Este projeto tem como objetivo realizar uma análise ponta a ponta de uma base de dados global de cadeia de suprimentos (Supply Chain) e varejo. O foco principal é transformar dados brutos em Inteligência de Negócios (Business Intelligence), avaliando o comportamento de vendas, a eficiência logística, o impacto financeiro de descontos e, por fim, utilizando Machine Learning para prever riscos de atrasos nas entregas.
O conjunto de dados contém mais de 180.000 registros de transações, englobando informações de clientes, produtos, localidades geográficas e métricas logísticas.
- Análise Exploratória (EDA): Identificar os produtos mais/menos vendidos e mapear o volume de vendas por país.
- Auditoria Logística: Verificar se o volume de pedidos ou a localidade afetam a velocidade de entrega real da empresa.
- Análise Financeira: Descobrir se a política de descontos está canibalizando as margens de lucro.
- Modelagem Preditiva: Desenvolver um modelo de classificação capaz de prever pedidos com risco de atraso (
Late_delivery_risk) e entender as causas raiz desses atrasos.
- O portfólio de maior sucesso da empresa é fortemente voltado para artigos esportivos e vestuário leve (ex: Perfect Fitness Perfect Rip Deck).
- Equipamentos pesados (como elípticos e halteres) possuem saída irrisória, o que levanta a necessidade de revisão de estoque.
- Os maiores mercados consumidores globais são Estados Unidos, México e França.
- Cruzando os países que mais compram com o tempo real de entrega, descobriu-se uma cadeia de suprimentos altamente padronizada.
- Independentemente do país de destino ou do volume de itens comprados, a empresa possui um SLA (Acordo de Nível de Serviço) incrivelmente consistente, realizando entregas em uma média de 3,4 a 3,6 dias globalmente.
- Ao rodar uma correlação de Pearson entre a Taxa de Desconto e a Margem de Lucro Líquida, o resultado foi -0.0041 (estatisticamente nulo).
- Conclusão: O time de vendas utiliza os descontos de forma estratégica, sem sacrificar a saúde da empresa. Mesmo com descontos de até 25%, a margem de lucro se mantém cravada em cerca de 17%.
Para passar da análise descritiva para a preditiva, foi construído um modelo de Inteligência Artificial (Random Forest Classifier) para prever a probabilidade de um pacote atrasar.
- Acurácia do Modelo: Excelente taxa de acerto na base de testes.
- Feature Importance: O modelo revelou que a raiz dos atrasos não é geográfica (o país) nem relacionada ao produto, mas sim atrelada ao Prazo Programado (
Days for shipment scheduled) e ao Modo de Envio (Shipping Mode) escolhidos no momento do checkout.
- Linguagem: Python
- Manipulação e Limpeza de Dados:
pandas,numpy - Visualização de Dados:
matplotlib,seaborn - Machine Learning:
scikit-learn(RandomForestClassifier, train_test_split, classification_report) - Ambiente de Desenvolvimento: Jupyter Notebook / Kaggle Notebooks
├── data/ # Pasta para os arquivos CSV (DataCoSupplyChainDataset) - não inclusos no git por tamanho
├── notebooks/ # Jupyter Notebooks com as análises passo a passo
│ └── analise_supply_chain.ipynb
├── src/ # Scripts Python auxiliares (se houver)
├── README.md # Este documento