 (Loja 4) a R$ 35 (Loja 1). Mediana global: R$ 16.

🎯 Recomendação Final

Recomendo vender a Loja 4.

Critério	Análise
Faturamento	Menor contribuição: R$ 1,46M (23,6% do total)
Avaliação	Média 4,00 — sem vantagem competitiva
Frete	Menor custo (R$ 31), mas não compensa o gap de receita
Mix de produtos	Pulverizado, sem alavancas claras para reversão

Análise de sensibilidade: Mesmo considerando apenas preço (sem frete), a Loja 4 permanece na última posição.

Perspectiva de Negócio

Com base na minha experiência em gestão financeira, a decisão de vender a Loja 4 considera não apenas o menor faturamento, mas o custo de oportunidade: manter uma operação de baixo desempenho consome recursos (gestão, marketing, logística) que poderiam ser direcionados às lojas mais rentáveis.

A diferença de R$ 158 mil entre a Loja 4 e a Loja 1 representa capital que, reinvestido nas operações de melhor performance, pode gerar retorno composto superior à tentativa de recuperação da loja deficitária.

📁 Estrutura do Repositório

alura-store-latam-ds-challenge/
├── README.md                              # Documentação do projeto
├── LICENSE                                # Licença MIT
├── requirements.txt                       # Dependências Python
├── alura_store_latam_ds_challenge.ipynb   # Notebook principal
└── images/                                # Visualizações exportadas
    ├── 01_faturamento_por_loja.png
    ├── 02_vendas_por_categoria.png
    ├── 03_avaliacao_lojas.png
    ├── 04_top10_produtos_volume.png
    └── 05_frete_medio_por_loja.png

🧰 Tecnologias Utilizadas

Tecnologia	Versão	Uso
Python	3.10+	Linguagem principal
Pandas	2.0+	Manipulação e análise de dados
Matplotlib	3.5+	Visualização de dados
Google Colab	-	Ambiente de desenvolvimento
unicodedata	stdlib	Normalização de texto

🚀 Como Executar

Opção Rápida: Google Colab

Execução Local

Pré-requisitos

Python 3.10 ou superior
pip (gerenciador de pacotes)

Instalação

Clone o repositório

git clone https://github.com/thedrads/alura-store-latam-ds-challenge.git
cd alura-store-latam-ds-challenge

Crie um ambiente virtual (recomendado)

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

Instale as dependências
```
pip install -r requirements.txt
```

Execute o notebook

jupyter notebook alura_store_latam_ds_challenge.ipynb

📦 Dataset

Os dados são carregados diretamente das URLs oficiais do desafio (repositório Alura):

Loja	Registros	URL
Loja 1	2.359	CSV
Loja 2	2.359	CSV
Loja 3	2.359	CSV
Loja 4	2.358	CSV

Total: 9.435 registros | 12 variáveis originais

Dicionário de Dados

Coluna	Descrição	Tipo
`Produto`	Nome do produto	string
`Categoria do Produto`	Categoria (móveis, eletrônicos, etc.)	string
`Preço`	Preço do produto (R$)	float
`Frete`	Valor do frete (R$)	float
`Data da Compra`	Data da transação	date
`Vendedor`	Nome do vendedor	string
`Local da compra`	UF do comprador	string
`Avaliação da compra`	Nota de 1 a 5	int
`Tipo de pagamento`	Forma de pagamento	string
`Quantidade de parcelas`	Número de parcelas	int
`lat`	Latitude	float
`lon`	Longitude	float

🔬 Metodologia

O projeto segue o processo ETL + EDA:

Processo de Análise

┌─────────────────────┐    ┌─────────────────────┐    ┌─────────────────────┐
│     EXTRAÇÃO        │ →  │   TRANSFORMAÇÃO     │ →  │      ANÁLISE        │
│     (4 CSVs)        │    │     (Limpeza)       │    │       (EDA)         │
└─────────────────────┘    └─────────────────────┘    └─────────────────────┘
         ↓                          ↓                          ↓
   • URLs oficiais           • Normalização             • Faturamento
   • pd.read_csv()           • Tipos corretos           • Categorias
                             • Colunas padrão           • Avaliações
                             • total_pago               • Produtos
                                                        • Frete

Etapas Realizadas

Extração: Carregamento dos 4 CSVs via URLs do repositório oficial
Padronização: Normalização de nomes de colunas (acentos, snake_case)
Transformação: Conversão de tipos (datas, numéricos)
Cálculo: Métrica total_pago = preço + frete
Análise: EDA com foco nas 5 métricas do desafio
Visualização: 5 gráficos com Matplotlib
Recomendação: Relatório final com indicação de venda

🤖 Declaração de Uso de IA

Este projeto foi desenvolvido com assistência de Inteligência Artificial Generativa.

Escopo de Utilização

Aspecto	Descrição
Ferramenta	ChatGPT / Claude
Uso	Revisão de código, boas práticas, documentação
Responsabilidade	Toda análise e interpretação são do autor
Validação	Código compreendido e testado antes do uso

O que foi feito com IA:

✅ Revisão e melhoria de código (PEP 8)
✅ Sugestões de documentação (docstrings)
✅ Estruturação do README
✅ Boas práticas de visualização

O que foi feito pelo autor:

✅ Análise e interpretação dos dados
✅ Decisões sobre métricas e metodologia
✅ Criação da recomendação final
✅ Validação de todos os resultados

Referências sobre Disclosure de IA

Este projeto está alinhado à minha formação contínua em IA aplicada aos negócios, incluindo cursos como IA Aplicada aos Negócios – FGV e Generative AI for Productivity – Cornell.

👤 Autor

_{Fábio Andrade}

Programa: Oracle Next Education (ONE) + Alura
Trilha: Data Science

📄 Licença

Este projeto está sob a licença MIT — consulte LICENSE para detalhes.

Desenvolvido por Fábio Andrade | Aberto a feedbacks e contribuições

Name		Name	Last commit message	Last commit date
Latest commit History 16 Commits
data/raw		data/raw
images		images
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
alura_store_latam_ds_challenge.ipynb		alura_store_latam_ds_challenge.ipynb
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation