1.1 Objetivos da Análise

Nosso objetivo é transformar dados transacionais brutos em inteligência competitiva acionável, alinhando-se às melhores práticas de análise de negócios:

1. Diagnosticar a Eficiência Logística: Investigar o “Custo Brasil” e o paradoxo do frete regional, corroborando análises de mercado que apontam o frete como principal ofensor da conversão. Essa análise revela como os desafios logísticos impactam diretamente a retenção de clientes e a expansão do mercado.
2. Segmentar a Base de Consumidores: Entender o ciclo de vida do cliente e o desafio da recorrência utilizando metodologias consagradas de RFM, identificando oportunidades para programas de fidelidade que poderiam ter sido implementados para aumentar a retenção.
3. Analisar a Satisfação (NLP): Correlacionar a eficiência operacional com a percepção textual do cliente, utilizando léxicos validados para o português, e explorar como feedbacks negativos frequentemente se concentram em questões logísticas.
4. Validar Tendências: Conectar os dados históricos com a revolução logística observada no Brasil até 2025, documentada por veículos especializados (Investindo por aí 2025; Tecnologística 2025; SiiLA 2024; AvenPes 2025; E-commerce Brasil 2025).

3.1 Limpeza e Normalização

Dados do mundo real são “sujos”. Nomes de cidades, por exemplo, frequentemente apresentam inconsistências de grafia (acentos, caixa alta/baixa) que podem distorcer análises geográficas. Implementamos uma rotina de normalização para garantir que “São Paulo” e “sao paulo” sejam tratados como a mesma entidade.

Além disso, tratamos a geolocalização. Como um mesmo CEP pode ter múltiplas coordenadas registradas, calculamos o centroide (média de latitude e longitude) para cada CEP, criando uma base sólida para nossos mapas e cálculos de distância.

Dentre outros, imputamos valores ausentes e outliers, que podem distorcer análises e levar a conclusões erradas.

# Normalização de Cidades
normalize_city <- function(cities) {
  cities %>%
    str_to_lower() %>%
    str_remove(., paste0("\\s+", brazil_states_regex, "$")) %>% # Remove estado no fim
    str_replace(., ".+@.+\\..+", NA_character_) %>% # Remove emails
    str_extract(., "^[^/\\\\,]+") %>% # Pega texto antes de barras
    str_remove_all(., "\\(.*?\\)") %>% # Remove parenteses
    str_replace_all(., "d'|d´|d`", "d'") %>% # Padroniza d'
    str_remove_all(., "[\\.'ºª´\\^~]") %>% # Remove pontuação
    str_remove_all(., "^[\\.]+") %>%
    str_replace_all(., "-", " ") %>%
    str_squish() %>% # Remove espaços extras
    str_replace(., paste0("^", brazil_states_regex, "$"), NA_character_) # Remove se for só sigla de estado
}

customers <- customers %>% mutate(customer_city = normalize_city(customer_city))
sellers <- sellers %>% mutate(seller_city = normalize_city(seller_city))
geolocation <- geolocation %>% mutate(geolocation_city = normalize_city(geolocation_city))

# Tratamento de Geolocalização (Centroide por CEP)
geolocation_per_zip_code <- geolocation %>%
  group_by(geolocation_zip_code_prefix) %>%
  summarise(
    geolocation_lat = mean(geolocation_lat, na.rm = TRUE),
    geolocation_lng = mean(geolocation_lng, na.rm = TRUE)
  ) %>%
  ungroup()

# Tratamento de Valores Ausentes e Outliers
# Imputação de dimensões pela mediana
products <- products %>%
  mutate(
    product_length_cm = ifelse(is.na(product_length_cm), median(product_length_cm, na.rm = TRUE), product_length_cm),
    product_height_cm = ifelse(is.na(product_height_cm), median(product_height_cm, na.rm = TRUE), product_height_cm),
    product_width_cm = ifelse(is.na(product_width_cm), median(product_width_cm, na.rm = TRUE), product_width_cm),
    product_weight_g = ifelse(is.na(product_weight_g), median(product_weight_g, na.rm = TRUE), product_weight_g)
  )

# Remoção de Outliers (Top 1% de preço e frete para evitar distorções. Evita que os famosos "bugs de promoção" apareçam na análise)
order_items <- order_items %>%
  filter(price < quantile(price, 0.99, na.rm = TRUE) & freight_value < quantile(freight_value, 0.99, na.rm = TRUE))

# Formatação de Categorias (PT-BR, Escrita Normal)
products <- products %>%
  mutate(
    product_category_name = product_category_name %>%
      str_replace_all("_", " ") %>%
      str_to_title()
  )

3.2 Engenharia de Atributos

Para facilitar a análise, consolidamos as informações em três tabelas temáticas:

1. tb_logistica: Focada em prazos, distâncias e localização.
2. tb_clientes: Focada no perfil de consumo e métricas RFM(Recência, Frequência e Monetário).
3. tb_comercial: Focada em vendas, produtos e categorias.

