📈 Power BI para Restaurantes: Plataforma Customizável de Data Analytics para Food Service

O "Power BI para restaurantes". Uma plataforma de Business Intelligence (BI) customizável para donos de food service transformarem dados operacionais massivos em decisões estratégicas.

---

💡 O Desafio e a Solução Proposta

O Problema (A Dor da Maria)

Restaurantes geram dados complexos e volumosos através de múltiplos canais (iFood, Rappi, próprio app, presencial), mas os donos não possuem a ferramenta adequada para unificar, explorar e extrair insights rápidos. A dificuldade em responder perguntas cruciais como "Qual produto vende mais no iFood na quinta à noite?" ou "Em quais regiões o tempo de entrega piorou?" impede a tomada de decisões ágil e informada.

Nossa Solução: Power BI para Restaurantes

Power BI para Restaurantes é uma plataforma construída para dar poder a donos de restaurantes, como Maria, através da visualização de dados. O objetivo é fornecer uma ferramenta:

1. Customizável e Sem Código: Permitir a criação de dashboards personalizados através de uma interface intuitiva.
2. Focada em Métrica de Food Service: Apresentar métricas relevantes para a operação (RFM, Logística, Vendas).
3. Comparativa e Analítica: Facilita a comparação de períodos e a aplicação de filtros avançados.
4. Colaborativa: Capacidade de salvar e gerenciar layouts.

---

✨ Tecnologias e Arquitetura

Stack Técnica Detalhada

Categoria	Tecnologia	Versão Principal	Justificativa e Utilização
Frontend (UI)	Flutter / Dart	SDK 3.x+	Desenvolveu a aplicação web, priorizando UX, layout flexível e renderização de gráficos.
Backend (API)	Node.js (Express)	Node 18+	API leve responsável por receber o payload de consulta e executar a query SQL dinâmica.
Banco de Dados	PostgreSQL	14+	Robusto para data warehousing e otimizado com Materialized Views.
Otimização de Dados	Materialized Views (MVs)	SQL/Postgres	MVs pré-calculam e pré-agregam métricas complexas (RFM, Sumários), garantindo consultas rápidas.
Scripts	Python 3		Utilizado para scripts de inicialização, criação de schema e geração de dados.

Decisões Arquiteturais Chave (Foco em Performance)

1. Otimização de Dados (MVs): O uso de Materialized Views (MVs) é a principal decisão arquitetural de performance. Por exemplo, a MV mv_delivery_performance usa o PERCENTILE_CONT(0.9) para fornecer métricas de entrega estáveis (P90), pré-calculadas e prontas para o consumo.
2. Consulta Dinâmica Estável: O backend Node.js é projetado para:
   • Aplicar prefixos de tabela (p. ou h.) para resolver ambiguidades em JOINs complexos.
   • Gerenciar a agregação (SUM, AVG) e a cláusula GROUP BY de forma condicional, desativando-os em MVs que já são pré-agregadas por natureza (como RFM), o que evita erros de lógica e duplicação de agregação.
3. Persistência de Estado: O estado do dashboard (layout, visualização e filtros) é salvo localmente (SharedPreferences), permitindo o gerenciamento nomeado de layouts pelo usuário final.

---

🚀 Como Executar o Projeto Localmente

🔧 Pré-requisitos

• Git
• Node.js (v18+ ou superior)
• Python 3 (Com os módulos psycopg2, argparse, e os instalados)
• Flutter SDK (Canal Stable)
• PostgreSQL Database (URL de conexão ativa)

1. Instalação e Configuração

1. Clone o repositório:

   git clone [https://github.com/Guilherme-A-Silva/Analytics-Customiz-vel.git](https://github.com/Guilherme-A-Silva/Analytics-Customiz-vel.git)
   cd Analytics-Customiz-vel

2. Configuração do Ambiente (.env): Crie um arquivo .env na raiz do projeto contendo a URL de conexão com seu banco de dados PostgreSQL:

   DATABASE_URL="postgresql://user:password@host:port/dbname"
   

2. Inicialização do Banco de Dados (Sequência Obrigatória)

Execute os scripts Python na ordem exata para criar o schema e popular as Materialized Views (MVs). O argumento --db-url é obrigatório para conectar o script ao banco de dados.

Passo	Script	Ação	Comando de Execução
1	create_schema.py	Cria as tabelas transacionais (brutas).	python create_schema.py --db-url="$DATABASE_URL"
2	generate_data.py	Popula as tabelas com os 500.000 registros de vendas simuladas.	python generate_data.py --db-url="$DATABASE_URL"
3	create_mvs.py	Cria e atualiza as Materialized Views otimizadas.	python create_mvs.py --db-url="$DATABASE_URL"

3. Execução do Backend e Frontend

Inicie as aplicações a partir dos seus respectivos diretórios:

Aplicação	Pasta	Comando
Backend (API)	backend/	cd backend npm install (primeira vez) node server.js
Frontend (Flutter)	analise_ui/	cd analise_ui flutter pub get (primeira vez) flutter run -d chrome

Acesso

A plataforma estará acessível no navegador na porta indicada pelo comando flutter run (geralmente http://localhost:8080/).

---

🔑 Funcionalidades Chave Implementadas

• Gerenciamento de Layouts: Salvar, carregar e excluir layouts completos de dashboard nomeados.
• Gráficos Pré-Definidos: Catálogo com mais de 10 templates focados em métricas de food service.
• Recarga Otimizada: Recarregamento individual de cartões e recarga automática após operações críticas.
• Formatação de UX: Conversão de datas ISO para dd/MM, formatação condicional de valores (R$ vs. Unidades) e eliminação de sobreposição de rótulos.
• Manual de Usuário: Pop-up detalhado no menu lateral explicando a função de cada botão.

---

🤝 Contato

Desenvolvido por: [Guilherme Augusto/Kelder] Email: [guilhermekelder@gmail.com] LinkedIn