📊 Análise de Dados de Vendas e Storytelling

Este repositório apresenta um projeto completo de análise de dados de vendas, desenvolvido para transformar dados brutos em insights acionáveis e um storytelling visual claro, com o objetivo de apoiar a tomada de decisões estratégicas de negócio.

---

🎯 Objetivo do Projeto

O principal objetivo foi explorar um dataset de vendas, identificar padrões, tendências e anomalias, e comunicar as descobertas de forma eficaz, simulando um processo de análise de dados completo com foco em um dashboard de negócios.

---

✨ Etapas e Metodologia

O projeto seguiu um pipeline robusto de análise de dados, passando pelas seguintes etapas:

🔄 ETL (Extract, Transform, Load)

• Extração: Coleta de dados brutos de vendas, produtos e lojas a partir de arquivos CSV.
• Transformação: Limpeza e padronização dos dados, incluindo:
  • Normalização de nomes de produtos
  • Tratamento de valores nulos
  • Conversão de tipos de dados para garantir a integridade
• Carregamento: Inserção dos dados processados em um banco de dados MySQL robusto e relacional.

🧠 Análise de Dados com SQL

• Execução de consultas SQL complexas para extração de métricas relevantes.
• Análise de tendências anuais de receita.
• Mapeamento da distribuição geográfica das vendas por regiões, países e desempenho de lojas.
• Identificação dos produtos e categorias mais vendidos e sua contribuição na receita.
• Análise de comportamento do cliente com base em métricas RFM (Recência, Frequência, Valor Monetário) e valor médio de compra.

📈 Visualização de Dados com Python

• Criação de gráficos e tabelas utilizando:
  • Pandas
  • Matplotlib
  • Seaborn
• Desenvolvimento realizado no ambiente Jupyter Notebook (02_insights.ipynb).
• Simulação de dashboards para facilitar a compreensão visual dos insights.

🧾 Storytelling de Dados

• Organização das análises e visualizações em uma narrativa coesa, projetada para guiar as partes interessadas pelas descobertas mais relevantes e suas implicações estratégicas.

---

🔍 Principais Insights e Entregas

• Visão Geral do Negócio: Receita total, volume de transações e evolução anual das vendas.
• Performance Geográfica: Regiões, países e lojas com maior e menor desempenho.
• Produtos e Categorias: Itens que mais impulsionam vendas e receita.
• Comportamento do Cliente: Perfil dos clientes mais valiosos e valor médio de compra.
• Desafios e Oportunidades: Destaque para regiões subrepresentadas (ex: região Norte no Brasil) e propostas de ações estratégicas para crescimento.

---

🛠️ Tecnologias Utilizadas

• Linguagens: SQL, Python
• Banco de Dados: MySQL
• Bibliotecas Python: Pandas, Matplotlib, Seaborn, SQLAlchemy
• Ambiente: Jupyter Notebook