# Agregações prévias
payments_agg <- order_payments %>%
  group_by(order_id) %>%
  summarise(valor_total_pedido = sum(payment_value, na.rm = TRUE))

reviews_agg <- order_reviews %>%
  arrange(desc(review_creation_date)) %>%
  group_by(order_id) %>%
  slice(1) %>%
  ungroup() %>%
  select(order_id, review_score, review_comment_message)

# Tabelas auxiliares de geo
geo_cust <- geolocation_per_zip_code %>% rename(lat_cli = geolocation_lat, lng_cli = geolocation_lng)
geo_sell <- geolocation_per_zip_code %>% rename(lat_venda = geolocation_lat, lng_venda = geolocation_lng)

# 1. Tabela Logística
tb_logistica <- order_items %>%
  select(order_id, order_item_id, seller_id, freight_value, price) %>%
  left_join(orders, by = "order_id") %>%
  left_join(sellers %>% select(seller_id, seller_zip_code_prefix, seller_state), by = "seller_id") %>%
  left_join(customers %>% select(customer_id, customer_zip_code_prefix, customer_state), by = "customer_id") %>%
  left_join(geo_sell, by = c("seller_zip_code_prefix" = "geolocation_zip_code_prefix")) %>%
  left_join(geo_cust, by = c("customer_zip_code_prefix" = "geolocation_zip_code_prefix")) %>%
  mutate(
    distancia_km = distHaversine(matrix(c(lng_venda, lat_venda), ncol = 2), 
                                 matrix(c(lng_cli, lat_cli), ncol = 2)) / 1000,
    tempo_entrega_dias = as.numeric(difftime(order_delivered_customer_date, order_purchase_timestamp, units = "days")),
    atraso_dias = as.numeric(difftime(order_delivered_customer_date, order_estimated_delivery_date, units = "days")),
    status_entrega = case_when(
      atraso_dias > 0 ~ "Atrasado",
      TRUE ~ "No Prazo"
    )
  ) %>%
  left_join(reviews_agg, by = "order_id")

# 2. Tabela Clientes (Base para RFM)
tb_clientes <- orders %>%
  filter(order_status == "delivered") %>%
  left_join(customers, by = "customer_id") %>%
  left_join(payments_agg, by = "order_id") %>%
  left_join(reviews_agg, by = "order_id") %>%
  group_by(customer_unique_id) %>%
  summarise(
    recencia_data = max(order_purchase_timestamp),
    frequencia = n_distinct(order_id),
    monetario = sum(valor_total_pedido, na.rm = TRUE),
    nota_media = mean(review_score, na.rm = TRUE),
    estado = first(customer_state)
  ) %>%
  ungroup()

# 3. Tabela Comercial
tb_comercial <- order_items %>%
  left_join(orders %>% select(order_id, order_purchase_timestamp), by = "order_id") %>%
  left_join(products, by = "product_id") %>%
  mutate(mes_ano = floor_date(order_purchase_timestamp, "month"))

4.1 Dinâmica de Mercado: A Evolução do E-Commerce

O comércio eletrônico no Brasil não é estático; ele pulsa conforme a economia e datas comemorativas, refletindo não apenas tendências de consumo, mas também o impacto de eventos macroeconômicos e sazonais. Entender essa dinâmica é o primeiro passo para qualquer planejamento estratégico, pois permite identificar padrões de crescimento, picos de demanda e potenciais riscos operacionais. Ao analisarmos a evolução temporal das vendas no Olist, que totalizam 11.674.229 reais em receita bruta, buscamos identificar tendências de crescimento e a influência de eventos sazonais, como feriados e promoções nacionais.

