Projeto de Análise de Dados Everything Plus

Descrição do Projeto

Este projeto é uma tarefa analítica da loja Everything Plus, uma loja online fictícia que vende utensílios domésticos. Ele foi desenvolvido como a entrega final do curso de analista de dados da Tripleten e tem como objetivo demonstrar na prática os conhecimentos adquiridos durante o curso.

Contexto: A empresa Everything Plus deseja melhorar suas vendas desenvolvendo ofertas mais personalizadas para diferentes usuários por meio da segmentação de clientes. O setor de marketing, juntamente com o comercial, precisa de uma análise precisa para tomar decisões informadas sobre promoções e propagandas.

Objetivos

• Realizar a análise exploratória de dados.
• Segmentar os usuários com base no histórico de compras, implementando ideias próprias para a segmentação.
• Desenvolver ofertas personalizadas para diferentes usuários.
• Formular e testar hipóteses estatísticas.

Ferramentas e Bibliotecas Utilizadas

• Python: Linguagem principal utilizada para a análise.
• Pandas: Biblioteca para manipulação e análise de dados.
• Matplotlib.pyplot, plotly.graph_objects e seaborn: Bibliotecas para criação de gráficos.
• sklearn: Machine learning.
• scipy.cluster.hierarchy: Criação de agrupamentos com machine learning.

Tabela

O arquivo ecommerce_dataset_us.csv contém as seguintes colunas:

• InvoiceNo — identificador de pedido
• StockCode — identificador de item
• Description — nome de item
• Quantity — quantidade de itens
• InvoiceDate — data do pedido
• UnitPrice — preço por item
• CustomerID — identificador do cliente

Metodologia

Objetivo

• Definir os objetivos do estudo e sua importância.
• Identificar o público-alvo interessado nos resultados.
• Determinar quais decisões serão baseadas nas análises.

Análise Exploratória de Dados

• Importar as bibliotecas necessárias.
• Carregar e visualizar os dados.

Pré-processamento

• Identificar e tratar valores ausentes.
  • Substituir CustomerID nulos.
• Renomear colunas para nomes intuitivos e padronizados.
• Corrigir valores anômalos.
• Remover valores duplicados.

Análise dos Dados

• Propor hipóteses de segmentação e comportamento do cliente.
• Criar colunas adicionais para facilitar a análise.
  • Coluna preço da compra.
  • Coluna mês da data do pedido.
  • Coluna preço do pedido.
  • Coluna preço do primeiro pedido.
  • Coluna total gasto.
  • Coluna itens no pedido.
  • Coluna quantidade de pedidos.
• Organizar a ordem das colunas.

Visualização dos Dados

• Desenhar histogramas e outros gráficos relevantes.
  • Gráfico pedido x tempo.
  • Gráfico faturamento x tempo.
  • Gráfico total de pedidos x total gasto.

Agrupamento de Dados

• Filtrar dados relevantes.
• Agrupar dados por clientes.
• Criar mapas de calor para visualização.

Segmentação de Clientes

• Padronizar os dados.
• Aplicar técnicas de aprendizado de máquina para segmentação.
  • Dendrograma para visualização hierárquica.
  • K-means para clustering.
  • Identificação de padrões nos agrupamentos formados pela IA.

Refinamento dos Dados

• Filtrar e ajustar novamente os grupos.
• Reaplicar o K-means para validação dos clusters.

Conclusões

• Analisar como ficou a divisão dos dados.
• Elaborar conclusões com base nos resultados obtidos.

Resultados

Identificou-se que muitos produtos de baixo valor são vendidos em grandes quantidades. Além disso, há pedidos com diversos produtos diferentes, elevando o valor médio dos pedidos. Os clientes fazem compras com certa frequência, cerca de 4 compras por ano em média. Os clientes mais rentáveis são os que fazem muitas compras. Muitos clientes começaram a comprar a partir de uma primeira compra de 300 dólares, indicando que, se foi uma promoção, ela foi bem-sucedida. As compras aumentam do meio do ano para frente, sendo o final do ano o período com mais vendas e faturamento, com destaque para novembro.

Os valores são menos relevantes que a quantidade de produtos. Uma grande parcela da clientela faz poucas compras e de baixo valor.

Aprendizados

Este projeto permitiu-me desenvolver as seguintes habilidades:

• Análise de dados: interpretação e extração de insights valiosos a partir de grandes volumes de dados.
• Limpeza de dados: identificação e correção de valores ausentes, duplicados e anômalos.
• Manipulação de tabelas: reorganização e transformação de dados para facilitar a análise.
• Análise de funil de vendas: compreensão das diferentes etapas do processo de vendas e identificação de pontos de melhoria.
• Criação de gráficos interativos: utilização de bibliotecas como Matplotlib, Plotly e Seaborn para visualizar dados de maneira intuitiva e informativa.
• Segmentação de clientes com aprendizado de máquina: aplicação de técnicas de clustering para identificar grupos distintos de clientes.
• Pré-processamento de dados: preparação dos dados para análise, incluindo normalização e padronização.
• Formulação de hipóteses: desenvolvimento e teste de suposições sobre o comportamento dos clientes com base nos dados.
• Visualização de dados: criação de mapas de calor e outros tipos de visualizações para identificar padrões e tendências.
• Documentação de projetos: elaboração de documentação clara e detalhada para garantir que o projeto seja compreensível e replicável.
• Utilização de bibliotecas e ferramentas: aplicação prática de diversas bibliotecas e ferramentas do ecossistema Python, como Pandas, Seaborn, Plotly, Sklearn e Scipy.
• Tomada de decisões baseadas em dados: uso de insights derivados da análise de dados para orientar decisões estratégicas.

Como Executar o Projeto

• Clone o repositório.
• Navegue até o diretório do projeto.
• Abra o projeto no seu IDE favorito.
• Instale as dependências.
• Execute o script principal.

Contato

Andre Corso Camara
LinkedIn
Email: [email protected]

Assim, a seção Aprendizados ficou mais robusta, refletindo um conjunto mais amplo de habilidades desenvolvidas ao longo do projeto.