Supermarket Sales Analysis 📊

Este repositório contém uma análise detalhada das vendas de um supermercado fictício, explorando o desempenho por cidade, linha de produtos, horários de vendas, métodos de pagamento, entre outros fatores. Este projeto visa transformar dados brutos em insights valiosos que podem orientar decisões estratégicas, como otimização de operações e aumento de receita.

Índice

• Sobre o Projeto
• Ferramentas Utilizadas
• Análises Realizadas
  • Lucro Bruto por Cidade
  • Métodos de Pagamento
  • Vendas por Linha de Produto
  • Vendas por Hora
• Como Executar o Projeto
• Conclusão e Próximos Passos

---

Sobre o Projeto

Este projeto de análise de dados foi desenvolvido para extrair insights a partir de dados de vendas de um supermercado. Utilizamos Python e bibliotecas de visualização para identificar padrões, tendências e áreas de oportunidade no desempenho das filiais. Cada visualização e análise descrita ajuda a compreender melhor o comportamento dos clientes e o desempenho do supermercado em diferentes regiões e horários.

Ferramentas Utilizadas

• Python 🐍: Linguagem principal para manipulação e análise de dados.
• Pandas 📊: Para limpeza e transformação de dados.
• Plotly 📈: Para visualizações interativas e atraentes.
• Streamlit 🖼️: Visualização na web do projeto.
• EXCEL 💻: Onde os dados estão armazenados.

Análises Realizadas

1️⃣ Lucro Bruto por Cidade

Identificamos o lucro bruto de cada cidade, agrupando as filiais para ver onde o supermercado gera mais receita e onde há oportunidades de crescimento. Esta análise permite alocar investimentos e melhorar o desempenho em cidades com menor rendimento.

2️⃣ Métodos de Pagamento

Com o gráfico de pizza, exploramos a preferência dos clientes por métodos de pagamento, como E-wallet, cartão de crédito e dinheiro. Entender essas preferências ajuda a adaptar a estratégia de pagamento e melhorar a experiência do cliente.

3️⃣ Vendas por Linha de Produto

Ao agrupar as vendas por linha de produto, conseguimos identificar as categorias que geram mais receita e aquelas que poderiam ser otimizadas ou expandidas. Esta análise orienta estratégias de marketing e planejamento de estoque.

4️⃣ Vendas por Hora

Exploramos os horários de pico das vendas, o que nos ajuda a otimizar a alocação de funcionários e planejar campanhas de marketing em horários estratégicos, maximizando as oportunidades de vendas.

Como Executar o Projeto

• instalar as dependências: Pandas, Streamlit e Plotly

  pip install <biblioteca>
  

• Depois de instalar as bibliotecas, basta rodar o código abaixo:

    streamlit run app.py
  

Conclusão e Próximos Passos

Essas análises fornecem uma base sólida para entender o desempenho das vendas no supermercado e as preferências dos clientes. Com base nesses dados, futuros passos podem incluir:

• Implementação de campanhas focadas nas linhas de produtos com menor desempenho.
• Otimização do horário de operação com base nos horários de pico.
• Expansão das opções de pagamento mais populares entre os clientes.

Feedbacks e sugestões são sempre bem-vindos! 🚀