📊 Análise de Vendas e Lucratividade no E-commerce (Superstore)

Contexto do Projeto

Este projeto realiza uma Análise Exploratória de Dados (EDA) sobre um dataset de vendas de um e-commerce fictício (Superstore).

O objetivo principal é entender padrões de vendas, lucratividade e impacto de descontos, identificando oportunidades para melhorar a rentabilidade do negócio.

A análise busca responder uma questão comum em operações de e-commerce: vender mais necessariamente significa lucrar mais?

Através da exploração dos dados, foram identificados produtos, categorias e estratégias comerciais que contribuem para o lucro — e outros que geram prejuízo.

🎯 Objetivos da análise

1. Analisar o desempenho geral de vendas e lucratividade.
2. Identificar categorias e subcategorias mais e menos lucrativas.
3. Investigar a relação entre descontos e lucro.
4. Detectar pedidos que geram prejuízo para o negócio.
5. Identificar oportunidades de melhoria na estratégia comercial.

📂 Estrutura dos Dados

O dataset utilizado contém informações detalhadas sobre pedidos realizados em uma loja online, incluindo:

• Data do pedido
• Categoria e subcategoria do produto
• Segmento de cliente
• Região de venda
• Valor de vendas (Sales)
• Lucro (Profit)
• Descontos aplicados (Discount)
• Quantidade vendida (Quantity)

O conjunto de dados possui aproximadamente 10 mil registros de pedidos, permitindo análises detalhadas sobre comportamento de vendas e lucratividade.

⚙️ Metodologia

1. Preparação e limpeza dos dados

• Importação do dataset
• Verificação de valores nulos e inconsistências
• Padronização de tipos de dados
• Conversão de colunas de data
• Criação de variáveis temporais (ano, mês)

2. Análise Exploratória (EDA)

• Análise da distribuição de vendas e lucro
• Identificação de pedidos com lucro negativo
• Avaliação da margem média do negócio
• Análise da distribuição de descontos aplicados

3. Análises de Desempenho por Categoria

• Comparação de vendas e lucro por categoria
• Identificação de subcategorias com maior rentabilidade
• Detecção de produtos com prejuízo recorrente

4. Impacto dos Descontos na Lucratividade

• Avaliação da relação entre descontos e lucro
• Identificação de faixas de desconto que geram prejuízo
• Análise do impacto da política de descontos no resultado financeiro

5. Análise Temporal

• Evolução das vendas ao longo do tempo
• Identificação de possíveis padrões sazonais

📈 Principais Insights e Conclusões

✅ Visão geral

A análise mostrou que alto volume de vendas não garante alta lucratividade.

Embora o negócio apresente vendas consistentes, uma parcela significativa dos pedidos gera lucro muito baixo ou até prejuízo, principalmente devido à aplicação de descontos elevados.

🔎 Achados relevantes

• Aproximadamente 18,7% dos pedidos geram prejuízo.
• Existe uma relação clara entre altos descontos e queda no lucro.
• Algumas subcategorias apresentam prejuízo recorrente, mesmo com volume relevante de vendas.
• Subcategorias como Tables, Bookcases e Supplies possuem desempenho financeiro negativo.
• Produtos como Copiers, Phones e Accessories concentram grande parte da lucratividade.
• A estratégia de descontos parece estar sendo utilizada de forma agressiva, reduzindo as margens do negócio.

🧾 Conclusão final

📌 O principal problema identificado não está no volume de vendas, mas na gestão de margens e descontos.

A empresa possui forte potencial de rentabilidade, porém a política comercial atual permite que uma parcela relevante das vendas aconteça com margem negativa.

Uma gestão mais estratégica de descontos e portfólio de produtos pode melhorar significativamente o resultado financeiro.

✅ Recomendações de Negócio

• Revisar a política de descontos aplicada aos produtos
• Reduzir descontos em categorias com margem já reduzida
• Reavaliar o posicionamento comercial de subcategorias com prejuízo recorrente
• Priorizar campanhas e estoque de produtos com maior rentabilidade
• Implementar monitoramento contínuo de lucro por pedido

🛠️ Tecnologias e Bibliotecas Utilizadas

O projeto foi desenvolvido em Python, com foco em análise e visualização de dados:

• Pandas / NumPy → manipulação e análise de dados
• Matplotlib / Seaborn → visualizações exploratórias
• Jupyter Notebook → ambiente de análise
• Git / GitHub → versionamento e documentação do projeto