Análise de Vendas: Código com Café

Visão Geral

Este projeto simula um cenário de análise de dados real para a cafeteria fictícia "Código com Café", localizada em São Paulo. Partindo de um conjunto de dados de vendas intencionalmente "sujo", o objetivo foi conduzir um processo completo de ETL (Extração, Transformação e Carga), seguido por uma Análise Exploratória de Dados (EDA) para responder a questões de negócio estratégicas e operacionais.

O resultado final é um dashboard interativo e multi-página construído com Streamlit, que não apenas apresenta os dados, mas também conta uma história, guiando o usuário desde a metodologia de limpeza até os insights acionáveis.

Este projeto utiliza um conjunto de dados público de vendas de uma cafeteria, ideal para a prática de limpeza, análise exploratória e visualização de dados. O dataset foi disponibilizado na plataforma Kaggle.

• Nome do Dataset: Cafe Sales Dirty Data for Cleaning & Training
• Autor: Ahmed Mohamed
• Link para o Kaggle: kaggle.com/datasets/ahmedmohamed2003/cafe-sales-dirty-data-for-cleaning-training

Desafios Técnicos

A etapa de ETL foi o maior desafio. O dataset continha milhares de registros com valores nulos, erros de digitação (ERROR, UNKNOWN) e inconsistências lógicas. Utilizando a biblioteca Pandas, foi possível implementar uma pipeline de limpeza robusta que tratou esses problemas de forma sistemática, resultando na recuperação e validação de mais de 90% dos dados problemáticos.

Para a interface, a combinação de Streamlit para a estrutura da aplicação multi-página e Plotly para as visualizações de dados provou ser extremamente eficaz. O desafio foi criar gráficos que não apenas mostrassem os dados, mas que também respondessem diretamente às perguntas de negócio. A customização com HTML/CSS foi utilizada para refinar a experiência do usuário e a apresentação visual do dashboard, garantindo uma aparência profissional.

Aprendizados

• Limpeza e Tratamento de Dados (ETL): Habilidade aprofundada na preparação de datasets complexos para análise usando Pandas, tratando múltiplos tipos de erros e garantindo a integridade e confiabilidade dos dados.
• Análise Exploratória de Dados (EDA): Capacidade de formular perguntas de negócio e respondê-las através da exploração de dados, identificando padrões de consumo, sazonalidade e os principais drivers de receita.
• Desenvolvimento de Dashboards Interativos: Criação de uma aplicação web multi-página com Streamlit, com foco em uma experiência de usuário clara, navegação intuitiva e apresentação de resultados de forma dinâmica.
• Storytelling com Dados: Competência em traduzir achados visuais e estatísticos em uma narrativa coesa e em recomendações de negócio acionáveis, utilizando os gráficos do Plotly para comunicar os insights de forma eficaz.
• Customização de Front-End: Uso de HTML/CSS para customizar e refinar a aparência de componentes do Streamlit, melhorando a estética e a usabilidade do dashboard.