O gráfico abaixo revela uma trajetória de crescimento consistente ao longo de 2017, com um aumento gradual que indica a maturação do mercado e aumento de confiança do consumidor em relação ao e-commerce. Contudo, um evento se destaca drasticamente: a Black Friday de Novembro de 2017. Esse pico não é apenas um dado estatístico; ele representa o momento de maior estresse e oportunidade para a operação, onde a capacidade logística e de atendimento é testada ao limite. Essa sazonalidade extrema destaca a importância de preparações robustas para eventos de alto volume, uma lição que ressoa em 2025, quando o e-commerce brasileiro continua a crescer, impulsionado por inovações como a IA em marketing e estratégias omnichannel.

vendas_temporal <- tb_comercial %>%
  group_by(mes_ano) %>%
  summarise(receita = sum(price, na.rm = TRUE)) %>%
  filter(mes_ano >= "2017-01-01" & mes_ano <= "2018-08-01")

p_vendas <- ggplot(vendas_temporal, aes(x = mes_ano, y = receita)) +
  geom_line(color = "#2c3e50", size = 1) +
  geom_area(fill = "#3498db", alpha = 0.2) +
  geom_point(color = "#c0392b", size = 2, aes(text = paste("Data:", format(mes_ano, "%b %Y"), "<br>Receita: R$", format(receita, big.mark=".", decimal.mark=",")))) +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ ", big.mark = ".", decimal.mark = ",")) +
  theme_minimal() +
  labs(
    title = "Evolução Mensal da Receita (2017-2018)",
    x = "Mês",
    y = "Receita Total"
  )

ggplotly(p_vendas, tooltip = "text")

Essa análise temporal não apenas quantifica o crescimento, mas também oferece insights sobre a resiliência do setor. Por exemplo, o aumento pós-Black Friday sugere um efeito de retenção, onde clientes satisfeitos retornam, embora, como veremos em seções posteriores, a recorrência geral permaneça baixa devido a desafios logísticos.

4.2 O Desafio Logístico: Onde a Satisfação é Definida

No e-commerce, a venda só termina quando o produto chega nas mãos do cliente. No Brasil, isso é um grande desafio, dado o tamanho continental do país e as disparidades em infraestrutura de transporte. A logística é frequentemente citada como o principal ponto de fricção na experiência de compra, afetando não apenas a satisfação imediata, mas também a lealdade a longo prazo. Mas o quanto isso realmente impacta a percepção do cliente? Esta seção explora essa relação, conectando dados operacionais com feedback dos consumidores.

Primeiro, vamos visualizar a distribuição geográfica dos atores dessa rede. O mapa abaixo mostra a localização de 3095 vendedores (vermelho) e 99441 compradores (azul). Note a concentração massiva no Sudeste e Sul, o que já nos dá uma pista sobre os desafios de atender o restante do país. Essa desigualdade geográfica reflete problemas estruturais, como estradas precárias e custos elevados de transporte para regiões remotas, que persistem mesmo em 2025, embora mitigados por investimentos em centros de distribuição.

# Amostra para performance do mapa
map_data <- tb_logistica %>% 
  filter(!is.na(lat_cli) & !is.na(lat_venda)) %>%
  sample_n(2000)

leaflet(map_data) %>%
  addTiles() %>%
  addCircleMarkers(lng = ~lng_cli, lat = ~lat_cli, radius = 2, color = "blue", 
                   popup = "Cliente", group = "Clientes") %>%
  addCircleMarkers(lng = ~lng_venda, lat = ~lat_venda, radius = 2, color = "red", 
                   popup = "Vendedor", group = "Vendedores") %>%
  addLegend("bottomright", colors = c("blue", "red"), labels = c("Clientes", "Vendedores"),
            title = "Distribuição Geográfica")

Agora, vamos à prova de fogo: a correlação entre tempo de entrega e a nota dada pelo cliente (Review Score). O gráfico a seguir é revelador. Existe uma relação inversa clara: clientes insatisfeitos (notas 1 e 2) são, em sua maioria, aqueles que sofreram com demoras na entrega. Enquanto avaliações de 5 estrelas estão associadas a entregas rápidas, os atrasos e longos prazos são os maiores detratores da marca. Essa descoberta reforça estudos que indicam a logística como fator chave na percepção de qualidade (MATOS 2024), e destaca a necessidade de novas estratégias.

