Tech Sales Analytics

Este projeto consiste em um pipeline de Análise de Dados e ETL (Extração, Transformação e Carga) voltado para o setor de varejo de tecnologia. O objetivo é unificar bases de dados distintas, tratar inconsistências e gerar insights sobre o faturamento de lojas, performance de gerentes e métricas regionais.

📊 O Projeto

A análise utiliza dados de vendas de produtos como iPhones, Notebooks e periféricos, cruzando informações de faturamento com metas estabelecidas para diferentes regiões do Brasil.

Principais Etapas (ETL):

1. Extração: Carregamento de múltiplas fontes de dados (CSV e Excel) contendo históricos de vendas globais e regionais.
2. Transformação:
   • Padronização de nomes de lojas e produtos (limpeza de strings).
   • Tratamento de valores ausentes (NaN) e inconsistências de caixa alta/baixa.
   • Criação de novas métricas, como faturamento total por pedido.
3. Carga/Análise: Consolidação dos dados para visualização de metas e performance por loja.

📂 Estrutura de Dados

O projeto utiliza os seguintes arquivos:

• analise.ipynb: Notebook Jupyter contendo todo o código de tratamento, limpeza com a biblioteca pandas e visualizações.
• vendas_tech.csv: Base principal com o histórico de vendas, produtos e clientes.
• vendas_loja_curitiba.csv: Dados específicos da unidade regional Sul.
• gerentes_lojas.xlsx: Tabela de referência relacionando gerentes, lojas e suas respectivas metas mensais.

🛠️ Tecnologias Utilizadas

• Python 3.x
• Pandas: Manipulação e tratamento de dados.
• NumPy: Operações matemáticas e suporte a arrays.
• Jupyter Notebook: Ambiente para análise exploratória.

📈 Insights Gerados

O sistema permite identificar:

• Quais lojas estão batendo as metas mensais.
• Os produtos com maior volume de saída e ticket médio.
• A performance comparativa entre vendas presenciais e online.
• Ranking de faturamento por região (Sul, Sudeste, Nordeste, etc.).

🚀 Como Executar

1. Certifique-se de ter o Python e o Jupyter instalados.
2. Instale as dependências necessárias:

   pip install pandas numpy openpyxl

3. Abra o arquivo analise.ipynb no seu ambiente Jupyter e execute as células em ordem para visualizar o processamento dos dados.

---

Este projeto demonstra a aplicação de Python para automação de relatórios gerenciais e inteligência de mercado.