Introdução

• Objetivo: Investigar a relação entre a eficiência operacional das empresas e a gestão de seus ativos e dívidas. Este tema focará em entender como a gestão de custos, ativos e dívidas influencia a lucratividade e a saúde financeira da empresa. Identificar padrões ou tendências entre diferentes segmentos de mercado e localizações geográficas.

Análise Estatística Descritiva

Colunas Quantitativas

Variável Tipo_de_Dados
Id Numérico
Revenue Numérico
Cost Numérico
Profit Numérico
Employees Numérico
Debt Numérico
Assets Numérico
Equity Numérico
R_D Numérico
Customer_Satisfaction Numérico
Employee_Satisfaction Numérico
Growth_Rate Numérico
Innovation_Score Numérico

Colunas Qualitativas

Variável Tipo_de_Dados
Market Texto
Location Texto

Histograma Quantitativas

# Histogramas para variáveis quantitativas
histogramas <- lapply(variaveis_quantitativas, function(variavel) {
  ggplot(dados, aes_string(x = variavel)) +
    geom_histogram(fill = "purple", color = "black", bins = 50) +
    labs(title = paste("Histograma de", variavel),
         x = variavel,
         y = "Frequência") +
    theme_minimal()
})
## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Gráficos de frequência para variáveis qualitativas
graficos_qualitativos <- lapply(variaveis_qualitativas, function(variavel) {
  ggplot(dados, aes_string(x = `variavel`)) +
    geom_bar(fill = "purple", color = "black") +
    labs(title = paste("Gráfico de Frequência de", variavel),
         x = variavel,
         y = "Frequência") +
    theme_minimal()
})

# Imprimir os histogramas
print("Histogramas para Variáveis Quantitativas:")
## [1] "Histogramas para Variáveis Quantitativas:"
print(histogramas)
## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

## 
## [[13]]

# 
# # Imprimir os gráficos de frequência
# print("Gráficos de Frequência para Variáveis Qualitativas:")
print(graficos_qualitativos)
## [[1]]

## 
## [[2]]

Outliers com Box-Plots

plot_box = function(variavel){
ggplot(dados, aes_string(y= variavel))+
  geom_boxplot()+
    labs(
      title=paste("Boxplot de ", variavel),
      y = variavel
    )
}

lapply(variaveis_quantitativas[variaveis_quantitativas != "Id"] , plot_box)
## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

Análise das relações

Etatísticas básicas

Correlação entre variáveis-chave

correlation_matrix <- cor(dados[c("Revenue", "Cost", "Profit", "Debt", "Assets")])
corrplot(correlation_matrix, method = "circle")

Custo tem correlação positiva com Receita, ou seja, quanto mais investe mais receita obtém.

E Ativos tem correlação positiva com Dívida, ou seja, quanto mais caro o ativo, mais dívida o investidor terá.

Investigando Lucro

Pode se ver pelo grafico abaixo, que quanto maior o custo, maior sera a receita, mas isso não necessariamente significa que haverá Lucro.

Relação entre Ativos e Dívidas e sua Influência na Lucratividade:

ggplot(dados, aes(x = Assets, y = Profit, color = Debt)) +
  geom_point() +
  scale_x_continuous(labels = scales::dollar_format(suffix = "K")) +
  scale_y_continuous(labels = scales::dollar_format(suffix = "K")) +
  labs(title = "Relação entre Ativos, Lucro e Dívida")

Ativos de alto custo trazem divida maior para o investidor

Melhores segmentos de mercado

segment_analysis = dados %>% 
  group_by(Market) %>% 
  summarise(
    mean_profit = mean(Profit)
  )
ggplot(segment_analysis, aes(x = Market, y = mean_profit, fill = mean_profit > 0)) +
  geom_bar(stat = "identity", show.legend = FALSE) +
  labs(title = "Média de Lucro por Segmento de Mercado",
       x = 'Segmento', y = 'Média de lucro')

Tecnologia é um ótimo segmento para investir

Melhor região para investir

location_analysis = dados %>% 
  group_by(Location) %>% 
  summarise(
    mean_profit = mean(Profit)
  )

ggplot(location_analysis, aes(x = Location, y = mean_profit, fill = mean_profit > 0)) +
  geom_bar(stat = "identity", show.legend=F) +
  labs(title = "Média de Lucro por Localização Geográfica", x = 'Localização', 
       y = 'Média de lucro')

Oceania é um ótimo lugar para investir, seguido por America do Norte

Localização nao é um indicativo de lucro, não há um padrão evidente para localização.

dados  %>% ggplot(aes(Cost, Profit, color=Location))+
  geom_point()

Mercado nao é um indicativo de lucro, não há um padrão evidente para segmento de mercado

dados %>% ggplot(aes(Cost, Profit, color = Market))+
  geom_point()

library(knitr)

kable(
dados %>% 
  group_by(Market) %>% 
  summarise(
    Lucro_Mediano = median(Profit)
  )
, 'simple'
)
Market Lucro_Mediano
Energia -8568.058
Finanças -7889.122
Indústria -9648.340
Saúde 10621.889
Tecnologia 15568.028
Varejo -5927.738

Tecnologia tem uma mediana de 15mil, é o melhor mercado para investir?