p_review <- tb_logistica %>%
  filter(!is.na(review_score) & tempo_entrega_dias > 0 & tempo_entrega_dias < 60) %>%
  mutate(review_score = as.factor(review_score)) %>%
  ggplot(aes(x = review_score, y = tempo_entrega_dias, fill = review_score)) +
  geom_boxplot(outlier.shape = NA, alpha = 0.7) +
  coord_cartesian(ylim = c(0, 40)) +
  scale_fill_brewer(palette = "RdYlGn") +
  theme_minimal() +
  labs(
    title = "Impacto do Tempo de Entrega na Avaliação do Cliente",
    x = "Nota da Avaliação (Estrelas)",
    y = "Tempo de Entrega (Dias)"
  )

ggplotly(p_review) %>% layout(showlegend = FALSE)

Em resumo, essa seção demonstra que melhorias logísticas não são apenas operacionais, mas estratégicas, impactando diretamente a satisfação e a retenção de clientes.

4.3 Desigualdade Regional: O “Custo Brasil” na Prática

Por que o e-commerce ainda engatinha em regiões como o Norte e Nordeste? A resposta muitas vezes reside no custo e no prazo, que criam barreiras significativas para a inclusão digital. Para um consumidor em São Paulo, o frete é muitas vezes irrisório, facilitando compras impulsivas. Para alguém em Manaus ou Belém, o frete pode custar quase metade do valor do produto, limitando o acesso a bens essenciais e de consumo. Esta seção examina essa desigualdade estrutural, conhecida como “Custo Brasil”, e suas implicações para o mercado.

Analisamos aqui o Peso do Frete, que é a razão entre o valor do frete e o valor do produto. Os dados revelam uma desigualdade estrutural: no Norte, o frete representa cerca de 27% do valor da compra, comparado a apenas 16% no Sudeste. Embora não inviabilize totalmente, cria uma fricção considerável, corroborando análises que apontam o frete como ofensor principal na conversão.

regional_analysis <- tb_logistica %>%
  mutate(regiao = get_region(customer_state)) %>%
  filter(regiao != "Outros") %>%
  group_by(regiao) %>%
  summarise(
    frete_medio = mean(freight_value, na.rm = TRUE),
    preco_medio = mean(price, na.rm = TRUE),
    tempo_medio = mean(tempo_entrega_dias, na.rm = TRUE),
    ticket_medio = sum(price) / n_distinct(order_id),
    share_pedidos = n() / nrow(tb_logistica)
  ) %>%
  mutate(freight_burden = frete_medio / preco_medio)

p_burden <- ggplot(regional_analysis, aes(x = reorder(regiao, freight_burden), y = freight_burden, fill = regiao,
                                          text = paste("Região:", regiao, "<br>Peso do Frete:", percent(freight_burden, 0.1)))) +
  geom_col() +
  scale_y_continuous(labels = scales::percent) +
  theme_minimal() +
  labs(
    title = "O Peso do Frete: Custo de Envio vs. Valor do Produto",
    x = "Região",
    y = "Razão Frete / Preço (%)"
  )

ggplotly(p_burden, tooltip = "text")

p_ticket <- ggplot(regional_analysis, aes(x = reorder(regiao, ticket_medio), y = ticket_medio, fill = regiao,
                                          text = paste("Região:", regiao, "<br>Ticket Médio: R$", format(ticket_medio, big.mark=".", decimal.mark=",")))) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ ", big.mark = ".", decimal.mark = ",", digits = 2)) +
  theme_minimal() +
  labs(
    title = "Ticket Médio por Região",
    subtitle = "Clientes de regiões mais distantes tendem a gastar mais por pedido?",
    x = "Região",
    y = "Valor Médio do Pedido (R$)"
  )

ggplotly(p_ticket, tooltip = "text")

p_time <- ggplot(regional_analysis, aes(x = reorder(regiao, tempo_medio), y = tempo_medio, fill = regiao,
                                        text = paste("Região:", regiao, "<br>Tempo Médio:", round(tempo_medio, 1), "dias"))) +
  geom_col() +
  coord_flip() +
  theme_minimal() +
  labs(
    title = "Tempo Médio de Entrega por Região",
    x = "Região",
    y = "Dias Corridos"
  )

ggplotly(p_time, tooltip = "text")

4.4 O Paradoxo do Frete: Barreira de Entrada Econômica

Ao analisarmos o ticket médio (valor do pedido) por região, deparamo-nos com um insight que desafia a intuição inicial: o ticket médio de compras nas regiões Norte e Nordeste é consistentemente superior ao do Sudeste. Esse fenômeno revela camadas profundas de desigualdade econômica no e-commerce brasileiro.

