Este projeto realiza uma análise exploratória e preditiva com base no dataset público do Olist, que contém dados de pedidos de e-commerce no Brasil entre 2016 e 2018.
- Faça o download do dataset no Kaggle
- Coloque os arquivos CSV em uma pasta chamada
olist - Abra e execute o notebook
analise_olist.ipynbno Google Colab ou Jupyter - Todas as bibliotecas necessárias estão listadas no próprio notebook
- Evolução mensal dos pedidos e sazonalidade
- Fatores que afetam a satisfação do cliente
- Análise de atraso de entrega com modelo preditivo
- Segmentação de clientes com KMeans
- Mapa de calor de vendas por estado
- Dashboard de desempenho dos vendedores
-
Tendência de crescimento nas vendas entre 2017 e 2018, com um pico acentuado em novembro de 2017, indicando influência da Black Friday.
-
Clientes recorrentes são minoria, sugerindo oportunidade de campanhas de fidelização.
-
Tempo de entrega tem impacto direto nas avaliações dos clientes. Entregas mais longas tendem a gerar notas mais baixas.
-
O modelo preditivo de atraso (Random Forest) teve desempenho razoável, com destaque para o recall nos atrasos, importante para evitar insatisfação.
-
A segmentação de clientes via KMeans revelou perfis distintos:
- Cluster 0: novos, satisfeitos → investir em recompra
- Cluster 1: lentidão e insatisfação → focar em logística e recuperação
- Cluster 2: clientes fiéis → fortalecer fidelização
- Cluster 3: ticket alto e única compra → oferecer suporte premium
-
Algumas categorias de produto têm avaliação melhor que outras, sugerindo que tipo de produto impacta na satisfação.
-
O dashboard de vendedores mostrou que a maioria entrega em até 20 dias, com média de avaliação acima de 4. Alguns vendedores com muitos pedidos mantêm excelente avaliação e prazo, sendo bons exemplos de alta performance.
-
Há indícios claros de sazonalidade, com vendas maiores no final do ano e queda no início do ano seguinte.
analise_olist.ipynb: notebook com todo o código, análises e visualizações