Este projeto realiza uma Análise Exploratória de Dados (EDA) em um ecossistema de E-commerce com foco em performance operacional e tomada de decisão.
O objetivo foi conduzir um verdadeiro Health Check de Negócio, avaliando:
- Performance de vendas
- Impacto de descontos no faturamento
- Eficiência logística (Lead Time)
- Distribuição geográfica da operação
- Comportamento de compra dos clientes
O dataset contempla exclusivamente Janeiro de 2026, permitindo uma análise aprofundada do comportamento mensal.
Em operações de E-commerce, crescimento de vendas não significa necessariamente aumento de rentabilidade.
Durante o período analisado:
- 98% das vendas ocorreram com desconto
- A operação apresentou alta concentração de vendas na primeira quinzena
- O frete impactou diretamente a margem em determinadas regiões
A pergunta central foi:
A operação está crescendo de forma saudável ou sacrificando margem e eficiência logística?
- Concentração geográfica de clientes (Estado / Cidade)
- Top 10 categorias com maior volume
- Impacto real dos descontos no ticket médio
- Relação entre frete e conversão
- Métodos de pagamento mais utilizados
- Frequência de recompra e retenção de clientes
- Receita líquida considerando custo de envio
Insight relevante:
O volume foi sustentado por descontos agressivos, pressionando margem e concentrando faturamento na primeira quinzena.
Foram criadas três métricas principais:
- Tempo de Despacho:
ship_date - order_date - Tempo Total de Entrega:
delivery_date - order_date - Tempo de Transporte: diferença entre envio e entrega
Análises realizadas:
- Categorias com maior tempo médio de envio
- Regiões com maior variabilidade logística (desvio padrão elevado)
- Estados com maior proporção de frete sobre valor do produto
- Envios realizados acima do tempo médio
Insight relevante:
Em algumas regiões, o frete ultrapassa 15–20% do valor do produto, indicando possível ineficiência operacional.
Estrutura hierárquica analisada:
Brand → Category → Subcategory
Foi desenvolvido um Treemap para entender:
- Marcas dominantes por categoria
- Concentração de faturamento
- Distribuição estratégica do inventário no mês
O projeto também conta com uma aplicação interativa desenvolvida em Streamlit:
🚀 Acesse aqui:
https://ecomerceprojectkaggle.streamlit.app/
Dataset público disponível no Kaggle:
🔗 https://www.kaggle.com/datasets/sharmajicoder/e-commerce-sales-dataset
- Python
- Pandas
- NumPy
- Matplotlib
- Seaborn
- Streamlit
- Limpeza e tratamento de inconsistências temporais
- Criação de métricas logísticas (Feature Engineering)
- Análise estatística descritiva
- Visualização executiva orientada a decisão
- Construção de dashboard interativo
📁 data/ → Base de dados original 📓 E-commerce-Sales-Project.ipynb → Notebook completo com EDA 📊 app.py → Aplicação interativa em Streamlit README.md → Documentação do projeto
- Análise de margem bruta estimada
- Modelagem preditiva de tempo de entrega
- Clusterização de clientes por comportamento de compra
- Simulação de impacto de redução de descontos
Lucas Pimenta Barretto
Analista de Dados | Foco em Performance & Estratégia
📧 lucaspimenta1805@gmail.com
💼 Portfólio: https://www.datascienceportfol.io/lucaspimenta1805
Dados bem analisados contam histórias. Histórias bem contadas geram decisão.