Isso não deve ser interpretado como um sinal de maior afluência nessas regiões. Pelo contrário, trata-se de um fenômeno clássico de Viés de Seleção Econômica impulsionado por barreiras logísticas. O alto custo do frete atua como um filtro rigoroso, eliminando a viabilidade de compras de baixo valor. Conforme apontado por especialistas em logística, quando o valor do frete ultrapassa uma certa porcentagem do valor do produto (frequentemente citada como 20-30%), a taxa de abandono de carrinho dispara (E-commerce Brasil 2024). Para um consumidor no Nordeste, comprar um item de R$ 30,00 pagando R$ 40,00 de frete é irracional. Portanto, essas transações simplesmente não acontecem.

O que resta são as transações de alto valor agregado (eletrônicos, móveis de design) ou compras consolidadas (“cesta cheia”), onde o consumidor dilui o custo fixo do frete em vários itens. Isso infla artificialmente o ticket médio observado, mascarando a demanda reprimida por produtos acessíveis.

p_paradox <- tb_logistica %>%
  filter(price < 500 & freight_value < 100) %>% # Filtro para melhor visualização
  sample_n(5000) %>% # Amostragem para performance do gráfico interativo
  mutate(regiao = get_region(customer_state)) %>%
  filter(regiao != "Outros") %>%
  ggplot(aes(x = freight_value, y = price, color = regiao)) +
  geom_point(alpha = 0.3, size = 1) +
  geom_smooth(method = "lm", se = FALSE, color = "black", linetype = "dashed") +
  facet_wrap(~regiao) +
  theme_minimal() +
  scale_color_viridis_d() +
  labs(
    title = "Paradoxo do Frete: Custo de Envio vs. Valor do Produto",
    subtitle = "A barreira de entrada para itens baratos no Norte/Nordeste",
    x = "Valor do Frete (R$)",
    y = "Valor do Produto (R$)"
  ) +
  theme(legend.position = "none")

ggplotly(p_paradox)

4.5 Evolução das Top Categorias: O Que Vende e Quando?

Em vez de olhar apenas para o preço, vamos entender a dinâmica de vendas das categorias mais populares. Quais produtos impulsionam o faturamento e como eles se comportam ao longo do ano? Essa análise sazonal é essencial para planejamento de estoque e marketing, revelando padrões que podem ser explorados para maximizar receitas.

Selecionamos as 5 principais categorias e traçamos sua evolução mensal, identificando picos e vales que coincidem com eventos como Dia das Mães ou Natal.

# Identificar Top 5 Categorias
top_cats <- tb_comercial %>%
  count(product_category_name, sort = TRUE) %>%
  slice_head(n = 5) %>%
  pull(product_category_name)

# Filtrar e Agrupar
evolution_data <- tb_comercial %>%
  filter(product_category_name %in% top_cats) %>%
  filter(mes_ano >= "2017-01-01" & mes_ano <= "2018-08-01") %>%
  group_by(mes_ano, product_category_name) %>%
  summarise(receita = sum(price, na.rm = TRUE))

p_evo <- ggplot(evolution_data, aes(x = mes_ano, y = receita, color = product_category_name)) +
  geom_line(size = 1) +
  geom_point(size = 1.5) +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ ", big.mark = ".", decimal.mark = ",")) +
  theme_minimal() +
  labs(
    title = "Evolução de Receita das Top 5 Categorias",
    subtitle = "Sazonalidade e tendências de crescimento por categoria",
    x = "Mês",
    y = "Receita Mensal",
    color = "Categoria"
  )

ggplotly(p_evo)

Análise: O gráfico revela padrões interessantes. Categorias como “Beleza e Saúde” mostram uma consistência impressionante, enquanto outras podem ter picos associados a datas específicas. A Black Friday de 2017 impulsionou quase todas as categorias, mas algumas sustentaram o crescimento melhor em 2018. Essa visão ajuda a prever demandas futuras, alinhando-se com tendências atuais como personalização via IA.

4.6 Quem é o Cliente? Segmentação RFM e o Desafio da Recorrência

Em um mercado competitivo, reter um cliente é muito mais barato do que adquirir um novo. Mas nem todos os clientes são iguais. Para entender quem realmente importa, aplicamos a análise RFM (Recência, Frequência, Monetário), uma metodologia clássica que segmenta a base com base no comportamento de compra.

