Dashboard analítico 360° do e-commerce Olist, transformando dados de vendas, logística e reviews em insights acionáveis com Power BI, DAX e Análise de Sentimento (NLP com Python).
Este projeto consiste na criação de um dashboard completo em Power BI para análise de performance da Olist, a maior loja de departamentos em marketplaces brasileiros. O painel oferece uma visão 360° do negócio, abrangendo desde KPIs executivos até análises detalhadas de vendas, logística, satisfação do cliente e desempenho dos vendedores.
🔗 Clique aqui para acessar o Dashboard Interativo
🔗 Clique aqui para baixar o Dashboard no formato .pbix
- Visualização de Dados: Microsoft Power BI
- Tratamento de Dados (ETL): Power Query M
- Cálculos e Métricas: DAX (Data Analysis Expressions)
- Análise de Sentimento (NLP): Python (em Google Colab) com as bibliotecas Pandas e Flair.
- Modelo de NLP:
PORTULAN/XLMR_Sentiment_Portuguese
O desenvolvimento do projeto seguiu algumas das melhores práticas de Business Intelligence, incluindo:
- Modelagem de Dados: Construção de um modelo Star Schema no Power BI para otimizar a performance e a clareza das relações. Foi aplicada a técnica de "Role-Playing Dimension" ao duplicar a tabela de geolocalização para análises de origem-destino.
- Tratamento de Dados: Limpeza e transformação de dados no Power Query, com atenção especial ao tratamento de valores nulos e à garantia da integridade referencial entre as tabelas de fatos e dimensões.
- Enriquecimento com NLP: Um script em Python foi desenvolvido para realizar análise de sentimento nos comentários dos reviews, classificando-os como Positivo, Negativo ou Neutro e gerando um score de polaridade. Este novo dataset enriquecido foi usado para as análises de satisfação.
- Design e UX: Criação de um tema JSON customizado baseado na identidade visual da Olist (cores e fontes), garantindo consistência. O layout das páginas foi projetado para contar uma história, guiando o usuário do geral para o específico, utiliziando de recursos como tabela dinâmicas, tooltips customizados e interações de destaque condicional.
- Geração de Novas Features: O processo gerou um novo dataset enriquecido com as colunas
Sentiment_ClasseSentiment_Polarity, que foram importadas para o Power BI para alimentar as análises de satisfação do cliente. - Criação de Métricas DAX: Foram desenvolvidas dezenas de medidas DAX para calcular KPIs essenciais, como
Receita Total,Ticket Médio,Tempo Médio de Entrega (Dias), e medidas de suporte para interações avançadas, como[Rank Categoria por Receita]e[Cor Destaque Categoria]e uma métrica para filtro dinâmico de tabelas. Uma tabela foi criada inteiramente com DAX, contendo apenas as opções de filtro ("Pedidos no Prazo", "Pedidos Atrasados"). Esta tabela é intencionalmente não relacionada a nenhuma outra no modelo, atuando puramente como um "painel de botões" para o usuário. Conectando a parte lógica com a parte interativa do visual, no slicer "Filtro de Pedidos" na página "Entrega e Logística"
O dashboard permite identificar rapidamente insights como:
- Identificar as categorias de produtos mais rentáveis e com melhor avaliação dos clientes através da matriz de Custo vs. Benefício.
- A forte correlação entre o tempo de entrega e as avaliações dos clientes.
- Os principais fluxos logísticos nacionais e os estados com melhores e piores performances de entrega.
- A performance de cada vendedor, cruzando dados de receita com a satisfação dos clientes.
- Entender a real "voz do cliente" ao comparar a nota numérica da avaliação com o sentimento expresso no texto do comentário.
Este projeto foi desenvolvido utilizando dados do Kaggle, do repositório Brazilian E-Commerce Public Dataset by Olist
- Carlos Vinícius
- LinkedIn: [https://www.linkedin.com/in/carlos-vinicius-nascimento-de-jesus/]
- GitHub: [https://github.com/Carllux/]