📊 Etapas do Projeto
- ETL e Pré-processamento (Python) Nesta fase, utilizei Python para tratar o dataset original que continha variáveis em inglês e códigos numéricos.
Data Cleaning: Padronização de strings e tratamento de nulos.
Tradução: Conversão total de categorias para Português.
Otimização: Tipagem de dados para redução do consumo de memória no motor VertiPaq do Power BI.
- Modelagem de Dados (Power BI - Star Schema) Abandonei o uso de tabelas "flat" (única tabela larga) em favor de um Esquema Estrela (Star Schema).
Tabela Fato: Fato_Vendas contendo chaves estrangeiras e métricas transacionais.
Tabelas Dimensão: Dim_Produto, Dim_Cliente, Dim_Geografia e uma dCalendario robusta em DAX.
Vantagem: Maior performance de processamento e garantia de integridade nas relações 1:N.
- Inteligência de Dados com DAX As métricas foram construídas utilizando a técnica de Measure Branching (ramificação de medidas), garantindo código limpo e reutilizável.
Lead Time Real: Lead Time Real = DATEDIFF(Fato_Vendas[data_pedido], Fato_Vendas[data_envio_real], DAY)
Crescimento de Vendas (YoY): Crescimento Vendas % = DIVIDE([Total Vendas] - [Vendas LY], [Vendas LY], 0) Pareto de Atrasos: Cálculo acumulado para identificar os 20% de produtos que geram 80% dos atrasos.
🎯 A Solução: Diagnóstico de Atrasos Multi-Label O maior desafio deste projeto foi prever a causa dos atrasos com múltiplos rótulos. A solução foi implementada através de três frentes analíticas:
Análise de Dispersão (Clusters): Ao cruzar Lead Time Real vs. Valor do Pedido, identifiquei se o atraso era Operacional Interno (preparação lenta) ou Logístico Externo (falha na transportadora).
Pareto de Ofensores: Identificação exata de quais categorias de produtos retêm o maior volume de atrasos, permitindo ações de estoque direcionadas.
Árvore de Decomposição (IA): Utilização de Inteligência Artificial para decompor o status "Atrasado" e encontrar automaticamente as variáveis de maior influência (ex: correlação entre modo de envio e segmento de cliente).
📈 Dashboard Final Visão de Composição de Status: Panorama de performance por canal.
Concentração de Atrasos: Foco no que realmente importa (80/20).
Correlação Operacional: Identificação de gargalos de tempo vs. ticket médio.
Explorador de Causas Raiz: Diagnóstico assistido por IA.
