Análise de E-commerce com PostgreSQL

Descrição do Projeto

Este projeto tem como objetivo simular um e-commerce, utilizando um banco de dados PostgreSQL, e realizar análises sobre o comportamento de vendas, clientes e produtos. O projeto foi desenvolvido com o propósito de colocar em prática conceitos de análise de dados e SQL, além de proporcionar uma oportunidade de aprendizado prático ao manipular dados reais e gerar insights sobre o negócio.

Principais Funcionalidades

• Geração de Dados Fictícios: Utilizando a biblioteca Faker, foram gerados dados simulados de clientes, produtos e pedidos.
• Análises Realizadas:
  • Produtos mais vendidos.
  • Clientes mais fiéis (com maior número de pedidos).
  • Análise da sazonalidade das vendas ao longo do ano.

Tecnologias Utilizadas

• Python: Linguagem de programação utilizada para interagir com o banco de dados, gerar dados e realizar as análises.
• PostgreSQL: Banco de dados relacional utilizado para armazenar e manipular os dados.
• pandas: Biblioteca Python para manipulação de dados e execução das consultas SQL diretamente no código.
• Faker: Biblioteca Python para geração de dados fictícios (clientes, produtos, etc.).
• psycopg2: Conector Python utilizado para conectar o código ao banco de dados PostgreSQL.

Objetivos das Análises

1. Produtos Mais Vendidos

Consulta SQL:

SELECT p.nome_produto, SUM(pe.quantidade) AS total_vendido
FROM pedido pe
JOIN produto p ON pe.produto_id = p.produto_id
GROUP BY p.nome_produto
ORDER BY total_vendido DESC
LIMIT 50;

Essa consulta retorna os 50 produtos mais vendidos, classificando-os pela quantidade total vendida. Com os dados gerados, você pode obter uma visão clara dos produtos que mais atraem os clientes

2 Clientes mais fiéis

SELECT c.nome, COUNT(pe.pedido_id) AS total_pedidos
FROM pedido pe
JOIN cliente c ON pe.cliente_id = c.cliente_id
GROUP BY c.nome
ORDER BY total_pedidos DESC
LIMIT 5;

Esta consulta retorna os 5 clientes que mais fizeram pedidos, ajudando a entender os perfis de clientes com maior engajamento.

3 Sazonalidade das Vendas

SELECT EXTRACT(MONTH FROM data_pedido) AS mes, SUM(quantidade) AS total_vendas
FROM pedido
GROUP BY mes
ORDER BY mes;

Essa consulta retorna a soma das quantidades vendidas por mês, permitindo visualizar como as vendas variam ao longo do ano.

Insights Possíveis

• Produtos mais vendidos: Ao identificar os produtos mais vendidos, a empresa pode focar em estratégias de estoque para garantir que esses produtos estejam sempre disponíveis. Além disso, promoções voltadas para esses produtos podem aumentar ainda mais as vendas.

• Clientes mais fiéis: Conhecer os clientes mais fiéis pode ajudar a direcionar campanhas de marketing segmentadas, oferecendo benefícios exclusivos para aumentar ainda mais a lealdade.

• Sazonalidade: A análise de sazonalidade ajuda a prever quais meses terão maior demanda, permitindo uma melhor preparação de estoque e ações promocionais durante os períodos de pico.

Conclusão

Esse projeto foi uma oportunidade para aplicar conceitos de SQL e análise de dados em um cenário simulado, utilizando dados ficticios e proporcionando uma visão prática de como obter insights valiosos de um e-commerce.