• Recência: Quão recentemente o cliente comprou? (Clientes “quentes” tendem a comprar de novo).
• Frequência: Quantas vezes ele comprou? (Fidelidade).
• Monetário: Quanto ele gastou? (Valor para o negócio).

Identificamos grupos estratégicos:

1. Campeões: A minoria absoluta que compra sempre e gasta muito.
2. Gastadores Únicos: Clientes que gastaram muito (ex: > R$ 500) em uma única vez e nunca mais voltaram. Cruzando com dados de reviews, muitos desses sofreram atrasos na primeira compra.

É neste grupo de “Gastadores Únicos” que reside a maior oportunidade de receita perdida, sugerindo campanhas targeted para reengajamento.

# Data de referência: 1 dia após a última compra do dataset
data_ref <- max(tb_clientes$recencia_data) + days(1)

rfm_data <- tb_clientes %>%
  mutate(
    recencia_dias = as.numeric(difftime(data_ref, recencia_data, units = "days")),
    # Score de Recência (5 = mais recente)
    R_Score = ntile(desc(recencia_dias), 5),
    # Score Monetário (5 = gasta mais)
    M_Score = ntile(monetario, 5)
  ) %>%
  mutate(
    RFM_Segment = case_when(
      R_Score >= 4 & M_Score >= 4 ~ "Alta Recência e Valor",
      R_Score >= 3 & M_Score >= 3 ~ "Clientes Recorrentes",
      R_Score <= 2 & M_Score >= 4 ~ "Alto Valor Inativo", # Gastaram muito mas faz tempo
      R_Score <= 2 & M_Score <= 2 ~ "Baixo Valor / Inativo",
      TRUE ~ "Novos Clientes"
    )
  )

# Visualização dos Segmentos
rfm_summary <- rfm_data %>%
  count(RFM_Segment) %>%
  mutate(prop = n / sum(n))

p_rfm <- ggplot(rfm_summary, aes(x = reorder(RFM_Segment, prop), y = prop, fill = RFM_Segment,
                                 text = paste("Segmento:", RFM_Segment, "<br>Share:", percent(prop, 0.1)))) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = scales::percent) +
  theme_minimal() +
  labs(
    title = "Segmentação de Clientes (Matriz RM)",
    x = "Segmento",
    y = "Proporção da Base"
  ) +
  theme(legend.position = "none")

ggplotly(p_rfm, tooltip = "text")

Insight Estratégico: A segmentação RFM revela um cenário desafiador: apenas 20% dos clientes são recorrentes. Isso é característico de um modelo de marketplace puro sem programas de fidelidade fortes na época. Essa baixa recorrência destaca a importância de estratégias de retenção, como e-mails personalizados ou incentivos.

4.7 O Que Vende? A Curva ABC de Produtos

Por fim, olhamos para o portfólio. Quais categorias sustentam o faturamento? Essa análise de Curva ABC ajuda a priorizar esforços em produtos de alto impacto.

O gráfico abaixo mostra as top 15 categorias por receita. Vemos uma disputa acirrada no topo, com “Beleza Saude” liderando com pouco mais de R$ 1 milhão em vendas, seguida de perto por “Cama Mesa Banho” e “Relogios Presentes”. Essas categorias “Core” são o motor do marketplace, sugerindo foco em promoções e estoque para elas.

pareto_cat <- tb_comercial %>%
  group_by(product_category_name) %>%
  summarise(receita = sum(price, na.rm = TRUE)) %>%
  arrange(desc(receita)) %>%
  mutate(
    acumulado = cumsum(receita),
    prop_acumulada = acumulado / sum(receita) * 100
  ) %>%
  slice_head(n = 15)

p_pareto <- ggplot(pareto_cat, aes(x = reorder(product_category_name, receita))) +
  geom_col(aes(y = receita, text = paste("Categoria:", product_category_name, "<br>Receita: R$", format(receita, big.mark=".", decimal.mark=","))), fill = "#2c3e50") +
  coord_flip() +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$ ", big.mark = ".", decimal.mark = ",")) +
  theme_minimal() +
  labs(
    title = "Top 15 Categorias por Receita",
    x = "Categoria",
    y = "Receita Total"
  )

ggplotly(p_pareto, tooltip = "text")

Insight Estratégico: Essa distribuição reforça a necessidade de diversificação, mas com ênfase nas categorias líderes para maximizar rentabilidade.