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

Faturamento por loja

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

Vendas por categoria

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

Avaliação das lojas

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

Top 10 produtos por volume

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

Frete médio por loja

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

Abra alura_store_latam_ds_challenge.ipynb no Google Colab.
Execute a célula de setup e a seção 0.2 para montar o DataFrame mestre.
Execute as seções 1 a 5, na ordem. As figuras são exibidas e também salvas automaticamente na pasta images/.
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.