Análise Exploratória de Dados (EDA) no dataset público do e-commerce brasileiro Olist, com o objetivo de extrair insights estratégicos que auxiliem na otimização do portfólio de produtos, melhoria da experiência do cliente, refinamento da eficiência logística e operacional e identificação de oportunidades de crescimento. Para isso, foram utilizadas técnicas de limpeza e tratamento de dados, análise estatística, visualizações e modelagem de métricas.
A Olist é uma plataforma de tecnologia que conecta pequenos e médios comerciantes de todo o Brasil aos principais marketplaces do país. Com quase de 100 mil pedidos registrados entre 2016 e 2018.
 |
 |
|---|---|
 |
 |
ETL e Validação: Preparação dos dados, limpeza e tratamento para o Power BI. Inclui verificações de consistência para garantir que os valores trabalhados no Power BI estejam alinhados com o dataset original.
Visualizar notebook diretamente no GitHub
Nota: O notebook original utilizava um banco de dados SQL privado fornecido pela instituição Harve. Por questões de segurança, as credenciais foram removidas na versão publicada. A lógica de tratamento e análise permanece completa e pode ser replicada com os arquivos CSV públicos da Olist disponíveis no Kaggle.
Contexto geral sobre o desempenho de vendas, servindo de base para as análises nas demais páginas.
- Sazonalidade: picos de vendas em novembro e maio
- Cartão de crédito é o meio de pagamento predominante.
- SP, RJ, MG concentram 65% da receita total (R$ 10,1 Mi)
Visão Geral
- 96 mil clientes cadastrados | 99 mil pedidos realizados
- Receita total: R$ 15,42 Mi
- Apenas 3% dos pedidos não foram entregues
Concentração Geográfica e Top Clientes
- SP concentra 42% dos clientes (maior base)
- SP, RJ, MG representam 65% do total de clientes
- Cliente com maior frequência: 17 pedidos (SP)
Ações:
-
Clientes com maior quantidade de pedidos estão concentrados nas regiões Sudeste e Sul.
→ Ação: Criar programas de fidelidade e campanhas personalizadas para essas regiões, já que concentram os clientes mais engajados. -
Estados com maior receita possuem maior quantidade de clientes.
→ Ação: Manter e fortalecer a operação nesses estados (SP, RJ, MG), garantindo estoque, logística e atendimento de qualidade para não perder essa base.
→ Ação: Monitorar tempo de entrega nesses estados para evitar baixa da review score. -
Apenas 3% dos pedidos não foram entregues.
→ Ação: Monitorar de perto os casos de não entrega, especialmente nos estados com maior volume, para evitar impacto na satisfação nos estados com maior receita.
- A partir do scatter plot de volume de vendas por estado e média de review score podemos fazer um diagnóstico estratégico por estado e classificar eles em 4 grupos, permitindo priorizar ações com base em dados.
-
Alto Volume | Alta Review Socore: Estados que vendem muito e os clientes estão satisfeitos. Manter foco e investimento. -
Alto Volume | Baixa Review Score: Estados que vendem muito mas algo está errado. Investigar fatores que estão baixando a satisfação. -
Baixo Volume | Alto Review Score: Estados com baixo volume mas satisfação alta. Possibilidade de expansão de mercado -
Baixo Volume | Baixo Review Score: Estados de baixa prioridade. Avaliar continuidade das operações.
-
Ações:
-
A média do review score está diretamente relacionada ao cumprimento do prazo de entrega: entregas antes do prazo têm nota média de 4,22, enquanto entregas atrasadas caem para 2,27. → Ação: Reduzir o tempo de entrega nessas regiões é um caminho direto para aumentar a satisfação. Estados com alto volume de vendas e baixa review score podem ter o problema associado a atrasos na logística.
-
Média de quantos dias levou para entregar o produto (11,98 dias) menor do que a média da expectativa (23,89 dias): → Ação: É um ponto positivo para a operação pois, em média, as entregas estão sendo feitas em metade do tempo estimado. Porém, é necessarío olharmos para os estados com alta demanda e baixa review score, pode ser que nesses locais específicos a realidade seja diferente da média geral.
- Ao analisar o scatter plot com Volume de Itens Vendidos X Receita por Categoria e a tabela com ticket médio podemos classificar as categorias em grupos estratégicos e direcionar ações de negócio:
-
Volume Alto | Receita Alta: Categorias campeãs, mais vendem e mais faturam. Manter investimento, garantir estoque e variedade. -
Baixo Volume | Receita Alta: Categorias exclusivas, Ticket elevado mas vendem menos. Manter exclusividade e investir em campanhas direcionadas para esse público nichado. -
Volume Alto | Receita Baixa: Categorias populares, alto volume de vendas mas Ticket baixo. Focar em upsell e cross-sell aproveitando o fluxo de volume já existente. -
Volume Baixo | Receita Baixa: Categorias a serem reavaliadas. Estudar reposicionamento ou descontinuamento.
-
Relacionamento entre as tabelas no Power BI, seguindo o modelo estrela (Star Schema) para otimizar a performance e a criação de medidas DAX.
Google Colab (Python)
- Ambiente principal para análise exploratória, limpeza e tratamento dos dados.
Pyhton (Bibliotecas)
pandas,sqlalchemy
Power BI
Power Query→ Limpeza e conversão de dadosDAX→ Criação de Medidas e MétricasDashboardcom os principais insights
Sofia Fernandes Job Junqueira 📫 sofiafjob@gmail.com
Dataset: Olist Public Dataset (2016-2018) – dados anonimizados da e-commerce brasileira, disponível publicamente no Kaggle. O acesso foi realizado via banco de dados SQL montado para fins educacionais pela Instituição Harve.