Como podemos prever vendas?
Hoje em dia, vivemos em uma era onde comprar se tornou basicamente um esporte, e entre as grandes empresas de vendas não temos como esquecer o Walmart. A multiacioal é uma das maiores redes de varejo do mundo, conhecida por oferecer uma ampla variedade de produtos e preços competitivos. Fundada nos Estados Unidos, a empresa opera supermercados, hipermercados e lojas de departamento em diversos países, assim como suas operações influenciam fortemente o mercado varejista, pressionando concorrentes a reduzir preços e melhorar logística. O Walmart também impacta cadeias de suprimentos globais, exigindo altos níveis de eficiência de fornecedores, além disso, sua presença afeta economias locais, levantando debates sobre concorrência e condições de trabalho.
Como o Walmart é uma das maiores redes de vendas, o exmplo que o mesmo deixa pode ajudar o leitor a entender um pouco sobre como o walmart e outras grandes lojas podem afetar a economia local. Para isso utilizaremos dados de vendas do Walmart durante um período de 2 anos. Esses dados foram coletados anonimamente de 45 lojas do Walmart e incluem dados como vendas, descontos, feriados, entre outros.
PLACEHOLDER
Essa análise serve de auxilio para entender, o impacto das vendas. E a partir dessa análise as coclusões podem ser utilizadas para melhorar négocios de empresas pequenas durante certos períodos ou ao longo do tempo.
| Pacotes | Proposito |
|---|---|
| dplyr | Para melhor manipulação dos datasets |
| readr | Para melhor importação dos dados |
| DT | Criação de interação com os dados |
| ggplot2 | Para criação de gráficos de fácil visualisação |
| ggthemes | Fornece temas adicionais para o ggplot2 |
| patchwork | Combinar múltiplos gráficos em um único layout |
| tidyverse | Coleção de pacotes para manipulação e visualização de dados |
| xts | Manipulação e análise de séries temporais extensíveis |
| CausalImpact | Análise de impacto causal em séries temporais |
| knitr | Para criar tabelas de fácil visualização |
| kableExtra | Permite estilizar as tabelas do knitr |
O conjunto de dados para essa análise estão divididos entre três
datasets: Stores (contem informações sobre 45 lojas), Features (contem
informações adicionais sobre as lojas e a região em que se encontram) e
Sales (onde se encontram os dados das vendas durante as datas de
2010-02-05 a 2012-11-01).
Primeiramente precisamos carregar os
dados, que podem ser econtrados no kaggle
ou carregados localmente.
df1 <- read_csv("/home/rick/Documentos/Rstudio_files/va2/Features data set.csv")
df2 <- read_csv("/home/rick/Documentos/Rstudio_files/va2/sales data-set.csv")
df3 <- read_csv("/home/rick/Documentos/Rstudio_files/va2/stores data-set.csv")