Este projeto simula um cenário real de uma empresa de e-commerce enfrentando problemas de satisfação do cliente devido a atrasos nas entregas. O objetivo foi extrair milhões de registros da nuvem, calcular a taxa de falha do Acordo de Nível de Serviço (SLA de 4 dias) e identificar os gargalos logísticos geográficos.
1. Engenharia de Dados e Extração (Google BigQuery & SQL):
- Conexão direta com um Data Warehouse em Cloud (GCP).
- Uso de
INNER JOINpara cruzar tabelas de pedidos e clientes. - Aplicação de regras de negócio (SLA) direto na extração usando
CASE WHENe funções de data (DATE_DIFF).
2. Análise Exploratória e Estatística (Python, Pandas & Seaborn):
- Limpeza e manipulação de DataFrames via Google Colab.
- Uso de estatística descritiva (
.describe()) para identificar outliers (entregas de até 8 dias). - Criação de lógicas condicionais (
numpy.where) e agrupamentos complexos (.groupby) para calcular a proporção real de atrasos, evitando o viés de volume absoluto.
3. Visualização Executiva e Modelagem (Power BI & DAX):
- DAX Avançado: Criação de medidas dinâmicas utilizando
CALCULATEeDIVIDEpara garantir transição de contexto de filtro perfeita. - UX/UI para Dados: Design corporativo focado em storytelling visual, utilizando mapas de calor (Treemap) com formatação condicional para destacar problemas críticos de negócio.
- O Viés do Volume: Inicialmente, São Paulo liderava em números absolutos de atrasos. Porém, ao analisar a proporção, provou-se que a região Sudeste é altamente eficiente dado o seu volume.
- O Verdadeiro Gargalo: A taxa de falha de SLA global da empresa é de 40%. O problema está isolado em rotas do Norte e Nordeste, com Roraima (75%) e Amapá (64%) liderando o ranking de ineficiência.
- Plano de Ação: A diretoria de Supply Chain deve utilizar esses dados para renegociar imediatamente os contratos de Last-Mile (última milha) com as transportadoras dessas regiões específicas.
Projeto arquitetado e desenvolvido por Gabriel Motta Leite.