O custo é bem distribuido entre 20 e 40 mil, como será o lucor dos segmentos dependendo do custo do ativo?

dados %>% ggplot(aes(Cost)) +
  geom_histogram(bins = 50)

Vamos dividir os dados em duas partes, os ativos de alto custo e baixo custo

Baixo Custo

Os ativos com Custo menor que 40mil

# baixo custo
kable(
dados %>% 
  filter((Cost > 40000) == FALSE) %>% 
  group_by(Market) %>% 
  summarise(
    count_m = n(),
    avg_profit = median(Profit),
    avg_debt = median(Debt),
    avg_cost = median(Cost),
    positive_profit_rate = round((sum(Profit > 0) / count_m) * 100, 2)
  ),
'simple'
)
Market count_m avg_profit avg_debt avg_cost positive_profit_rate
Energia 62 -13026.331 31250.03 28408.74 43.55
Finanças 68 -9407.537 33672.47 28968.14 48.53
Indústria 90 -9648.340 35792.51 28911.88 44.44
Saúde 90 1357.504 31490.88 28610.90 50.00
Tecnologia 89 15436.697 32667.25 29595.37 56.18
Varejo 90 11498.949 34849.87 29719.78 53.33

Percebe-se que os ativos onde a taxa de lucro (porcentagem de ativos que dão retorno financeiro) é maior que 50%, a média de lucro é positiva, apesar da média de custo ser bem parecida.

Alto custo

Os ativos com custo maior que 40 mil

kable(
dados %>% 
  filter((Cost > 40000) == TRUE) %>% 
  group_by(Market) %>% 
  summarise(
    count_m = n(),
    avg_profit = mean(Profit),
    avg_debt = mean(Debt),
    avg_cost = mean(Cost),
    positive_profit_rate = sum(Profit > 0) / count_m
  ),
'simple'
)
Market count_m avg_profit avg_debt avg_cost positive_profit_rate
Energia 18 5928.694 31793.75 46312.54 0.6666667
Finanças 23 1874.717 28821.05 45360.63 0.5217391
Indústria 18 1158.421 36620.39 49317.70 0.5000000
Saúde 14 6155.847 37303.76 46787.52 0.6428571
Tecnologia 15 2808.150 37055.52 47507.04 0.5333333
Varejo 23 -8582.035 30050.15 45163.71 0.3043478

Percebe-se que agora, a maioria dos segmentos de mercado tem uma média de lucro positiva, exceto o Varejo, e isso também se relaciona com a taxa de lucro maior que 50%

Então a opção mais segura é investir nos ativos de baixo custo, dos segmentos de Tecnologia e Varejo.

Como os mercados estão distribuidos entre as Regiões?

Qual é o melhor mercado em cada continente? em taxa de lucro e media de lucro

kable(
dados %>% 
  group_by(Market, Location) %>% 
  summarise(
    profitable_rate = sum(Profit > 0) / n(),
    profit_avg = median(Profit)
  ) %>% 
  arrange(desc(profitable_rate)),
'simple'
)
## `summarise()` has grouped output by 'Market'. You can override using the
## `.groups` argument.
Market Location profitable_rate profit_avg
Energia Ásia 0.7142857 15293.5532
Saúde Oceania 0.6666667 15982.1052
Tecnologia África 0.6500000 15315.4076
Saúde América do Norte 0.6470588 14704.5957
Finanças África 0.6428571 14135.6523
Tecnologia Oceania 0.6428571 17118.4281
Varejo Oceania 0.6250000 15538.3854
Indústria América do Norte 0.6000000 14073.1474
Tecnologia América do Sul 0.5714286 17414.4901
Tecnologia Ásia 0.5714286 13996.1719
Varejo América do Norte 0.5652174 15432.0900
Energia Europa 0.5555556 12565.0704
Varejo África 0.5555556 9728.6120
Energia América do Sul 0.5333333 7484.9876
Saúde Europa 0.5263158 9642.5570
Finanças América do Sul 0.5217391 7604.5783
Indústria Europa 0.5000000 -662.8089
Tecnologia Europa 0.5000000 -1328.5027
Indústria África 0.4761905 -8164.0570
Finanças Ásia 0.4705882 -12532.9027
Indústria Oceania 0.4705882 -8445.8915
Finanças Europa 0.4666667 -9748.9760
Energia Oceania 0.4615385 -8806.8547
Finanças América do Norte 0.4615385 -10925.9522
Energia América do Norte 0.4444444 -18099.6421
Indústria América do Sul 0.4285714 -8808.2722
Saúde África 0.4285714 -14511.5788
Saúde Ásia 0.4285714 -13339.5065
Tecnologia América do Norte 0.4000000 -13736.7311
Varejo Ásia 0.4000000 -14130.7063
Varejo Europa 0.3809524 -13465.5939
Saúde América do Sul 0.3684211 -17523.9489
Finanças Oceania 0.3333333 -17632.2866
Energia África 0.3000000 -14747.9399
Indústria Ásia 0.2941176 -15771.6072
Varejo América do Sul 0.2500000 -20685.1424

Olhando o Top 10, a melhor opção para investir é Energia na Ásia, o melhor segmento para investir é no segmento de Tecnologia, e a melhor região é Oceania. E eu ficaria longe de varejo na américa do sul.