README

Author: thedrads

README.md

@@ -1 +1,149 @@
-# alura-store-latam-ds-challenge
+# Alura Store, Desafio de Data Science (ONE)
+
+Análise das quatro lojas da Alura Store. Objetivo, identificar a loja com pior desempenho e recomendar qual vender, usando dados oficiais do desafio, Python com Pandas e Matplotlib, e um fluxo reprodutível no Google Colab.
+
+---
+
+## Propósito da análise
+
+- Identificar a loja com pior desempenho no período disponível.
+- Calcular e comparar métricas por loja: faturamento total, categorias mais compradas, avaliação média e mediana, produtos mais e menos vendidos, frete médio.
+- Produzir gráficos claros e um resumo executivo que embasem a recomendação.
+
+Métrica principal de decisão, faturamento total igual a **Preço + Frete**. Esta definição está documentada no notebook e foi usada no ranking e na recomendação.
+
+---
+
+## Estrutura do projeto
+
+alura-store-latam-ds-challenge/
+├─ README.md
+├─ alura_store_latam_ds_challenge.ipynb
+└─ images/
+├─ 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
+
+---
+
+## Exemplos de gráficos e insights
+
+### 1) Faturamento total por loja
+<img src="images/01_faturamento_por_loja.png" alt="Faturamento por loja" width="900">
+
+Achados principais, participação no total:
+- loja_1, 26,1%  | R$ 1.616.347  
+- loja_2, 25,4%  | R$ 1.567.773  
+- loja_3, 24,9%  | R$ 1.542.048  
+- loja_4, 23,6%  | R$ 1.458.253  
+
+A loja_4 contribui menos para a receita total.
+
+---
+
+### 2) Vendas por categoria, contagem de pedidos
+<img src="images/02_vendas_por_categoria.png" alt="Vendas por categoria" width="900">
+
+Mix dominante:
+- móveis, 20%  
+- eletrônicos, 19%  
+- brinquedos, 14%  
+- eletrodomésticos, 12%  
+
+Mercado pulverizado, sem item individual que concentre grande volume.
+
+---
+
+### 3) Avaliação média e mediana por loja
+<img src="images/03_avaliacao_lojas.png" alt="Avaliação das lojas" width="900">
+
+As médias variam ligeiramente de 3,98 a 4,05
+loja_3 4,05, loja_2 4,04, loja_4 4,00, loja_1 3,98.
+
+As medianas são 5,0 em todas as lojas, indicando concentração de avaliações máximas.
+
+A diferença entre a melhor e a pior média é de 0,07 ponto (≈ 1,8% na escala 1–5), pequena e sem vantagem competitiva clara para a loja_4.
+
+Insight: como a mediana é 5,0 em todas, a melhoria passa por reduzir eventos de notas 1–4, que puxam a média para baixo.  
+
+---
+
+### 4) Top 10 produtos por volume
+<img src="images/04_top10_produtos_volume.png" alt="Top 10 produtos por volume" width="900">
+
+Os líderes ficam perto de 2% do volume cada, reforçando a pulverização. Não há produto âncora que mude o resultado da loja_4.
+
+---
+
+### 5) Frete médio por loja com referência na mediana global
+<img src="images/05_frete_medio_por_loja.png" alt="Frete médio por loja" width="900">
+
+Frete médio: loja_1 R$ 35, loja_2 R$ 34, loja_3 R$ 33, loja_4 R$ 31.  
+Mediana global, aproximadamente R$ 16. Frete um pouco menor na loja_4 não compensa a menor receita.
+
+---
+
+## Resumo executivo e recomendação
+
+**Recomendação, vender a loja_4.**
+
+Justificativa curta:
+- Menor participação no faturamento total do período.
+- Satisfação parecida, média 4,00, sem vantagem frente às demais.
+- Frete um pouco menor não compensa a menor geração de receita.
+- Mix disperso, sem alavancas claras para reversão no curto prazo.
+
+---
+
+## Instruções para executar o notebook
+
+1. Abra **`alura_store_latam_ds_challenge.ipynb`** no **Google Colab**.  
+2. Execute a célula de **setup** e a **seção 0.2** para montar o DataFrame mestre.  
+3. Execute as seções **1 a 5**, na ordem. As figuras são exibidas e também **salvas automaticamente** na pasta `images/`.  
+4. Verifique a pasta `images/` para usar os arquivos PNG no README e em apresentações.
+
+Requisitos:
+- Google Colab, ou Python 3 com **pandas** e **matplotlib**.
+- O notebook usa **unicodedata** apenas para normalizar nomes de colunas. É biblioteca padrão do Python, não adiciona dependência externa.
+
+---
+
+## Notas sobre dados e metodologia
+
+- Os CSV oficiais do desafio são lidos pelas URLs do repositório base no notebook.
+- Tipos garantidos, datas convertidas, valores monetários como float, avaliação como inteiro, normalização de nomes de colunas.
+- Métrica principal de faturamento, **Preço + Frete**, explicitada para evitar ambiguidade.
+- Foco comparativo entre lojas, com gráficos simples, rótulos legíveis e unidades claras.
+
+---
+
+## Nota sobre a documentação
+
+Este projeto mantém a documentação em dois locais complementares:
+
+**README.md**
+Visão geral do projeto, estrutura de pastas, exemplos de gráficos e instruções de execução.
+
+**Dentro do notebook**
+Seção **“Resumo executivo — Alura Store (Desafio ONE)”**, com os principais achados e a recomendação final, pensada para leitura contínua no Colab logo após executar as células.
+
+### Por que manter os dois
+
+* Facilita a vida de quem navega pelo GitHub e de quem abre direto no Colab.
+* Garante reprodutibilidade: os gráficos exibidos no README são gerados pelo notebook e salvos em `images/`.
+* Evita dependência de ferramentas externas para entender o resultado.
+
+### Como evitar divergências
+
+* O README não repete números linha a linha. Os valores “oficiais” ficam no notebook e nas figuras salvas em `images/`.
+* Sempre que atualizar as análises, reexecute as células de gráficos para atualizar `images/` antes de commitar.
+
+### Como encontrar no notebook
+
+* Abra o arquivo `.ipynb` e busque por **“Resumo executivo — Alura Store (Desafio ONE)”**.
+
+## Autor
+
+Fábio Andrade, participante do programa Oracle Next Education.